Machine learning techniques for enhancing sector rotation strategies in asset allocation

This thesis explores the application of machine learning (ML) models to optimize tactical sector rotation strategies within an asset allocation framework. The primary goal is to assess whether sophisticated ML algorithms can consistently outperform traditional benchmark strategies by identifying and exploiting dynamic market patterns. A range of models have been developed and compared, including supervised classifiers and rankers such as gradient boosting techniques, neural networks, and transformer-based models like TabPFN, using a diverse set of technical, and quality-based factors. The analysis demonstrates that these models are capable of generating predictive signals that inform sector allocation decisions. While the models show varied performance across different market conditions, the findings suggest that machine learning-driven strategies can offer a viable alternative to traditional approaches, potentially leading to improved risk-adjusted returns by effectively navigating market cycles. The study concludes that ML techniques hold significant promise for dynamic asset management, providing a robust and adaptive method for capturing alpha in evolving financial markets and can be applied by practitioners to enhance their decision-making process.

La presente tesi esplora l’applicazione di modelli di machine learning (ML) per ottimizzare le strategie di rotazione settoriale tattica all’interno di un framework di asset allocation. L’obiettivo principale è valutare se algoritmi di ML sofisticati possano superare in modo consistente le strategie di benchmark tradizionali, identificando e sfruttando pattern di mercato dinamici. Sono stati sviluppati e confrontati una serie di modelli, inclusi classificatori e ranker supervisionati come le tecniche di gradient boosting, le reti neurali e i modelli basati sull’architettura dei transformers come TabPFN, utilizzando un set diversificato di fattori tecnici e derivati da dati di bilancio. L’analisi dimostra che questi modelli sono in grado di generare segnali predittivi che guidano le decisioni di allocazione settoriale. Sebbene i modelli mostrino prestazioni variabili a seconda delle diverse condizioni di mercato, i risultati suggeriscono che le strategie basate sul machine learning possono offrire un’alternativa valida agli approcci tradizionali, portando potenzialmente a rendimenti migliori e corretti per il rischio, navigando efficacemente i cicli di mercato. Lo studio conclude che le tecniche di ML offrono un potenziale significativo per la gestione dinamica degli asset nel constesto della rotazione settoriale, fornendo un metodo robusto e adattivo per generare alpha nei mercati finanziari in continua evoluzione e possono essere applicate dai professionisti per migliorare il loro processo decisionale.