💰 quantitative finance

Signature-Informed Transformer for Asset Allocation

Het artikel stelt de Signature-Informed Transformer voor, een verenigd diep leermodel dat padsignaturen en gespecialiseerde aandachtmechanismen integreert om direct de Conditional Value at Risk te optimaliseren, waardoor het traditionele, gescheiden benaderingen van voorspelling en optimalisatie in activallocatie overtreft.

Oorspronkelijke auteurs: Yoontae Hwang, Stefan Zohren

Gepubliceerd 2026-01-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yoontae Hwang, Stefan Zohren

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de perfecte beleggingsportefeuille probeert op te bouwen, zoals het samenstellen van een team atleten om een marathon te winnen.

De Oude Manier: De "Raad en Controleer"-fout
Traditioneel hebben beleggers en computermodellen een tweestaps-proces gebruikt dat de auteurs een "gebrekkige pijplijn" noemen.

Stap 1 (De Voorspeller): Een computer probeert precies te voorspellen hoeveel elke aandelenkoers morgen zal stijgen of dalen. Het is getraind om een perfecte gokker te zijn, waarbij het het verschil tussen de gok en de werkelijkheid minimaliseert (zoals een student die probeert de hoogst mogelijke score te halen op een wiskundetoets).
Stap 2 (De Optimizer): Een apart systeem neemt die gokken en beslist hoeveel geld er in elk aandeel wordt gestoken.

Het Probleem: De auteurs stellen dat dit is alsof je een weervoorspeller inhuurt om een picknick te plannen, maar de voorspeller alleen geeft om het feit of hij het goed heeft over de temperatuur, niet of het regent. Als de voorspeller een kleine fout maakt (22°C voorspellen terwijl het eigenlijk 23°C is), kan de optimizer in paniek raken en al het geld in één aandeel storten, wat tot een ramp leidt. Het doel van "een goede gokker zijn" komt niet overeen met het doel van "een veilig, winstgevend portfolio bouwen."

De Nieuwe Oplossing: De Signature-Informed Transformer (SIT)
De auteurs stellen een nieuw model voor genaamd de Signature-Informed Transformer (SIT). In plaats van de gokker en de planner van elkaar te scheiden, combineren ze hen tot één slimme beslisser. Zo werkt het, met eenvoudige analogieën:

1. Het "Vorm" van de Weg Lezen (Path Signatures)

Financiële markten bewegen niet alleen in rechte lijnen; ze wiebelen, maken lussen en hebben complexe geschiedenissen.

De Analogie: Stel je twee auto's voor die op een snelweg rijden. De ene auto versnelt, vertraagt en slingert heen en weer. De andere rijdt vloeiend. Een simpele snelheidsmeter vertelt je alleen hoe snel ze op dit moment gaan.
De SIT-Innovatie: Dit model gebruikt iets dat "Path Signatures" wordt genoemd. Zie dit als een GPS die niet alleen de snelheid registreert, maar de volledige vorm van de reis vastlegt. Het legt de "bochten en kronkels" vast en de geschiedenis van hoe activa samen bewegen. Het kan zien of Aandeel A consequent Aandeel B leidt (zoals een loper die het tempo bepaalt) of dat ze gewoon willekeurig bewegen. Dit geeft het model een "geometrisch" begrip van de markt dat eenvoudige cijfers missen.

2. Het Slimme Aandachtsmechanisme (Wie Let Op Wie?)

In een standaard AI-model wordt elk aandeel min of meer gelijk behandeld, of leert het model aandacht te besteden puur op basis van toeval.

De Analogie: Stel je een coach voor in een kleedkamer. Een normale coach zou instructies naar iedereen tegelijk schreeuwen.
De SIT-Innovatie: De SIT heeft een speciaal "Signature-Informed Attention" mechanisme. Het gebruikt de "vorm"-data uit stap 1 om te beslissen naar wie er geluisterd moet worden. Als de "vorm" van de geschiedenis van Aandeel A laat zien dat het een betrouwbare leider is voor Aandeel B, zet het model automatisch het volume op die verbinding omhoog. Het leert zich te concentreren op de relaties die er echt toe doen (de lead-lag effecten), in plaats van op willekeurige ruis.

3. Trainen voor het Echte Doel (Risico Minimaliseren, Niet Alleen Fouten)

Dit is de meest cruciale verandering.

De Oude Manier: Train het model om "Mean Squared Error" te minimaliseren (zorg dat de voorspelde getallen zo dicht mogelijk bij de echte getallen liggen).
De SIT-Manier: Het model wordt direct getraind om CVaR (Conditional Value-at-Risk) te minimaliseren.
De Analogie: Stel je voor dat je een piloot traint.
- Oude Manier: Je traint de piloot om 99% van de tijd perfect te landen, maar je geeft niet om wat er gebeurt in die 1% van de tijd wanneer de motor uitvalt.
- SIT-Manier: Je traint de piloot specifiek om de ergste stormen te overleven. Je geeft niet om een "perfecte" landing in normaal weer; je wilt dat het vliegtuig niet neerstort wanneer het misgaat.
  Door direct te trainen op "wat er gebeurt tijdens een crash", leert het model een portfolio te bouwen dat robuust en veilig is, in plaats van een portfolio dat er op papier goed uitziet maar uit elkaar valt wanneer de markt chaotisch wordt.

De Resultaten

De auteurs hebben deze nieuwe "all-in-one" coach getest tegenover de oude "gok-dan-plan"-teams en traditionele beleggingsstrategieën.

Prestaties: Het SIT-model maakte consistent meer geld en verloor minder tijdens slechte periodes (hogere Sharpe- en Sortino-ratio's).
Stabiliteit: De oude methoden waren "nerveus" — kleine veranderingen in hun voorspellingen leidden tot enorme, risicovolle veranderingen in hun portfolio's. Het SIT-model was rustiger en betrouwbaarder.
Waarom het werkte: Het papier bewijst wiskundig dat door de "vorm" van de data te combineren met een trainingsdoel dat om geeft aan risico, het model de valkuil vermijdt om kleine fouten te vergroten tot grote rampen.

Samenvattend:
Het artikel betoogt dat om te winnen op de aandelenmarkt, je niet alleen een betere gokker moet zijn. Je hebt een systeem nodig dat de vorm van marktbewegingen begrijpt en specifits is getraind om de slechtste scenario's te overleven, allemaal in één enkel, verenigd brein.

Technische Samenvatting: Signature-Informed Transformer voor Asset Allocatie

1. Probleemstelling

Moderne kwantitatieve financiën staan voor een centrale uitdaging in strategische asset allocatie: het construeren van portfolio's die robuust zijn tegen de complexe, niet-lineaire en pad-afhankelijke aard van financiële markten. Het dominante deep learning-paradigma voor deze taak maakt gebruik van een ontkoppelde, twee-fasen pijplijn: een voorspellingsmodel voorspelt de rendementen van activa (meestal geoptimaliseerd voor statistische metrieken zoals Mean Squared Error), en deze voorspellingen worden vervolgens gevoed aan een downstream portfolio-optimizer.

De auteurs stellen dat deze aanpak lijdt onder twee kritieke gebreken:

Gebrek aan Financiële Inductieve Bias: Algemene voorspellingsarchitecturen falen in het modelleren van idiosyncratische marktstructuren, zoals complexe lead-lag relaties tussen activa, wat het moeilijk maakt om genuanceerde signalen van ruis te onderscheiden.
Doelstelling-Mismatch en Foutversterking: Optimaliseren voor voorspellingsnauwkeurigheid (bijv. het minimaliseren van MSE) is agnostisch tegenover het downstream doel van portfolio-constructie. Minimale voorspellingsfouten kunnen door de optimizer worden versterkt tot volatiele, onpraktische of suboptimale portfolio-gewichten. Bovendien stimuleren MSE-doelstellingen modellen impliciet om de voorkeur te geven aan gemakkelijk voerdbare activa, wat de uiteindelijke allocatie kan verstoren door moeilijker voorspelbare activa met grotere schattingsfouten te negeren.

Het artikel stelt dat een robuuste oplossing een verenigd beleid (unified policy) vereist dat een end-to-end mapping leert van marktdata direct naar portfolio-gewichten, terwijl het architecturaal is ontworpen om de bekende geometrische eigenschappen van financiële tijdreeksen te modelleren.

2. Methodologie: De Signature-Informed Transformer (SIT)

De auteurs stellen de Signature-Informed Transformer (SIT) voor, een deep learning-framework dat feature extractie en besluitvorming verenigt. De architectuur is gebouwd op drie synergetische pijlers:

A. Pad-wijze Feature Representatie

In plaats van ruwe prijsinputs gebruikt SIT Rough Path Signatures om features te genereren. Voor een prijspad $X$ is de signature $\text{Sig}(X)$ een sequentie van geïtereerde integralen die een principiële samenvatting geeft van de vorm van het pad, waarbij trends en oscillaties worden gecodeerd.

Eerste-orde termen vatten netto incrementen samen.
Tweede-orde termen coderen gesigneerde gebieden, waarvan de auteurs bewijzen (Propositie 2.1) dat ze strikt de lead-lag relaties tussen activa vastleggen. Als actief $X_1$ strikt leidt op $X_2$ , dan is de cross-term op het tweede niveau $A(X) = \int X_1 dX_2 - \int X_2 dX_1$ strikt positief.
Het model construeert input tokens door deze signature-embeddings te fuseren met tijd-embeddings (kalenderfeatures) en leerbare actief-specifieke embeddings.

B. Signature-Augmented Attention

Om afhankelijkheden tussen activa te modelleren, introduceert SIT een nieuw mechanisme voor Signature-Informed Self-Attention.

In tegenstelling tot standaard attention, injecteert dit mechanisme een dynamische bias-term in de attention logits op basis van de cross-signature van activapare-paren.
De bias wordt berekend als het inproduct tussen een dynamische query-vector (die de huidige informatiebehoefte van een actief vertegenwoordigt) en een relationele embedding afgeleid van de pairwise signature.
Theoretische Garantie: Theorem 2.2 bewijst dat de directionele afgeleide van de attention weight met betrekking tot de signature bias strikt positief is. Dit zorgt ervoor dat wanneer een signature-gecodeerde relatie uitlijnt met de huidige staat van een actief, het model de aandacht naar die tegenhanger rigoureus versterkt. Een leerbare gate $\gamma$ regelt de magnitude van deze invloed.

C. Beslissings-Alignment (Trainingsdoelstelling)

SIT verlaat de twee-fasen "predict-then-optimize" aanpak. In plaats daarvan wordt het end-to-end getraind om direct de Conditional Value-at-Risk (CVaR) van de loss-distributie van de portfolio te minimaliseren.

Het model geeft voorspelde rendementen die via een softmax-functie worden omgezet in portfolio-gewichten.
De loss-functie is gedefinieerd als $\min_\theta E_\omega[\text{CVaR}_\alpha(\{L^{(k)}\}_{k=1}^K)]$ , waarbij $L^{(k)}$ het portfolio-verlies is over $K$ toekomstige stappen.
Er worden geen hulp-voorspellingsverliezen (zoals MSE) gebruikt. Dit zorgt ervoor dat de trainingsdoelstelling perfect is afgestemd op het financiële doel van risico-gecorrigeerd rendement, waardoor de foutversterking die inherent is aan ontkoppelde pijplijnen wordt vermeden.

3. Belangrijkste Bijdragen

Verenigde Architectuur: Een enkel beleid dat marktdata direct naar portfolio-gewichten mapt, waardoor de mismatch in doelstelling en foutversterking tussen forecasting en optimalisatie wordt geëlimineerd.
Geometrische Inductieve Bias: De integratie van path signatures om lead-lag relaties en hogere-orde pad-afhankelijkheden expliciet te coderen, wat wiskundig bewezen robuuste maten zijn van de interactie tussen activa.
Signature-Informed Attention: Een nieuw attention-mechanisme dat de aandacht dynamisch versterkt op basis van geometrische relaties tussen activa, inclus\u2019 een theoretisch bewijs van de monotoniciteit ervan.
Risico-bewuste Optimalisatie: Directe minimalisatie van de portfolio CVaR, wat ervoor zorgt dat het model leert te hedgen tegen tail-events in plaats van enkel punt-wijze voorspellingsfouten te minimaliseren.

4. Experimentele Resultaten

De auteurs evalueerden SIT over diverse aandelenuniversa (30, 40, 50 activa uit de S&P 100; 10, 20 uit de DOW30; 50, 100 uit de CSI 300) over trainingsperiodes (2000–2016), validatieperiodes (2017–2019) en testperiodes (2020–2024).

Prestaties: SIT presteerde significant beter dan zowel traditionele strategieën (Equal Weight, Global Minimum Variance, HRP) als geavanceerde deep learning-baselines (Autoformer, DLinear, iTransformer, etc.) op alle metrieken: Sharpe Ratio, Sortino Ratio, Maximum Drawdown en Final Wealth Factor.
- Voorbeeld: In het 40-activa universum bereikte SIT een Sharpe Ratio van 0.6717, waarmee het de op één na beste deep learning-baseline (RFormer met 0.4901) en traditionele baselines overtrof.
Ablatie-studies:
- Het verwijderen van de CVaR-doelstelling (vervangen door maximalisatie van het gemiddelde rendement) veroorzaakte een significante daling in prestaties, wat de noodzaak van decision-focused learning valideert.
- Het verwijderen van de signature-gebaseerde attention of de financiële bias-term resulteerde in een verslechterde prestatie, wat bevestigt dat geometrische inductieve biases superieur zijn aan het vanaf nul leren van deze relaties.
- Het verwijderen van de leerbare gate $\gamma$ schaadde ook de prestaties, wat de noodzaak benadrukt om financiële priors dynamisch te moduleren.
Mechanisme-validatie: Analyse toonde een sterke positieve correlatie (gemiddeld ~0.54–0.61) tussen signature-sterkte en inbound attention weights, wat bevestigt dat het model actief gebruikmaakt van signature-afgeleide signalen om informatie te routeren.
Robuustheid: SIT behield superieure prestaties onder variërende transactiekosten en allocatie-concentratieparameters, wat aantoont dat de winsten voortkomen uit robuuste allocatiestrategieën in plaats van pure voorspellingsnauwkeurigheid.

5. Betekenis en Claims

Het artikel claimt dat effectief kwantitatief portefeuillebeheer vereist dat er robuuste allocatiebeleid is in plaats van slechts geoptimaliseerde voorspellingsnauwkeurigheid. De auteurs stellen dat het "predict-then-optimize" paradigma fundamenteel gebrekkig is vanwege de mismatch in doelstelling en foutversterking.

Door feature extractie (via signatures), interactie-modellering (via signature-augmented attention) en besluitvorming (via CVaR-minimalisatie) te verenigen, biedt SIT een blauwdruk voor de verschuiving van machine learning in de financiële sector van forecasting naar end-to-end, risico-bewuste kapitaalallocatie. De auteurs beweren dat hun aanpak succesvol de kloof overbrugt tussen theoretische financiële doelen en praktische deep learning-implementaties, met een model dat architecturaal is ontworpen om de onderliggende geometrie van markt dynamiek te begrijpen.

Het werk wordt gepresenteerd als een stap naar meer stabiele, real-world prestaties in asset allocatie, waarbij de code beschikbaar is gesteld voor reproduceerbaarheid. De auteurs merken op dat hoewel het getest is op Amerikaanse en Chinese aandelengegevens, het framework theoretisch uitbreidbaar is naar markten met een hogere frequentie en meerdere activa.