ساخت پرتفوی‌های کم‌تراکم با بازگشت به میانگین و درست‌نمایی جریمه‌شده OU

خلاصه

این مقاله روشی بهینه‌سازی برای ساخت پرتفویی با بازگشت به میانگین از مجموعه‌ای بزرگ‌تر از دارایی‌ها ارائه می‌کند. هدف، یافتن پرتفویی است که فاصله آن به‌خوبی با فرایند اورنشتاین–اولنبک توصیف شود و پارامترهای فرایند با بیشینه‌سازی درست‌نمایی برآورد شوند. هدف‌های انتخاب اعلام‌شده، بازگشت قوی‌تر به میانگین و واریانس کمتر را با کمینه‌گرایی ترکیب می‌کنند تا پرتفوی نهایی برای موقعیت‌های خرید و فروش استقراضی از زیرمجموعه کوچک‌تری از دارایی‌ها استفاده کند.

نویسندگان مسئله بهینه‌سازی را صورت‌بندی می‌کنند و الگوریتمی تخصصی را شرح می‌دهند که از کمینه‌سازی جزئی استفاده می‌کند. آن‌ها روش را با مثال‌های عددی مبتنی بر داده‌های قیمت شبیه‌سازی‌شده و تجربی نشان می‌دهند. چکیده شکل جریمه، مجموعه دارایی‌ها، قواعد معامله، هزینه‌های تراکنش یا عملکرد خارج از نمونه را مشخص نمی‌کند. بنابراین مثال‌ها نشان می‌دهند رویکرد برآورد و انتخاب چگونه نمایش داده می‌شود، اما شرح موجود برای داوری درباره پایداری یا سودآوری آن در معاملات واقعی کافی نیست.

ایده‌های کلیدی

• این روش پرتفوی‌هایی را انتخاب می‌کند که قرار است از فرایند اورنشتاین–اولنبک پیروی کنند.
• پارامترهای OU با بیشینه‌سازی درست‌نمایی برآورد می‌شوند.
• انتخاب پرتفوی، بازگشت زیاد به میانگین و واریانس کم را هدف می‌گیرد.
• هدف کمینه‌گرایی استفاده از دارایی‌های کمتر برای موقعیت‌های خرید و فروش استقراضی را تشویق می‌کند.
• الگوریتمی تخصصی از کمینه‌سازی جزئی استفاده می‌کند و مثال‌هایی با قیمت‌های شبیه‌سازی‌شده و تجربی ارائه می‌دهد.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.