AllocFlow Introduce AI de Extremo a Extremo para Trading de Portafolios
Se ha presentado un nuevo marco de IA, AllocFlow, para revolucionar la gestión de portafolios al generar asignaciones conjuntas de portafolio directamente a partir de datos de mercado multi-activo en bruto. La investigación, publicada el 2026-11-17 , en arXiv (2611.19937) y respaldada por una implementación de código abierto en GitHub, demuestra avances significativos en el diseño y rendimiento de sistemas de trading.
Marco Innovador de Extremo a Extremo
AllocFlow aborda una limitación clave en los pipelines de trading tradicionales, que a menudo separan la previsión de señales de la construcción de portafolios, potencialmente desalineando objetivos. En su lugar, AllocFlow emplea un transformador de flujo inter-activo para procesar datos de mercado horarios en bruto y generar pesos de posición continuos y firmados para todos los instrumentos del portafolio simultáneamente. Este enfoque asegura decisiones de asignación coordinadas y optimizadas bajo restricciones de capital compartido.
Proceso de Entrenamiento de Dos Etapas
El marco utiliza un esquema de entrenamiento de dos etapas para superar ineficiencias en el aprendizaje de políticas de asignación continua. La primera etapa, imitación supervisada por estrategia, establece una distribución estructurada de portafolios candidatos mediante la imitación de una estrategia alfa causal. La segunda etapa, aprendizaje por refuerzo relativo al grupo (Flow-GRPO), refina estos portafolios al muestrear y puntuar ocho libros candidatos por estado de mercado durante las próximas 24 barras horarias. Este proceso de refinamiento optimiza las recompensas financieras a nivel de portafolio mientras mantiene estabilidad a través de una política de referencia congelada.
Métricas de Rendimiento
En futuros perpetuos de criptomonedas cada hora, AllocFlow demostró mejoras de rendimiento notables. El refinamiento del aprendizaje por refuerzo aumentó el retorno neto anual de la política de imitación de 27.79% a 51.38% , mientras que el ratio de Calmar aumentó de 0.955 a 4.043 . En 6 meses de datos no vistos de 2026 , AllocFlow logró un ratio de Calmar de 4.90 sin reentrenamiento, superando la estrategia docente en todas las métricas.
Disponibilidad de Código Abierto
El marco AllocFlow está disponible como un proyecto de código abierto en GitHub (https://github.com/allocflow/AllocFlow), permitiendo a investigadores y profesionales explorar e implementar sus capacidades. El proyecto incluye documentación detallada, una página del proyecto y un video explicativo que describe su metodología y resultados.
Al integrar técnicas avanzadas de aprendizaje automático con optimización de portafolios de extremo a extremo, AllocFlow representa un paso significativo hacia adelante en el campo del trading algorítmico y la gestión de portafolios.