问题：

• 基于 ML 的 AiLA 配置源于在当前市场条件下识别出的机会。
• 因此，已配置资本的比例可能随时间发生显著且迅速的变化。
• 我们能否强制指数将其配置比例维持在给定区间内？
• 这对表现会产生怎样的影响？

方法：

• 以一个基于 102 个精选资产、采用纯多头（LO）配置的 AiLA 指数为例说明影响，此类指数的配置往往随时间变化更大。
• 通过调整与有效信号相关的持有期并考虑合约到期情况，实现配置区间功能。
• 评估此类配置区间标准对表现的影响程度。

• 配置比例受指数构建过程中不同约束条件和目标的影响。
• 然而，配置次数往往是决定资本配置多少的主要因素，而这又取决于 ML 模型识别机会的能力。
• 这会导致某些时期交易机会较少、配置因而较低，并随条件变化而改变。
• 为进行比较，通过以下方式强制将配置比例维持在给定（最小/最大）区间内：
  • 强制在系统认为最优的期限组合之外进行配置。
  • 在必要时调整持有期。
  • 在有信号的合约中按到期日确定优先顺序。
• 该方法论绝不期望达到最优，仅旨在对此类功能的影响进行一阶评估。

• 我们研究了不同配置比例区间（即在最小值/最大值之内）下的指数表现。
• 强制指数维持最低配置比例会明显降低表现，例如，要求配置比例处于接近 100% 的区间时，表现下降约一半。
• 在经风险调整的基础上，AiLA 指数表现：
  • 高于 GSCI/BCOM 等标准指数。
  • 然而，随着配置区间向 100% 收敛，与 GSCI/BCOM 的相关性随之上升。
  • 通常，相关性从约 60%（AiLA LO）上升至近 80%（100/100）。
• 由于基于 ML 的 AiLA 信号具有机会主义特性，通过迫使系统偏离其特定交易建议来维持更大的配置，会显著降低表现。

• 我们在 AiLA 指数框架内实现了一种将已配置资本比例维持在最小/最大区间内的方法。
• 我们利用该功能，研究了其对一个基于 102 个精选资产和纯多头信号的 AiLA 指数表现的预期影响，此类指数的配置比例往往变化最大。
• 该方法论绝非最优，但似乎适合在总体层面评估影响。
• 当系统被迫将配置比例维持在向 100% 收窄的区间内时，AiLA 指数的表现结果显著下降。
• 在经风险调整的基础上，AiLA 指数的表现总体上高于 GSCI/BCOM 指数，但随着配置区间收窄并向 100% 收敛，正相关性从约 60% 上升至 80%。
• 结果表明，当系统为维持更高的配置比例而被迫偏离其特定交易建议时，与基于 ML 的 AiLA 信号相关的表现会显著下降。这在意料之中，因为这些信号具有机会主义特性，其底层模型试图在当前市场条件下识别交易机会。