💰 quantitative finance

End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?

Dit artikel toont aan dat end-to-end AI-modellen, met name transformer-gebaseerde architecturen getraind met een differentieerbare Sharpe-ratio, eenvoudige op regels gebaseerde strategieën kunnen overtreffen in de timing van cross-asset futures door markttitels direct te mappen naar portefeuillegewichten terwijl transactiekosten effectief worden beheerd.

Oorspronkelijke auteurs: Austin Pollok, Kevin Robik

Gepubliceerd 2026-07-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Austin Pollok, Kevin Robik

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 kapitein bent van een enorm schip dat lading vervoert over zes verschillende oceanen: aandelen, obligaties, valuta, energie, metalen en landbouwgoederen. Je doel is om te beslissen hoeveel lading je in elk ruim plaatst om je winst te maximaliseren terwijl je stormen vermijdt.

Lange tijd gebruikten kapiteins twee belangrijke manieren om deze beslissingen te nemen:

De Simpele Regels: "Zet gelijke hoeveelheden in elk ruim," "Balanceer het gewicht zodat geen enkel ruim te zwaar wordt," of "Volg de wind (momentum)." Deze zijn makkelijk te volgen, maar missen soms kansen.
De Complexe AI: Een superintelligente computer die probeert het weer en de markt te voorspellen, en vervolgens de perfecte ladingmix berekent. Het probleem is dat deze computers vaak zo complex zijn dat ze fouten maken, of dat ze zo enthousiast raken dat ze te vaak van gedachten veranderen, waardoor ze brandstof (geld) verspillen aan onnodige bewegingen.

Dit artikel stelt een zeer praktische vraag: Wanneer is de superintelligente computer eigenlijk beter dan de simpele regels, en wanneer is het slechts een verspilling van tijd?

Het Experiment: Een Hogesnelheidswedstrijd

De auteurs hebben een race georganiseerd met de 16 meest populaire "futures"-contracten (denk aan weddenschappen op de toekomstige prijs van zaken zoals olie, goud of de S& S 500). Ze testten twee soorten AI-kapiteins tegenover drie volgers van simpele regels:

De Simpele Regels: Gelijke weging, Risk Parity en Time-Series Momentum (het volgen van trends).
De AI-Kapiteins:
- De LSTM: Een computer die het verleden onthoudt als een dagboek, waarbij hij dag voor dag leest.
- De Transformer: Een geavanceerdere computer (zoals die achter moderne chatbots) die het hele plaatje in één keer kan bekijken en patronen over verschillende oceanen tegelijkert uitspit.

Ze trainden deze AI-kapiteins met behulp van een "Sharpe Ratio"-scorekaart, die meet hoeveel winst je maakt voor elke eenheid risico die je neemt.

De Belangrijkste Bevindingen

1. De "Slimme" AI is niet altijd de "Snelle" AI
De meest verrassende ontdekking ging over omloopsnelheid (turnover), of hoe vaak de kapitein van gedachten verandert.

De LSTM was als een nerveuze kapitein die voortdurend de lading herverdeelt. Hij vond wel wat goede kansen, maar hij bewoog de lading zo vaak dat de "brandstofkosten" (transactiekosten) al zijn winst opatten.
De Transformer was als een kalme, strategische kapitein. Hij vond vergelijkbare kansen, maar maakte minder bewegingen. Omdat hij geen brandstof verspilde aan constant herverdelen, hield hij meer van zijn winst over. Uiteindelijk was de Transformer de winnaar omdat hij efficiënt was, niet alleen slim.

2. De AI wint in sommige oceanen, maar niet in alle
De AI was niet overal beter dan de simpele regels.

In de "Aandelen"-oceaan: De simpele regels (gewoon alles gelijkmatig kopen) deden het al zo goed dat de AI weinig extra waarde kon vinden.
In de "Landbouw"- en "Cross-Asset"-oceanen (alle oceanen gecombineerd): De AI vond een lichte voorsprong. Hij kon door de onstuimige wateren van landbouwgoederen en de complexe mix van alle activa beter navigeren dan de simpele regels.
In de "Rente"- en "Valuta"-oceanen: De simpele "volg de trend"-regel was eigenlijk de beste. De AI kon hier niet op verbeteren.

3. De "Magie" is misschien gewoon een andere vorm van blootstelling
Toen de AI goed presteerde op de aandelenmarkt, groeven de auteurs dieper. Ze ontdekten dat de AI de toekomst niet noodzakelijkerwijs beter voorspelde dan een mens. In plaats daarvan hield de AI de aandelen op een iets efficiëntere manier aan, waarbij het iets minder risico nam voor hetzelfde rendement. Het was geen "magische timing"; het was gewoon "efficiënt sturen".

Het Oordeel: Wanneer gebruik je de AI?

Het artikel concludeert dat de AI een nuttig hulpmiddel is, maar geen toverstaf die overal werkt.

Gebruik de AI (specifiek de Transformer) wanneer je een mix beheert van veel verschillende activa (zoals een wereldwijde portefeuille) of in onstuimige markten waar simpele regels in de war raken. Het vermogen van de AI om kalm te blijven en minder te handelen, is zijn superkracht.
Houd je aan de Simpele Regels wanneer de markt een sterke trend vertoont (zoals bij rentetarieven) of wanneer de markt al zeer efficiënt is (zoals bij grote aandelenindices). In die gevallen verdient de extra complexiteit van de AI het niet terug.

De Kern van het Verhaal

Denk hierbij aan het kiezen van een auto.

Simpele Regels zijn als een betrouwbare, brandstofzuinige sedan. Ze brengen je in 90% van de gevallen zonder problemen op je bestemming.
De AI is als een high-performance sportwagen. Hij kan sneller gaan en lastige bochten beter aan, maar alleen als je een bekwame bestuurder hebt (de Transformer) die weet wanneer hij moet schakelen en niet te veel benzine verbruikt. Als je probeert de sportwagen op een rechte, lege snelweg te rijden, is de sedan eigenlijk de betere keuze.

Het artikel leert ons dat in de wereld van beleggen complexiteit niet automatisch gelijk staat aan betere resultaten. Soms is de beste strategie de strategie die weet wanneer je niet moet bewegen.

Technische Samenvatting: End-to-End Parametrische Portefeuillebeleid voor Cross-Asset Futures Timing

1. Probleemstelling

Het artikel behandelt de uitdaging van cross-asset timing in systematisch multi-asset beleggen (global-macro en managed-futures strategieën). Hoewel timing-beslissingen de gerealiseerde risico's en rendementen aansturen, zijn ze berucht moeilijk uit te voeren. De standaard kwantitatieve aanpak steunt op een tweestaps "predict-then-optimize" raamwerk: het voorspellen van verwachte rendementen en covarianties, en vervolgens het optimaliseren van gewichten via gemiddelde-variantie optimalisatie. De auteurs stellen dat deze pijplijn fragiel is; ruisende rendement-voorspellingen kunnen resulteren in instabiele portefeuille-gewichten.

De centrale onderzoeksvraag is praktisch: Wanneer presteert een AI-gebaseerd, end-to-end allocatiebeleid beter dan eenvoudige, op regels gebaseerde strategieën (zoals gelijk gewicht, risk parity en time-series momentum) genoeg om de toegevoegde complexiteit te rechtvaardigen? De studie richt zich op een zeer liquide, investeerbare universe waar illiquiditeitspremiums geen bron van alfa zijn, waardoor de pure timing-vaardigheid van de modellen geïsoleerd wordt.

2. Methodologie

Data en Universe

De studie maakt gebruik van end-of-day data van de zestien meest liquide CME futures over zes activaklassen: aandelenindices, rentes, vreemde valuta, energie, metalen en landbouwproducten. De data beslaat de periode 2001–2024. De auteurs gebruiken continue contractreeksen om gap-vrije historie te garanderen en look-ahead bias te vermijden. De feature set bevat ruwe dagelijkse rendementen en een set economisch interpreteerbare engineered features (trend, mean reversion, Hurst exponent, volatiliteit, correlatie en hogere momenten), hoewel de primaire out-of-sample analyse vertrouwt op de dwarsdoorsnede van dagelijkse rendementen als de staat (state).

Beleidskader

De auteurs hanteren een end-to-end parametrische portefeuillebeleid benadering. In plaats van rendementen te voorspellen, mappen neurale netwerken marktoestanden ( $X_t$ ) direct naar portefeuille-gewichten ( $w_t$ ) via een differentieerbare beleidsfunctie $\pi_\theta(X_t)$ .

Doelfunctie: De modellen worden getraind om een differentieerbare Sharpe-ratio te maximaliseren (het minimaliseren van de negatieve Sharpe-ratio). Dit comprimeert voorspelling en optimalisatie tot één enkele stap.
Restricties: Long/short posities zijn toegestaan met een eenheid bruto exposure. De long/short budgetrestrictie is ingebed in de architectuur van het beleid in plaats van achteraf als restrictie opgelegd te worden.
Transactiekosten: Een kostenbewuste doelstelling straft omzet (turnover) af ( $\lambda$ ), ingesteld op een realistische 2 basispunten (bp) voor liquide futures, hoewel gevoeligheidsanalyse zich uitstrekt tot 10 bp.

Architecturen

Twee neurale netwerkarchitecturen worden vergeleken:

LSTM (Long Short-Term Memory): Dient als de op neurale netwerken gebaseerde baseline voor sequentiemodellering.
Transformer: Een aangepaste architectuur die volgt op recente literatuur over attention-gebaseerde futures momentum. Deze bevat:
- Time2Vec Embedding: Om periodieke structuren te vangen, aangezien standaard attention orde-agnostisch is.
- Encoder-Decoder: Vier lagen van multi-head self-attention met gated residual networks (GRN).
- Causal Masking: Zorgt ervoor dat gewichten alleen afhangen van informatie die beschikbaar is op het moment van positievorming.
- Output Layer: Een signed-softmax laag zet decoder scores om in gewichten, waarbij de totale absolute exposure genormaliseerd wordt.

Experimenteel Ontwerp

De evaluatie gebruikt een expanding-window walk-forward ontwerp. Modellen worden getraind op een initiële 40% van de steekproef en opnieuw gefit in blokken van ongeveer vier jaar met een 90/10 train-validatie split. Prestaties worden gemeten tegen drie standaardregels: Gelijk Gewicht (1/N), Risk Parity en Time-Series Momentum (TSMOM).

3. Belangrijkste Resultaten

Prestaties per Activaklasse

Algemene Rangschikking: De geleerde beleidsregels (Transformer en LSTM) rangschikken over het algemeen boven eenvoudige regels in de gepoolde cross-asset portefeuille en in verschillende single-asset-class sleeves (bijv. Landbouw, Metalen), maar niet uniform.
Specifieke Kenmerken per Activaklasse:
- Aandelenindices: De LSTM bereikt de hoogste Sharpe (0,87), waarmee het gelijk gewicht (0,78) en risk parity (0,79) verslaat. Echter, factor decompositie laat zien dat dit grotendeels te danken is aan marktexpositie ( $\beta$ ) in plaats van residuele alfa.
- Rente & FX: Time-series momentum blijft de dominante strategie; geleerde modellen hebben moeite om TSMOM te verslaan in deze regimes.
- Landbouw: De Transformer laat de meest significante verbetering zien, waarbij de Sharpe van de beste long-only strategie meer dan verdubbelt (0,34 vs. 0,16).
Statistische Significantie: Na Bonferroni-correctie voor meervoudig testen blijven alleen de aandelenindex-resultaten van de geleerde modellen statistisch onderscheidbaar van nul. De cross-asset Transformer's Sharpe (0,55) ligt iets boven gelijk gewicht (0,52) maar is niet statistisch significant in een directe vergelijking.

Het Effect van Transactiekosten

De meest cruciale bevinding betreft omzet en kostengevoeligheid:

Omzet (Turnover): De Transformer vertoont een zeer lage omzet (~~0,02 dagelijks), terwijl de LSTM agressief handelt (~~0,17 dagelijks in de cross-asset portefeuille).
Netto Prestaties: Na toepassing van een transactiekost van 2 bp, daalt de Sharpe-ratio van de LSTM aanzienlijk (van 0,50 naar 0,33 in de cross-asset portefeuille), terwijl die van de Transformer stabiel blijft (0,55 naar 0,54).
Conclusie: De Transformer genereert het sterkste netto beleid omdat het minder handelt, waardoor het zijn bruto voordeel behoudt. De hogere omzet van de LSTM erodeert de alfa zodra kosten worden geïmplementeerd.

Complexiteit en Robuustheid

Seed-gevoeligheid: De Transformer is gevoelig voor willekeurige initialisatie. Seed averaging (het middelen van drie onafhankelijk geïnitialiseerde modellen) is de enige verbetering die betrouwbaar de stabiliteit en concurrentiekracht verhoogt.
Complexiteit: Complexere structuren (mixture-of-experts, grotere feature sets, cross-model ensembles) verbeterden de out-of-sample prestaties niet betrouwbaar. De eenvoudige, seed-gemiddelde Transformer bleek superieur aan deze toevoegingen.

Skill vs. Exposure

In de aandelenindex wordt de prestatie van de Transformer toegeschreven aan risico-efficiënte directionele exposure (sub-unit beta) in plaats van marktnutrale alfa. De LSTM vertoonde enige residuele alfa in aandelen, maar dit was niet consistent over andere activaklassen. Geen enkel universe vertoonde een residuele alfa die onderscheidbaar was van nul na rigoureuze tests.

4. Betekenis en Claims

Het artikel concludeert dat de waarde van end-to-end AI-allocatie conditioneel is, niet universeel.

Wanneer het werkt: End-to-end beleid voegt waarde toe waar eenvoudige regels zwakker zijn (bijv. grillige grondstoffenmarkten) en waar het model een voordeel kan behalen door de breedte over een grote dwarsdoorsnede van contracten (de 16-contract portefeuille).
Wanneer het faalt: De aanpak is minder overtuigend waar naïeve diversificatie (gelijk gewicht) of standaard trendregels (TSMOM) al het meeste beschikbare rendement vangen (bijv. Rente, FX).
Het "Transformer"-voordeel: De Transformer-architectuur wordt verkozen boven de LSTM, niet noodzakelijkerwijs vanwege superieure ruwe voorspelling, maar vanwege de lage omzet, waardoor het de realistische transactiekosten kan overleven.
Praktische les: De studie pleit voor het benchmarken van AI-modellen tegen de specifieke eenvoudige regels die een praktijkbelegger daadwerkelijk zou draaien, in plaats van alleen tegen gelijk gewicht. Het benadrukt dat omzet en kostengevoeligheid even cruciaal zijn als bruto Sharpe-ratio's. De resultaten suggereren dat hoewel AI een nuttige, laag-omzet allocatieregel kan produceren, het niet automatisch marktnutrale alfa genereert en moet worden geëvalueerd met strikte aandacht voor transactiekosten en seed-stabiliteit.

De auteurs presenteren dit als een "conservatieve test" van het raamwerk in een liquide, dagelijkse setting, waarbij zij opmerken dat hogere frequenties of bredere universes meer signaal kunnen bieden voor deze modellen om te exploiteren.