رتبه‌بندی دارایی‌ها برای راهبردهای نظام‌مند مقطعی
خلاصه
این مقاله به مرحله رتبه‌بندی دارایی‌ها در سبدهای نظام‌مند مقطعی می‌پردازد. استدلال می‌کند که قواعد ابتکاری ساده و رتبه‌بندی‌هایی که با مرتب‌سازی پیش‌بینی‌های مدل‌های متعارف رگرسیون یا طبقه‌بندی ساخته می‌شوند، ممکن است بهینه نباشند؛ این موضوع را با وظایف رتبه‌بندی در بازیابی اطلاعات مقایسه می‌کند. چارچوب پیشنهادی از الگوریتم‌های یادگیری برای رتبه‌بندی استفاده می‌کند که روابط دوتایی و فهرستی میان ابزارها را می‌آموزند تا ترتیب ورودی به ساخت سبد را بهبود دهند.
مومنتوم مقطعی نمونه موردی این پژوهش است. نویسندگان گزارش می‌کنند که روش‌های نوین رتبه‌بندی یادگیری ماشین، عملکرد معاملاتی را به‌طور چشمگیری بهبود می‌دهند و نسبت‌های شارپ آن‌ها تقریباً سه برابر روش‌های سنتی است. توضیحات، نام الگوریتم‌ها، گستره بازار یا دوره ارزیابی را مشخص نمی‌کنند و درباره هزینه‌های معامله و روش‌های اعتبارسنجی نیز توضیحی نمی‌دهند. بنابراین این نتیجه، رتبه‌بندی را به‌عنوان ابزاری برای طراحی راهبرد مطرح می‌کند، اما خلاصه موجود برای ارزیابی استحکام نتیجه یا فرض انتقال این بهبود به بازارها و سبدهای دیگر کافی نیست.
ایده‌های کلیدی
- راهبردهای نظام‌مند مقطعی پیش از ساخت سبد به رتبه‌بندی دارایی‌ها وابسته‌اند.
- مرتب‌سازی پیش‌بینی‌های رگرسیون یا طبقه‌بندی ممکن است برای رتبه‌بندی بهینه نباشد.
- روش‌های یادگیری برای رتبه‌بندی می‌توانند روابط دوتایی و فهرستی میان ابزارها را مدل کنند.
- این پژوهش رویکرد خود را با استفاده از مومنتوم مقطعی نشان می‌دهد.
- گزارش شده است که نسبت‌های شارپ تقریباً سه برابر روش‌های سنتی‌اند؛ در اینجا جزئیاتی درباره هزینه‌ها یا استحکام نتیجه ارائه نشده است.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.