コンテンツへスキップ
ライブラリの全資料

DeePM：マクロポートフォリオ向けロバスト深層学習

記事 arXiv papers · 著者: Kieran Wood et al.
原文を読む

サマリー

DeePMは、分散されたマクロポートフォリオを運用するエンドツーエンドの深層学習システムとして提示されています。遅延に基づく因果メカニズムで非同期の市場データに対応し、経済知識を取り入れたグラフで資産間の関係を制約します。また、エントロピー的なテールリスクの代理として過去の成績が悪い期間にペナルティを課す、ロバストなリスク調整後目的関数で学習します。入力は日次終値とされ、ポートフォリオの対象は分散された先物です。

資料は、取引コストを含む2010～2025の大規模バックテストを報告し、トレンドフォロー手法、パッシブベンチマーク、Momentum Transformerより、コスト控除後のリスク調整後成績が高かったと主張しています。異なる市場環境での頑健性を、遅行する横断的アテンション、グラフ事前分布、コストの扱い、ミニマックス最適化に帰しています。これは報告された研究結果であり、独立に確立されたものではありません。短い説明には、正確な金融商品、評価手順、実装の詳細、比較結果の不確実性が示されていません。バックテストの成績は将来の結果を保証しません。

主なアイデア

  • DeePMは遅延メカニズムを用いて、非同期に利用可能となるマクロ・市場情報を扱います。
  • 経済知識を取り入れたグラフ事前分布により、モデルが資産間の関係を表現する方法を正則化します。
  • 最悪期間へのペナルティを使い、ロバストなリスク調整後ポートフォリオ成績を目指して学習します。
  • 報告された先物バックテストは取引コストを含み、トレンドフォローやパッシブベンチマークと比較しています。
  • アブレーション結果は、遅行アテンション、グラフ事前分布、コストモデル、ロバスト最適化が汎化に関わることを示すとされています。

タグ

機械学習先物ポートフォリオ構築リスク管理バックテスト
全文
# DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management


# DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management









We propose DeePM (Deep Portfolio Manager), a structured deep-learning macro portfolio manager trained end-to-end to maximize a robust, risk-adjusted utility. DeePM addresses three fundamental challenges in financial learning: (1) it resolves the asynchronous "ragged filtration" problem via a Directed Delay (Causal Sieve) mechanism that prioritizes causal impulse-response learning over information freshness; (2) it combats low signal-to-noise ratios via a Macroeconomic Graph Prior, regularizing cross-asset dependence according to economic first principles; and (3) it optimizes a distributionally robust objective where a smooth worst-window penalty serves as a differentiable proxy for Entropic Value-at-Risk (EVaR) - a window-robust utility encouraging strong performance in the most adverse historical subperiods. In large-scale backtests from 2010-2025 on 50 diversified futures with highly realistic transaction costs, DeePM attains net risk-adjusted returns that are roughly twice those of classical trend-following strategies and passive benchmarks, solely using daily closing prices. Furthermore, DeePM improves upon the state-of-the-art Momentum Transformer architecture by roughly fifty percent. The model demonstrates structural resilience across the 2010s "CTA (Commodity Trading Advisor) Winter" and the post-2020 volatility regime shift, maintaining consistent performance through the pandemic, inflation shocks, and the subsequent higher-for-longer environment. Ablation studies confirm that strictly lagged cross-sectional attention, graph prior, principled treatment of transaction costs, and robust minimax optimization are the primary drivers of this generalization capability.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。