اثاثوں کے پار فیوچرز ٹائمنگ کے لیے آخر تا آخر AI پالیسیاں

خلاصہ

یہ دستاویز جانچتی ہے کہ آیا منڈی کے حالات کو براہِ راست پورٹ فولیو کے وزنوں میں بدلنے والے ماڈلز روایتی بین الاثاثہ فیوچرز اسٹریٹیجیوں سے بہتر کارکردگی دکھا سکتے ہیں۔ اس میں سولہ سیال CME فیوچرز پر تفریقی شارپ تناسب مقصد سے ان پالیسیوں کو تربیت دے کر مساوی وزن، رسک پیریٹی اور ٹائم سیریز مومینٹم سے موازنہ کیا گیا ہے۔ اس ترتیب میں منافع کی پیش گوئی اور تخصیص بہتر بنانے کے معمول کے الگ مراحل چھوڑ دیے جاتے ہیں۔

سیکھنے والی پالیسیاں مجموعی پورٹ فولیو اور بعض اثاثہ گروپوں کے لیے قواعد پر مبنی معیاروں سے بہتر درجہ پاتی ہیں، اگرچہ یہ برتری تمام گروپوں میں یکساں نہیں۔ نمونے سے باہر، ایک LSTM اور ٹرانسفارمر کی مجموعی کارکردگی ملتی جلتی ہے، مگر ٹریڈنگ کے اخراجات تقابل کو بدل دیتے ہیں: ٹرانسفارمر کم ٹریڈ کرتا ہے اور LSTM کے مقابلے میں بہتر کارکردگی دکھاتا ہے، اور معتدل اخراجات میں مساوی وزن بندی کے برابر یا اس سے آگے رہتا ہے۔ اقتباس میں کارکردگی کے تفصیلی اعداد، آزمائشی مدت یا وسیع تر مضبوطی کی جانچ شامل نہیں، اس لیے یہ ثابت نہیں ہوتا کہ نتائج زیرِ مطالعہ فیوچرز اور جانچ کے حالات سے آگے بھی لاگو ہوں گے۔

اہم خیالات

• یہ طریقہ منافع کی پیش گوئی اور پھر تخصیص بہتر بنانے کے بجائے مارکیٹ کی حالتوں سے براہِ راست پورٹ فولیو کے وزن سیکھتا ہے۔
• تربیت میں سیال بین الاثاثہ فیوچرز کے مجموعے پر تفریقی شارپ تناسب کا مقصد استعمال ہوتا ہے۔
• معیارات میں مساوی وزن، رسک پیریٹی اور ٹائم سیریز مومینٹم شامل ہیں۔
• سیکھی ہوئی پالیسیاں مجموعی پورٹ فولیو اور منتخب اثاثہ جاتی گروہوں میں بہتر درجے پر ہیں، مگر نتائج گروہ کے لحاظ سے بدلتے ہیں۔
• رپورٹ کردہ موازنے میں لین دین کے اخراجات کم سرگرم ٹرانسفارمر پالیسی کو LSTM پر ترجیح دیتے ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔