Ước tính tập tài sản nhỏ nhất bao trùm biên hiệu quả trung bình-phương sai

Tóm tắt

Bài báo nghiên cứu cách xác định tập con nhỏ nhất gồm các tài sản rủi ro có thể bao trùm biên hiệu quả trung bình-phương sai của một tập hợp lớn hơn. Bài báo nêu các điều kiện để xác định tập con đó và giới thiệu quy trình ước tính, suy luận được thiết kế để bao phủ tập hợp thực với xác suất tiến tới một và hội tụ ở mức tin cậy đã chọn.

Các mô phỏng Monte Carlo được báo cáo là bằng chứng về hiệu suất mạnh trong mẫu hữu hạn. Ứng dụng thực nghiệm so sánh chiến lược động lượng cổ phiếu riêng lẻ và động lượng nhân tố với các nhân tố lợi suất cổ phiếu đã được xác lập. Các phát hiện xác định động lượng nhân tố, một số chiến lược động lượng cổ phiếu và một số nhân tố lợi suất là những yếu tố đóng góp quan trọng vào hiệu quả trung bình-phương sai; phân tích cũng xem xét và xếp hạng mức đóng góp của chúng. Tài liệu không nêu chi tiết về mẫu, tài sản cụ thể, lựa chọn ước tính hoặc kiểm tra độ vững chắc, nên không thể đánh giá kết luận thực nghiệm vượt quá phần tổng quan này.

Ý chính

• Tập bao trùm tối thiểu là tập con nhỏ nhất gồm các tài sản rủi ro có thể bao trùm biên hiệu quả trung bình-phương sai của một danh mục.
• Các điều kiện xác định cho biết khi nào có thể khôi phục tập con này.
• Phương pháp đề xuất ước tính tập hợp và đưa ra suy luận với độ bao phủ tiệm cận cùng bảo đảm hội tụ.
• Mô phỏng Monte Carlo được dùng để đánh giá hiệu suất trong mẫu hữu hạn.
• Một ứng dụng xếp hạng đóng góp của động lượng cổ phiếu, động lượng nhân tố và các nhân tố lợi suất đã xác lập vào hiệu quả trung bình-phương sai.

Thẻ

# 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.

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.