DeePM: устойчивое глубокое обучение для систематических макропортфелей

Сводка

DeePM представлен как сквозная система глубокого обучения для управления диверсифицированными макропортфелями. В её конструкции асинхронность рыночных данных учитывается причинным механизмом с задержкой; связи между активами ограничиваются графом с учётом экономических знаний, а модель обучается на устойчивой целевой функции с поправкой на риск, которая штрафует за слабые исторические периоды как за приближение к энтропийному хвостовому риску. Заявленные входные данные — цены закрытия за день, а в портфель входят диверсифицированные фьючерсы.

В документе сообщается о масштабных бэктестах за 2010–2025 годы с учётом транзакционных издержек; утверждается, что чистая доходность с поправкой на риск выше, чем у стратегий следования за трендом, пассивных бенчмарков и Momentum Transformer. Устойчивость в разных рыночных условиях авторы связывают с запаздывающим кросс-секционным вниманием, априорным графом, учётом издержек и минимаксной оптимизацией. Это заявленные результаты исследования, а не независимо подтверждённые выводы; в кратком описании не указаны конкретные инструменты, протокол оценки, детали реализации или неопределённость сравнений. Результаты бэктеста не позволяют судить о будущих результатах.

Ключевые идеи

• DeePM использует механизм задержки для обработки макроэкономической и рыночной информации, поступающей асинхронно.
• Априорный граф с учётом экономических знаний ограничивает представление моделью связей между активами.
• Штраф за худшие исторические периоды применяется для обучения модели устойчивой эффективности портфеля с поправкой на риск.
• В заявленных бэктестах фьючерсов учтены транзакционные издержки; модель сравнивается со стратегиями следования за трендом и пассивными бенчмарками.
• Согласно результатам абляционного анализа, на обобщение влияют запаздывающее внимание, априорный граф, моделирование издержек и устойчивая оптимизация.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.