Portefeuilles aléatoires pour l’évaluation des actifs et des performances

Résumé

Cet article applique des contrôles aléatoires à l’évaluation empirique des actifs et des performances d’investissement. Il utilise des marches aléatoires géométriques, présentées comme une classe de méthodes de Monte-Carlo par chaînes de Markov, pour générer des portefeuilles aléatoires respectant les contraintes de l’investisseur. Ces portefeuilles forment des groupes de contrôle flexibles pour examiner le lien entre les primes factorielles étudiées en milieu universitaire et les performances dans un contexte d’investissement pratique.

L’exemple empirique teste l’exposition aux primes de taille, de valeur, de qualité et de momentum dans un cadre soumis à de fortes contraintes et inspiré des directives d’investissement de l’indice Diversified Multifactor MSCI. L’article examine également les limites des portefeuilles aléatoires pour l’inférence des performances, en particulier les difficultés liées à la géométrie de grande dimension. L’extrait décrit la conception et les questions de recherche, mais ne fournit aucun résultat numérique ; il ne montre donc pas si les portefeuilles contraints capturent les primes ou surpassent une référence. Sa principale leçon est méthodologique : la construction des portefeuilles de contrôle et les effets géométriques comptent dans l’interprétation des performances empiriques.

Idées clés

• Les marches aléatoires géométriques peuvent générer des portefeuilles de contrôle aléatoires soumis aux contraintes de l’investisseur.
• L’échantillonnage de portefeuilles aléatoires peut relier la recherche sur les primes factorielles à l’analyse pratique des performances.
• L’application empirique considère les expositions aux facteurs taille, valeur, qualité et momentum.
• Les directives d’un indice multifactoriel soumis à des contraintes servent d’exemple de cadre d’investissement.
• La géométrie de grande dimension complique l’inférence traditionnelle à partir de portefeuilles aléatoires.

Étiquettes

# 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.

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.