Impact of Expert-Following Strategies in Financial Asset Recommendation

Technische Samenvatting: Expert-Following Strategieën in Financiële Activa-aanbevelingen

Probleemstelling
Financiële Activa-aanbeveling (Financial Asset Recommendation, FAR) staat voor een fundamentele afweging tussen twee concurrerende doelstellingen: het maximaliseren van het werkelijke beleggingsrendement (Return on Investment, of ROI) en het waarborgen van de aansluiting bij de voorkeuren van beleggers (gemeten via de genormaliseerde Discounted Cumulative Gain, of nDCG). Bestaande benaderingen optimaliseren doorgaans slechts voor één van deze metrieken. Op rendement gebaseerde strategieën negeren vaak individuele voorkeuren, wat resulteert in een lage relevantie, terwijl op voorkeuren gebaseerde strategieën (zoals collaborative filtering of populariteitsmodellen) de neiging hebben om rendementen te leveren die vergelijkbaar zijn met het marktgemiddelde zonder significant alfa te genereren. Voorgaand onderzoek [2] heeft bevestigd dat geen enkele bestaande methode simultaan zowel de ROI als de nDCG ten opzichte van baselines overtreft, wat de noodzaak creëert voor een framework dat deze criteria gezamenlijk kan optimaliseren met behulp van gedragssignalen.

Methodologie
Het artikel stelt Expert-Following Strategieën voor, een framework dat ontworpen is om de kloof tussen winstgevendheid en relevantie te overbruggen door gebruik te maken van de transactiegeschiedenissen van hoogpresterende beleggers. De methodologie werkt als volgt:

1. Identificatie van Experts: Het systeem identificeert een subset van "expert"-beleggers ($E_X$) uit de trainingsperiode op basis van hun historische ROI. Specifiek worden de top $X\%$ van de beleggers geselecteerd (waarbij $X \in \{5, 10, 15, 20\}$). De ROI van een belegger wordt berekend als het portefeuille-rendement over de trainingsperiode $[t_0, t]$, rekening houdend met de netto aandelenposities (aankopen minus verkopen).
2. Asset Scoring: In plaats van complexe modeloptimalisatie, scoort het framework activa op basis van het collectieve gedrag van deze geïdentificeerde experts. Voor elk actief $i$ wordt een aanbevelingsscore $S_i$ berekend als de som van de ROI-gewogen aankoopfrequenties:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   Hierbij vertegenwoordigt $C_{u,i}$ het aantal keren dat expert $u$ actief $i$ heeft gekocht. Deze formulering zorgt ervoor dat activa die frequent door hoogpresterende beleggers worden gekocht, hogere scores krijgen, waardoor collectieve voorkeuresignalen effectief worden gecombineerd met winstgevendheidsweging.
3. Aanbeveling: De top-$k$ activa (met $k=10$) met de hoogste scores worden aan de gebruiker aanbevolen.

Experimentele Opzet
De studie maakt gebruik van de FAR-Trans dataset, die de transactiegeschiedenissen beslaat van januari 2018 tot november 2022. De evaluatie maakt gebruik van een robuust multi-instance walk-forward validatieframework:

• Validatie: Er zijn 10 sliding-window instanties gegenereerd, elk met een trainingsperiode van ongeveer 14 maanden en een evaluatieperiode van 10 maanden.
• Metrieken: Prestaties werden geëvalueerd met behulp van ROI@10 (gemiddeld portefeuille-rendement), SR@10 (geannualiseerde Sharpe-ratio) en nDCG@10 (relevantie van aangekochte items binnen de bezitstermijn).
• Baselines: De voorgestelde methode werd vergeleken met op rendement gebaseerde strategieën (Sharpe Ratio Optimalisatie, Random Forest), op voorkeuren gebaseerde strategieën (Populariteit) en een Marktgemiddelde baseline.

Belangrijkste Resultaten
De experimenten tonen aan dat Expert-Following Strategieën er succesvol in slagen de ROI–nDCG trade-off op te lossen:

• Simultane Verbetering: In tegen tegenstelling tot baselines die uitblinken in één metriek ten koste van de andere (bijv. Random Forest behaalde een hoge ROI maar een nDCG nabij nul; Populariteit behaalde een hoge nDCG maar geen significante ROI-winst), bereikten de Expert-Following varianten statistisch significante verbeteringen ten opzichte van de Marktgemiddelde baseline in zowel ROI als nDCG over alle vier de expert-drempels heen.
• Top Prestatie: De top-5% expert variant behaalde de hoogste ROI (0,246) terwijl een significante nDCG (0,176) werd behouden, waarbij het de hoog-ROI/hoog-nDCG regio in het prestatielandschap bezet.
• Statistische Significantie: De verbeteringen werden gevalideerd met gepaarde t-testen en Wilcoxon signed-rank testen met Bonferroni-correctie ($\alpha' \approx 0,0071$).

Betekenis en Claims
Het artikel claimt dat Expert-Following Strategieën een eenvoudige maar effectieve oplossing bieden voor het dual-objective optimalisatieprobleem in financiële aanbevelingen. De kernbetekenis ligt in de bevinding dat hoogpresterende beleggers inherent transactiepatronen vertonen die zowel winstmaximaliserende strategieën als realistische aankooppatronen weerspiegelen die aansluiten bij algemene beleggersvoorkeuren. Door deze experts te identificeren en te volgen, bereikt het framework een robuust evenwicht zonder dat complexe modeltraining vereist is. De auteurs merken op dat hoewel de aanpak uitgaat van nul transactiekosten (wat de ROI voor strategieën met een hoge omloopsnelheid kan overschatten), het een sterke empirische basis biedt voor toekomstig werk met betrekking tot realistische kosten en graaf-gebaseerde modellen.