为横截面系统化策略学习资产排序

文章 arXiv papers · 作者: Daniel Poh et al.

总结

本文研究横截面系统化投资组合中的资产排序环节。文章认为，简单启发式方法以及按传统回归或分类模型的预测结果排序，可能并非最优，并以信息检索中的排序任务作类比。所提出的框架使用学习排序算法，学习金融工具之间成对和列表层面的关系，旨在改进提供给投资组合构建环节的排序。

研究以横截面动量为案例。作者报告称，现代机器学习排序方法显著提升了交易表现，夏普比率约为传统方法的三倍。描述未说明具体算法、市场范围或评估期间，也未解释交易成本和验证流程。因此，该结果说明排序方法可用于策略设计，但现有总结不足以评估稳健性，也不能据此假定所报告的提升可推广到其他市场和投资组合。

核心观点

横截面系统化策略在构建投资组合前需要对资产进行排序。
将回归或分类预测排序，可能并非最优的排序方法。
学习排序方法可以建模金融工具之间成对和列表层面的关系。
研究使用横截面动量展示其方法。
研究报告称夏普比率约为传统方法的三倍，但此处未提供成本或稳健性细节。

# 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.

在遵守原作品许可的前提下，附作者信息全文展示。许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。

为横截面系统化策略学习资产排序

总结

核心观点

标签