Randomisierte Portfolios zur Bewertung von Vermögenswerten und Anlageperformance

Zusammenfassung

Dieser Artikel wendet randomisierte Kontrollgruppen auf die empirische Bewertung von Vermögenswerten und Anlageperformance an. Mithilfe geometrischer Random Walks, einer Klasse von Markov-Chain-Monte-Carlo-Methoden, erzeugt er zufällige Portfolios, die Anlegerbeschränkungen erfüllen. Diese Portfolios bieten flexible Kontrollgruppen, um zu untersuchen, wie akademisch erforschte Faktorrisikoprämien mit der Performance in einer praktischen Anlageumgebung zusammenhängen.

Das empirische Beispiel untersucht das Exposure gegenüber Größen-, Value-, Qualitäts- und Momentumprämien in einem stark eingeschränkten Rahmen, der sich an den Anlegerrichtlinien des MSCI Diversified Multifactor Index orientiert. Der Artikel erörtert auch Grenzen zufälliger Portfolios für Performance-Schlussfolgerungen, insbesondere die Herausforderungen hochdimensionaler Geometrie. Der Auszug beschreibt Forschungsdesign und Fragestellungen, enthält aber keine numerischen Ergebnisse. Er zeigt daher nicht, ob die eingeschränkten Portfolios die Prämien erfassen oder eine Benchmark übertreffen. Die methodische Kernaussage: Kontrollportfolio-Konstruktion und geometrische Effekte sind für die Interpretation empirischer Performance wichtig.

Kernaussagen

• Geometrische Random Walks können zufällige Kontrollportfolios unter Berücksichtigung von Anlegerbeschränkungen erzeugen.
• Die Stichprobenziehung zufälliger Portfolios kann die Forschung zu Faktorrisikoprämien mit praktischen Performanceanalysen verbinden.
• Die empirische Anwendung berücksichtigt Größen-, Value-, Qualitäts- und Momentum-Exposures.
• Eine Richtlinie für einen eingeschränkten Multifaktorindex dient als Beispiel für die Anlageumgebung.
• Hochdimensionale Geometrie erschwert herkömmliche Schlussfolgerungen aus zufälligen Portfolios.

Schlagwörter

# Randomized Control in Performance Analysis and Empirical Asset Pricing


# Randomized Control in Performance Analysis and Empirical Asset Pricing









The present article explores the application of randomized control techniques in empirical asset pricing and performance evaluation. It introduces geometric random walks, a class of Markov chain Monte Carlo methods, to construct flexible control groups in the form of random portfolios adhering to investor constraints. The sampling-based methods enable an exploration of the relationship between academically studied factor premia and performance in a practical setting. In an empirical application, the study assesses the potential to capture premias associated with size, value, quality, and momentum within a strongly constrained setup, exemplified by the investor guidelines of the MSCI Diversified Multifactor index. Additionally, the article highlights issues with the more traditional use case of random portfolios for drawing inferences in performance evaluation, showcasing challenges related to the intricacies of high-dimensional geometry.

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.