Aprendizaje por refuerzo profundo basado en factores para la asignación de activos: análisis comparativo de diseños...

Área de la Ciencia:

• Finanzas cuantitativas; Aprendizaje automático; Economía computacional.

Sus antecedentes:

• La asignación de activos tradicional tiene dificultades con la volatilidad del mercado y las rupturas estructurales.
• El aprendizaje por refuerzo profundo (DRL) a menudo pasa por alto las exposiciones a factores, cruciales para el riesgo y la adaptación.
• Las exposiciones a factores ([Fórmula: ver texto]) influyen en los pagos ajustados al riesgo y las respuestas de inversión adaptativas.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje por refuerzo profundo basado en factores para la asignación de activos (FDRL).
• Integrar las sensibilidades de los factores en la representación del estado de DRL y el diseño de la recompensa para mejorar la asignación de activos.
• Evaluar el rendimiento de diferentes estructuras de recompensa basadas en factores en diversas condiciones del mercado.

Principales métodos:

• Desarrolló un marco FDRL utilizando regresiones rodantes para estimar las sensibilidades de los factores (momento, volatilidad, desviación, volumen).
• Implementó los algoritmos PPO, SAC y TD3 con cinco variantes de recompensa (Sharpe, Sortino, [Fórmula: ver texto] estática, [Fórmula: ver texto] dinámica, [Fórmula: ver texto] de momento).
• Probó el marco en acciones, criptomonedas, instrumentos macroeconómicos y carteras mixtas, con amplias comprobaciones de solidez.

Principales resultados:

• Las recompensas basadas en factores produjeron resultados variados pero interpretables en todas las clases de activos.
• En acciones, la [Fórmula: ver texto] dinámica aumentó los rendimientos anualizados al 23-24% y los índices de Sharpe al 1.27.
• Las criptomonedas mostraron altos rendimientos (38-43%) pero sensibilidad al régimen; los instrumentos macroeconómicos se beneficiaron de la estabilidad de la [Fórmula: ver texto] estática; las carteras mixtas obtuvieron mejores resultados con la [Fórmula: ver texto] de momento.

Conclusiones:

• El marco FDRL ofrece un enfoque novedoso para la asignación de activos al integrar las exposiciones a factores en DRL.
• Las recompensas sensibles a los factores demuestran resultados heterogéneos pero valiosos, mejorando el rendimiento y la gestión de riesgos.
• El marco reconcilia la capacidad de respuesta adaptativa con la interpretabilidad y la disciplina de riesgo en las estrategias de inversión dinámicas.