Hay un par de componentes para este problema:
- Construir una cartera de incorporación relativa de vistas, donde los pesos se encogen hacia una política por defecto
1a. Algunos puntos de vista son en moneda cubiertas términos
1b. Relativa a las vistas son en una escala de 5 puntos
- Maximizar una media-varianza de la función de utilidad de la incorporación de una pena por el costo de las transacciones y que requiere que la suma de los pesos de a uno.
Resuelve 1: Construir un posterior que combina su previo (por defecto estratégica de la política de asignación) con la relación de la moneda de cobertura de puntos de vista. Black-Litterman es la idea correcta, pero se utiliza el CAPM como antes. Usted necesita un marco más flexible. Yo sugeriría Meucci es Totalmente Flexible Vistas (2008), que utiliza la entropía de la agrupación a la mezcla de un número arbitrario de puntos de vista y las confidencias. Por cierto, Meucci ha comentado por completo código de MATLAB en su sitio web www.symmys.com (tengo un proyecto para convertir este a R para quien esté interesado!)
Resolver para 1a: Para abordar el hecho de que las opiniones se basan en moneda cubiertas devuelve mientras que el componente de bienes no son de divisa cubierta, usted necesita la traducción de la moneda-cubiertas vista en un no-currency hedged vista. A continuación, puede proceder a incorporar este punto de vista en Meucci del marco. (Nota: Black-Litterman no trabajo aquí, porque si se define una relación vista en la Matriz de selección sobre la base de divisas cubiertas mientras que la matriz de covarianza donde estas vistas se propagó están en la base de la no-currency hedged devuelve). A diferencia de Black-Litterman donde sólo se pueden tomar puntos de vista sobre la devolución de los resultados, también se pueden incluir puntos de vista sobre un número arbitrario de los factores que podrían incluir la moneda cubiertas devuelve. Así que usted puede expresar una opinión sobre la moneda cubiertas de retorno en Meucci del marco así.
Resolver 1b:
Meucci del framework admite lax-puntos de vista tales como la clasificación relativa y parcial vistas de información. Así que su punto de vista de la matriz (en concreto, la desigualdad de vista de la matriz en Meucci la aplicación) podría expresar la idea de que los rendimientos de la Fuerte Compra son mayores que los de las devoluciones de Compra, y así sucesivamente.
Resolver por 2:
Ahora que usted tiene su parte posterior, es necesario realizar una optimización.
Me sugieren la incorporación de los costos de transacción directamente en la función objetivo. Su objetivo función tiene tres cantidades: arg(pesos) utilidad máxima = posterior*el peso óptimo del vector - lambda1*la varianza de lambda2*el costo de las transacciones.
La varianza se determina por pesos transpuesta*matriz de covarianza*los pesos. Lambda1 es lo habitual en la media y la varianza de la aversión al riesgo parámetro. No hay sorpresas aquí - naturalmente esto es media-varianza de optimización.
Tenemos una cantidad adicional. Lambda-2 es su costo de transacción parámetro de aversión. Los costos de transacción son los costos involucrados en girar sobre su cartera. La función devuelve el costo de las transacciones, dado el peso actual del vector, la propuesta de vector de peso, el valor de la cartera, y algunos de los costos de transacción de la asunción. Una manera sencilla es tomar la suma de (peso actual del vector de menos el peso óptimo del vector) * valor de la cartera * costo por $ negociados.
Que son esencialmente de la creación de una frontera eficiente de la superficie donde su utilidad se maximiza para los diversos riesgos que las aversiones y el costo de transacción de la aversión de los niveles.
