Impact of Expert-Following Strategies in Financial Asset Recommendation

Technisches Resümee: Expert-Following-Strategien in der Finanzanlagen-Empfehlung

Problemstellung
Die Empfehlung von Finanzanlagen (Financial Asset Recommendation, FAR) steht vor einem grundlegenden Zielkonflikt zwischen zwei konkurrierenden Zielen: der Maximierung der tatsächlichen Anlagerendite (Return on Investment, ROI) und der Gewährleistung der Übereinstimmung mit Anlegerpräferenzen (gemessen am normalisierten Discounted Cumulative Gain, nDCG). Bestehende Ansätze optimieren typischerweise nur eines dieser Metriken. Renditebasierte Strategien ignorieren oft individuelle Präferenzen, was zu einer geringen Relevanz führt, während präferenzbasierte Strategien (wie Collaborative Filtering oder Popularitätsmodelle) dazu neigen, Renditen zu liefern, die lediglich dem Marktdurchschnitt entsprechen, ohne signifikantes Alpha zu generieren. Vorherige Forschungen [2] haben bestätigt, dass keine bestehende Methode gleichzeitig die Baselines in Bezug auf ROI und nDCG übertrifft, was die Notwendigkeit eines Frameworks schafft, das diese Kriterien unter Nutzung von Verhaltenssignalen gemeinsam optimiert.

Methodik
Das Paper schlägt Expert-Following-Strategien vor, ein Framework, das darauf ausgelegt ist, die Lücke zwischen Rentabilität und Relevanz zu schließen, indem es die Transaktionshistorien leistungsstarker Anleger nutzt. Die Methodik arbeitet wie folgt:

1. Identifikation von Experten: Das System identifiziert eine Teilmenge von „Experten“-Anlegern ($E_X$) aus dem Trainingszeitraum basierend auf deren historischem ROI. Konkret werden die Top-$X\,\%$ der Anleger ausgewählt (wobei $X \in \{5, 10, 15, 20\}$). Der ROI eines Anlegers wird als Portfoliorendite über das Trainingsfenster $[t_0, t]$ berechnet, unter Berücksichtigung des Netto-Aktienbestands (Käufe minus Verkäufe).
2. Bewertung von Vermögenswerten (Asset Scoring): Anstatt komplexes Modell-Lernen einzusetzen, bewertet das Framework Vermögenswerte basierend auf dem kollektiven Verhalten dieser identifizierten Experten. Für jeden Vermögenswert $i$ wird ein Empfehlungsscore $S_i$ als Summe der ROI-gewichteten Kaufhäufigkeiten berechnet:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   Hierbei stellt $C_{u,i}$ die Anzahl der Käufe dar, mit denen der Experte $u$ den Vermögenswert $i$ erworben hat. Diese Formulierung stellt sicher, dass Vermögenswerte, die häufig von hochperformanten Anlegern gekauft wurden, höhere Scores erhalten, wodurch kollektive Präferenzsignale effektiv mit der Rentabilitätsgewichtung kombiniert werden.
3. Empfehlung: Die Top-$k$ Vermögenswerte (mit $k=10$) mit den höchsten Scores werden dem Nutzer empfohlen.

Experimentelles Setup
Die Studie verwendet den FAR-Trans-Datensatz, der Transaktionshistorien von Januar 2018 bis November 2022 abdeckt. Die Evaluierung nutzt ein robustes Multi-Instanz-Walk-Forward-Validierungsverfahren:

• Validierung: Es wurden 10 Sliding-Window-Instanzen generiert, jeweils mit einem Trainingszeitraum von etwa 14 Monaten und einem Evaluierungszeitraum von 10 Monaten.
• Metriken: Die Leistung wurde mittels ROI@10 (mittlere Portfoliorendite), SR@10 (annualisierte Sharpe-Ratio) und nDCG@10 (Relevanz der gekauften Positionen innerhalb der Haltedauer) evaluiert.
• Baselines: Die vorgeschlagene Methode wurde gegen renditebasierte Strategien (Sharpe-Ratio-Optimierung, Random Forest), präferenzbasierte Strategien (Popularität) und eine Marktdurchschnitts-Baseline verglichen.

Wichtigste Ergebnisse
Die Experimente zeigen, dass Expert-Following-Strategien den ROI–nDCG-Zielkonflikt erfolgreich lösen:

• Simultane Verbesserung: Im Gegensatz zu den Baselines, die in einer Metrik glänzen, während sie bei der anderen schwächeln (z. B. erreichte Random Forest eine hohe ROI, aber einen nahezu Null-nDCG; Popularität erreichte einen hohen nDCG, aber keinen signifikanten ROI-Gewinn), erzielten die Expert-Following-Varianten über alle vier Experten-Schwellenwerte hinweg statistisch signifikante Verbesserungen gegenüber der Marktdurchschnitts-Baseline in beiden Metriken (ROI und nDCG) gleichzeitig.
• Spitzenleistung: Die Top-5%-Experten-Variante erreichte den höchsten ROI (0,246) bei gleichzeitiger Beibehaltung eines signifikanten nDCG (0,176) und besetzte damit die Hoch-ROI/Hoch-nDCG-Region in der Performance-Landschaft.
• Statistische Signifikanz: Die Verbesserungen wurden mittels gepaarter t-Tests und Wilcoxon-Signed-Rank-Tests mit Bonferroni-Korrektur ($\alpha' \approx 0,0071$) validiert.

Bedeutung und Ansprüche
Das Paper behauptet, dass Expert-Following-Strategien eine einfache, aber effektive Lösung für das Dual-Objective-Optimierungsproblem in der Finanzrekommandation bieten. Die zentrale Bedeutung liegt in der Erkenntnis, dass hochperformante Anleger inhärent Transaktionsmuster aufweisen, die sowohl profitmaximierende Strategien als auch realistische Kaufverhaltensweisen widerspiegeln, die mit den Präferenzen allgemeiner Anleger übereinstimmen. Durch die Identifikation und das Folgen dieser Experten erreicht das Framework ein robustes Gleichgewicht, ohne dass ein komplexes Modelltraining erforderlich ist. Die Autoren merken an, dass der Ansatz von Null-Transaktionskosten ausgeht (was den ROI für Strategien mit hoher Umschlagshäufigkeit möglicherweise überschätzt), aber eine starke empirische Grundlage für zukünftige Arbeiten unter Einbeziehung realistischer Gebühren und graphbasierter Modelle bietet.