Resumen Técnico: Políticas de Cartera Paramétricas de Extremo a Extremo para el Timing de Futuros Multi-Activo

1. Planteamiento del Problema

El artículo aborda el desafío del timing multi-activo en la inversión sistemática multi-activo (estrategias de macro global y gestión de futuros). Las decisiones de timing impulsan el riesgo y el retorno realizados, pero son notoriamente difíciles de ejecutar. El enfoque cuantitativo estándar depende de un marco de dos pasos de "predicción-luego-optimización": pronosticar los retornos esperados y las covarianzas, y luego optimizar los pesos mediante la optimía de media-varianza. Los autores argumentan que este flujo de trabajo es frágil; los pronósticos de retornos ruidosos pueden derivar en pesos de cartera inestables.

La pregunta central de investigación es práctica: ¿Cuándo un modelo de asignación basado en IA, de extremo a extremo, supera a las estrategias simples basadas en reglas (como la ponderación igualitaria, la paridad de riesgo y el momentum de series temporales) lo suficiente como para justificar su complejidad añadida? El estudio se centra en un universo altamente líquido e invertible donde las primas de iliquidez no son una fuente de alfa, aislando así la habilidad pura de timing de los modelos.

2. Metodología

Datos y Universo

El estudio utiliza datos de cierre diario de los dieciséis futuros más líquidos de la CME a través de seis clases de activos: Índices de Acciones, Tasas de Interés, Divisas (FX), Energía, Metales y Agrícolas. Los datos abarcan desde 2001 hasta 2024. Los autores utilizan series de contratos continuos para asegurar historiales sin interrupciones y evitar el sesgo de anticipación (look-ahead bias). El conjunto de características incluye retornos diarios brutos y un conjunto de características diseñadas económicamente interpretables (tendencia, reversión a la media, exponente de Hurst, volatilidad, correlación y momentos superiores), aunque el análisis principal fuera de la muestra (out-of-sample) se basa en la sección transversal de los retornos diarios como el estado.

Marco de la Política

Los autores emplean un enfoque de política de cartera paramétrica de extremo a extremo. En lugar de pronosticar retornos, una red neuronal mapea los estados del mercado ($X_t$) directamente a los pesos de la cartera ($w_t$) a través de una función de política diferenciable $\pi_\theta(X_t)$.

• Función Objetivo: Los modelos se entrenan para maximizar un Sharpe ratio diferenciable (minimizando el Sharpe ratio negativo). Esto colapsa la predicción y la optimación en un solo paso.
• Restricciones: Se permiten posiciones largas/cortas con exposición bruta unitaria. La restricción de presupuesto de largo/corto está integrada dentro de la arquitectura de la política en lugar de imponerse como una restricción post-hoc.
• Costos de Transacción: Un objetivo consciente de los costos penaliza la rotación ($\lambda$), fijada en un realista 2 puntos básicos (bp) para futuros líquidos, aunque el análisis de sensibilidad se extiende hasta los 10 bp.

Arquitecturas

Se comparan dos arquitecturas de redes neuronales:

1. LSTM (Long Short-Term Memory): Sirve como línea base de red neuronal para el modelado de secuencias.
2. Transformer: Una arquitectura personalizada que sigue la literatura reciente sobre el momentum de futuros basado en atención. Incluye:
   • Embedding Time2Vec: Para capturar estructuras periódicas, dado que la atención estándar es agnóstica al orden.
   • Codificador-Decodificador: Cuatro capas de autoatención de múltiples cabezales con redes residuales con compuerta (GRN).
   • Enmascaramiento Causal: Asegura que los pesos dependan únicamente de la información disponible en el momento de la formación de la posición.
   • Capa de Salida: Una capa signed-softmax convierte las puntuaciones del decodificador en pesos, normalizando la exposición absoluta total.

Diseño Experimental

La evaluación utiliza un diseño de ventana expansiva de avance progresivo (expanding-window walk-forward). Los modelos se entrenan en el 40% inicial de la muestra y se reajustan en bloques de aproximadamente cuatro años con una división de entrenamiento/validación de 90/10. El rendimiento se compara contra tres reglas estándar: Ponderación Igualitaria (1/N), Paridad de Riesgo y Momentum de Series Temporales (TSMOM).

3. Resultados Clave

Rendimiento por Clase de Activo

• Ranking General: Las políticas aprendidas (Transformer y LSTM) generalmente se sitúan por encima de las reglas simples en la cartera combinada multi-activo y en varias secciones de un solo activo (por ejemplo, Agrícolas, Metales), pero no de manera uniforme.
• Especificidades de Clase de Activo:
  • Índices de Acciones: La LSTM logra el Sharpe más alto (0.87), superando la ponderación igualitaria (0.78) y la paridad de riesgo (0.79). Sin embargo, la descomposición de factores revela que esto se debe en gran medida a la exposición de mercado ($\beta$) en lugar de un alfa residual.
  • Tasas de Interés y FX: El momentum de series temporales sigue siendo la estrategia dominante; los modelos aprendidos tienen dificultades para superar al TSMOM en estos regímenes.
  • Agrícolas: El Transformer muestra la mejora más significativa, duplicando con creces el Sharpe de la mejor estrategia de solo largo (0.34 vs. 0.16).
• Significancia Estadística: Tras la corrección de Bonferroni para pruebas múltiples, solo los resultados de los índices de acciones para los modelos aprendidos siguen siendo estadísticamente distinguibles de cero. El Sharpe del Transformer multi-activo (0.55) está ligeramente por encima de la ponderación igualitaria (0.52), pero no es estadísticamente significativo en una comparación directa.

El Impacto de los Costos de Transacción

El hallazgo más crítico se refiere a la rotación y la sensibilidad al costo:

• Rotación: El Transformer exhibe una rotación muy baja (0.02 diaria), mientras que la LSTM opera agresivamente (0.17 diaria en la cartera multi-activo).
• Rendimiento Neto: Tras aplicar un costo de transacción de 2 bp, el Sharpe ratio de la LSTM cae significativamente (de 0.50 a 0.33 en la cartera multi-activo), mientras que el del Transformer permanece estable (0.55 a 0.54).
• Conclusión: El Transformer genera la política más fuerte neta porque opera menos, preservando su ventaja bruta. El mayor volumen de la LSTM erosiona su alfa una vez que se implementan los costos.

Complejidad y Robustez

• Sensibilidad a la Semilla (Seed Sensitivity): El Transformer es sensible a la inicialización aleatoria. El promedio de semillas (promediar tres modelos inicializados independientemente) es la única mejora que eleva la estabilidad y competitividad de manera fiable.
• Complejidad: Estructuras más complejas (mezcla de expertos, conjuntos de características más grandes, ensambles de modelos) no mejoraron de manera fiable el rendimiento fuera de la muestra. El Transformer simple, promediado por semillas, resultó superior a estas adiciones.

Habilidad vs. Exposición

En el índice de acciones, el rendimiento del Transformer se atribuye principalmente a una exposición direccional eficiente en riesgo (beta sub-unitaria) en lugar de un alfa neutral al mercado. La LSTM mostró algo de alfa residual en acciones, pero esto no fue consistente en otras clases de activos. Ningún universo mostró un alfa residual distinguible de cero tras una prueba rigurosa.

4. Significado y Reivindicaciones

El artículo concluye que el valor de la asignación de IA de extremo a extremo es condicional, no universal.

• Cuándo funciona: Las políticas de extremo a extremo añaden valor donde las reglas simples son más débiles (por ejemplo, mercados de materias primas volátiles) y donde el modelo puede explotar la amplitud a través de una gran sección transversal de contratos (la cartera de 16 contratos).
• Cuándo falla: El enfoque es menos convincente donde la diversificación ingenua (ponderación igualitaria) o las reglas de tendencia estándar (TSMOM) ya capturan la mayor parte de los retornos disponibles (por ejemplo, Tasas de Interés, FX).
• La Ventaja del "Transformer": La arquitectura Transformer es preferible a la LSTM no necesariamente por una capacidad de predicción bruta superior, sino por su baja rotación, lo que le permite sobrevivir a los costos de transacción reales.
• Lección para el Profesional: El estudio aboga por comparar los modelos de IA contra las reglas simples específicas que un profesional ejecutaría realmente, en lugar de solo contra la ponderación igualitaria. Enfatiza que la rotación y la sensibilidad al costo son tan críticas como los Sharpe ratios brutos. Los resultados sugieren que, si bien la IA puede producir una regla de asignación útil y de baja rotación, no genera automáticamente alfa neutral al mercado y debe ser evaluada con una atención rigurosa a los costos de transacción y la estabilidad de las semillas.

Los autores enmarcan esto como una "prueba conservadora" del marco de trabajo en un entorno de frecuencia diaria y alta liquidez, señalando que frecuencias más altas o universos más amplios podrían ofrecer más señal para que estos modelos la exploten.