AllocFlow führt End-to-End-AI für Portfolio-Trading ein
Ein neues KI-Framework, AllocFlow, wurde eingeführt, um das Portfoliomanagement zu revolutionieren, indem es gemeinsame Portfoliozuweisungen direkt aus Rohmarktdaten für mehrere Assets generiert. Die Forschung, veröffentlicht am 2026-11-17 auf arXiv (2611.19937) und unterstützt durch eine Open-Source-Implementierung auf GitHub, zeigt signifikante Fortschritte im Design und in der Leistung von Handelssystemen.
Innovatives End-to-End-Framework
AllocFlow adressiert eine wichtige Einschränkung in traditionellen Handelspipelines, die oft die Signalprognose von der Portfoliokonstruktion trennen, was potenziell die Ziele fehlanpasst. Stattdessen verwendet AllocFlow einen Cross-Asset-Flow-Transformer, um Rohmarktdaten stündlich zu verarbeiten und kontinuierliche, signierte Positionsgewichte für alle Portfolioinstrumente gleichzeitig zu generieren. Dieser Ansatz gewährleistet koordinierte und optimierte Zuentscheidungen unter gemeinsamen Kapitalbeschränkungen.
Zwei-Phasen-Trainingprozess
Das Framework nutzt ein zweistufiges Trainingsschema, um Ineffizienzen beim Lernen kontinuierlicher Zuweisungsrichtlinien zu überwinden. Die erste Phase, strategiebasierte Imitation, etabliert eine strukturierte Verteilung von Kandidatenportfolios, indem sie einer kausalen Alpha-Strategie nachahmt. Die zweite Phase, gruppen-relative Verstärkung (Flow-GRPO), verfeinert diese Portfolios durch das Sampling und Bewerten von acht Kandidatenbüchern pro Marktzustand über die nächsten 24 Stundenkerzen. Dieser Verfeinerungsprozess optimiert die finanziellen Belohnungen auf Portfolio-Ebene, während er Stabilität durch eine eingefrorene Referenzpolitik beibehält.
Leistungskennzahlen
Bei stündlichen Krypto-Derivaten zeigte AllocFlow bemerkenswerte Leistungsverbesserungen. Die Verfeinerung durch Reinforcement Learning erhöhte die annualisierte Nettorendite der Imitationspolitik von 27.79% auf 51.38% , während das Calmar-Verhältnis von 0.955 auf 4.043 anstieg. Bei 6 Monaten unvertrauter 2026 -Daten erzielte AllocFlow ein Calmar-Verhältnis von 4.90 ohne erneutes Training und übertraf die Lehrstrategie in allen Metriken.
Verfügbarkeit als Open Source
Das AllocFlow-Framework ist als Open-Source-Projekt auf GitHub erhältlich (https://github.com/allocflow/AllocFlow), sodass Forscher und Praktiker seine Möglichkeiten erkunden und implementieren können. Das Projekt umfasst eine detaillierte Dokumentation, eine Projektseite und ein erklärendes Video, das seine Methodik und Ergebnisse umreißt.
Durch die Integration fortschrittlicher Techniken des maschinellen Lernens mit einer End-to-End-Portfolio-Optimierung stellt AllocFlow einen wichtigen Schritt nach vorne im Bereich des algorithmischen Handels und des Portfoliomanagements dar.