Estimación del conjunto mínimo que genera la frontera media-varianza

Resumen

El artículo estudia cómo identificar el subconjunto más pequeño de activos de riesgo capaz de generar la frontera eficiente media-varianza de un universo mayor. Establece condiciones para identificarlo e introduce un procedimiento de estimación e inferencia diseñado para incluir el conjunto verdadero con una probabilidad que tiende a uno y converger con un nivel de confianza elegido.

Se presentan simulaciones de Monte Carlo como evidencia de un buen rendimiento en muestras finitas. Una aplicación empírica compara estrategias de momentum de acciones individuales y de momentum de factores con factores consolidados de rendimiento bursátil. Los hallazgos identifican el momentum de factores, algunas estrategias de momentum de acciones y varios factores de rendimiento como contribuyentes importantes a la eficiencia media-varianza; el análisis también examina y ordena sus contribuciones. El documento no ofrece detalles sobre la muestra, los activos concretos, las decisiones de estimación ni las comprobaciones de robustez, por lo que no es posible evaluar las conclusiones empíricas más allá de este resumen.

Ideas clave

• El conjunto mínimo generador es el subconjunto más pequeño de activos de riesgo que genera la frontera eficiente media-varianza de un universo de carteras.
• Las condiciones de identificación definen cuándo puede recuperarse este subconjunto.
• El método propuesto estima el conjunto y ofrece inferencia con cobertura asintótica y garantías de convergencia.
• Se utilizan simulaciones de Monte Carlo para evaluar el rendimiento en muestras finitas.
• Una aplicación ordena las contribuciones del momentum de acciones, el momentum de factores y los factores de rendimiento consolidados a la eficiencia media-varianza.

Etiquetas

# 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.

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.