| Abstract : | Η θεωρία χαρτοφυλακίου του Markowitz (1952) αποτελεί την βάση για την σύγχρονη θεωρία χαρτφοφυλακίου. Ωστόσο είναι γνωστό, οτι η απλή αντικατάσταση των εκτιμητών των μέσων και της μήτρας συνδιακύμανσης, τα οποία συχνά περιέχουν μεγάλο σφάλμα εκτίμησης, οδηγούν σε μη αποτελεσματικά χαρτφοφυλάκια. Στην προσπάθεια μας, να μειώσουμε αυτό το σφάλμα εκτίμησης, εστιάζουμε στο χαρτοφυλάκιο ελάχιστης διακύμανσης και εφαρμόζουμε κάποιες προεκτάσεις του αρχικού μοντέλου όπως είναι το μοντέλο συρρίκνωσης της μήτρας συνδιακύμανσης των Ledoit and Wolf (2003) αλλά και το μοντέλο συρρίκνωσης της αντίστροφης μήτρας συνδιακύμανσης των Kourtis, Dotsis, Markellos (2012). Στη συνέχεια αξιολούμε αυτές τις στρατηγικές με βάση την εκτός δείγματος απόδοση αυτών, σε 5 datasets με βάση το variance, sharpe-ratio, turnover. Τα αποτελέσματα μας δείχνουν οτι οι στρατηγικές που επιβάλλουν την συρρίκνωση της μήτρας συνδιακύμανσης αποδίδουν καλύτερες αποδόσεις καθώς και επιτυγχάνουν μείωση του συνολικού ρίσκου σε σχέση με την απλή μέθοδο όπου οι εκτιμητές προέρχονται από απλή αντικατάσταση.
Mean Variance framework of Markowitz (1952) constitutes the standard for asset allocation theory. However, it is widely known that the simple “plug-in” method of the sample counterparts of mean and variance introduces considerable amount of estimation error and lead eventually to poor out-of-sample performance. So, in our effort to reduce the estimation error, we focus on the Global Minimum Variance Portfolio and we apply some the of the new developed extensions of the Mean Variance framework such as the shrinkage method of Ledoit and Wolf (2003) as well as the shrinkage of the inverse of the sample covariance matrix proposed by Kourtis, Dotsis, Markellos (2012). We evaluate these methods across five datasets in terms of out-of-sample variance, Sharpe ratio and turnover. Our conclusions state that the sample GMVP generates low out-of-sample performance, while the other strategies achieve considerable reduction in the estimation error.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.