Сквозные политики AI для выбора времени торговли фьючерсами на разные классы активов

Сводка

В документе рассматривается, могут ли модели, напрямую преобразующие рыночные условия в веса портфеля, превзойти традиционные стратегии торговли фьючерсами на разные классы активов. В нём описано обучение этих политик на шестнадцати ликвидных фьючерсах CME с дифференцируемой целевой функцией коэффициента Шарпа, а затем сравнение с равным взвешиванием, паритетом рисков и импульсом временного ряда. Такой подход пропускает обычные отдельные этапы прогнозирования доходности и оптимизации распределения активов.

Обученные политики опережают бенчмарки на основе правил для объединённого портфеля и некоторых групп активов, хотя преимущество проявляется не во всех группах. На вневыборочных данных LSTM и трансформер показывают схожую валовую доходность, но торговые издержки меняют сравнение: трансформер совершает меньше сделок и показывает результаты лучше, чем LSTM, достигая результатов на уровне равновзвешенного портфеля или выше при умеренных издержках. В отрывке нет подробной статистики эффективности, периода тестирования или более широких проверок устойчивости, поэтому он не доказывает, что результаты применимы за пределами изученных фьючерсов и условий оценки.

Ключевые идеи

• Метод обучает напрямую определять веса портфеля по состояниям рынка, не прогнозируя доходность перед оптимизацией.
• Обучение проводится на наборе ликвидных фьючерсов на разные классы активов с дифференцируемой целевой функцией коэффициента Шарпа.
• В число бенчмарков входят равное взвешивание, паритет рисков и импульс временного ряда.
• Обученные политики показывают хорошие результаты для совокупного портфеля и отдельных групп активов, но результаты различаются по группам.
• В представленном сравнении торговые издержки дают преимущество менее активной политике-трансформеру перед LSTM.

Теги

# 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.

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.