End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?
创建于 更新于
摘要
本研究提出端到端的跨资产期货配置策略，直接将市场状态映射到各资产权重，通过可微化的Sharpe目标实现学习。对16种最活跃的CME期货进行 walk-forward 验证，结果显示学习策略在跨资产组合及若干子资产类别中相对于等权、风险平价和时间序列动量等规则具有优势，但优势并非普适，且在高成本下表现分化。 Transformer 架构在多数组别上通常提供更强的无约束收益能力且交易所需成本更低，但在权益等环境下，LSTM 也具备竞争力，且对成本的敏感度不同。总体而言，端到端策略的收益来源更多来自市场暴露，而非稳定的超额阿尔法，其价值取决于资产类别、基准以及交易成本。 [page::2][page::5]
