کراس سیکشنل نظامی اسٹریٹیجیز کے لیے اثاثوں کی رینکنگ سیکھنا

خلاصہ

مقالہ کراس سیکشنل نظامی پورٹ فولیو میں اثاثوں کی رینکنگ کے مرحلے پر غور کرتا ہے۔ اس کا استدلال ہے کہ سادہ ہیورسٹکس اور روایتی ریگریشن یا درجہ بندی کے ماڈلز کی پیش گوئیاں ترتیب دے کر بنائی گئی رینکنگ بہترین نہیں ہو سکتی؛ یہ معلوماتی بازیافت میں رینکنگ کے کاموں سے مشابہت کی مثال دیتا ہے۔ اس کا مجوزہ فریم ورک مشین لرننگ کے ذریعے رینکنگ کے الگورتھم استعمال کرتا ہے، جو مالیاتی آلات کے درمیان جوڑی وار اور فہرست وار تعلقات سیکھتے ہیں، تاکہ پورٹ فولیو بنانے کے لیے فراہم کردہ ترتیب بہتر ہو۔

کراس سیکشنل مومینٹم اس کیس اسٹڈی کے طور پر استعمال ہوتا ہے۔ مصنفین رپورٹ کرتے ہیں کہ جدید مشین لرننگ رینکنگ کے طریقے ٹریڈنگ کی کارکردگی میں نمایاں بہتری لاتے ہیں، اور شارپ تناسب روایتی طریقوں سے تقریباً تین گنا ہے۔ تفصیل میں الگورتھم کے نام، مارکیٹ کا دائرہ یا جائزے کی مدت متعین نہیں، اور نہ ہی لین دین کی لاگت یا توثیق کے طریقہ کار کی وضاحت ہے۔ لہٰذا نتیجہ اسٹریٹیجی ڈیزائن میں رینکنگ کے طریقوں کے استعمال کی ترغیب دیتا ہے، لیکن فراہم کردہ خلاصہ مضبوطی جانچنے یا یہ فرض کرنے کے لیے کافی نہیں کہ رپورٹ کردہ بہتری دوسری مارکیٹوں اور پورٹ فولیوز پر بھی لاگو ہوگی۔

اہم خیالات

• کراس سیکشنل نظامی اسٹریٹیجیز میں پورٹ فولیو بنانے سے پہلے اثاثوں کی رینکنگ اہم ہوتی ہے۔
• ریگریشن یا درجہ بندی کی پیش گوئیاں ترتیب دینا رینکنگ کے لیے بہترین نہیں ہو سکتا۔
• مشین لرننگ کے ذریعے رینکنگ کے طریقے مالیاتی آلات کے جوڑی وار اور فہرست وار تعلقات کا ماڈل بنا سکتے ہیں۔
• مطالعہ کراس سیکشنل مومینٹم کے ذریعے اپنا طریقہ دکھاتا ہے۔
• یہ روایتی طریقوں سے تقریباً تین گنا زیادہ شارپ تناسب رپورٹ کرتا ہے، مگر یہاں لاگت یا مضبوطی کی تفصیلات نہیں دیتا۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔