Carteras aleatorias para valorar activos y evaluar el rendimiento

Resumen

Este artículo aplica controles aleatorizados a la valoración empírica de activos y a la evaluación del rendimiento de las inversiones. Utiliza paseos aleatorios geométricos, descritos como una clase de métodos de Monte Carlo con cadenas de Markov, para generar carteras aleatorias que cumplen las restricciones del inversor. Estas carteras ofrecen grupos de control flexibles para examinar cómo se relacionan las primas de factores estudiadas académicamente con el rendimiento en un entorno de inversión práctico.

El ejemplo empírico evalúa la exposición a las primas de tamaño, valor, calidad y momentum bajo un planteamiento muy restringido, basado en las directrices para inversores del índice Diversified Multifactor de MSCI. El artículo también analiza las limitaciones de usar carteras aleatorias para inferir el rendimiento, en especial las dificultades que genera la geometría de alta dimensionalidad. El fragmento describe el diseño y las preguntas de investigación, pero no aporta resultados numéricos; por tanto, no muestra si las carteras restringidas capturan las primas o superan un índice de referencia. La principal lección es metodológica: la construcción de carteras de control y los efectos geométricos importan al interpretar el rendimiento empírico.

Ideas clave

• Los paseos aleatorios geométricos pueden generar carteras de control aleatorias sujetas a las restricciones del inversor.
• El muestreo de carteras aleatorias puede vincular el estudio de las primas de factores con el análisis práctico del rendimiento.
• La aplicación empírica considera exposiciones a tamaño, valor, calidad y momentum.
• Las directrices de un índice multifactorial restringido sirven como ejemplo de configuración de inversión.
• La geometría de alta dimensionalidad complica la inferencia tradicional con carteras aleatorias.

Etiquetas

# 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.

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.