AllocFlow가 포트폴리오 트레이딩을 위한 엔드 투 엔드 AI를 도입하다
새로운 AI 프레임워크인 AllocFlow가 다중 자산 시장 데이터에서 직접 포트폴리오의 공동 할당을 생성하여 포트폴리오 관리를 혁신하기 위해 도입되었습니다. 이 연구는 2026-11-17에 발표되었고, arXiv (2611.19937)에 게재되었으며, GitHub에서의 오픈 소스 구현에 의해 지원됩니다. 이 연구는 거래 시스템 설계 및 성능에 있어 상당한 발전을 보여줍니다.
혁신적인 엔드 투 엔드 프레임워크
AllocFlow는 신호 예측과 포트폴리오 구성을 종종 분리하여 목표를 잘못 정렬할 수 있는 전통적인 거래 파이프라인의 주요 제한을 해결합니다. 대신, AllocFlow는 원시 시간별 시장 데이터를 처리하고 모든 포트폴리오 수단에 대해 동시에 지속적인, 서명된 포지션 가중치를 생성하기 위해 교차 자산 흐름 변환기를 사용합니다. 이 접근 방식은 공동 자본 제약 하에서 조정되고 최적화된 할당 결정을 보장합니다.
두 단계 교육 프로세스
이 프레임워크는 연속 할당 정책 학습의 비효율성을 극복하기 위해 두 단계의 교육 방식을 사용합니다. 첫 번째 단계인 전략 감독 모방에서는 인과 알파 전략을 모방하여 후보 포트폴리오의 구조화된 분포를 설정합니다. 두 번째 단계인 그룹 상대 강화 학습(Flow-GRPO)은 다음 24 시간 바에 대해 시장 상태별로 여덟 개의 후보 책을 샘플링하고 점수를 매김으로써 이 포트폴리오를 다듬습니다. 이 다듬기 과정은 포트폴리오 수준의 재정적 보상을 최적화하면서 동결된 참조 정책을 통해 안정성을 유지합니다.
성능 메트릭
일시간 암호화폐 무기한 선물에서 AllocFlow는 주목할 만한 성능 향상을 보여주었습니다. 강화 학습 강화에 의해 모방 정책의 연간 순 수익률이 27.79%에서 51.38%로 증가했으며, 칼마 비율은 0.955에서 4.043로 상승했습니다. 6개월의 보지 않은 2026 데이터에서 AllocFlow는 재훈련 없이 4.90의 칼마 비율을 달성하며 모든 메트릭에서 교사 전략을 초과했습니다.
오픈 소스 이용 가능성
AllocFlow 프레임워크는 GitHub에서 오픈 소스 프로젝트로 이용 가능하여(https://github.com/allocflow/AllocFlow) 연구자와 실무자가 그 기능을 탐색하고 구현할 수 있습니다. 이 프로젝트에는 자세한 문서, 프로젝트 페이지 및 그 방법론과 결과를 설명하는 동영상이 포함되어 있습니다.
고급 기계 학습 기술을 엔드 투 엔드 포트폴리오 최적화와 통합함으로써, AllocFlow는 알고리즘 트레이딩 및 포트폴리오 관리 분야에서 중요한 진전을 나타냅니다.