क्रॉस-एसेट फ़्यूचर्स के समय निर्धारण के लिए एंड-टू-एंड AI नीतियाँ

सारांश

यह दस्तावेज़ जाँचता है कि बाज़ार स्थितियों को सीधे पोर्टफ़ोलियो वज़न में बदलने वाले मॉडल पारंपरिक क्रॉस-एसेट फ़्यूचर्स रणनीतियों से बेहतर प्रदर्शन कर सकते हैं या नहीं। इसमें सोलह तरल CME फ़्यूचर्स पर अलग-अलग नीतियों को अवकलनीय Sharpe-अनुपात उद्देश्य से प्रशिक्षित करने और फिर उनकी तुलना समान वज़न, जोखिम समता तथा टाइम-सीरीज़ मोमेंटम से करने का वर्णन है। यह व्यवस्था प्रतिफल पूर्वानुमान और आवंटन अनुकूलन के आम अलग-अलग चरणों को छोड़ देती है।

सीखी गई नीतियाँ संयुक्त पोर्टफोलियो और कुछ परिसंपत्ति समूहों के लिए नियम-आधारित बेंचमार्क से बेहतर रैंक करती हैं, हालांकि सभी समूहों में यह बढ़त एकसमान नहीं है। नमूने से बाहर, एक LSTM और ट्रांसफ़ॉर्मर का सकल प्रदर्शन समान है, लेकिन ट्रेडिंग लागत तुलना को बदल देती है: ट्रांसफ़ॉर्मर कम ट्रेड करता है और LSTM की तुलना में बेहतर प्रदर्शन करता है; मध्यम लागत पर यह समान भार-वितरण के बराबर या उससे बेहतर रहता है। इस अंश में प्रदर्शन के विस्तृत आँकड़े, परीक्षण अवधि या व्यापक मजबूती जाँच नहीं दी गई है, इसलिए इससे यह सिद्ध नहीं होता कि ये परिणाम अध्ययन किए गए वायदा अनुबंधों और मूल्यांकन स्थितियों से आगे भी लागू होंगे।

मुख्य विचार

• यह विधि पहले प्रतिफल का पूर्वानुमान करके फिर अनुकूलन के बजाय बाज़ार अवस्थाओं से सीधे पोर्टफ़ोलियो वज़न सीखती है।
• प्रशिक्षण में तरल क्रॉस-एसेट फ़्यूचर्स के समूह पर अवकलनीय Sharpe-अनुपात उद्देश्य का उपयोग होता है।
• बेंचमार्क में समान वज़न, जोखिम समता और टाइम-सीरीज़ मोमेंटम शामिल हैं।
• सीखी गई नीतियाँ संयुक्त पोर्टफ़ोलियो और चुने हुए परिसंपत्ति समूहों में अच्छी रैंक करती हैं, लेकिन परिणाम समूह के अनुसार बदलते हैं।
• रिपोर्ट की गई तुलना में लेन-देन लागत कम सक्रिय ट्रांसफ़ॉर्मर नीति को LSTM से बेहतर बनाती है।

टैग

# End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?


# End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?









Timing-based tilts across asset classes can drive much of the risk and return of a diversified cross-asset portfolio. The standard approach forecasts returns and then optimizes weights. We instead study an end-to-end AI-based policy that maps market states directly to portfolio weights, and we then ask when this one-step modeling approach outperforms simple rules-based strategies. We train these policies on the sixteen most liquid CME futures, where an edge is unlikely to be due to illiquidity, using a differentiable Sharpe ratio loss function, and we benchmark them against equal weighting, risk parity, and time-series momentum. The learned policies rank above the rules on the pooled cross-asset portfolio and in several sub-asset classes, but not uniformly. In gross terms, an LSTM and a transformer-based architecture perform comparably out-of-sample, but diverge when we consider transaction costs. The transformer generates the stronger learned policy, trades far less than the LSTM, and matches or exceeds equal weighting through moderate cost.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।