Apprendre à classer les actifs pour les stratégies systématiques transversales

Résumé

L’article porte sur le classement des actifs utilisé dans les portefeuilles systématiques transversaux. Il soutient que les heuristiques simples et les classements obtenus en triant les prévisions de modèles classiques de régression ou de classification peuvent être sous-optimaux, en établissant une analogie avec le classement en recherche d’information. Le cadre proposé utilise des algorithmes d’apprentissage du classement qui apprennent les relations deux à deux et par listes entre les instruments, afin d’améliorer l’ordre transmis à la construction du portefeuille.

Le momentum transversal sert d’étude de cas. Les auteurs indiquent que les méthodes modernes de classement par apprentissage automatique améliorent nettement les performances de trading, avec des ratios de Sharpe environ trois fois supérieurs à ceux des approches traditionnelles. La description ne nomme pas les algorithmes, ne précise ni l’univers de marché ni la période d’évaluation, et n’explique pas le traitement des coûts de transaction ou les procédures de validation. Le résultat motive l’utilisation des méthodes de classement pour concevoir des stratégies, mais le résumé fourni ne suffit pas à en évaluer la robustesse ni à supposer que l’amélioration rapportée se transpose à d’autres marchés et portefeuilles.

Idées clés

• Les stratégies systématiques transversales reposent sur le classement des actifs avant la construction du portefeuille.
• Trier les prévisions de régression ou de classification peut produire un classement sous-optimal.
• Les méthodes d’apprentissage du classement peuvent modéliser les relations deux à deux et par listes entre les instruments.
• L’étude illustre son approche à l’aide du momentum transversal.
• Elle rapporte des ratios de Sharpe environ trois fois supérieurs à ceux des approches traditionnelles, sans préciser ici les coûts ni la robustesse.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.