본문으로 건너뛰기
라이브러리 문서 전체

DeePM: 체계적 매크로 포트폴리오를 위한 강건한 딥러닝

기사 arXiv papers · 저자: Kieran Wood et al.
원문 읽기

요약

DeePM은 분산된 매크로 포트폴리오를 관리하는 엔드투엔드 딥러닝 시스템으로 소개됩니다. 지연 기반 인과 메커니즘으로 비동기 시장 데이터를 처리하고, 경제 지식을 반영한 그래프로 자산 간 관계를 제약하며, 엔트로피 꼬리 위험의 대리 지표로 과거 성과가 나쁜 구간에 불이익을 주는 강건한 위험 조정 목적함수를 사용해 학습합니다. 명시된 입력은 일간 종가이며, 포트폴리오 대상은 분산된 선물입니다.

문서는 거래 비용을 포함해 2010년부터 2025년까지 대규모 백테스트를 수행했으며, 추세 추종 방식, 패시브 벤치마크, Momentum Transformer보다 순 위험 조정 성과가 높았다고 주장합니다. 서로 다른 시장 환경에서의 회복력을 시차를 둔 횡단면 어텐션, 그래프 사전 정보, 비용 처리, 미니맥스 최적화의 결과로 설명합니다. 이는 독립적으로 확립된 결과가 아니라 보고된 연구 결과입니다. 짧은 설명에는 구체적인 금융상품, 평가 프로토콜, 구현 세부 정보 또는 비교의 불확실성이 명시되지 않았습니다. 백테스트 성과가 미래 결과를 보장하지는 않습니다.

핵심 아이디어

  • DeePM은 지연 메커니즘으로 시차를 두고 제공되는 매크로 및 시장 정보를 처리합니다.
  • 경제 지식을 반영한 그래프 사전 정보로 자산 간 관계를 표현하는 방식을 정규화합니다.
  • 최악의 성과 구간에 불이익을 줘 강건한 위험 조정 포트폴리오 성과를 학습합니다.
  • 보고된 선물 백테스트는 거래 비용을 포함하며 추세 추종 및 패시브 벤치마크와 비교합니다.
  • 구성 요소 제거 실험 결과는 시차 어텐션, 그래프 사전 정보, 비용 모형화, 강건한 최적화가 일반화에 영향을 준다고 시사합니다.

태그

머신러닝선물포트폴리오 구성리스크 관리백테스트
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.