DeePM: Học sâu vững chắc cho danh mục vĩ mô có hệ thống

Tóm tắt

DeePM được trình bày như một hệ thống học sâu đầu cuối để quản lý danh mục vĩ mô đa dạng hóa. Thiết kế xử lý dữ liệu thị trường không đồng bộ bằng cơ chế nhân quả dựa trên độ trễ, giới hạn mối quan hệ giữa các tài sản bằng đồ thị có thông tin kinh tế, và huấn luyện theo mục tiêu điều chỉnh rủi ro vững chắc, trong đó phạt các giai đoạn lịch sử kém như một đại diện cho rủi ro đuôi theo entropy. Đầu vào được nêu là giá đóng cửa hằng ngày, còn phạm vi danh mục gồm các hợp đồng tương lai đa dạng hóa.

Tài liệu báo cáo các đợt kiểm thử lịch sử quy mô lớn trải dài từ 2010 đến 2025, có tính đến chi phí giao dịch, và tuyên bố hiệu suất ròng đã điều chỉnh theo rủi ro cao hơn các phương pháp giao dịch theo xu hướng, chuẩn thụ động và Momentum Transformer. Tài liệu quy khả năng chống chịu qua các môi trường thị trường khác nhau cho cơ chế chú ý chéo theo lát cắt có độ trễ, tiên nghiệm đồ thị, cách xử lý chi phí và tối ưu hóa minimax. Đây là các phát hiện nghiên cứu được báo cáo, chưa phải kết quả được xác lập độc lập; mô tả ngắn không nêu chính xác các công cụ, quy trình đánh giá, chi tiết triển khai hay độ bất định của các phép so sánh. Hiệu suất kiểm thử lịch sử không xác lập kết quả trong tương lai.

Ý chính

• DeePM dùng cơ chế độ trễ để xử lý thông tin vĩ mô và thị trường được cung cấp không đồng bộ.
• Đồ thị tiên nghiệm dựa trên thông tin kinh tế điều chuẩn cách mô hình biểu diễn mối quan hệ giữa các tài sản.
• Mô hình được huấn luyện với hình phạt cho giai đoạn kém nhất nhằm hướng đến hiệu suất danh mục vững chắc đã điều chỉnh theo rủi ro.
• Các kiểm thử lịch sử hợp đồng tương lai được báo cáo có tính đến chi phí giao dịch và so sánh mô hình với chuẩn giao dịch theo xu hướng và chuẩn thụ động.
• Các kết quả loại bỏ thành phần được cho là chỉ ra vai trò của chú ý có độ trễ, tiên nghiệm đồ thị, mô hình hóa chi phí và tối ưu hóa vững chắc trong khả năng khái quát.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.