DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management
创建于 更新于
摘要
本报告提出 DeePM：一种面向系统性宏观（50只期货/FX） 的端到端深度组合管理框架，通过（1）Directed Delay 因果筛（解决异步收盘问题）、（2）宏观图先验（GNN 正则化跨资产联动）、（3）基于 SoftMin 的可微分 EVaR 近似的分布鲁棒目标，联合优化交易信号以最大化净风险调整收益并内化交易成本，从而提升跨 regime 的生存能力与泛化性 [page::1][page::4][page::32]. 实证上，2010–2025 的大规模回测（含真实感交易成本）显示 DeePM Ensemble 达到净化后年化风险调整收益显著优于被比较基线（Net Sharpe≈0.93 vs Momentum Transformer 0.66 / TSMOM 0.45），并在后 2020 波动率转变期保持稳健表现；训练与部署要点包括中等训练成本权重 γ=0.5、Top-K 并 ensemble（K≈25）与 SoftMin 温度调校以平衡稳健性与可训练性 [page::18][page::2][page::14].
