Impact of Expert-Following Strategies in Financial Asset Recommendation

Résumé Technique : Stratégies de Suivi d'Experts dans la Recommandation d'Actifs Financiers

Énoncé du Problème
La recommandation d'actifs financiers (FAR - Financial Asset Recommendation) fait face à un arbitrage fondamental entre deux objectifs concurrents : maximiser le rendement réel de l'investissement (le ROI - Return on Investment) et assurer l'alignement avec les préférences des investisseurs (mesuré par le nDCG normalisé - normalized Discounted Cumulative Gain). Les approches existantes optimisent généralement un seul de ces indicateurs. Les stratégies basées sur le rendement ignorent souvent les préférences individuelles, ce qui entraîne une faible pertinence, tandis que les stratégies basées sur les préférences (telles que le filtrage collaboratif ou les modèles de popularité) ont tendance à générer des rendements comparables à la moyenne du marché sans alpha significatif. Des recherches antérieures [2] ont confirmé qu'aucune méthode existante ne surpasse simultanément les références en termes de ROI et de nDCG, créant ainsi le besoin d'un cadre capable d'optimiser conjointement ces critères en utilisant des signaux comportementaux.

Méthodologie
Le document propose les Stratégies de Suivi d'Experts (Expert-Following Strategies), un cadre conçu pour combler l'écart entre rentabilité et pertinence en exploitant l'historique des transactions des investisseurs performants. La méthodologie fonctionne comme suit :

1. Identification des Experts : Le système identifie un sous-ensemble d'investisseurs « experts » ($E_X$) à partir de la période d'entraînement basée sur leur ROI historique. Plus précisément, les $X\,\%$ d'investisseurs les plus performants (où $X \in \{5, 10, 15, 20\}$) sont sélectionnés. Le ROI d'un investisseur est calculé comme le rendement du portefeuille sur la fenêtre d'entraînement $[t_0, t]$, en considérant les positions nettes en actions (achats moins ventes).
2. Score des Actifs : Au lieu d'utiliser un apprentissage de modèle complexe, le cadre évalue les actifs en fonction du comportement collectif de ces experts identifiés. Pour chaque actif $i$, un score de recommandation $S_i$ est calculé comme la somme des fréquences d'achat pondérées par le ROI :
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   Ici, $C_{u,i}$ représente le nombre de fois où l'expert $u$ a acheté l'actif $i$. Cette formulation garantit que les actifs achetés fréquemment par des investisseurs performants reçoivent des scores plus élevés, combinant ainsi efficacement les signaux de préférence collective avec une pondération de rentabilité.
3. Recommandation : Les $k$ meilleurs actifs (avec $k=10$) ayant les scores les plus élevés sont recommandés à l'utilisateur.

Protocole Expérimental
L'étude utilise le jeu de données FAR-Trans, couvrant les historiques de transactions de janvier 2018 à novembre 2022. L'évaluation emploie un cadre robuste de validation par marche avant multi-instances (multi-instance walk-forward validation) :

• Validation : 10 instances de fenêtres glissantes ont été générées, chacune comprenant une période d'entraînement d'environ 14 mois et une période d'évaluation de 10 mois.
• Métriques : La performance a été évaluée via le ROI@10 (rendement moyen du portefeuille), le SR@10 (ratio de Sharpe annualisé) et le nDCG@10 (pertinence des articles achetés au cours de la période de détention).
• Références (Baselines) : La méthode proposée a été comparée à des stratégies basées sur le rendement (Optimisation du ratio de Sharpe, Forêt Aléatoire), des stratégies basées sur les préférences (Popularité) et une référence de la Moyenne du Marché.

Résultats Clés
Les expériences démontrent que les Stratégies de Suivi d'Experts résolvent avec succès l'arbitrage ROI–nDCG :

• Amélioration Simultanée : Contrairement aux références qui excellent dans un indicateur au détriment de l'autre (par exemple, la Forêt Aléatoire a obtenu un ROI élevé mais un nDCG proche de zéro ; la Popularité a obtenu un nDCG élevé mais aucun gain de ROI significatif), les variantes de Suivi d'Experts ont atteint des améliorations statistiquement significatives par rapport à la référence de la Moyenne du Marché pour le ROI et le nDCG simultanément, et ce, pour les quatre seuils d'experts.
• Performance Maximale : La variante des meilleurs 5 % des experts a obtenu le ROI le plus élevé (0,246) tout en maintenant un nDCG significatif (0,176), occupant la région haut-ROI/haut-nDCG du paysage de performance.
• Significativité Statistique : Les améliorations ont été validées par des tests t appariés et des tests de Wilcoxon signés, avec une correction de Bonferroni ($\alpha' \approx 0,0071$).

Signification et Revendications
L'article affirme que les Stratégies de Suivi d'Experts offrent une solution simple mais efficace au problème d'optimisation à double objectif dans la recommandation financière. La signification centrale réside dans le constat que les investisseurs performants présentent intrinsèquement des modèles de transaction qui reflètent à la fois des stratégies de maximisation du profit et des comportements d'achat réalistes, alignés sur les préférences générales des investisseurs. En identifiant et en suivant ces experts, le cadre parvient à un équilibre robuste sans nécessiter d'apprentissage de modèle complexe. Les auteurs notent que, bien que l'approche suppose des coûts de transaction nuls (ce qui peut surestimer le ROI pour les stratégies à forte rotation), elle fournit une base empirique solide pour des travaux futurs impliquant des frais réalistes et des modèles de graphes.