跨资产择时有个很实际的问题：既然等权、风险均衡和趋势规则已经简单好用，复杂 AI 到底值不值得上？Austin Pollok 与 Kevin Robik 的新预印本把问题落到交易成本上：模型在不计成本时未必明显更强，但加入成本后，交易更克制的 Transformer 开始显出优势。
本文结论均来自论文摘要这一单一信源，尚无独立交叉验证；摘要也未提供关键实证数字，因此目前只能判断方向，不能判断优势有多大。
跳过中间那一步
传统流程通常“先预测、再优化”：先估计未来收益，再由优化器决定仓位。论文研究的端到端组合策略则把市场状态直接映射为组合权重，并按最终组合表现训练，省去中间的收益预测环节。
研究对象是论文所称“流动性最高”的 16 个 CME futures。这里的跨资产期货择时，是根据市场状态动态调整不同资产期货的方向和仓位，收益主要来自敞口随时间变化，而非长期持有某一种资产。
训练目标采用可微 Sharpe ratio loss——把夏普比率或其变体写成可求梯度的损失，让模型直接学习风险调整后收益。这个目标很贴近投资结果，但均值和波动率都要从样本估计，也容易受到噪声和样本区间影响。
论文用 equal weighting、risk parity 和 time-series momentum 作为规则型基准。按作者摘要，学习型策略在合并后的跨资产组合以及若干子资产类别中排名更高，但并非在所有类别都胜出。这一点很重要：结果不是“AI 全面碾压规则”，而是优势取决于组合范围和资产类别。
真正拉开差距的是交易方式
不计交易成本时，LSTM 与 transformer-based architecture 的样本外表现相近。也就是说，只看毛收益，两种学习架构没有在摘要中显示出清晰差距。
计入交易成本后，结果开始分化。作者称 Transformer 形成了更强的学习型策略，而且交易频率远低于 LSTM。直觉上，预测能力相近时，较少调整仓位就意味着成本侵蚀更小。不过摘要没有披露交易次数、换手率或成本曲线，暂时无法量化这部分贡献。
摘要还称，在“moderate cost”下，Transformer 可以达到或超过等权策略。但“moderate”没有明确定义，“达到或超过”也没有对应数值，因此这只能视为作者的概括性结论，而不是已经划清的成本边界。
为什么值得关注
这项工作的价值不在于又换了一种模型，而在于它直面量化团队真正要做的取舍：复杂模型能否在风险、换手和成本全部进入账本后，稳定胜过可执行的简单规则。
现有摘要给出的答案是有条件的。端到端学习在合并组合和部分资产类别中占优；Transformer 的潜在优势也主要出现在成本之后。换句话说，AI 择时是否值得部署，关键可能不只是它能否找到信号，还包括它是否能用更低频、更经济的方式表达信号。
局限与未知
- 摘要未披露样本区间、样本外 Sharpe、收益率、回撤、统计显著性和交易成本假设，无法判断优势大小及稳健性。
- “far less”“stronger”和“moderate cost”均缺少数字或定义；Transformer 超过等权策略的边界仍不确定。
- “16 个流动性最高”的筛选时点与标准未说明，尚不能排除事后选择或幸存者偏差。