Điều chỉnh phương sai thị trường trong mô phỏng cổ phiếu đa tài sản

Tóm tắt

Nghiên cứu này xử lý vấn đề tính trùng phương sai trong dữ liệu cổ phiếu đa tài sản tổng hợp. Khi kết hợp các bộ tạo lợi suất tài sản đầy đủ với một nhân tố thị trường, lợi suất mô phỏng có thể tính phương sai thị trường hai lần. Phương pháp điều chỉnh được đề xuất trừ trung bình để định tâm rồi tái điều chỉnh tỷ lệ các mẫu của từng bộ tạo trên một khoảng thời gian cố định trước khi thêm thành phần thị trường, nhờ đó không cần khớp một bộ tạo riêng cho phần dư hồi quy.

Các thử nghiệm trên tập hợp cổ phiếu và quỹ hoán đổi danh mục của Hoa Kỳ cho thấy các quỹ đạo sau điều chỉnh vẫn giữ được đuôi nặng và khôi phục mức tải thị trường đã hiệu chỉnh với sai số thấp. Trên các lịch sử 2025 được giữ lại để kiểm định, phương pháp cải thiện tỷ lệ đạt yêu cầu phân phối trung bình so với cách kết hợp ngây thơ và đưa phương sai tổng hợp so với quan sát trung vị về gần một. Tỷ lệ vượt VaR phía đuôi trái trong một ngày được báo cáo vẫn cao hơn mức danh nghĩa. Phần mở rộng thời lượng bước nhảy cải thiện hiện tượng tập cụm biến động của SPY trong một thiết lập, nhưng việc chuyển các thiết lập đó làm khớp theo thời gian kém đi trên mẫu giữ lại. Sự phụ thuộc giữa các phần dư không được mô hình hóa và có thể làm tăng giả tạo lợi suất tái cân bằng mô phỏng; ràng buộc tổng bằng không cũng loại bỏ bất định phần dư cuối kỳ.

Ý chính

• Kết hợp bộ tạo lợi suất đầy đủ với nhân tố thị trường có thể khiến phương sai thị trường bị tính hai lần.
• Phương pháp điều chỉnh trừ trung bình để định tâm rồi tái điều chỉnh tỷ lệ các mẫu của bộ tạo trên một khoảng thời gian cố định trước khi thêm nhân tố thị trường.
• Thử nghiệm cho thấy đuôi nặng và mức tải thị trường đã hiệu chỉnh được giữ lại, đồng thời độ khớp phân phối trên dữ liệu giữ lại được cải thiện.
• Tỷ lệ vượt ngưỡng rủi ro đuôi được báo cáo cao hơn mức danh nghĩa, còn việc chuyển thiết lập bước nhảy làm giảm độ khớp theo thời gian trên mẫu giữ lại.
• Sự phụ thuộc giữa phần dư tài sản không được mô hình hóa có thể khiến lợi suất tái cân bằng mô phỏng bị ước tính quá cao.

Thẻ

# Variance-Corrected Multi-Asset Equity Simulation with Hybrid Hidden Markov Marginals


# Variance-Corrected Multi-Asset Equity Simulation with Hybrid Hidden Markov Marginals









Synthetic multi-asset equity data must reproduce each asset's return distribution and its relationship with the market. Reusing a generator fitted to full asset returns creates a problem: adding its draws to a market factor counts market variance twice. We derived a correction that centers and rescales each draw over a fixed horizon before adding the market factor, allowing reuse without fitting a second generator to regression residuals. We tested the correction on 423 non-market assets in a 424-asset United States equity and exchange-traded-fund universe, using hidden Markov generators with heavy-tailed emissions. The corrected paths retained heavy tails and recovered the calibrated market loadings with low error. On 416 complete asset histories held out from 2025, the correction improved the mean Kolmogorov-Smirnov pass rate over naive composition and brought the median ratio of synthetic to observed variance close to one. Its one-day left-tail 99% Value-at-Risk exceedance rate, using thresholds pooled across separate simulated paths, was 1.12%, compared with 1.16% for the residual-fit hidden Markov comparator and a nominal rate of 1%. We also tested a jump-duration mechanism that extended visits to extreme-return states and improved volatility clustering for the broad-market exchange-traded fund with ticker SPY. The multi-asset correction remained effective with jumps enabled, but transferring the SPY jump settings improved temporal fit in training and worsened it in the 2025 holdout. The method provides a way to reuse fitted asset generators for daily-fit comparisons. Its zero-sum residual constraint removes terminal residual uncertainty, and unmodeled dependence among asset-specific residuals can lead to overstated rebalancing returns. Code, cached inputs, result summaries, and instructions for fitting the per-asset models accompany the paper.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.