Impact of Expert-Following Strategies in Financial Asset Recommendation

Sintesi Tecnica: Strategie di Seguimento degli Esperti nelle Raccomandazioni di Asset Finanziari

Definizione del Problema
La Raccomandazione di Asset Finanziari (FAR) affronta un compromesso fondamentale tra due obiettivi contrastanti: massimizzare il rendimento effettivo degli investimenti (Return on Investment, o ROI) e garantire l'allineamento con le preferenze degli investitori (misurato tramite il guadagno cumulativo scontato normalizzato, o nDCG). Gli approcci esistenti ottimizzano tipicamente solo uno di questi parametri. Le strategie basate sul rendimento ignorano spesso le preferenze individuali, con conseguente bassa rilevanza, mentre le strategie basate sulle preferenze (come il filtraggio collaborativo o i modelli di popolarità) tendono a produrre rendimenti paragonabili alla media di mercato senza generare un alpha significativo. Ricerche precedenti [2] hanno confermato che nessun metodo esistente supera simultaneamente i baseline sia in termini di ROI che di nDCG, creando la necessità di un framework capace di ottimizzare congiuntamente questi criteri utilizzando segnali comportamentali.

Metodologia
Il documento propone le Strategie di Seguimento degli Esperti (Expert-Following Strategies), un framework progettato per colmare il divario tra redditività e rilevanza sfruttando le cronologie transazionali di investitori ad alte prestazioni. La metodologia opera come segue:

1. Identificazione degli Esperti: Il sistema identifica un sottoinsieme di investitori "esperti" ($E_X$) dal periodo di addestramento in base al loro ROI storico. Nello specifico, viene selezionato il top $X\%$ degli investitori (dove $X \in \{5, 10, 15, 20\}$). Il ROI di un investitore è calcolato come il rendimento del portafoglio nell'intervallo di addestramento $[t_0, t]$, considerando le partecipazioni nette (acquisti meno vendite).
2. Scoring degli Asset: Invece di utilizzare modelli di apprendimento complessi, il framework assegna un punteggio agli asset basandosi sul comportamento collettivo di questi esperti identificati. Per ogni asset $i$, viene calcolato un punteggio di raccomandazione $S_i$ come la somma delle frequenze di acquisto pesate sul ROI:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   Qui, $C_{u,i}$ rappresenta il numero di volte in cui l'esperto $u$ ha acquistato l'asset $i$. Questa formulazione assicura che gli asset acquistati frequentemente da investitori ad alte prestazioni ricevano punteggi più elevati, combinando efficacemente i segnali di preferenza collettiva con la ponderazione della redditività.
3. Raccomandazione: Vengono raccomandati all'utente i top-$k$ asset (con $k=10$) con i punteggi più elevati.

Configurazione Sperimentale
Lo studio utilizza il dataset FAR-Trans, che copre le cronologie transazionali da gennaio 2018 a novembre 2022. La valutazione impiega un robusto framework di validazione multi-istanza walk-forward:

• Validazione: Sono state generate 10 istanze di finestra scorrevole (sliding-window), ciascuna con un periodo di addestramento di circa 14 mesi e un periodo di valutazione di 10 mesi.
• Metriche: Le prestazioni sono state valutate utilizzando ROI@10 (rendimento medio del portafoglio), SR@10 (Rapporto di Sharpe annualizzato) e nDCG@10 (rilevanza degli articoli acquistati entro il periodo di detenzione).
• Baseline: Il metodo proposto è stato confrontato con strategie basate sul rendimento (Ottimizzazione dello Sharpe Ratio, Random Forest), strategie basate sulle preferenze (Popolarità) e un baseline della Media di Mercato.

Risultati Chiave
Gli esperimenti dimostrano che le Strategie di Seguimento degli Esperti risolvono con successo il compromesso ROI–nDCG:

• Miglioramento Simultaneo: A differenza dei baseline che eccellono in una metrica a scapito dell'altra (ad esempio, Random Forest ha ottenuto un alto ROI ma un nDCG vicino allo zero; la Popolarità ha ottenuto un alto nDCG ma nessun guadagno significativo in termini di ROI), le varianti di Seguimento degli Esperti hanno ottenuto miglioramenti statisticamente significativi rispetto al baseline della Media di Mercato in entrambi i parametri (ROI e nDCG) simultaneamente per tutte e quattro le soglie degli esperti.
• Performance Massima: La variante dell'esperto top-5% ha ottenuto il ROI più elevato (0,246) mantenendo al contempo un nDCG significativo (0,176), occupando la regione ad alto ROI/alto nDCG nel panorama delle prestazioni.
• Significatività Statistica: I miglioramenti sono stati validati tramite t-test accoppiati e test di Wilcoxon signed-rank con correzione di Bonferroni ($\alpha' \approx 0,0071$).

Significatività e Rivendicazioni
Il documento afferma che le Strategie di Seguimento degli Esperti offrono una soluzione semplice ed efficace al problema dell'ottimizzazione a doppio obiettivo nella raccomandazione finanziaria. La significatività principale risiede nel fatto che gli investitori ad alte prestazioni mostrano intrinsecamente schemi transazionali che riflettono sia strategie di massimizzazione del profitto sia comportamenti di acquisto realistici che si allineano alle preferenze generali degli investitori. Identificando e seguendo questi esperti, il framework raggiunge un equilibrio robusto senza richiedere un addestramento di modelli complessi. Gli autori osservano che, sebbene l'approccio assuma costi di transazione nulli (il che può sovrastimare il ROI per strategie ad alto turnover), esso fornisce una solida base empirica per lavori futuri che coinvolgano commissioni realistiche e modelli basati su grafi.