Chính sách AI đầu cuối để định thời hợp đồng tương lai đa tài sản

Tóm tắt

Tài liệu xem xét liệu các mô hình ánh xạ trực tiếp điều kiện thị trường thành tỷ trọng danh mục có thể vượt trội hơn chiến lược hợp đồng tương lai đa tài sản thông thường hay không. Tài liệu mô tả việc huấn luyện các chính sách này trên mười sáu hợp đồng tương lai CME có thanh khoản cao, với mục tiêu tỷ lệ Sharpe khả vi, rồi so sánh với phân bổ tỷ trọng đều, risk parity và động lượng chuỗi thời gian. Thiết lập này bỏ qua các bước riêng biệt thường dùng để dự báo lợi nhuận và tối ưu hóa phân bổ.

Các chính sách đã học xếp trên các chuẩn dựa trên quy tắc đối với danh mục gộp và một số nhóm tài sản, dù lợi thế không nhất quán ở mọi nhóm. Ngoài mẫu, LSTM và transformer có hiệu suất gộp tương tự, nhưng chi phí giao dịch làm thay đổi so sánh: transformer giao dịch ít hơn và có kết quả tốt hơn tương đối so với LSTM, ngang bằng hoặc vượt phân bổ tỷ trọng đều khi chi phí ở mức vừa phải. Đoạn trích không đưa ra thống kê hiệu suất chi tiết, giai đoạn kiểm định hay các kiểm tra độ vững rộng hơn, nên không chứng minh rằng kết quả này khái quát được ngoài các hợp đồng tương lai và điều kiện đánh giá đã nghiên cứu.

Ý chính

• Phương pháp học tỷ trọng danh mục trực tiếp từ trạng thái thị trường thay vì dự báo lợi nhuận trước khi tối ưu hóa.
• Quá trình huấn luyện dùng mục tiêu tỷ lệ Sharpe khả vi trên một tập hợp hợp đồng tương lai đa tài sản có thanh khoản cao.
• Các chuẩn so sánh gồm phân bổ tỷ trọng đều, risk parity và động lượng chuỗi thời gian.
• Các chính sách đã học xếp hạng tốt với danh mục kết hợp và một số nhóm tài sản, nhưng kết quả thay đổi theo nhóm.
• Trong so sánh được báo cáo, chi phí giao dịch có lợi cho chính sách transformer ít giao dịch hơn so với LSTM.

Thẻ

# 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.

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.