Modèles de risque hétérotiques pour optimiser les portefeuilles d’actions

Résumé

Le document décrit une méthode de construction de modèles de risque hétérotiques pour les actions. L’approche combine une classification sectorielle et des estimations de covariance par composantes principales au sein de sous-groupes d’actions, puis réduit le modèle de covariance par une construction récursive en poupées russes. Les auteurs présentent les modèles obtenus comme un moyen de produire des estimations de risque stables à partir de courtes périodes rétrospectives et indiquent fournir un algorithme complet et son code source.

L’application indiquée est l’optimisation du ratio de Sharpe pour des signaux intrajournaliers de retour à la moyenne fondés sur les rendements de nuit. Les auteurs indiquent que l’optimisation avec des modèles hétérotiques améliore les caractéristiques de performance par rapport aux régressions pondérées utilisant les composantes principales ou les classifications sectorielles. Ils décrivent également le code source pour construire des modèles de risque statistiques et optimiser sous des contraintes linéaires homogènes et des limites de position. Le texte fourni ne précise ni les données, ni la période d’évaluation, ni les métriques, ni l’ampleur de l’amélioration rapportée ; ce résultat ne peut donc pas être évalué indépendamment à partir de ce seul résumé.

Idées clés

• La méthode combine des regroupements sectoriels et des estimations de covariance par composantes principales au sein de sous-groupes d’actions.
• Une construction en poupées russes réduit la taille de la matrice de covariance des facteurs.
• Les auteurs présentent l’approche comme adaptée à la production d’estimations de risque stables sur de courtes périodes rétrospectives.
• Ils rapportent de meilleures caractéristiques d’optimisation pour les signaux intrajournaliers de retour à la moyenne fondés sur les rendements de nuit.
• L’optimisation décrite inclut des contraintes linéaires homogènes et des limites de position.

Étiquettes

# Heterotic Risk Models


# Heterotic Risk Models









We give a complete algorithm and source code for constructing what we refer to as heterotic risk models (for equities), which combine: i) granularity of an industry classification; ii) diagonality of the principal component factor covariance matrix for any sub-cluster of stocks; and iii) dramatic reduction of the factor covariance matrix size in the Russian-doll risk model construction. This appears to prove a powerful approach for constructing out-of-sample stable short-lookback risk models. Thus, for intraday mean-reversion alphas based on overnight returns, Sharpe ratio optimization using our heterotic risk models sizably improves the performance characteristics compared to weighted regressions based on principal components or industry classification. We also give source code for: a) building statistical risk models; and ii) Sharpe ratio optimization with homogeneous linear constraints and position bounds.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.