کم از کم اوسط ویرینس اسپیننگ سیٹ کا تخمینہ

خلاصہ

یہ مقالہ اس بات کا مطالعہ کرتا ہے کہ خطرے والے اثاثوں کے سب سے چھوٹے ذیلی مجموعے کی شناخت کیسے کی جائے جو ایک بڑے مجموعے کی اوسط ویرینس کی مؤثر سرحد کو محیط ہو۔ اس میں اس ذیلی مجموعے کی شناخت کی شرائط بیان کی گئی ہیں اور تخمینے و استنباط کا ایسا طریقۂ کار پیش کیا گیا ہے جو تقریباً ایک کے قریب احتمال کے ساتھ اصل مجموعے کو شامل کرنے اور منتخب اعتماد کی سطح پر ہم آہنگ ہونے کے لیے بنایا گیا ہے۔

مونٹی کارلو سیمولیشنز کو محدود نمونوں میں مضبوط کارکردگی کے ثبوت کے طور پر پیش کیا گیا ہے۔ ایک تجرباتی اطلاق انفرادی اسٹاک مومینٹم اور فیکٹر مومینٹم اسٹریٹیجیز کا موازنہ اسٹاک کے منافع کے مستحکم عوامل سے کرتا ہے۔ نتائج فیکٹر مومینٹم، اسٹاک مومینٹم کی بعض اسٹریٹیجیز اور منافع کے کئی عوامل کو اوسط ویرینس کی افادیت میں اہم کردار ادا کرنے والے اجزا کے طور پر شناخت کرتے ہیں؛ تجزیہ ان کے کردار کا جائزہ بھی لیتا اور درجہ بندی بھی کرتا ہے۔ دستاویز میں نمونے، مخصوص اثاثوں، تخمینے کے انتخاب یا مضبوطی کی جانچ کی تفصیلات نہیں ہیں، اس لیے اس جائزے سے آگے تجرباتی نتائج کا اندازہ نہیں لگایا جا سکتا۔

اہم خیالات

• کم از کم اسپیننگ سیٹ خطرے والے اثاثوں کا سب سے چھوٹا ذیلی مجموعہ ہے جو پورٹ فولیو کے مجموعے کی اوسط ویرینس کی مؤثر سرحد کو محیط ہو۔
• شناخت کی شرائط بتاتی ہیں کہ اس ذیلی مجموعے کو کن حالات میں دوبارہ حاصل کیا جا سکتا ہے۔
• مجوزہ طریقہ سیٹ کا تخمینہ لگاتا ہے اور حدی احاطے اور ہم آہنگی کی ضمانتوں کے ساتھ استنباط فراہم کرتا ہے۔
• محدود نمونوں میں کارکردگی جانچنے کے لیے مونٹی کارلو سیمولیشنز استعمال کی جاتی ہیں۔
• ایک اطلاق اوسط ویرینس کی افادیت میں اسٹاک مومینٹم، فیکٹر مومینٹم اور منافع کے مستحکم عوامل کے کردار کی درجہ بندی کرتا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔