تعلم ترتيب الأصول للاستراتيجيات المنهجية المقطعية

الملخص

تتناول الورقة خطوة ترتيب الأصول المستخدمة في المحافظ المنهجية المقطعية. وترى أن القواعد الإرشادية البسيطة والترتيبات الناتجة عن فرز تنبؤات نماذج الانحدار أو التصنيف التقليدية قد تكون دون المستوى الأمثل، مستعينةً بتشبيه بمهام الترتيب في استرجاع المعلومات. ويستخدم الإطار المقترح خوارزميات التعلم للترتيب التي تتعلم العلاقات الثنائية والقائمة بين الأدوات، بهدف تحسين الترتيب المقدم لبناء المحفظة.

يُستخدم الزخم المقطعي كدراسة حالة. ويذكر المؤلفون أن أساليب الترتيب الحديثة بالتعلم الآلي تحسن أداء التداول بدرجة كبيرة، إذ تبلغ نسب شارب نحو ثلاثة أمثال الأساليب التقليدية. ولا يذكر الوصف أسماء الخوارزميات أو يحدد نطاق السوق أو فترة التقييم، كما لا يشرح تكاليف المعاملات وإجراءات التحقق. لذلك تحفز النتيجة استخدام أساليب الترتيب كأداة لتصميم الاستراتيجيات، لكن الملخص المقدم لا يكفي لتقييم المتانة أو افتراض انتقال التحسن المذكور إلى أسواق ومحافظ أخرى.

الأفكار الرئيسية

• تعتمد الاستراتيجيات المنهجية المقطعية على ترتيب الأصول قبل بناء المحفظة.
• قد يكون فرز تنبؤات الانحدار أو التصنيف دون المستوى الأمثل لأغراض الترتيب.
• يمكن لأساليب التعلم للترتيب نمذجة العلاقات الثنائية والقائمة بين الأدوات.
• تعرض الدراسة نهجها باستخدام الزخم المقطعي.
• تفيد الدراسة بنسب شارب أعلى بنحو ثلاثة أمثال الأساليب التقليدية، دون تفاصيل هنا عن التكاليف أو المتانة.

الوسوم

# Building Cross-Sectional Systematic Strategies By Learning to Rank


# Building Cross-Sectional Systematic Strategies By Learning to Rank









The success of a cross-sectional systematic strategy depends critically on accurately ranking assets prior to portfolio construction. Contemporary techniques perform this ranking step either with simple heuristics or by sorting outputs from standard regression or classification models, which have been demonstrated to be sub-optimal for ranking in other domains (e.g. information retrieval). To address this deficiency, we propose a framework to enhance cross-sectional portfolios by incorporating learning-to-rank algorithms, which lead to improvements of ranking accuracy by learning pairwise and listwise structures across instruments. Using cross-sectional momentum as a demonstrative case study, we show that the use of modern machine learning ranking algorithms can substantially improve the trading performance of cross-sectional strategies -- providing approximately threefold boosting of Sharpe Ratios compared to traditional approaches.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.