Schätzung der kleinsten Mean-Varianz-Spannmenge

Zusammenfassung

Die Arbeit untersucht, wie die kleinste Teilmenge riskanter Vermögenswerte bestimmt werden kann, die die Mean-Varianz-Effizienzgrenze eines größeren Anlageuniversums aufspannt. Sie legt Bedingungen für die Identifikation dieser Teilmenge fest und führt ein Schätz- und Inferenzverfahren ein, das die tatsächliche Menge mit einer gegen eins gehenden Wahrscheinlichkeit abdeckt und mit einem gewählten Konfidenzniveau konvergiert.

Monte-Carlo-Simulationen werden als Beleg für eine starke Leistung bei endlichen Stichproben berichtet. Eine empirische Anwendung vergleicht Momentumstrategien einzelner Aktien und Faktor-Momentumstrategien mit etablierten Aktienrenditefaktoren. Die Ergebnisse identifizieren Faktor-Momentum, einige Aktien-Momentum-Strategien und mehrere Renditefaktoren als wichtige Beiträge zur Mean-Varianz-Effizienz; die Analyse untersucht und ordnet auch ihre jeweiligen Beiträge. Das Dokument nennt weder Einzelheiten zur Stichprobe und den konkreten Vermögenswerten noch zu Schätzentscheidungen oder Robustheitsprüfungen. Die empirischen Schlussfolgerungen lassen sich daher über diesen Überblick hinaus nicht beurteilen.

Kernaussagen

• Die minimale Spannmenge ist die kleinste Teilmenge riskanter Vermögenswerte, die die Mean-Varianz-Effizienzgrenze eines Anlageuniversums aufspannt.
• Identifikationsbedingungen legen fest, wann sich diese Teilmenge bestimmen lässt.
• Das vorgeschlagene Verfahren schätzt die Menge und bietet Inferenz mit asymptotischer Abdeckung und Konvergenzgarantien.
• Monte-Carlo-Simulationen dienen der Bewertung der Leistung bei endlichen Stichproben.
• Eine Anwendung ordnet den Beitrag von Aktien-Momentum, Faktor-Momentum und etablierten Renditefaktoren zur Mean-Varianz-Effizienz.

Schlagwörter

# Testing for the Minimum Mean-Variance Spanning Set


# Testing for the Minimum Mean-Variance Spanning Set









This paper explores the estimation and inference of the minimum spanning set (MSS), the smallest subset of risky assets that spans the mean-variance efficient frontier of the full asset set. We establish identification conditions for the MSS and develop a novel procedure for its estimation and inference. Our theoretical analysis shows that the proposed MSS estimator covers the true MSS with probability approaching 1 and converges asymptotically to the true MSS at any desired confidence level, such as 0.95 or 0.99. Monte Carlo simulations confirm the strong finite-sample performance of the MSS estimator. We apply our method to evaluate the relative importance of individual stock momentum and factor momentum strategies, along with a set of well-established stock return factors. The empirical results highlight factor momentum, along with several stock momentum and return factors, as key drivers of mean-variance efficiency. Furthermore, our analysis uncovers the sources of contribution from these factors and provides a ranking of their relative importance, offering new insights into their roles in mean-variance analysis.

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.