Sparsame Mean-Reversion-Portfolios mit penalisiertem OU-Likelihood

Zusammenfassung

Diese Arbeit stellt ein Optimierungsverfahren zur Konstruktion eines mean-revertierenden Portfolios aus einer größeren Auswahl von Vermögenswerten vor. Gesucht werden Portfolios, deren Spread sich gut durch einen Ornstein-Uhlenbeck-Prozess beschreiben lässt; dessen Parameter werden mittels Maximum-Likelihood geschätzt. Die angegebenen Auswahlziele verbinden stärkere Mean Reversion und geringere Varianz mit Sparsamkeit, sodass das resultierende Portfolio für Long- und Short-Positionen eine kleinere Auswahl an Vermögenswerten verwendet.

Die Autoren formulieren das Optimierungsproblem und beschreiben einen spezialisierten Algorithmus mit partieller Minimierung. Sie veranschaulichen die Methode anhand numerischer Beispiele mit simulierten und empirischen Kursdaten. Das Abstract nennt weder die Form des Strafterms und das Anlageuniversum noch Handelsregeln, Transaktionskosten oder Out-of-Sample-Performance. Die Beispiele zeigen daher, wie der Schätz- und Auswahlansatz demonstriert wird. Die verfügbaren Angaben reichen jedoch nicht aus, um seine Stabilität oder Profitabilität im Live-Handel zu beurteilen.

Kernaussagen

• Die Methode wählt Portfolios aus, die einem Ornstein-Uhlenbeck-Prozess folgen sollen.
• OU-Parameter werden mit Maximum-Likelihood geschätzt.
• Bei der Portfolioauswahl werden starke Mean Reversion und geringe Varianz angestrebt.
• Ein Sparsamkeitsziel begünstigt eine geringere Anzahl von Vermögenswerten für Long- und Short-Positionen.
• Ein spezialisierter Algorithmus verwendet partielle Minimierung; Beispiele beruhen auf simulierten und empirischen Kursen.

Schlagwörter

# Mean Reverting Portfolios via Penalized OU-Likelihood Estimation


# Mean Reverting Portfolios via Penalized OU-Likelihood Estimation









We study an optimization-based approach to con- struct a mean-reverting portfolio of assets. Our objectives are threefold: (1) design a portfolio that is well-represented by an Ornstein-Uhlenbeck process with parameters estimated by maximum likelihood, (2) select portfolios with desirable characteristics of high mean reversion and low variance, and (3) select a parsimonious portfolio, i.e. find a small subset of a larger universe of assets that can be used for long and short positions. We present the full problem formulation, a specialized algorithm that exploits partial minimization, and numerical examples using both simulated and empirical price data.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.