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
LASSO regression
LASSO is an acronym that stands for ‘least absolute shrinkage and selection operator’. It is associated with a machine learning technique – LASSO regression – that performs both shrinkage and variable selection to simplify linear regression models and prevent overfitting.
Where
λ is amount of shrinkage or penalty
λ = 0 implies all features are considered as no parameters are eliminated
λ = ∞ implies no feature is considered
A linear regression allows you to determine if there is a relationship between variables. For example, it can quantify the relationship between a dependent variable (crop yields) and explanatory variables (soil fertility,temperature, water quality, etc.). But in cases where there are many candidate variables to explain crop yields, the statistical model can become complex and difficult to process.
The LASSO regression is helpful in such instances as it can select variables based on their importance. This is achieved through a process called shrinkage, a method which imposes a penalty to reduce the absolute size of the regression coefficients. Although reduced in magnitude, the most important variables will continue to reflect material coefficients, while the less-contributing variables will exhibit values close to zero or even zero.
Through this process, it identifies which variables to keep and which ones to exclude, based on the size of their coefficients. Using our example, the technique would gradually select the variables which best predict crop yields, beginning with the most important one before working its way through the list. At some point, adding more variables would no longer improve the prediction accuracy of the model sufficiently, but instead it would add substantial complexity.
Therefore, the technique allows you to simplify a model by reducing the number of parameters in a regression and precluding potential data noise. It also enables you to guard against overfitting by eliminating variables with little explanatory power, potentially making the model more robust across different datasets. Additionally, it can help optimize models with high multicollinearity as it can choose between correlated explanatory variables.
In general, the LASSO regression is a basic machine learning (ML) technique that can be used for many applications. It is essentially a standard linear regression with a slight twist. Contrary to more sophisticated ML techniques, however, it is not able to pick up non-linear relationships between variables.
For our quant investing platform, it has the potential to help fine-tune models by assisting us with variable selection. For instance, we have used it to select company characteristics that have linear predictive value for risk and returns. We have also used it to identify which industries lead or lag others in terms of returns.
See also
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.
