Оценка минимального множества для границы среднее–дисперсия

Сводка

В статье изучается, как определить наименьшее подмножество рискованных активов, которое порождает эффективную границу среднего и дисперсии для более крупной совокупности активов. В ней сформулированы условия для определения такого подмножества и предложена процедура оценивания и статистического вывода, рассчитанная на то, чтобы охватить истинное множество с вероятностью, стремящейся к единице, и сходиться при выбранном уровне доверия.

В качестве свидетельства высокой эффективности на конечных выборках приводятся симуляции Монте-Карло. В эмпирическом применении стратегии импульса отдельных акций и факторного импульса сравниваются с известными факторами доходности акций. Согласно результатам, факторный импульс, некоторые стратегии импульса отдельных акций и несколько факторов доходности вносят важный вклад в эффективность среднее–дисперсия; в анализе также оцениваются и ранжируются их вклады. В документе нет сведений о выборке, конкретных активах, способах оценивания или проверках устойчивости, поэтому по этому обзору нельзя оценить эмпирические выводы.

Ключевые идеи

• Минимальное множество, задающее эффективную границу, — это наименьшее подмножество рискованных активов, порождающее эффективную границу среднего и дисперсии для портфельной совокупности.
• Условия идентификации определяют, когда можно восстановить это подмножество.
• Предложенный метод оценивает множество и обеспечивает асимптотические гарантии охвата и сходимости для статистического вывода.
• Для оценки эффективности на конечной выборке используются симуляции Монте-Карло.
• В прикладном анализе ранжируется вклад импульса акций, факторного импульса и известных факторов доходности в эффективность среднее–дисперсия.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.