学习型行业：基础知识驱动的行业重新分类项目

基准比较学习部门Weerawarana、Zhu、Het这一现象可以通过分析图8.3中的风险调整回报学习部门宇宙的Sankey图来解释。这表明两大部门的组成资产大幅增加，其中有大量较小的部门。由于较大的部门具有更高的名义价值，因此在boughtor出售时意味着更高的营业额，因此，与分布更均匀的基准领域相比，风险调整收益最优学习部门领域的投资组合再平衡营业额更高，这并不奇怪。此外，在SETF重组期间，阿尔法和高尔夫这两个较大的单独行业也意味着更高的营业额。由于资产数量越多，总价值就越不稳定，因此，与基准领域中规模较小的部门相比，风险调整回报最优学习型部门领域特有的超大部门在SETF重组期间的营业额将更高。（a） SETF重组营业额（b）投资组合再平衡营业额（c）投资组合绝对价值（d）风险调整后回报图9.1：行业领域绩效指标的比较，基准领域为红色，风险调整后回报最佳学习行业领域为蓝色。28 FE 800-特殊研究问题SITWeerawarana，Zhu，他学习了第9章。基准比较N9.2.2绝对投资组合价值比较图9.1中的Panel（c）是对风险调整收益最优学习领域和基准领域的绝对投资组合价值的比较。

如图所示，所学领域在回溯测试的终点提供了显著的高价值，在每个1000000000美元的起始资本基础上，超过基准近1500000000美元，这意味着超过了近150%。学习领域和基准领域的投资组合随时间的发展表明，这两个领域的投资组合回报率之间的相关性很小。这是意料之中的，因为这两个行业的可投资资产基础（按设计）是相同的。然而，与基准投资组合相比，学习型行业领域投资组合的回报率的历史可用性似乎要小得多。这在面板（c）中的750-1250天间隔中尤为明显。这一时期表明，基准的投资组合价值增长迅速，其增长率明显高于其博学领域的对应方。然而，大约在1150天的关口，基准指数出现了极其严重的下跌，几乎失去了前一时期的所有收益。有趣的是，在此期间，所学行业领域投资组合的价值（相对于基准）似乎没有显著变化。这一观察结果，再加上在回溯测试期接近尾声时，两个行业领域投资组合的相应最终反弹表明，所学行业投资组合的多元化显著优于基准投资组合，这不仅导致了更高的最终投资组合价值，而且也显著降低了达到该价值的波动性。9.2.3风险调整后回报比较图9.1（d）是对基准行业范围和风险调整后回报最优学习行业范围的滚动风险调整后回报（即夏普比率）的比较。

鉴于上述绝对投资组合价值比较的分析结果，所学行业领域相对于基准领域的表现不出所料。继续进行与前一节相同的分析，基准行业领域的夏普比率在上述750-1250天的时间间隔内表现非常糟糕。与面板（c）中的投资组合价值图相比，夏普比率图更好地反映了基础投资组合波动性增加的负面影响。事实上，面板（d）中的夏普比率图表明，拥有和持有无风险资产几乎比在900天左右的基准部门宇宙投资组合更为有利，因为投资组合的滚动夏普比率接近0。尽管在这段时间内大幅反弹，但基准sectoruniverse的夏普比率从未恢复，也没有接近所学sector universe投资组合的显著更高价值。此外，尽管在回溯测试接近尾声时反弹，夏普比率图表明，两个行业领域的滚动风险调整回报率趋势均为负值，在所学行业领域投资组合线上的斜率要平滑得多。这表明，与基准行业领域相比，学习行业领域的vol较低，这进一步表明，与基准行业领域相比，学习行业算法提供了显著更好的多元化效益。9.3定性比较在本节中，我们试图对风险调整后的收益最优学习行业范围与基准行业范围进行更定性的比较和对比。

鉴于基准行业领域投资组合与最佳学习行业领域投资组合之间的绩效存在巨大差异，我们认为，通过分析领域中每个行业的构成，可以获得重要的见解。依次分析每个学到的行业（从图8.3和图9.2可以看出），很明显，除了大型行业Alpha和Golf之外，其余大部分行业的组成资产数量非常少。尽管如此，两大（主要）部门以及一些较小（即次要）部门相对于基准的分散率极高。也就是说，新旧部门分配之间似乎没有高水平的一致性。在图9.2中，明显缺乏任何直接的过渡部门映射，这一点在基准部门和学习部门之间缺乏一致性。SIT FE 800-特殊研究问题29第9章。基准比较学习行业Weerawarana、Zhu、He两个主要学习行业Alpha和Golf都包含大量资产作为其组成部分。特别是，可以观察到，learned sector Alpha包含了基准金融部门和基准效用部门的大部分。鉴于这些部门分配来自基本面数据，这是一个特别有趣的结果，因为在过去十年中，金融和公共事业部门都变得极度厌恶风险；2008年经济衰退导致的财务损失，以及自然灾害严重程度和数量增加导致的大量资本损失导致的公用事业损失。

这一分组表明，这些企业的资本结构也越来越相似。图9.2：基准行业分类范围和风险调整回报最佳学习行业范围之间的行业分配转换。考虑到博学的高尔夫领域，它似乎是原始行业范围内的一个小型指数。从构成国家的角度来看，它吸收了大量基准消费非必需品和消费必需品行业，以及构成美国整体经济支柱的大量行业；即信息技术、工业和房地产部门。附录C包含堆叠条形图，表示基准行业领域（见图C.2）和风险调整后回报最优学习行业领域（见图C.1）中每个行业集合的投资水平。通过分析这些图表，结合基准和最佳学习领域之间的行业分配过渡情况，可以清楚地看出，学习领域高尔夫的表现并不出色。在2014年和2015年期间，来自无数传统行业的公司拥有巨大的横截面，再加上其表现不佳，这一好处似乎是超越基准行业的关键因素。30 FE 800-特殊研究问题SITWeerawarana，Zhu，他学习了第10章。

结论第10章结论在本节中，我们将重申我们的主要发现，并将其与我们的特定研究目标和论文声明联系起来，最初在第2节中概述。利用企业特质与信息基础驱动的非主观部门分类框架之间的关系。论文陈述10.1研究目标1RG-1利用数据驱动算法推导出真正客观的分类启发式在本报告的第一部分中，我们通过概述我们的目标数据源（见第4节）、我们计划用于比较的基准，以及我们从数据源中选择的特定领域如何与我们的研究目标相关并加强我们的研究目标，开始实现RG-1目标在此之后，我们认识到，为了保持RG-1实施的客观性水平，我们必须使用无监督学习方法来确定我们的候选学习领域。为此，我们对潜在的方法进行了调查，并在第5节中将层次聚类确定为我们的目标方法在第6节中，我们对HCA启发式算法进行了参数化，并确定了由60个候选学习领域组成的搜索空间。然后，我们计算了一组候选学习领域领域，充分解决了RG-1.10.2研究目标2RG-2，使用完全客观的标准将候选领域领域相互排名报告的第二部分专门讨论RG-2。这一过程始于第7节，我们在其中概述了RG-2的范围。

在此之后，我们引入了reIndexer，这是一种回溯测试驱动的行业宇宙评估研究工具，为我们项目的验证部分提供了动力（见第7.2节）。o接下来，我们使用reIndexer对我们的候选学习领域进行排名，并使用reIndexer为我们的60个候选学习领域计算一组性能指标（见第7.3节）最后，在第8节中，我们利用这些绩效指标来确定风险调整后的收益最优学习领域（完整链接；17个领域），从而完成RG-2。SIT FE 800-特殊研究问题31第10章。结论：Weerawarana、Zhu、He10.3研究目标3RG-3根据基准评估了我们的风险调整回报最优行业范围第9节阐述了本报告的最终研究目标我们将风险调整后的最优收益率与基准进行了比较（即，GICS标准普尔500分类行业领域利用reIndexer，以及用于对候选学习行业进行排名的相同绩效指标。o我们的比较表明，与风险调整回报最优学习行业领域相比，基准行业领域提供的SETF重组和投资组合再平衡营业额水平较低。

然而，就总投资组合回报率和风险调整后回报率而言，学习领域的表现明显优于基准领域在此之后，我们对风险调整后回报最优学习行业领域和基准行业领域的重新指数输出进行了全面的定量和定性分析我们得出的结论是，与基准领域相比，我们的风险调整后最佳学习领域确实提供了优越的多元化优势，从而充分实现了RG-3。在解决了我们的特定研究目标RG-1、RG-2和RG-3后，我们断言并确认，我们在2019年春季学期充分探索了FE 800项目的论文陈述的范围。32 FE 800-特殊研究问题SITWeerawarana，Zhu，他学习了第11章。未来工作第11章未来工作在本节中，我们简要概述了未来研究的潜在途径，以本项目过程中吸取的经验教训为基础。11.1 HCA模型调整考虑到一些层次聚类模型的大量集合行为（即单个大型部门和多个单一资产部门），研究方法以平滑资产在所学部门的分配将是一种非常有益的改进。11.2各种ETF构造启发式目前，reIndexer创建并维护价格加权合成ETF。然而，如今大多数市场指数都是市值加权的，而不是价格加权的。重新编制指数的一个关键改进是，除了当前的价格加权SETF实施之外，还实施了市值加权SETF。11.3行业分配的时间变化正如报告中所讨论的，我们无法获取我们的基准行业领域GICS标准普尔500分类的历史行业分配数据。

因此，我们限制了行业排名和基准评估的范围，仅使用我们现有的最新基本面数据；2017年。考虑到资产集合的纵向部门分配数据，可将reIndexer扩展为与时间变化的部门兼容，从而提高评估系统的整体准确性。该系统将使我们能够更准确地跟踪指标，如SETF随时间的重组营业额，同时也为散户投资者提供更准确的SETF持有成本评估（即投资组合再平衡营业额）。11.4现有行业分类方案排名除了作为比较假设行业普遍性的优秀工具外，还可以使用重新指数来比较现有行业分类方案。也就是说，它可以假设用于比较GICSC分类方案与FTSE分类方案的绩效。与对假设的行业领域进行的分析类似，可以对现有的行业领域进行多元化排序。SIT FE 800-特殊研究问题33附录A。回溯测试可视化学习部门Weerawarana，Zhu，HeAppendix ABacktest VisualizationSETF重组Turninspee第35页图A.1。投资组合再平衡监管第36页图A.2。投资组合回报参见第37页图A.3。夏普比率见第38.34页图A.4 FE 800-特殊研究问题Sitwearawarana，Zhu，He Learned sector附录A。后验可视化SIT FE 800-特殊研究问题35附录A。后验可视化学习sector Weerawarana，Zhu，He图A.2：60个候选学习领域的累积投资组合再平衡营业额。36 FE 800-特殊研究问题Sitwearawarana，Zhu，他学习了部门附录A。

回溯测试可视化SIT FE 800-特殊研究问题37附录A。回溯测试可视化学习扇区Weerawarana，Zhu，He图A.4：60个候选学习扇区通用的滚动夏普比率。38 FE 800-特殊研究问题Sitwearawarana，Zhu，He Learning Sector附录B。最佳学习Sector UniverseAppendix B最佳学习Sector UniverseB。1最佳学习型部门资产分布图B.1：风险调整后回报最佳学习型部门范围内公司（n=362）跨部门的分布。SIT FE 800-特殊研究问题39附录B。