본문으로 건너뛰기
라이브러리 문서 전체

크로스에셋 선물의 엔드투엔드 AI 정책

기사 arXiv papers · 저자: Austin Pollok et al.
원문 읽기

요약

이 문서는 시장 상황을 포트폴리오 비중에 직접 대응시키는 모델이 기존 크로스에셋 선물 전략보다 나은 성과를 낼 수 있는지 살펴봅니다. 미분 가능한 샤프 비율 목적함수를 사용해 유동성이 높은 CME개 CME 선물에서 이러한 정책을 학습한 뒤, 동일 가중, 리스크 패리티, 시계열 모멘텀과 비교합니다. 이 방식은 일반적으로 별도로 수행하는 수익률 예측과 자산 배분 최적화 단계를 생략합니다.

학습된 정책은 통합 포트폴리오와 일부 자산군에서 규칙 기반 벤치마크보다 높은 순위를 기록하지만, 모든 자산군에서 우위가 일관되지는 않습니다. 표본 외 테스트에서 LSTM과 트랜스포머의 총성과는 비슷했지만, 거래 비용을 반영하면 비교 결과가 달라집니다. 트랜스포머는 거래 빈도가 낮고 LSTM보다 상대적으로 성과가 좋아, 보통 수준의 비용에서는 동일 가중과 같거나 더 나은 성과를 냅니다. 발췌문에는 자세한 성과 통계, 테스트 기간 또는 폭넓은 강건성 검토가 없어, 이 결과가 연구 대상 선물과 평가 조건을 넘어 일반화된다고 볼 수는 없습니다.

핵심 아이디어

  • 수익률을 예측한 뒤 최적화하는 대신 시장 상태에서 포트폴리오 비중을 직접 학습합니다.
  • 유동성 높은 크로스에셋 선물에 미분 가능한 샤프 비율 목적함수를 적용해 학습합니다.
  • 기준 전략에는 동일 비중, 리스크 패리티, 시계열 모멘텀이 포함됩니다.
  • 학습 정책은 통합 포트폴리오와 일부 자산군에서 좋은 순위를 보였지만 결과는 자산군별로 달랐습니다.
  • 보고된 비교에서 거래 비용은 거래가 적은 트랜스포머 정책에 LSTM보다 유리하게 작용합니다.

태그

선물멀티에셋머신러닝포트폴리오 구성백테스트
전문
# 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.

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

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