| Abstract : | Asset managers target to choose investment portfolios, whose returns are the maximum possible, ensuring though that the risk exposure is at acceptable levels given the risk preferences per investor.The very first theory for optimal portfolios’ selection was introduced by Markowitz in 1950’s. Through his paper, formalized the portfolio selection principles, winning thus the 1990 Noble Prize in the field of economics.It is worth mention though, that 1950 and onwards mathematical programming techniques have been broadly used and have become essential tools in financial management, resulting though in their increasingly application in practice. The most important element that mainly boosted the adoption of more sophisticated methods in financial management procedure, which focus on portfolio optimization, is fully aligned with the continuously increasing diversity of complex financial instruments and the multiple factors in need of capturing the effect of risk and performance measures.Financial management studies the economic resources allocation and deployment across time throughout an uncertain environment. To capture and influence the various risk factors in an effective manner, the implication of the said, sophisticated analytical ways, is required.Mathematical programming techniques as the Principal Component Analysis combined with the Python coding language. Over the past years, the use of mathematical programming techniques has proven able to reduce financial risks, which affect the portfolios’ performance, by diversifying away the non-systematic risk of these portfolios.The diversification principle of Principal Component Analysis stated that an investment should be distributed across various assets, to limit the risk exposure of any particular asset in the number of principal that the asset manager has selected.The goal of this thesis is the optimal portfolios constructions using the concepts of Principal Component Analysis based on paper “Directed Principal Component Analysis” (2017) by Yi-Hao Kao, Benjamin Van Roy and their rebalancing using different windows of twelve, eighteen and twenty-four months as introduced by Meihua Wang, Fengmin Xu and Yu-Hong Dai in their research paper “An index tracking model with stratified sampling andoptimal allocation”. Our aim was the construction of two different portfolios, the Sharpe Ratio portfolio, as proposed by Taras Bodnar and Taras Zaboloskyy (2017) in their paper “How risky is the optimal portfolio which maximizesthe Sharpe ratio?” and the Global Minimum Variance portfolio, as proposed by Alexander Kempf and Christoph Memmel (2006) in their paper “Estimating the Global Minimum Variance Portfolio”. We formulated two scenarios based on these portfolios, using different rebalancing participation percentages per portfolio.The financial instruments used to attain our said goal are the Exchange Traded Funds (ETFs), “The sidedness and informativeness of ETF trading and the marketefficiency of their underlying indexes” (2019) by Liao Xua, Xiangkang Yinb, Jing ZhaoThe whole procedure was implemented in Python programming language.Finally, to compare and conclude with the performance of our portfolios, we conducted the evaluation of these portfolios with the calculation of various performance measures such as the total return, the standard deviation, the Sharpe ratio, the Sortino ratio and the Maximum drawdown. Given these measures and specific thresholds for each of them we made our final choices given our optimal portfolios.
Η βελτιστοποίηση χαρτοφυλακίου σημείωσε τεράστιο ενδιαφέρον τα τελευταία χρόνια, λόγω της ταχέως αναπτυσσόμενης ικανότητας των σύγχρονων υπολογιστικών προγραμμάτων.Η χρηματοοικονομική κοινότητα αναζητά συνεχώς εξαιρετικές τεχνικές από άλλους τομείς για να βελτιώσει τη μοντελοποίηση των χρηματοοικονομικών αγορών.Σε αυτήν τη διατριβή, προτείνουμε μια προσέγγιση χρησιμοποιώντας τη γλώσσα προγραμματισμού Python αναφορικά με το πρόβλημα βελτιστοποίησης χαρτοφυλακίου. Η τελευταία αφορά τεχνικές βελτιστοποίησης της κατανομής κεφαλαίου στα ETF μεγιστοποιώντας στατιστικές μετρήσεις, όπως αναμενόμενες αποδόσεις ή συνολική απόδοση. Χρησιμοποιήσαμε τη γλώσσα Python, η οποία προσφέρει καινοτόμες μεθόδους εκμάθησης καλών πολιτικών λήψης αποφάσεων που μεγιστοποιούν την απόδοση ενός αυτόνομου πράκτορα σε ένα άγνωστο και αβέβαιο περιβάλλον.Χρησιμοποιώντας τα προαναφερθέντα, αναπτύξαμε και εφαρμόσαμε ένα σύστημα συναλλαγών χαρτοφυλακίου.Στη συνέχεια, αξιολογήσαμε την επιτυχία της προσέγγισης διαχείρισης χαρτοφυλακίου και αξιολογήσαμε την απόδοσή της χρησιμοποιώντας πραγματικά δεδομένα από τη βάση δεδομένων του ETF.Ένα χρηματιστηριακό ταμείο (ETF) είναι μερίδια αμοιβαίων κεφαλαίων, που περιλαμβάνουν μια συλλογή κινητών αξιών - όπως οι μετοχές - που παρακολουθούν συχνά έναν υποκείμενο δείκτη, αν και μπορούν να επενδύσουν σε οποιονδήποτε αριθμό κλάδων της βιομηχανίας ή να χρησιμοποιήσουν διάφορες στρατηγικές.Επιλέξαμε μια ποικιλία επιλογών κατηγοριών περιουσιακών στοιχείων (ETFs), Real Estate, Equities, Bonds, Currencies και Commodities.Ο στόχος αυτής της διατριβής είναι οι βέλτιστες κατασκευές χαρτοφυλακίων που χρησιμοποιούν τις έννοιες της θεωρίας των Principal Component Analysis και την εξισορρόπησή τους (rebalancing) χρησιμοποιώντας διαφορετικά χρονικά διαστήματα (rolling windows) δώδεκα, δεκαοκτώ και είκοσι - τεσσάρων μηνών. Κατασκευάσαμε δύο διαφορετικά χαρτοφυλάκια, το χαρτοφυλάκιο Sharpe Ratio, και το χαρτοφυλάκιο Global Minimum Variance.Διαμορφώσαμε δύο σενάρια βασισμένα σε αυτά τα χαρτοφυλάκια, χρησιμοποιώντας διαφορετικά ποσοστά συμμετοχής εξισορρόπησης ανά χαρτοφυλάκιο.(Rebalancing participation percentages)Τέλος, για να συγκρίνουμε και να ολοκληρώσουμε με την απόδοση των χαρτοφυλακίων μας, πραγματοποιήσαμε την αξιολόγηση αυτών των χαρτοφυλακίων με τον υπολογισμό διαφόρων μέτρων απόδοσης όπως η συνολική απόδοση, η τυπική απόκλιση, ο λόγος Sharpe, ο λόγος Sortino και η μέγιστη αναλογία. Λαμβάνοντας υπόψη αυτά τα μέτρα και συγκεκριμένα κατώτατα όρια για καθένα από αυτά, κάναμε τις τελικές μας επιλογές δεδομένου του βέλτιστου χαρτοφυλακίου μας.Τα επόμενα κεφάλαια της έρευνας μας διαρθρώνονται στο ακόλουθο πλαίσιο:Στο Κεφάλαιο 2 παρουσιάσαμε λεπτομερώς το θεωρητικό πλαίσιο της έρευνάς μας επεξηγώντας γενικές έννοιες όπως αναμενόμενη απόδοση, απόδοση χαρτοφυλακίου, beta, διακύμανση και τυπική απόκλιση. Επίσης, ορισμένες πιο συγκεκριμένες έννοιες που χρησιμοποιούνται στην έρευνά μας είναι το Sharpe Ratio, το Sortino Ratio και η Μέγιστη Απόδοση. Συζητήσαμε για τη θεωρία κατασκευής χαρτοφυλακίου, την ιστορία και την εξέλιξή της από την Παραδοσιακή Προσέγγιση και μετά μέχρι τους σύγχρονους τρόπους κατασκευής. Τέλος, καταγράψαμε την ιδέα διαχείρισης χαρτοφυλακίου και παρουσιάσαμε μερικούς τρόπους βελτιστοποίησης και εξισορρόπησης.Στο κεφάλαιο 3, παρουσιάσαμε και αναλύσαμε την ερευνητική μεθοδολογία που ακολουθήσαμε σε αυτή τη διατριβή, τον ερευνητικό μας στόχο, το σχέδιο συλλογής δεδομένων, το σχέδιο δειγματοληψίας, τα οφέλη ολόκληρης της έρευνας καθώς και τους περιορισμούς της. Στο τέλος σκιαγραφήσαμε βήμα προς βήμα το σχεδιασμό της έρευνάς μας.Στο κεφάλαιο 4, παρουσιάσαμε τα αποτελέσματα ανάλυσης δεδομένων και την ερμηνεία μας, στο κεφάλαιο 5 επισημάνθηκαν τα σημαντικά ευρήματά μας και τέλος στα κεφάλαια 6 και 7 ολοκληρώσαμε την έρευνά μας και κάναμε κάποιες προτάσεις για περαιτέρω έρευνα.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.