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.
Quantitative investing
Gradient descent
Gradient descent (GD) is the cornerstone of many optimization algorithms. It is used to find a local minimum of a differentiable function, taking steps proportional to the negative of the gradient of the function at the current point. GD is an iterative algorithm that improves its output step after step and can therefore be used to update the parameters of a model.
Where
θ0: current position
θ1: next position
α: small step (or step size)
∇J(θ): fastest direction increase
To use an analogy, imagine a hiker (the algorithm) lost atop a hill (the function) in foggy weather, trying to get down as quickly as possible. To avoid wasting time, the hiker needs to walk downwards in the direction where the slope is the steepest. The hiker has an instrument (the gradient) to assess steepness, but, this tool is not very handy and requires stopping each time to make the measurement. The hiker thus tries to limit using this tool.
At the start of the decent, the slope is very steep and hiker can walk long stretches (steps) without stopping for measurement. But as the destination gets closer, measurements become more frequent, to avoid missing the bottom. Using this method, the hiker eventually reaches the bottom (local minimum), assuming he or she avoids getting stuck in a local obstacle, like a mountain lake, for example.
GD is one of the most common techniques used in machine learning (ML). Some even argue ML is nothing more than GD on a function with thousands of parameters. ML is about using empirical data to refine a model – for example, an asset pricing model – to minimize discrepancies between model results and reality (the function), and then making predictions with the refined model.
Quantitative investment strategies increasingly involve analyzing large, complex and disparate datasets, that are difficult – or even impossible – to specify with traditional financial models, which rely on closed form solutions. In this context, ML methods, using tools such as GD, can turn out to be more useful than standard, widely used statistical techniques.
One example is the use of ML to analyze financial text data, such as regulatory filings, earnings releases or news articles. While the capacity of traditional techniques to extract relevant signals from text remains limited,1 interesting results regarding stock-price forecasting applying ML on financial news have been reported and represent a promising area for future research.
Next-Generation Quant
Mit dem technologischen Fortschritt nehmen auch die Möglichkeiten für quantitative Investoren zu. Indem wir mehr Daten einbeziehen und fortgeschrittene Modellierungstechniken nutzen, können wir tiefere Einblicke gewinnen und bessere Entscheidungen treffen.
Footnote
1 These are mainly techniques based on bag-of-words, noun phrase and/or named entity feature extraction combined with manual feature selection. With these techniques, however, much of the structure of the text is lost.
