2 votos

Mejorando la Optimización de la Cartera en Base a la Media-Varianza

¿Hay algún punto en llevar a cabo investigaciones para mejorar la optimización de media-varianza (MVO)? Porque entiendo que la mayor parte del bajo rendimiento en MVO es resultado del error de estimación en los rendimientos esperados.

Incluso en "Advanced Portfolio Management" de Paleologo, el autor muestra en el Capítulo 6.4 que una predicción perfecta de la volatilidad no conduce a una mejora sustancial en la relación de Sharpe al evaluar el rendimiento fuera de muestra.

Pregunta principal: ¿Es inútil investigar otros aspectos para mejorar el proceso de MVO a menos que arreglemos el problema de error de estimación con respecto a los rendimientos esperados?

2voto

RealityGone Puntos 163

Sí, hay un gran beneficio en investigar para mejorar el MVO. Después de todo, la cartera de tangencia es la mejor cartera bajo varias suposiciones no muy locas.

Ha habido mucho trabajo y patentes sobre el MVO (el ejemplo más común es el re-muestreo de la frontera de MV). Tanto Michaud como Ibbotson patentaron diferentes variaciones del proceso:

a. Patente de Michaud - https://patents.google.com/patent/US6003018A/en (patente expirada)

b. Patente de Ibbotson - https://patents.google.com/patent/US20030195831A1/en (patente abandonada después de que expirara la patente de Michaud)

Las patentes han expirado, pero los documentos de presentación describen el proceso con más detalle si no tienes acceso al libro mencionado anteriormente. Harry Markowitz y Nilufer Usmen publicaron un artículo en el que encontraron que la optimización de la varianza de la media re-muestreada funcionaba mejor que el modelo original en pruebas empíricas, por favor consulta "Resampled Frontiers vs. Diffuse Bayes: An Experiment" Journal Of Investment Management Q4 2003" para más detalles.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X