Diese Seite gliedert sich in die folgenden Abschnitte: Zufällige Portfolios haben die Macht, das Fondsmanagement zu revolutionieren. Man könnte meinen, dass sie esoterisch und komplex sein müssen. Sie wäre falsch 8212 die Idee ist sehr einfach. Um zufällige Portfolios haben Sie ein Universum von Vermögenswerten und einige Arten von Einschränkungen auf die Portfolios auferlegen müssen. Ein Satz von zufälligen Portfolios ist ein Beispiel aus der Population von Portfolios, die alle Einschränkungen befolgen. Abbildung 1 zeigt die Probenahmefläche (in Gewichten) für ein Spielzeugproblem von drei Assets. Die Einschränkungen sind: long-only kein Gewicht größer als 45 eine maximale Volatilität Flüchtigkeitsbeschränkungen sind nicht linear und daher ist die Grenze, die dieser Einschränkung entspricht, nicht linear. Von Affen und Menschen, und Darts Die bekannteste Form von zufälligen Portfolios ist die Börse Dartboard-Spiel. Menschen oder Affen werfen Pfeile, um eine oder mehrere Vermögenswerte auszuwählen. Die Auswahl über Darts wird dann mit einigen professionellen Auswahl verglichen. Dies macht Spaß, und fast ein großer Ansatz, hat aber zwei Fehler. Der erste Fehler ist, dass wir nur sehen, ob die professionelle übertrifft eine zufällige Auswahl. Wir don8217t erhalten, um zu sehen, welcher Anteil der zufälligen Auswahl der professionellen übertrifft. Um wirklich informiert zu sein, müssen wir in der Reihenfolge von hundert oder mehr zufälligen Auswahlmöglichkeiten sehen. Der zweite Fehler ist, dass die Darts nicht gehorchen keine Einschränkungen. Dies ist in einem Zeitungswettbewerb fair, wo die Experten auch keine Einschränkungen haben. Aber echte Fonds haben Einschränkungen. Vergleicht man einen Fonds mit Einschränkungen auf zufällige Portfolios ohne Zwänge setzt den Fonds im Nachteil. Performance-Messung Es gibt zwei Möglichkeiten, zufällige Portfolios zu verwenden, um eine Performance-Messung zu erzielen: die statische Methode und die Shadowing-Methode. Wir werden sehen, warum die Performance-Messung über Benchmarks unterlegen ist. Die statische Methode In der statischen Methode erzeugen wir einen Satz von zufälligen Portfolios, die die Randbedingungen zu Beginn des Zeitraums befolgen, diese Portfolios während des gesamten Zeitraums halten und ihre Erträge für den Zeitraum finden. Der Prozentsatz des Fonds ist der Prozentsatz der zufälligen Portfolios mit größeren Renditen. (Die Konvention in der Leistungsmessung ist gut, um nahe dem nullten Perzentil zu sein, und es ist schlecht, nahe dem 100. Perzentil zu sein.) 2 ist ein Beispiel. Es zeigt die Verteilung der Renditen der zufälligen Portfolios in blau. Und die Rückgabe des Fonds in Gold. In diesem Fall hat sich der Fonds nicht sehr gut entwickelt. Das ist sehr ähnlich wie bei der Leistungsmessung mit Peergruppen. In beiden Fällen verwenden wir einen einzigen Zeitraum, und in beiden Fällen vergleichen wir unseren Fonds mit einer Reihe alternativer Möglichkeiten. Es gibt einige signifikante Unterschiede, obwohl 8212 wir zwei hervorheben. In Peer-Gruppen sind die Alternativen andere Fonds, die 8220similar8221 sind, um den Fonds von Interesse. Idealerweise würden nur Mittel mit denselben Einschränkungen verwendet. Auf der anderen Seite wollen wir eine Menge Peers haben, um mehr Präzision zu bekommen. So gibt es gegensätzliche Kräfte für kleine Peer-Gruppen gegenüber großen Peer-Gruppen. Es gibt keine solche Spannung mit zufälligen Portfolios 8212 können wir so viele zufällige Portfolios generieren, wie wir wollen. Ein ernsteres Problem mit Peer-Gruppen ist, dass wir wissen, was die Ergebnisse bedeuten. Wir sind zu glauben, dass, wenn unser Fund of Interest besser als alle, aber 10 seiner Kollegen, dann unsere fund8217s Geschick ist etwa auf dem 10. Perzentil unter seinen Kollegen. Dies setzt voraus, dass Unterschiede in der Fertigkeit Unterschiede im Glück dominieren. Eine solche Annahme ist wahrscheinlich nicht gerechtfertigt. Insbesondere dann, wenn kein Fonds Skill hat (oder alle Fonds gleiche Skills haben), dann liegt unser Fonds am 10. Perzentil des Glücks 8212, die Maßnahme enthält keine Informationen. Burns (2007a) erweitert dieses Argument. Surz (2006, 2009) diskutiert zusätzliche Probleme mit Peergruppen. Die Shadowing-Methode Die statische Methode für zufällige Portfolios ist informativer als Peergruppen. Aber es ist noch ziemlich generische Informationen. Leistung ist 8212 bei Wurzel 8212 über Entscheidungen. Die Idee der Shadowing-Methode besteht darin, zufällige Trades zu verwenden, um die Entscheidungen, die der Fonds annimmt, nachzuahmen. Dies kann uns ein viel klareres Bild von dem Wert des Entscheidungsprozesses geben. Ein Beispiel wird auf der Seite zur Leistungsmessung diskutiert. Benchmarks Ein Fonds wird gegenüber einer Benchmark beurteilt, indem er eine Reihe von Renditen des Fonds mit den entsprechenden Renditen für die Benchmark vergleicht. Diese Methode hat ein paar Probleme. Die wichtigste ist die Zeit, die es zu entscheiden, dass ein guter Fonds ist wirklich besser als die Benchmark 8212 es wahrscheinlich dauert Jahrzehnte dauert. Die Kraft dieser Tests in der idealen Einstellung ist in Burns (2007a) 8212 gegeben mehrere Jahre sind erforderlich, um angemessene Leistung auch für außergewöhnliche Fähigkeiten zu erhalten. Aber die Realität ist viel schlimmer als das Ideal, weil die Schwierigkeit, eine Benchmark zu schlagen, nicht konstant ist. Wenn die am stärksten gewichteten Aktiva in der Benchmark relativ gut laufen, dann wird es schwer sein, die Benchmark zu schlagen. Umgekehrt, wenn die am stärksten gewichteten Vermögenswerte relativ schlecht ausführen, dann wird es leicht sein, die Benchmark zu schlagen. Kothari und Warner (2001) besprechen dies. Abbildung 3 zeigt den Prozentsatz der Fonds, die den SampP 500 als Maßstab haben, der die Benchmark in jedem Jahr übertroffen hat 8212 sehen Sie spezifische Daten in 8220Performance-Messung über zufällige Portfolios8221. Um zu glauben, dass der Vergleich aussagekräftig ist, müssen wir denken, dass die Fondsmanager 8212 als Gruppe 8212 seit Jahren arm waren, plötzlich für drei Jahre gut wurden und dann wieder schlecht wurden. Burns (2007b) diskutiert Leistungsmessung in der etwas anderen Einstellung der Prüfung der Empfehlungen von Marktkommentatoren. Testen von Handelsstrategien Fondsmanager und potenzielle Fondsmanager stehen vor einer Reihe von Problemen, wenn sie über eine Handelsstrategie entscheiden. Hier untersuchen wir zwei: Im Wesentlichen gibt es das Problem, falsch zu sein, und das Problem, richtig zu sein. Data Snooping macht die Strategien besser aussehen, als sie wirklich sind. Um zu sehen, warum, annehmen, dass Sie 1000 handelnden Strategien, die völlig zufällig versucht wurden. Die, die am besten aussehen konnte gut aussehen. Hoffentlich wird ein Investment Manager isn8217t wird versuchen, völlig zufällige Strategien, aber Auswahl Bias wird es noch geben. Wenn ähnliche Modelle in mehreren Unternehmen verwendet werden, um eine Menge Geld zu verwalten, dann ein Fondsmanager mit diesen Modellen unterliegt dramatischen Bewegungen auf dem Markt. Dies wurde für viele Menschen im August 2007 offensichtlich. Ohne Krise ist es schwer zu sagen, dass dies geschieht. Random Portfolios können mit dem ersten Problem, und möglicherweise mit dem zweiten helfen. Handelsstrategien können unter Verwendung der oben diskutierten Schattenmethode getestet werden. Es gibt einen wesentlichen Unterschied zwischen Performance-Messung und Prüfung einer Handelsstrategie. Beim Testen einer Trading-Strategie wollen wir den Shadowing-Prozess mehrmals mit unterschiedlichen Startportfolios durchführen. Dieser Testprozess reduziert die Wirkung von Daten-Snooping, da es eine viel strengere Definition einer erfolgreichen Strategie gibt. Der Fondsmanager ist immer noch anfällig für Veränderungen im Marktverhalten, aber viel weniger anfällig für falsche Interpretationen der historischen Periode. Tests mit zufälligen Portfolios können in der Lage, Herding zu reduzieren, weil die Technologie macht es möglich, mehr ephemere Signale abholen. Rational Investment Aktuelle Praxis ist weniger als rational für: Tracking-Fehler Einschränkungen Performance-Gebühren Constraint Grenzen Tracking Error Constraints Viele Mandate geben dem Investmentmanager einen Benchmark und einen maximalen Tracking Error von der Benchmark. Das ist in vielerlei Hinsicht verschwenderisch. In nahezu allen Fällen kann der Anleger einen Indexfonds für die Benchmark mit sehr geringen Managementgebühren erwerben. Was8217s der Vorteil der Einstellung eines aktiven Managers, um einen Fonds zu führen, der extrem mit dem Indexfonds korreliert ist Wenn der Manager nicht mehr als die zusätzlichen Managementgebühren die Benchmark übertrifft, dann gibt es offensichtlich keinen Vorteil überhaupt. Wenn der Manager die Fähigkeit hat, die Benchmark konsequent zu schlagen, dann könnte diese Fähigkeit viel besser genutzt werden. Ein qualifizierter Fondsmanager sollte im Allgemeinen in der Lage sein, höhere Renditen zu erzielen, wenn die Verfolgungsfehler-Einschränkung fallen gelassen wird. Angenommen, der Investor hat Geld im Index, dass höhere Rendite des unbeschränkten Managers auch wertvoller sein wird. Alles andere ist gleich, es ist besser für den aktiven Fonds, eine niedrige Korrelation mit dem Index zu haben. Dies erweist sich als der große Tracking-Fehler. Das heißt, die rationale Sache wäre, eine minimale Verfolgungsfehler-Einschränkung anstelle einer maximalen Verfolgungsfehler-Einschränkung aufzuerlegen. Der Grund dafür sind maximale Tracking Error Constraints, um die Illusion zu haben, dass wir sehen können, ob der Fondsmanager Outperformance ist oder nicht. Wir können wirklich sagen, indem Benchmarks, aber wir können sagen, mit zufälligen Portfolios, auch wenn es isn8217t eine Tracking-Fehler-Einschränkung. Zufällige Portfolios funktionieren gleichermaßen für die Leistungsmessung, unabhängig davon, welcher Tracking-Fehler vorliegt. Erfolgsgebühren Wenn Sie eine Performancegebühr haben, ist es keine gute Idee, sie relativ zu einer Benchmark zu haben. Wie Abbildung 3 impliziert, ist das meist eine Wette zwischen dem Fondsmanager und dem Investor, ob die Large Caps übertreffen werden. Fertigkeit wird sehr wenig damit zu tun haben. Ein vernünftigeres Ziel wäre die mittlere Rendite eines Satzes von zufälligen Portfolios, die den Zwängen des Fonds gehorchen. Constraint-Effekte Wir können zufällige Portfolios verwenden, um rational zu entscheiden, was die Constraint-Grenzen sein sollen. Beschränkungen werden gewohnheitsmäßig verhängt mit keinem Sinn von dem, was gewonnen und verloren wird. Abbildung 4 zeigt eine Beispielanalyse von Constraints. Die Dichten der realisierten Nützlichkeit über die Zeit werden für eine bestimmte Menge von Bedingungen (Gold) und für diese Einschränkungen plus eine Flüchtigkeitsbeschränkung (blau) gezeigt. Während der normalen Marktzeiten sind wir ziemlich gleichgültig gegenüber dem Volatilitätszwang. Allerdings war während der schlechten Marktbedingungen von 2008 die Volatilitätseinschränkung sehr wertvoll. Zusätzliche Verwendungen von Random Portfolios Eine Reihe von zusätzlichen Verwendungen von zufälligen Portfolios wurden vorgeschlagen und es gibt sicherlich eine große Anzahl von Anwendungen noch entdeckt zu werden. Hier diskutieren wir ein paar zusätzliche Anwendungen. Bewertung von Risikomodellen Zufällige Portfolios bieten ein Mittel zur Erzeugung realistischer Portfolios, die durch Risikomodelle erstellt werden können, um zu sehen, wie sie funktionieren. Risikomodelle können miteinander verglichen werden oder einzelne Modelle auf Schwachstellen getestet werden. Abbildung 5 zeigt ein Beispiel für den Vergleich eines Risikomodells8217s Vorhersage der Volatilität mit der realisierten Volatilität für etwa 12020 Portfolios. Die Korrelation zwischen vorhergesagter und realisierter Volatilität über eine große Anzahl von zufälligen Portfolios wurde berechnet. General quant tool Random Portfolios können in ziemlich allen quantitativen Übungen mit Portfolios verwendet werden. Eine Liste von einigen der Verwendungen befindet sich auf der Seite "Quant Research Applications". Die Idee der zufälligen Portfolios ist nicht neu 8212 eine frühe Nutzung war 8220programm ausgewählten Portfolios8221 von Dean LeBaron und Kollegen bei Batterymarch Financial Management in den 19708217s. Eine noch frühere Verwendung wird in einer American Statical Association Rede von James Lorie im Jahr 1965 beschrieben (jede Sprache, die mit Mark Twain beginnt und endet in St. Tropez can8217t alle schlecht sein). Zu diesem Zeitpunkt streckten zufällige Portfolios die Rechenfähigkeit aus. Rechengeschwindigkeit ist nicht mehr ein ernstes Problem mit geeigneter Technologie. Einige technische Punkte Die statistischen Bootstrap und zufällige Permutation Tests sind Techniken, die radikal verändert haben Datenanalyse in den letzten paar Jahrzehnten. Abhängig davon, wie zufällige Portfolios verwendet werden, sind sie im Allgemeinen gleich einer dieser Techniken. Die Verwendung von zufälligen Portfolios, um eine Leistungsmessung durchzuführen, ist analog zu einem zufälligen Permutationstest. Die Untersuchung der Wirkung von Einschränkungsgrenzen, wie in Fig. 5, ist ähnlich wie der Bootstrap verwendet werden kann. Der einzige wirkliche Unterschied ist, dass aufgrund der Einschränkungen zufällige Portfolios schwerer zu berechnen sind. Diskussion Senior Consultant veröffentlichte einige Testimonials auf PIPODs. Während dies ist speziell über eine Umsetzung, die meisten der Kommentare gelten für zufällige Portfolios im Allgemeinen. Selbst naive Erzeugung von zufälligen Portfolios kann nützlich sein. Beispiele hierfür sind Mikkelsen (2001) Kritzman und Page (2003) und Asso, L8217Her und Plante (2004). Kothari und Warner (2001) zeigen, dass Benchmarking gegen einen Index problematisch ist, und ihre Technik beinhaltet zufällige Portfolios. Die folgenden Produkte wurden unabhängig voneinander erstellt und nur Portfolio Probe ist mit Burns Statistics verknüpft. Portfolio Probe aus Burns-Statistiken. Dies hat eine Vielzahl von Einschränkungen, einschließlich der sehr wichtigen der Begrenzung der Volatilität der Portfolios. PODs und PIPODS von PPCA Inc. Referenzen Asso, Kodjovi, Jean-Franois L8217Her und Jean-Franois Plante (2004). 8220Is dort wirklich eine Hierarchie in der Investition Choice8221 hec. cacrefpdfc-04-15e. pdf Bridgeland, Sally (2001). 8220Prozesszuordnung 8212 eine neue Methode zur Skalierung des Portfoliomanagements8221 Journal of Asset Management. Burns, Patrick (2006). Portfolioanalyse mit zufälligen Portfolios (pdf von kommentierten Präsentationsfolien) Burns, P. (2006). 8220Random Portfolios zur Leistungsmessung8221 in Optimierung, Ökonometrie und Finanzanalyse E. Kontoghiorghes und C. Gatu, Redakteure. Springer. Burns, P. (2007a). 8220Bullseye8221 Professional Investor März Ausgabe. Eine sehr ähnliche Version ist als Dart zum Herzen Carl, Peter und Brian Peterson und Kris Boudt (2010) verfügbar. 8220Business-Ziele und komplexe Portfolio-Optimierung8221. RFinance Tutorial Daniel, G. D. Sornette und P. Wohrmann (2008). 8220Look-Ahead Benchmark-Bias im Portfolio Performance Evaluation8221 Arbeitspapier bei SSRN Dawson, Richard und Richard Young (2003). 8220Neue einheitlich verteilte, stochastisch erzeugte Portfolios8221 in den von Stephen Satchell und Alan Scowcroft herausgearbeiteten Fortschritten bei Portfolio Construction und Implementation. Butterworth-Heinemann. Elton, E. J. M. J. Gruber, S. J. Brown und W. N. Goetzmann (2003). Moderne Portfolio-Theorie und Investmentanalyse, Sechste Auflage (Kapitel 24, Bewertung der Portfolio-Performance). Kothari, S. P. und Jerold Warner (2001). 8220Auswertung des Investmentfonds Performance8221 Zeitschrift für Finanzen Working Paper bei SSRN Kritzman, Mark und Sbastien Page (2003). 8220Die Hierarchie der Investitionen Choice8221 Journal of Portfolio Management 29. Nr. 4, Seite 11-23. Lisi, Francesco (2011). 8220Dicing mit dem Markt: Randomisierte Verfahren für die Bewertung von Investmentfonds8221. Quantitative Finanzierung 11. Nummer 2, Seiten 163-172. Arbeitsblatt der Universität von Padua. Papers. ssrnsol3papers. cfmabstractid1375730 Mikkelsen, Hans (2001). 8220The Beziehung zwischen erwarteter Rendite und Beta: Eine zufällige Resampling Approach8221 SSRN Papiere Shaw, William (2010) 8220Monte Carlo Portfolio-Optimierung für Allgemeine Investor Risiko-Rendite-Ziele und Willkürliche Return Distributionen: Eine Lösung für Long-Only-Portfolios8221 SSRN Version Simon, Thibaut (2010 ). 8220Eine empirische Untersuchung von Aktienportfolios auf Basis diversifizierter und innovativer Maßnahmen8221. Diplomarbeit Stein, Roberto (2012). 8220Not Foled von Randomness: Verwenden von zufälligen Portfolios zu analysieren Investment Funds8221 SSRN-Version Surz, Ron (1994). 8220Portfolio Opportunity Distributions: Eine Innovation in der Leistungsbewertung8221 Journal of Investing. Surz, Ron (1996). 8220Portfolio Opportunity Distributions: Eine Lösung für die Probleme mit Benchmarks und Peergruppen8221 Journal of Performance Measurement. Surz, Ron (1997). 8220Global Performance Evaluation und Equity Style: Einführung von Portfolio Opportunity Distributions8221 im Handbuch des Equity Style Managements. Frank Fabozzi Mitarbeiter. Surz, Ron (2004). 82208216Hedge Fonds haben Alpha8217 ist eine Hypothese Worth Testing8221 Albourne Village Bibliothek. Surz, Ron (2005). 8220Testing the Hypothesis 8216Hedge Fonds Wertentwicklung ist Good8221 Zeitschrift für Vermögensverwaltung. Frühjahrsausgabe. Surz, Ron (2006). 8220A Frischer Blick auf Investment Performance Evaluation: Vereinheitlichung Best Practice zur Verbesserung der Rechtzeitigkeit und Zuverlässigkeit8221 Journal of Portfolio Management Sommer Ausgabe. Surz, Ron (2007). 8220Accurate Benchmarking ist weg, aber nicht vergessen: Der Imperativ braucht, um zurück zu Basics8221 Journal of Performance Measurement. Vol. 11. Nr. 3, Spring, Seiten 34-43. Surz, Ron (2009). 8220A Handicap der Investment Performance Horserace8221 Veröffentlicht als 8220Handicap in der Investment Performance Horserace8221 in Advisor Perspektiven April 2009 28. Surz, Ron (2010) 8220The New Vertrauen aber Verify8221 Anlage - und Vermögensverwaltung SSRN versionPerformance Messung über Zufällige Portfolios quotThe Test ist, dass die Rückkehr von Das Portfolio ist nicht größer als die durchschnittliche Rendite des zufälligen Portfolios. Die p-Werte von den einzelnen Tagen kann über Stoufferx27s-Methode (siehe Burns, 2004) kombiniert werden, um eine glattere Bild davon zu bekommen, wenn die Strategie durchgeführt well. Figure 9 zeigt 10-Tage nicht überlappende p-Werte. Es gibt Punkte in der Zeit, wo das Portfolio plötzlich zu einem schlechteren oder einem besseren Zustand relativ zu den zufälligen Portfolios wechselt. Show Zusammenfassung Zusammenfassung verstecken ABSTRACT: Random Portfolios können einen statistischen Test, dass eine Handelsstrategie besser als die Chance führt. Jeder Lauf der Strategie wird mit einer Anzahl von passenden zufälligen Läufen verglichen, von denen bekannt ist, dass sie skalierbar sind. Wichtig ist, dass diese Art von Backtest zeigt Zeiträume, wenn die Strategie funktioniert und wenn es doesnx27t. Auch Live-Portfolios können auf diese Weise überwacht werden. So lassen sich fundierte Entscheidungen - wie Hebeländerungen - realisieren. Artikel Januar 2006 Patrick J. Burns-Artikel SSRN Electronic Journal Ron Surz zeigen abstrakte ausblenden Zusammenfassung Zusammenfassung: Eine Vielzahl von Techniken ist, um zu beurteilen, genau die Fähigkeiten von Portfolio-Manager entwickelt worden. Es ist unkompliziert zu sagen, dass die Aufgabe eine große praktische Bedeutung hat: Kleine Sparer sowie Anlageberater und Fondsverwalter haben alle die Notwendigkeit, zu entscheiden, ob Gelder Fähigkeiten ausstellen. Drei wichtige Ansätze für die Messung Portfolio-Performance zur Verfügung stehen: Die Verwendung eines Benchmark wird ein Portfolio beurteilt gegen einen Marktindex (Benchmark) durch eine Reihe von Renditen aus dem Portfolio mit der gleichen Reihe von Renditen für die Benchmark (Siegel, 2003) zu vergleichen , die Verwendung eines Peer-Group eine Reihe von Portfolios, die zu dem betreffenden Portfolio ähnlich sind, gegründet, um seine Leistung im Vergleich zu den Peer-Portfolios zu prüfen, die Verwendung von Zufalls Portfolios sind eine Reihe von Zufalls Portfolios erzeugt die gleiche Befriedigung Einschränkungen des Portfolios. Die Performance des Portfolios wird dann mit der Performance der zufälligen Portfolios verglichen (Burns, 2004). Starke Analysemodelle (Sharpe, 1993) gehören zur ersten Gruppe, da der Marktindex (so genannte Benchmark) eine zentrale Rolle in einer solchen Analyse spielt (Tierney und Winston, 1991). Das Ziel der Stan - dardanalyse ist es, die Wertentwicklung der verschiedenen Finanzprodukte anhand der Vergangenheit zu bewerten und zu vergleichen. Portfolio-Manager können bei der Zusammenstellung eines Portfolios von riskanten Vermögenswerten unterschiedliche Anlagestrategien nutzen. Der Einsatz einer passiven Anlagestrategie führt dazu, dass der Fondsmanager bei der Zusammenstellung seines Portfolios einen Referenzmarktindex (durch Komponentenanteile und Gewichte) nachbilden kann. Auf der Gegenseite entsteht durch eine aktive Anlagestrategie ein Portfolio, das sich von dem Marktindex durch unterschiedliche Gewichte in einigen oder allen Aktien unterscheidet. Der passive Anleger ist nicht auf überlegene Informationen angewiesen und sein Handelsbetrieb beschränkt sich auf eine Neugewichtung, wenn sich die Bestandteile des Index ändern. Die Rückgabe eines passiven Managers ist daher die Marktrendite abzüglich der unvermeidbaren Handelskosten. Der aktive Manager, auf der anderen Seite, setzt auf überlegene Informationen und ist bereit, in viel größere Handelskosten entstehen. Aufgrund dieser Kosten übertreffen nur wenige aktive Investoren die Erträge aus passiver Kapitalanlage langfristig (Waring und Siegel, 2003). Stilanalyse-Modelle zielen auf die Schätzung der internen Zusammensetzung eines Portfolios ab. In der Tat, tatsächlich gibt es keine Informationen für externe Themen über die detaillierte Wahl der Vermögenswerte, die ein bestimmtes Portfolio hält. Diese Modelle ermöglichen die Verwendung eines Multi-Index-Benchmarks bei der Messung aktiver Anlagestrategien. Style-Analyse-Modelle konstruieren ein Benchmark-Portfolio aus einer Reihe von bekannten Indizes, gegen die die Performance der analysierten Portfolios zu vergleichen. Die einzige Einschränkung ist die Verfügbarkeit von Renditen für solche Indizes, die die Aktivität in verschiedenen Assetklassen widerspiegeln sollten. Das Modell schätzt die Quoten dieser Indizes sowohl im Referenzportfolio als auch in den Finanzprodukten mit dem Ziel, die Zuordnung zur Rendite zu trennen (Conversano und Vistocco, 2004). Das klassische Modell für die Stilanalyse basiert auf einem kleinsten Quadrate beschränkten Regressionsmodell. Modellbeschränkungen ermöglichen es, daß die Koeffizienten erschöpfend und nicht negativ sind. Die geschätzten Kompositionen sind im Rahmen der klassischen Regression interpretierbar, dh im Artikel SSRN Electronic Journal Domenico Vistocco
No comments:
Post a Comment