Học cách xếp hạng tài sản cho chiến lược hệ thống chéo

Tóm tắt

Bài viết nghiên cứu bước xếp hạng tài sản trong các danh mục hệ thống chéo. Bài cho rằng các kinh nghiệm đơn giản và thứ hạng tạo bằng cách sắp xếp dự đoán từ mô hình hồi quy hoặc phân loại thông thường có thể chưa tối ưu, đồng thời liên hệ vấn đề này với các tác vụ xếp hạng trong truy xuất thông tin. Khuôn khổ được đề xuất sử dụng thuật toán học xếp hạng để học các mối quan hệ theo cặp và theo danh sách giữa các công cụ, nhằm cải thiện thứ tự đầu vào cho việc xây dựng danh mục.

Động lượng chéo được dùng làm trường hợp nghiên cứu. Các tác giả cho biết phương pháp xếp hạng bằng học máy hiện đại cải thiện đáng kể hiệu quả giao dịch, với tỷ lệ Sharpe xấp xỉ gấp ba lần các phương pháp truyền thống. Mô tả không nêu tên thuật toán, phạm vi thị trường hay giai đoạn đánh giá, cũng không giải thích chi phí giao dịch và quy trình xác thực. Vì vậy, kết quả gợi ý dùng phương pháp xếp hạng như một công cụ thiết kế chiến lược, nhưng phần tóm tắt chưa đủ để đánh giá độ vững chắc hoặc giả định mức cải thiện được báo cáo sẽ áp dụng cho thị trường và danh mục khác.

Ý chính

• Chiến lược hệ thống chéo cần xếp hạng tài sản trước khi xây dựng danh mục.
• Sắp xếp dự đoán hồi quy hoặc phân loại có thể chưa tối ưu cho việc xếp hạng.
• Phương pháp học xếp hạng có thể mô hình hóa quan hệ theo cặp và theo danh sách giữa các công cụ.
• Nghiên cứu minh họa phương pháp bằng động lượng chéo.
• Nghiên cứu báo cáo tỷ lệ Sharpe cao hơn khoảng ba lần so với phương pháp truyền thống, nhưng không nêu chi tiết về chi phí hay độ vững chắc.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.