DeePM: deep learning robusto para carteiras macro

Resumo

O DeePM é apresentado como um sistema de deep learning de ponta a ponta para gerir carteiras macro diversificadas. Seu projeto trata dados de mercado assíncronos com um mecanismo causal baseado em atrasos, restringe relações entre ativos usando um grafo informado por economia e treina com um objetivo robusto ajustado ao risco que penaliza janelas históricas ruins como aproximação do risco de cauda entrópico. As entradas declaradas são preços de fechamento diários, e o universo da carteira consiste em contratos futuros diversificados.

O documento relata backtests em larga escala abrangendo 2010–2025, com custos de transação, e afirma desempenho líquido ajustado ao risco superior ao de abordagens de acompanhamento de tendência, referências passivas e um Momentum Transformer. Atribui a resiliência em diferentes ambientes de mercado à atenção transversal defasada, ao prior em grafo, ao tratamento de custos e à otimização minimax. Esses são resultados de pesquisa relatados, não resultados estabelecidos de forma independente; a breve descrição não especifica os instrumentos exatos, o protocolo de avaliação, os detalhes de implementação nem a incerteza das comparações. O desempenho em backtests não estabelece resultados futuros.

Ideias principais

• O DeePM usa um mecanismo de atraso para lidar com informações macroeconômicas e de mercado disponibilizadas de forma assíncrona.
• Uma estrutura de grafo baseada em conhecimentos econômicos funciona como prior para regularizar a forma como o modelo representa as relações entre ativos.
• Uma penalidade para as piores janelas é usada no treinamento para obter desempenho robusto de carteira ajustado ao risco.
• Os backtests relatados de contratos futuros incluem custos de transação e comparam o modelo com referências de acompanhamento de tendência e passivas.
• Segundo os resultados de ablação, atenção defasada, prior de grafo, modelagem de custos e otimização robusta contribuem para a generalização.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.