Aprendizaje de ranking de activos para estrategias sistemáticas transversales

Resumen

El artículo aborda la clasificación de activos en carteras sistemáticas transversales. Sostiene que las heurísticas simples y las clasificaciones obtenidas al ordenar predicciones de modelos convencionales de regresión o clasificación pueden ser subóptimas, y establece una analogía con las tareas de ordenación en la recuperación de información. Su marco propuesto utiliza algoritmos de aprendizaje de ranking que aprenden relaciones por pares y por listas entre instrumentos, con el objetivo de mejorar el orden que se proporciona a la construcción de carteras.

El momentum transversal sirve como caso de estudio. Los autores informan de que los métodos modernos de ranking mediante aprendizaje automático mejoran sustancialmente el rendimiento del trading, con ratios de Sharpe aproximadamente tres veces superiores a los de los enfoques tradicionales. La descripción no indica los algoritmos, el universo de mercado ni el periodo de evaluación, ni explica los costes de transacción y los procedimientos de validación. Por tanto, el resultado plantea los métodos de ranking como una herramienta para diseñar estrategias, pero el resumen disponible no basta para evaluar su robustez ni para suponer que la mejora se traslade a otros mercados y carteras.

Ideas clave

• Las estrategias sistemáticas transversales dependen de clasificar los activos antes de construir la cartera.
• Ordenar predicciones de regresión o clasificación puede ser subóptimo para clasificarlas.
• Los métodos de aprendizaje de ranking pueden modelar relaciones por pares y por listas entre instrumentos.
• El estudio demuestra su enfoque mediante el momentum transversal.
• Informa de ratios de Sharpe aproximadamente tres veces superiores a los de los enfoques tradicionales, sin aportar aquí detalles sobre costes o robustez.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.