Vermögenswerte für systematische Querschnittsstrategien sortieren

Zusammenfassung

Die Studie behandelt die Rangfolge von Vermögenswerten in systematischen Querschnittsportfolios. Sie argumentiert, dass einfache Heuristiken und Rangfolgen, die durch Sortieren von Vorhersagen herkömmlicher Regressions- oder Klassifikationsmodelle entstehen, suboptimal sein können. Dazu zieht sie einen Vergleich mit Rangordnungsaufgaben beim Information Retrieval. Der vorgeschlagene Rahmen nutzt Learning-to-Rank-Algorithmen, die paarweise und listenweise Beziehungen zwischen Instrumenten lernen, um die Reihenfolge für die Portfoliozusammenstellung zu verbessern.

Als Fallbeispiel dient Querschnitts-Momentum. Die Autoren berichten, dass moderne Machine-Learning-Verfahren zur Rangordnung die Handelsleistung deutlich verbessern: Die Sharpe-Ratios seien ungefähr dreimal so hoch wie bei traditionellen Ansätzen. Die Beschreibung nennt weder die Algorithmen und das Marktuniversum noch den Auswertungszeitraum; auch Transaktionskosten und Validierungsverfahren werden nicht erläutert. Das Ergebnis spricht dafür, Rangordnungsverfahren als Instrument für die Strategieentwicklung zu betrachten. Die vorliegende Zusammenfassung reicht jedoch nicht aus, um die Robustheit zu beurteilen oder anzunehmen, dass sich die berichtete Verbesserung auf andere Märkte und Portfolios überträgt.

Kernaussagen

• Systematische Querschnittsstrategien hängen davon ab, wie Vermögenswerte vor der Portfoliozusammenstellung sortiert werden.
• Das Sortieren von Regressions- oder Klassifikationsvorhersagen kann für die Rangordnung suboptimal sein.
• Learning-to-Rank-Verfahren können paarweise und listenweise Beziehungen zwischen Instrumenten modellieren.
• Die Studie veranschaulicht den Ansatz anhand von Querschnitts-Momentum.
• Sie berichtet ungefähr dreimal so hohe Sharpe-Ratios wie bei traditionellen Ansätzen, ohne hier Angaben zu Kosten oder Robustheit zu machen.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.