跨资产期货择时的端到端参数化投资组合策略：AI模型何时胜过简单规则？
统计金融
2026-07-01 v1 投资组合管理
交易与市场微观结构
摘要
跨资产类别的择时倾斜可以驱动多元化跨资产投资组合的大部分风险与收益。标准方法是预测收益，然后优化权重。我们转而研究一种端到端的基于AI的策略，该策略将市场状态直接映射到投资组合权重，然后我们探究这种一步建模方法何时优于简单的基于规则的策略。我们在十六种流动性最强的CME期货上训练这些策略，在这些期货上，优势不太可能源于流动性不足，使用可微的夏普比率损失函数，并将它们与等权重、风险平价和时间序列动量进行基准比较。学习到的策略在汇总的跨资产投资组合和几个子资产类别中排名高于规则，但并非一致如此。从总额来看，LSTM和基于Transformer的架构在样本外表现相当，但在考虑交易成本时出现分歧。Transformer生成了更强的学习策略，交易频率远低于LSTM，并在中等成本下达到或超过等权重。
引用
@article{arxiv.2607.00475,
title = {End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?},
author = {Austin Pollok and Kevin Robik},
journal= {arXiv preprint arXiv:2607.00475},
year = {2026}
}