Construcción de carteras dispersas con reversión a la media y verosimilitud OU penalizada

Resumen

Este artículo presenta un método de optimización para construir una cartera con reversión a la media a partir de un conjunto amplio de activos. Busca carteras cuyo diferencial se describa bien mediante un proceso de Ornstein-Uhlenbeck, cuyos parámetros se estiman por máxima verosimilitud. Los objetivos de selección indicados combinan una reversión a la media más intensa y una varianza menor con la parsimonia, de modo que la cartera resultante utiliza un subconjunto más reducido de activos para las posiciones largas y cortas.

Los autores formulan el problema de optimización y describen un algoritmo especializado que utiliza minimización parcial. Ilustran el método con ejemplos numéricos basados en datos de precios simulados y empíricos. El resumen no especifica la forma de la penalización, el universo de activos, las reglas de trading, los costes de transacción ni el rendimiento fuera de muestra. Por tanto, los ejemplos muestran cómo se presenta el enfoque de estimación y selección, pero la descripción disponible no basta para evaluar su estabilidad ni su rentabilidad en trading real.

Ideas clave

• El método selecciona carteras que pretenden seguir un proceso de Ornstein-Uhlenbeck.
• Los parámetros OU se estiman mediante máxima verosimilitud.
• La selección de carteras busca una reversión a la media intensa y una varianza baja.
• Un objetivo de parsimonia fomenta el uso de menos activos en las posiciones largas y cortas.
• Un algoritmo especializado utiliza minimización parcial y se ilustra con precios simulados y empíricos.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.