Robeco logo

Zugangsbeschränkung / Haftungsausschluss

Die auf diesen Seiten enthaltenen Informationen dienen ausschliesslich Marketingzwecken.

Der Zugang zu den Fonds ist beschränkt auf (i) qualifizierte Anleger gemäss Art. 10 Abs. 3 ff. des Bundesgesetz über kollektive Kapitalanlagen („KAG“), (ii) professionelle Kunden gemäss Art. 4 Abs. 3 und 4 des Bundesgesetz über die Finanzdienstleistungen („FIDLEG“) und (iii) professionelle Kunden gemäss Anhang II der Richtlinie über Märkte für Finanzinstrumente (2014/65/EU; „MiFID II“) mit Sitz in der Europäischen Union oder im Europäischen Wirtschaftsraum mit einer entsprechenden Lizenz zur Erbringung von Vertriebs- / Angebotshandlungen im Zusammenhang mit Finanzinstrumenten oder für (iii) solche, die hiermit aus eigener Initiative entsprechende Informationen zu spezifischen Finanzinstrumenten erfragen und als professionelle Kunden qualifizieren.

Die Fonds haben ihren Sitz in Luxemburg oder den Niederlanden. Die ACOLIN Fund Services AG, Postanschrift: Leutschenbachstrasse 50, CH-8050 Zürich, agiert als Schweizer Vertreter der Fonds. UBS Switzerland AG, Bahnhofstrasse 45, 8001 Zürich, Postanschrift: Europastrasse 2, P.O. Box, CH-8152 Opfikon, fungiert als Schweizer Zahlstelle.

Der Prospekt, die Key Investor Information Documents (KIIDs), die Satzung, die Jahres- und Halbjahresberichte der Fonds sind auf einfache Anfrage hin und kostenlos beim Schweizer Vertreter ACOLIN Fund Services AG erhältlich. Die Prospekte sind auch über die Website www.robeco.com/ch verfügbar.

Einige Fonds, über die Informationen auf dieser Website angezeigt werden, fallen möglicherweise nicht in den Geltungsbereich des KAG und müssen daher nicht über eine entsprechende Genehmigung durch die Eidgenössische Finanzmarktaufsicht FINMA verfügen.

Einige Fonds sind in Ihrem Wohnsitz- / Sitzstaat möglicherweise nicht verfügbar. Bitte überprüfen Sie den Registrierungsstatus in Ihrem jeweiligen Wohnsitz- / Sitzstaat. Um die in Ihrem Land registrierten Produkte anzuzeigen, gehen Sie bitte zur jeweiligen Länderauswahl, die auf dieser Website zu finden ist, und wählen Sie Ihr Wohnsitz- / Sitzstaat aus.

Weder Informationen noch Meinungen auf dieser Website stellen eine Aufforderung, ein Angebot oder eine Empfehlung zum Kauf, Verkauf oder einer anderweitigen Verfügung eines Finanzinstrumentes dar. Die Informationen auf dieser Webseite stellen keine Anlageberatung oder anderweitige Dienstleistung der Robeco Schweiz AG dar. Eine Investition in ein Produkt von Robeco Schweiz AG sollte erst erfolgen, nachdem die entsprechenden rechtlichen Dokumente wie Prospekt, Jahres- und Halbjahresberichte konsultiert wurden.

Durch Klicken auf "Ich stimme zu" bestätigen Sie, dass Sie resp. die von Ihnen vertretene juristische Person in eine der oben genannten Kategorien von Adressaten fallen und dass Sie die Nutzungsbedingungen für diese Website gelesen, verstanden und akzeptiert haben.

17-07-2023 · Research

The term structure of machine learning alpha

Machine learning (ML) models predicting stock returns have been widely celebrated for their high full-sample gross alphas. However, their performance net of costs has significantly dwindled post-2004 for the U.S. market. A recent paper demonstrates that ML models can still be lucrative by employing longer prediction horizons and incorporating efficient portfolio construction rules. While longer-horizon strategies focus more on traditional asset pricing factors and slower signals, we believe they still have the potential to unlock distinctive alpha.

    Autoren/Autorinnen

  • David Blitz - Chief Researcher

    David Blitz

    Chief Researcher

  • Tobias Hoogteijling - Researcher

    Tobias Hoogteijling

    Researcher

  • Dr. Matthias Hanauer - Researcher

    Dr. Matthias Hanauer

    Researcher

Zusammenfassung

  1. Machine learning models’ performance net of costs close to zero after 2004

  2. Through longer prediction horizons and efficient trading rules, we believe they still have potential to yield significant returns

  3. These strategies select slower signals, load more on traditional factors and unlock distinctive alpha

The study by David Blitz, Matthias Hanauer, Tobias Hoogteijling and Clint Howard on ‘The term structure of machine learning alpha’ emphasizes the importance of design choices in the effectiveness of ML models in real-world applications. Previously, the focus of the majority of studies and strategies was centered around predicting stock returns over one-month horizons. Although these short-horizon strategies exhibited impressive gross alphas, they were mainly profitable before 2004. Their performance deteriorated significantly after 2004 due to high transaction costs resulting from their higher turnover.

In contrast, our research shows that ML models trained on longer prediction horizons (e.g., three, six, or twelve months) performed considerably better in generating net positive returns, especially in the more recent period from 2004 to 2021. The longer-horizon strategies required less frequent trading, thereby drastically reducing transaction costs. These strategies also loaded more on slower signals, such as quality and value, which proved to be more resilient and profitable in the long term.

Furthermore, applying efficient portfolio construction rules – akin to a buy-hold cost mitigation approach – proved to be beneficial across all prediction horizons. This technique significantly reduced turnover, thus compensating for the reduced raw portfolio returns.

Our study’s findings have critical implications for both academia and investment practitioners. For researchers, the paper highlights the need to broaden the focus beyond one-month return predictions and to understand the behavior of ML models across various prediction horizons. For investment practitioners, the findings advocate for aligning ML model training with the intended application and portfolio holding period. By doing so, investors can capitalize on the reduced turnover and improved net performance offered by strategies based on longer prediction horizons.

Figure1: Hypothetical cumulative performance of different training horizons over future months

Figure1: Hypothetical cumulative performance of different training horizons over future months

Source: CRSP, Open Source Asset Pricing, Robeco. Note: This figure plots the hypothetical cumulative average performance of the top-minus-bottom value-weighted decile portfolios for an ensemble of machine learning models trained on different prediction horizons, when holding the portfolios without rebalancing.

To summarize, although ML models focused on short-term predictions have lost their edge in recent years, we believe that by adopting longer prediction horizons and efficient portfolio construction rules there is potential to unlock significant net returns. These findings underscore the importance of design choices and call for more extensive research on various prediction horizons to optimize investment strategies using ML models.

Read the full paper here


Holen Sie sich die neuesten Einblicke

Abonnieren Sie unseren Newsletter, um aktuelle Anlageinformationen und Analysen durch Sachverständige zu erhalten.

Nicht verpassen