Ранжирование активов для кросс-секционных систематических стратегий

Сводка

Статья посвящена ранжированию активов в систематических портфелях, построенных на поперечном срезе рынка. Авторы утверждают, что простые эвристики и ранжирование путём сортировки прогнозов обычных регрессионных моделей или моделей классификации могут быть неоптимальными; они проводят аналогию с задачами ранжирования в информационном поиске. Предложенная схема использует алгоритмы обучения ранжированию, которые учитывают попарные и списочные взаимосвязи между инструментами, чтобы улучшить порядок активов для формирования портфеля.

В качестве примера рассматривается моментум на поперечном срезе рынка. Авторы сообщают, что современные методы машинного обучения для ранжирования значительно повышают торговые результаты: коэффициенты Шарпа примерно втрое выше, чем у традиционных подходов. Описание не называет алгоритмы, не указывает набор рынков и период оценки, а также не раскрывает транзакционные издержки и процедуры валидации. Поэтому результат показывает потенциал ранжирования как инструмента разработки стратегий, но приведённых сведений недостаточно, чтобы оценить устойчивость эффекта или считать, что он сохранится на других рынках и в других портфелях.

Ключевые идеи

• Систематические стратегии на поперечном срезе рынка требуют ранжировать активы до формирования портфеля.
• Сортировка прогнозов регрессии или классификации может быть неоптимальным способом ранжирования.
• Методы обучения ранжированию позволяют учитывать попарные и списочные связи между инструментами.
• Исследование демонстрирует подход на примере моментума на поперечном срезе рынка.
• Авторы сообщают о коэффициентах Шарпа примерно втрое выше, чем у традиционных подходов, но здесь нет подробностей об издержках или устойчивости результатов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.