Políticas AI de ponta a ponta para timing de futuros multiclasse

Resumo

O documento examina se modelos que convertem diretamente condições de mercado em pesos de carteira podem superar estratégias convencionais de futuros entre classes de ativos. Descreve o treinamento dessas políticas com dezesseis contratos futuros líquidos da CME, usando um objetivo diferenciável de razão de Sharpe e comparando-as com ponderação igual, paridade de risco e momentum de séries temporais. Essa configuração elimina as etapas separadas usuais de previsão de retornos e otimização das alocações.

As políticas aprendidas ficam à frente das referências baseadas em regras para a carteira agregada e alguns grupos de ativos, embora a vantagem não seja consistente entre todos os grupos. Fora da amostra, um LSTM e um transformer têm desempenho bruto semelhante, mas os custos de trading mudam a comparação: o transformer negocia menos e tem desempenho relativo melhor que o LSTM, igualando ou superando a ponderação igual sob custos moderados. O trecho não apresenta estatísticas detalhadas de desempenho, período de teste ou verificações mais amplas de robustez; portanto, não demonstra que os resultados se generalizem além dos futuros e das condições de avaliação estudados.

Ideias principais

• O método aprende pesos de carteira diretamente a partir dos estados do mercado, sem prever retornos antes da otimização.
• O treinamento usa um objetivo diferenciável de razão de Sharpe em um conjunto de futuros líquidos de várias classes de ativos.
• As referências incluem ponderação igual, paridade de risco e momentum de séries temporais.
• As políticas aprendidas têm boa classificação para a carteira agregada e alguns grupos de ativos, mas os resultados variam por grupo.
• Na comparação relatada, os custos de transação favorecem a política transformer, menos ativa, em relação ao LSTM.

Tags

# 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.

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.