Sign in Subscribe
AI Investment Frontier

端到端组合策略开始进入可用阶段

一篇新的期货择时论文说明，端到端 AI 组合策略确实可能胜过简单规则，但交易成本仍然决定结果能否落地。

Kaizhi Tang

• 6 min read
深炭黑背景上的抽象资金流与策略边界图

真正值得关注的，不是“AI 能不能自己做组合”，而是它在扣除交易成本之后，还能不能比简单规则更稳地活下来。一篇新的跨资产期货择时论文给出的答案很克制：能，但不是到处都能。这个结论很重要，因为它把争论从“先预测还是先优化”拉回到更现实的问题上，迫使我们看模型在成本、换手率和制度变化下是否仍然成立。

对投资和研发团队来说，这个差别非常大。回测里漂亮的 Sharpe，不等于生产里可用的边际收益。只有当学习型策略在成本模型、执行摩擦和风格切换下仍然站得住，AI 才算真正进入了组合决策层，而不是停留在演示层。

前沿信号

这篇论文 End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules? 研究的是一种直接从市场状态映射到组合权重的 AI 策略，而不是先做收益预测、再做优化。作者使用十六个最流动的 CME 期货品种训练模型，并拿它与等权、风险平价和时间序列动量做比较。

最有价值的地方在于结果不夸张。学习型策略在整体跨资产组合上，以及部分子资产类别里，确实排在规则基准之上，但并不是全面碾压。更关键的是，LSTM 和 transformer 在毛收益上差不多，真正拉开差距的是交易成本：transformer 交易更少，所以在中等成本下更能保住优势。

这类结果比“AI 终于赢了”更像前沿信号。它告诉我们，学习型组合策略不是幻觉，但它的有效范围、执行 footprint 和成本敏感度都必须被认真对待。

为什么投资者在意

对系统化投资团队来说，这意味着组合构建的思路可以变。很多团队仍然把模型当作预测层，把组合优化当作后处理。可这篇论文提示：如果直接学的是策略本身，那么模型可能更自然地学到状态到行动的映射，而不是停留在一个独立的收益预测器。

这对期货尤其重要，因为很多风险和收益都来自择时倾斜。端到端策略有机会把跨资产关系、状态变化和制度切换一起学进去，而不是拆成几个彼此割裂的模块。对于做宏观、期货、overlay 或资产配置的团队，这是一种更贴近实战的架构。

它也直接影响研究流程。只要交易成本真的决定最终排序，那么回测就不能把成本当成附属项。模型不是只学“有没有信号”，还在学“信号表达出来要付多少钱”。

技术解读

这套结构本身不花哨，但很实用。输入是市场状态，输出是组合权重，优化目标用的是可微 Sharpe ratio。这个设计的意义在于，它把训练目标和真实交易目标连了起来，不再只是做一个漂亮的点预测。

基准也选得对。等权、风险平价和时间序列动量都很朴素，但也因此很难被“只会过拟合的神经网络”轻松打败。把测试范围放在最流动的 CME 期货上，也减少了“只是流动性故事”的嫌疑。

最值得工程团队注意的是：毛收益上 LSTM 和 transformer 差不多，但净收益上 transformer 更好，因为它更少交易。这说明策略学习如果把换手率推高，执行层会把优势慢慢吃掉。换句话说，模型学到的不只是 alpha，也包括表达 alpha 的代价。

现实校验

这里最大的提醒，是“学习型策略”并不等于“稳健策略”。

第一，这个结果主要建立在跨资产期货环境里。它很重要，但不等于所有资产都适用。股票多头、低流动性资产、慢频再平衡场景，可能会出现完全不同的结果。

第二，交易成本仍然是裁判。只要点差、冲击成本、持有周期稍微变一点，策略排名就可能换位。也就是说，这类模型对执行假设非常敏感。

第三，哪怕它在某些资产类别里优于规则，也不代表它足够可解释、可约束、可上线。真正能进入投资流程的，不只是会表达信号的模型，而是知道什么时候不该交易的模型。

所以，正确的结论不是“规则策略过时了”，而是“学习型策略必须和成本现实、制度变化和停手机制一起设计”。

构建者要点

  • 直接优化组合目标，不要只训练收益预测器。
  • 把换手率和成本敏感度当成核心指标。
  • 一定要和稳健的简单基准同台比较。
  • 重点观察 transformer 是否真的比循环模型更少交易。
  • 给系统加上“当前不值得交易”的状态机。

链接 / 来源