퀀트 전략을 위한 자산 순위 학습

기사 arXiv papers · 저자: Daniel Poh et al.

요약

이 논문은 횡단면 시스템 포트폴리오에서 자산 순위를 정하는 단계를 다룹니다. 단순한 휴리스틱과 전통적인 회귀·분류 모형의 예측을 정렬해 만든 순위가 최적이 아닐 수 있다고 주장하며, 정보 검색의 순위화 작업에 비유합니다. 제안된 프레임워크는 자산 간 쌍별 및 목록 단위 관계를 학습하는 순위 학습 알고리즘을 사용해 포트폴리오 구성에 제공하는 순서를 개선하려 합니다.

횡단면 모멘텀을 사례 연구로 사용합니다. 저자들은 최신 머신러닝 순위화 방법이 트레이딩 성과를 크게 개선하고, 샤프 비율이 전통적 접근법의 약 세 배라고 보고합니다. 설명에는 알고리즘 이름, 시장 범위, 평가 기간이 없으며 거래 비용과 검증 절차도 설명하지 않습니다. 따라서 이 결과는 전략 설계 도구로서 순위화 방법을 제안하지만, 제공된 요약만으로는 견고성을 평가하거나 그 개선이 다른 시장과 포트폴리오에도 적용된다고 가정하기 어렵습니다.

핵심 아이디어

횡단면 시스템 전략은 포트폴리오 구성 전에 자산 순위를 정하는 데 좌우됩니다.
회귀 또는 분류 예측값을 정렬하는 방식은 순위화에 최적이 아닐 수 있습니다.
순위 학습 방법은 자산 간 쌍별 및 목록 단위 관계를 모형화할 수 있습니다.
횡단면 모멘텀을 활용해 접근법을 보여줍니다.
비용이나 견고성에 관한 세부사항 없이 전통적 접근법보다 샤프 비율이 약 세 배 높다고 보고합니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

횡단면 시스템 전략을 위한 자산 순위 학습

요약

핵심 아이디어

태그