Carteiras aleatórias para precificação de ativos e avaliação de desempenho

Resumo

Este artigo aplica controles aleatórios à precificação empírica de ativos e à avaliação do desempenho de investimentos. Usa passeios aleatórios geométricos, descritos como uma classe de métodos de Monte Carlo via cadeias de Markov, para gerar carteiras aleatórias que atendem às restrições dos investidores. Essas carteiras oferecem grupos de controle flexíveis para examinar como os prêmios de fatores estudados academicamente se relacionam com o desempenho em um contexto prático de investimento.

O exemplo empírico testa a exposição aos prêmios de tamanho, valor, qualidade e momentum sob uma configuração bastante restrita, baseada nas diretrizes para investidores do índice MSCI Diversified Multifactor. O artigo também discute as limitações do uso de carteiras aleatórias para inferir desempenho, especialmente os desafios criados pela geometria de alta dimensão. O trecho descreve o desenho e as perguntas de pesquisa, mas não apresenta resultados numéricos; portanto, não mostra se as carteiras restritas capturam os prêmios ou superam uma referência de comparação. Sua principal lição é metodológica: a construção de carteiras de controle e os efeitos geométricos importam na interpretação do desempenho empírico.

Ideias principais

• Passeios aleatórios geométricos podem gerar carteiras de controle aleatórias sujeitas às restrições dos investidores.
• A amostragem de carteiras aleatórias pode conectar a pesquisa sobre prêmios de fatores à análise prática de desempenho.
• A aplicação empírica considera exposições a tamanho, valor, qualidade e momentum.
• Uma diretriz de índice multifatorial com restrições serve como configuração de investimento do exemplo.
• A geometria de alta dimensão complica a inferência tradicional com carteiras aleatórias.

Tags

# 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.

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.