Impact of Expert-Following Strategies in Financial Asset Recommendation

Resumen Técnico: Estrategias de Seguimiento de Expertos en la Recomendación de Activos Financieros

Planteamiento del Problema
La Recomendación de Activos Financieros (FAR, por sus siglas en inglés) enfrenta un compromiso fundamental entre dos objetivos contrapuestos: maximizar el retorno real de la inversión (Retorno sobre la Inversión, o ROI) y asegurar la alineación con las preferencias del inversor (medido mediante el Ganancia Acumulada Descontada normalizada, o nDCG). Los enfoques existentes suelen optimizar solo uno de estos parámetros. Las estrategias basadas en retornos suelen ignorar las preferencias individuales, lo que resulta en una baja relevancia, mientras que las estrategias basadas en preferencias (como el filtrado colaborativo o los modelos de popularidad) tienden a generar retornos comparables al promedio del mercado sin un alfa significativo. Investigaciones previas [2] han confirmado que ningún método existente supera simultáneamente a los modelos base tanto en ROI como en nDCG, lo que crea la necesidad de un marco que pueda optimizar conjuntamente estos criterios utilizando señales conductuales.

Metodología
El artículo propone las Estrategias de Seguimiento de Expertos, un marco diseñado para cerrar la brecha entre la rentabilidad y la relevancia mediante el aprovechamiento de los historiales de transacciones de inversores de alto rendimiento. La metodología opera de la siguiente manera:

1. Identificación de Expertos: El sistema identifica un subconjunto de inversores "expertos" ($E_X$) del periodo de entrenamiento basado en su ROI histórico. Específicamente, se seleccionan los inversores del $X\%$ superior (donde $X \in \{5, 10, 15, 20\}$). El ROI de un inversor se calcula como el retorno de la cartera durante la ventana de entrenamiento $[t_0, t]$, considerando las tenencias netas de acciones (compras menos ventas).
2. Calificación de Activos: En lugar de utilizar un aprendizaje de modelos complejos, el marco califica los activos basándose en el comportamiento colectivo de estos inversores identificados. Para cada activo $i$, se calcula una puntuación de recomendación $S_i$ como la suma de las frecuencias de compra ponderadas por el ROI:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   Aquí, $C_{u,i}$ representa el número de veces que el experto $u$ compró el activo $i$. Esta formulación asegura que los activos comprados frecuentemente por inversores de alto rendimiento reciban puntuaciones más altas, combinando eficazmente las señales de preferencia colectiva con la ponderación de rentabilidad.
3. Recomendación: Se recomiendan al usuario los top-$k$ activos (con $k=10$) con las puntuaciones más altas.

Configuración Experimental
El estudio utiliza el conjunto de datos FAR-Trans, que cubre historiales de transacciones desde enero de 2018 hasta noviembre de 2022. La evaluación emplea un marco robusto de validación de caminata hacia adelante de múltiples instancias (multi-instance walk-forward validation):

• Validación: Se generaron 10 instancias de ventana deslizante, cada una con un periodo de entrenamiento de aproximadamente 14 meses y un periodo de evaluación de 10 meses.
• Métricas: El rendimiento se evaluó utilizando ROI@10 (retorno medio de la cartera), SR@10 (Ratio de Sharpe anualizado) y nDCG@10 (relevancia de los artículos comprados dentro del periodo de tenencia).
• Modelos Base (Baselines): El método propuesto se comparó contra estrategias basadas en retornos (Optimización del Ratio de Sharpe, Random Forest), estrategias basadas en preferencias (Popularidad) y un modelo base de Promedio de Mercado.

Resultados Clave
Los experimentos demuestran que las Estrategias de Seguimiento de Expertos resuelven con éxito el compromiso entre ROI y nDCG:

• Mejora Simultánea: A diferencia de los modelos base que sobresalen en una métrica a expensas de la otra (por ejemplo, Random Forest logró un alto ROI pero un nDCG cercano a cero; Popularidad logró un alto nDCG pero sin una ganancia significativa de ROI), las variantes de Seguimiento de Expertos lograron mejoras estadísticamente significativas sobre el modelo base de Promedio de Mercado en ambos indicadores, ROI y nDCG, simultáneamente en los cuatro umbrales de expertos.
• Rendimiento Superior: La variante de expertos del top-5% alcanzó el ROI más alto (0.246) manteniendo un nDCG significativo (0.176), ocupando la región de alto ROI/alto nDCG en el panorama de rendimiento.
• Significancia Estadística: Las mejoras fueron validadas mediante pruebas t de muestras emparejadas y pruebas de Wilcoxon de rangos con signo para la corrección de Bonferroni ($\alpha' \approx 0.0071$).

Significancia y Reivindicaciones
El artículo sostiene que las Estrategias de Seguimiento de Expertos ofrecen una solución simple pero efectiva al problema de optimización de doble objetivo en la recomendación financiera. La significancia central radica en el hallazgo de que los inversores de alto rendimiento exhiben inherentemente patrones de transacción que reflejan tanto estrategias de maximización de beneficios como comportamientos de compra realistas que se alinean con las preferencias generales de los inversores. Al identificar y seguir a estos expertos, el marco logra un equilibrio robusto sin requerir un entrenamiento de modelos complejos. Los autores señalan que, si bien el enfoque asume costos de transacción de cero (lo que puede sobreestimar el ROI para estrategias de alta rotación), proporciona una base empírica sólida para trabajos futuros que involucren comisiones realistas y modelos basados en grafos.