למידת דירוג נכסים לאסטרטגיות שיטתיות בחתך רוחב
סיכום
המאמר עוסק בשלב דירוג הנכסים בתיקים שיטתיים בחתך רוחב. הוא טוען שכללי אצבע פשוטים ודירוגים שנוצרים ממיון תחזיות של מודלי רגרסיה או סיווג מסורתיים עלולים להיות לא מיטביים, ומקביל זאת למשימות דירוג באחזור מידע. המסגרת המוצעת משתמשת באלגוריתמים ללמידת דירוג, הלומדים קשרים זוגיים ורשימתיים בין מכשירים, במטרה לשפר את הסדר המוזן לבניית התיק.
מומנטום בחתך רוחב משמש כמקרה הבוחן. המחברים מדווחים ששיטות דירוג מודרניות של למידת מכונה משפרות במידה ניכרת את ביצועי המסחר, עם יחסי שארפ גבוהים בערך פי שלושה מאלה של גישות מסורתיות. התיאור אינו מציין את האלגוריתמים, את יקום השוק או את תקופת ההערכה, ואינו מפרט עלויות עסקה או הליכי תיקוף. לכן התוצאה מציגה שיטות דירוג ככלי לתכנון אסטרטגיה, אך הסיכום שסופק אינו מספיק כדי להעריך את העמידות או להניח שהשיפור המדווח יעבור לשווקים ולתיקים אחרים.
רעיונות מרכזיים
- אסטרטגיות שיטתיות בחתך רוחב תלויות בדירוג נכסים לפני בניית התיק.
- מיון תחזיות של רגרסיה או סיווג עשוי להיות לא מיטבי לצורכי דירוג.
- שיטות ללמידת דירוג יכולות למדל קשרים בין זוגות של מכשירים פיננסיים, וכן קשרים בין מכשירים לאורך רשימות דירוג שלמות.
- המחקר מדגים את גישתו באמצעות מומנטום בחתך רוחב.
- המחקר מדווח על יחסי שארפ גבוהים בערך פי שלושה לעומת גישות מסורתיות, בלי לפרט כאן על עלויות או עמידות.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.