برآورد مجموعه حداقلی پوشاننده میانگین-واریانس
خلاصه
این مقاله بررسی می‌کند چگونه کوچک‌ترین زیرمجموعه دارایی‌های پرریسک را شناسایی کنیم که بتواند مرز کارای میانگین-واریانس جهان سرمایه‌گذاری پرتفوی بزرگ‌تری را پوشش دهد. شرایط شناسایی این زیرمجموعه را بیان می‌کند و روشی برای برآورد و استنباط معرفی می‌کند که طوری طراحی شده است تا با احتمالی نزدیک به یک، مجموعه واقعی را پوشش دهد و خود روش در سطح اطمینان انتخاب‌شده همگرا شود.
شبیه‌سازی‌های مونت‌کارلو به‌عنوان شاهدی بر عملکرد قوی در نمونه‌های محدود گزارش شده‌اند. یک کاربرد تجربی، استراتژی‌های مومنتوم سهام منفرد و مومنتوم عوامل را با عوامل شناخته‌شده بازده سهام مقایسه می‌کند. یافته‌ها مومنتوم عوامل، برخی استراتژی‌های مومنتوم سهام و چند عامل بازده را از مشارکت‌کنندگان مهم در کارایی میانگین-واریانس می‌دانند؛ تحلیل همچنین سهم آن‌ها را بررسی و رتبه‌بندی می‌کند. سند جزئیاتی درباره نمونه، دارایی‌های مشخص، انتخاب‌های برآورد یا آزمون‌های پایداری ارائه نمی‌کند؛ بنابراین نمی‌توان نتیجه‌گیری‌های تجربی را فراتر از این مرور ارزیابی کرد.
ایده‌های کلیدی
- مجموعه پوشاننده حداقلی، کوچک‌ترین زیرمجموعه دارایی‌های پرریسک است که مرز کارای میانگین-واریانس جهان سرمایه‌گذاری یک پرتفوی را پوشش می‌دهد.
- شرایط شناسایی مشخص می‌کنند این زیرمجموعه در چه زمانی قابل بازیابی است.
- روش پیشنهادی مجموعه را برآورد می‌کند و استنباطی با پوشش مجانبی و تضمین همگرایی ارائه می‌دهد.
- برای ارزیابی عملکرد در نمونه محدود از شبیه‌سازی مونت‌کارلو استفاده می‌شود.
- یک کاربرد، سهم مومنتوم سهام، مومنتوم عوامل و عوامل شناخته‌شده بازده را در کارایی میانگین-واریانس رتبه‌بندی می‌کند.
برچسب‌ها
متن کامل
# 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.
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.