通过学习排序构建横截面系统性策略

横截面系统性策略的成功关键取决于在投资组合构建之前对资产进行准确排序。当代技术使用简单启发式方法或通过标准回归或分类模型输出排序来执行该排序步骤，已证明这些方法在其他领域（例如信息检索）中对排序是次优的。为解决这一不足，我们提出一个框架，通过引入学习排序（learning-to-rank）算法来增强横截面投资组合，这些算法通过学习跨工具的成对和列表式结构来提高排序准确性。以横截面动量作为示例性案例研究，我们表明使用现代机器学习排序算法可以大幅改善横截面策略的交易表现——与传统方法相比，提供约三倍的夏普比率提升。