Aprendizado de Ranking de Ativos para Estratégias Sistemáticas Transversais

Resumo

O artigo aborda a etapa de classificação de ativos usada em carteiras sistemáticas transversais. Argumenta que heurísticas simples e classificações obtidas ao ordenar previsões de modelos convencionais de regressão ou classificação podem ser subótimas, traçando uma analogia com tarefas de ranking na recuperação de informações. A estrutura proposta usa algoritmos de aprendizado para ranking que aprendem relações pareadas e em lista entre instrumentos, com o objetivo de melhorar a ordenação fornecida à construção de carteiras.

O momentum transversal é usado como estudo de caso. Os autores relatam que métodos modernos de ranking com aprendizado de máquina melhoram substancialmente o desempenho de trading, com índices de Sharpe aproximadamente três vezes maiores que os das abordagens tradicionais. A descrição não informa os algoritmos, o universo de mercado ou o período de avaliação, nem explica os custos de transação e os procedimentos de validação. Portanto, o resultado motiva o uso de métodos de ranking como ferramenta para projetar estratégias, mas o resumo fornecido é insuficiente para avaliar a robustez ou supor que a melhoria relatada se aplique a outros mercados e carteiras.

Ideias principais

• Estratégias sistemáticas transversais dependem da classificação dos ativos antes da construção da carteira.
• Ordenar previsões de regressão ou classificação pode não ser ideal para classificar ativos.
• Métodos de aprendizado para ranking podem modelar relações pareadas e em lista entre instrumentos.
• O estudo demonstra sua abordagem usando momentum transversal.
• Relata índices de Sharpe aproximadamente três vezes maiores que os das abordagens tradicionais, sem apresentar aqui detalhes sobre custos ou robustez.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.