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
Random forest
Random forest (RF) is a popular machine learning algorithm.1 Its simplicity and versatility make it one of the most widely used learning algorithms for both regression and classification. It is used in many applications, including tasks as diverse as object recognition, credit risk assessment or purchase recommendations based on prior customer behavior.
In practice, the RF builds a myriad of individual decision trees. A decision tree is a tool that uses a tree-shaped model of possible options and their respective outcomes. It is a way to represent graphically an algorithm that only contains conditional control statements. Individual trees are created based on a random sample of observations in the broader dataset.
The RF then aggregates the individual the trees, a process called ‘bagging’, to get a more accurate and stable prediction. This can be done by averaging the results when the outcome is a number – for example the expected return of a given stock – or by performing a majority vote when predicting a class variable – for example, when the outcome can be ‘true’ or ‘false’, or a type of object.
To use a simple analogy, let’s imagine someone wants to buy a car and seeks advice from friends. The first friend may ask about the type of powertrain the person may be interested in, depending on the type of intended use (long vs. short distances, daily use vs. holidays only, city vs. countryside) and may come up with a recommendation based on the answers given to these possible choices.
The second friend may ask about the desired driving experience and come up with a very different decision tree (high vs. low driving position, quiet vs. sporty). The third friend may have more of an affinity for design and would therefore ask a series of questions about the desired shape of the vehicle. And so on. In the end, the person will choose the car that was most frequently recommended.
Among the advantages of RFs are the fact that they limit chances of overfitting, improve prediction accuracy and have results that tend to remain relatively stable as datasets grow. On the other hand, the main drawback of RFs is that a large number of trees could render the algorithm too slow and ineffective for real-time predictions.
In the asset management industry, random forest algorithms are being increasingly used for a number of machine learning applications, such as forecasting stock returns2 or predicting distress risk. 3
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.
Footnotes
1 Breiman, L., 2001, “Random forests”, Machine learning, Vol. 45, No. 1, pp. 5–32.
2 See for example: Dixon, M., Klabjan, D. and Bang, J. H., 2017, "Classification-based financial markets prediction using deep neural networks”, Algorithmic Finance. See also: Khaidem, L., Saha, S. and Dey, S. R., 2016 "Predicting the direction of stock market prices using random forest”, working paper.
3 See for example: Shen, F., Liu, Y., Lan, D. and Li, Z., 2019, “A dynamic financial distress forecast model with time-weighting based on random forest”. In: Xu, J., Cooke, F., Gen, M. and Ahmed, S. (eds), “Proceedings of the twelfth international conference on management science and engineering management”.
