Riassunto analitico
Nel Learning to Rank (LTR) si applicano tecniche di machine learning per ordinare elementi in base alla loro rilevanza, con applicazioni che spaziano dai motori di ricerca e sistemi di raccomandazione, fino all’elaborazione del linguaggio naturale. Tra i diversi approcci—pointwise, pairwise e listwise—il listwise è particolarmente efficace a catturare le interdipendenze tra gli elementi da classificare, rendendolo interessante per scenari complessi come l’asset ranking nelle strategie di investimento. Questa tesi propone l’applicazione del LTR con l’approccio listwise al settore finanziario, per la costruzione di portafogli long-short basata sul ranking degli asset. In particolare, vengono introdotti i transformer come architettura listwise. I transformer hanno ottenuto un enorme successo nello stato dell’arte in diversi ambiti grazie al loro meccanismo di self-attention, che consente loro di operare come un’architettura context-aware. L’implementazione prevede lo sviluppo di funzioni di loss listwise, progettate appositamente per sfruttare le capacità del modello di elaborare il contesto durante la fase di addestramento e di inferenza. Lo studio valuta le prestazioni dell’approccio listwise rispetto ai metodi pointwise e pairwise già presenti in Axyon. Un obiettivo chiave è determinare se un approccio listwise introduca eterogeneità nelle previsioni del modello, potenzialmente migliorando la robustezza e l’accuratezza del ranking dell’ensemble. Questo studio ha lo scopo di migliorare la comprensione delle relazioni tra asset, contribuendo così a strategie di investimento più efficaci.
|
Abstract
Learning to Rank (LTR) is the application of machine learning techniques for ordering items based on relevance, with applications in domains such as search engines, recommendation systems, and natural language processing. Among its various approaches—pointwise, pairwise, and listwise—the listwise framework is particularly suited for capturing interdependencies among ranked items, making it compelling for complex scenarios like asset ranking in investment strategies.
This research explores the application of the listwise LTR approach in the financial domain, focusing on ranking assets long-short portfolio construction. In particular, transformers are introduced as the listwise architecture. Transformers have achieved a huge success in the state of the art across various fields due to their self-attention mechanism, which allows them to serve as a context-aware architecture. The implementation includes developing listwise loss functions specifically designed to leverage the model’s ability to incorporate contextual information during both training and inference phases.
The study evaluates the performance of the listwise approach compared to traditional pointwise and pairwise methods previously explored by Axyon. A key objective is to assess whether the listwise framework introduces heterogeneity in model predictions, potentially improving the robustness and accuracy of the ensemble rankings. These insights aim to enhance the understanding of inter-asset relationships, ultimately contributing to more effective investment strategies.
|