Impact of Expert-Following Strategies in Financial Asset Recommendation

技术摘要：金融资产推荐中的专家跟随策略

问题陈述
金融资产推荐（Financial Asset Recommendation, FAR）面临着两个竞争目标之间的根本权衡：最大化实际投资回报（投资回报率，即 ROI）与确保符合投资者偏好（以归一化折现累计增益，即 nDCG 衡量）。现有方法通常仅优化其中一个指标。基于回报的策略往往忽略了个体偏好，导致相关性较低；而基于偏好的策略（如协同过滤或流行度模型）产生的回报往往仅与市场平均水平相当，未能产生显著的超额收益（Alpha）。此前的研究 [2] 已证实，目前尚无现有方法能同时在 ROI 和 nDCG 两方面超越基准模型，因此需要一个能够利用行为信号对这两个标准进行联合优化的框架。

方法论
本文提出了专家跟随策略（Expert-Following Strategies），这是一个旨在通过利用高绩效投资者的交易历史来弥合盈利能力与相关性之间差距的框架。该方法论的操作流程如下：

1. 专家识别： 系统根据训练期间的历史 ROI，从训练集中识别出一组“专家”投资者（$E_X$）。具体而言，选取表现排名前 $X\%$ 的投资者（其中 $X \in \{5, 10, 15, 20\}$）。投资者的 ROI 计算方式为在训练窗口 $[t_0, t]$ 内的组合回报，考虑净持股量（买入减去卖出）。
2. 资产评分： 该框架并非使用复杂的模型学习，而是基于这些识别出的专家的集体行为对资产进行评分。对于每项资产 $i$，其推荐得分 $S_i$ 计算为 ROI 加权购买频率之和：
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   此处，$C_{u,i}$ 代表专家 $u$ 购买资产 $i$ 的次数。这种公式确保了被高绩效投资者频繁购买的资产获得更高的分数，从而有效地将集体偏好信号与盈利能力权重相结合。
3. 推荐： 向用户推荐得分最高的 top-$k$ 个资产（其中 $k=10$）。

实验设置
本研究使用了 FAR-Trans 数据集，涵盖了 2018 年 1 月至 2022 年 11 月的交易历史。评估采用了稳健的**多实例前向行走验证（multi-instance walk-forward validation）**框架：

• 验证： 生成了 10 个滑动窗口实例，每个实例包含约 14 个月的训练期和 10 个月的评估期。
• 指标： 使用 ROI@10（平均组合回报）、SR@10（年化夏普比率）和 nDCG@10（持有期内购买项目的相关性）进行性能评估。
• 基准模型： 将所提方法与基于回报的策略（夏普比率优化、随机森林）、基于偏好的策略（流行度）以及市场平均水平（Market Average）基准进行了对比。

关键结果
实验表明，专家跟随策略成功解决了 ROI 与 nDCG 之间的权衡问题：

• 同步提升： 不同于那些以牺牲另一指标为代价来换取单一指标表现的基准模型（例如，随机森林实现了高 ROI 但 nDCG 接近于零；流行度模型实现了高 nDCG 但没有显著的 ROI 增益），专家跟随策略的各种变体在所有四个专家阈值下，均在 ROI 和 nDCG 上同时实现了相对于市场平均水平基准的显著提升。
• 顶尖表现： 前 5% 专家变体实现了最高的 ROI (0.246)，同时保持了显著的 nDCG (0.176)，占据了性能图谱中高 ROI/高 nDCG 的区域。
• 统计显著性： 通过带有 Bonferroni 校正的配对 t 检验和 Wilcoxon 符号秩检验（$\alpha' \approx 0.0071$）验证了其改进的显著性。

意义与主张
本文声称，专家跟随策略为双目标优化问题提供了一种简单且有效的解决方案。其核心意义在于发现：高绩效投资者天生展现出的交易模式既反映了利润最大化的策略，也反映了符合普通投资者偏好的现实购买行为。通过识别并跟随这些专家，该框架无需复杂的模型训练即可实现稳健的平衡。作者指出，尽管该方法假设交易成本为零（这可能会高估高换手率策略的 ROI），但它为未来涉及现实费用和基于图模型的后续研究提供了坚实的实证基础。