Estimativa do conjunto mínimo de ativos que gera a fronteira média-variância

Resumo

O artigo estuda como identificar o menor subconjunto de ativos de risco capaz de gerar a fronteira eficiente média-variância de um universo maior. Estabelece condições para identificar esse subconjunto e apresenta um procedimento de estimação e inferência projetado para abranger o conjunto verdadeiro com probabilidade tendendo a um e convergir a um nível de confiança escolhido.

As simulações de Monte Carlo são apresentadas como evidência de bom desempenho em amostras finitas. Uma aplicação empírica compara estratégias de momentum de ações individuais e de fatores com fatores estabelecidos de retorno de ações. Os resultados identificam o momentum de fatores, algumas estratégias de momentum de ações e vários fatores de retorno como contribuintes importantes para a eficiência média-variância; a análise também examina e classifica suas contribuições. O documento não fornece detalhes da amostra, dos ativos específicos, das escolhas de estimação nem de verificações de robustez, portanto as conclusões empíricas não podem ser avaliadas além deste panorama.

Ideias principais

• O conjunto mínimo é o menor subconjunto de ativos de risco que gera a fronteira eficiente média-variância de um universo de carteiras.
• Condições de identificação definem quando esse subconjunto pode ser recuperado.
• O método proposto estima o conjunto e oferece inferência com garantias assintóticas de cobertura e convergência.
• Simulações de Monte Carlo são usadas para avaliar o desempenho em amostras finitas.
• Uma aplicação classifica as contribuições do momentum de ações, do momentum de fatores e de fatores de retorno estabelecidos para a eficiência média-variância.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.