基于自注意力上下文感知学习排序增强横截面货币策略
投资组合管理
2022-01-31 v2 信息检索
机器学习
交易与市场微观结构
摘要
横截面货币策略的表现关键在于在构建投资组合之前对工具进行准确排序。虽然这一排序步骤传统上采用启发式方法，或通过对逐点回归或分类技术输出的排序来完成，但使用学习排序(Learning to Rank)算法的策略近来已成为具有竞争力且可行的替代方案。尽管这些策略核心的排序器是全局学习的，并在平均意义上提升了排序精度，它们却忽略了在投资组合再平衡时资产特征分布之间的差异。这一缺陷使它们容易产生次优排序，并可能发生在准确性实际最为关键的重要时期。例如，这可能发生在关键的风险规避(risk-off)阶段，从而将投资组合暴露于显著的、非预期的大幅回撤之中。我们借助信息检索中的一个类似思想来解决这一不足：即一个查询的前几位检索文档或局部排序上下文提供了关于该查询自身特征的重要信息，进而可用于精炼初始排序列表。在本工作中，我们使用一种基于Transformer架构的上下文感知学习排序模型来编码排名靠前/靠后的资产，学习上下文并利用该信息对初始结果重新排序。在31种货币上的回测表明，我们提出的方法将夏普比率(Sharpe ratio)提升了约30%，并显著改善了多项表现指标。此外，该方法在分别针对正常与风险规避市场状态进行条件化时，也提升了夏普比率。
引用
@article{arxiv.2105.10019,
title = {Enhancing Cross-Sectional Currency Strategies by Context-Aware Learning to Rank with Self-Attention},
author = {Daniel Poh and Bryan Lim and Stefan Zohren and Stephen Roberts},
journal= {arXiv preprint arXiv:2105.10019},
year = {2022}
}
备注
10 pages, 4 figures