Asignación de capital para una cartera multiestratégica y multiinstrumental

Question

Me gustaría saber si hay una forma (o teoría) de gestionar una cartera multiestrategia y multiinstrumentos que calcule el peso óptimo para asignar el capital para cada combinación de estrategia e instrumento (a veces podemos encontrar que una estrategia funciona para muchos instrumentos o viceversa).

Mi primera idea es que podemos tratar cada combinación de estrategia e instrumento como un instrumento imaginario e introducir la teoría de carteras de Markowitz para encontrar el peso óptimo.

Sin embargo, también aprendí que la rentabilidad y la covarianza estimadas son muy ruidosas en la práctica y deducen resultados muy diferentes del CAPM. Puede que no sea una forma ideal. Otro problema es que mis estrategias podrían ser diversas en cuanto a tipos y plazos (desde tiempos de mantenimiento intradiarios hasta mensuales). La estimación de la rentabilidad media sobre una base diaria podría ser engañosa y subestimar la rentabilidad de las estrategias que funcionan con poca frecuencia (por ejemplo, las estrategias que aprovechan el anuncio de los beneficios anuales o la reunión mensual del FOMC).

He comprobado la fórmula de Kelly y he encontrado que la respuesta es exactamente como la teoría de Markowitz. Por lo tanto, la mayoría de las cuestiones sobre la teoría de la media-varianza (por ejemplo, el ruido de la estimación de la media y la varianza) se aplica aquí.

Me pregunto si alguien puede compartir algunas ideas sobre esta cuestión. ¿Alguna idea/ejemplo?

Muchas gracias.

Answer 1

Echa un vistazo a mi documento http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2259133

He comprobado la fórmula de Kelly y he encontrado que la respuesta es exactamente como la teoría de Markowitz. >Por lo tanto, la mayoría de las cuestiones sobre la teoría de la media-varianza (por ejemplo, el ruido de la estimación de la media y la >varianza) se aplica aquí.

Kelly no es exactamente como la teoría de Markowitz, pero sí están estrechamente relacionadas: siempre y cuando [podamos] cortar las colas por los rendimientos de los activos.

También aprendí que el rendimiento y la covarianza estimados son muy ruidosos en la práctica

Sí, lo son. La regla general es disminuir la estimación de la rentabilidad esperada y aumentar la estimación de la volatilidad/correlación para evitar el exceso de apuestas.

Si quieres leer más sobre la aplicación práctica, echa un vistazo a mi libro: http://www.yetanotherquant.com

Espero que sea de ayuda

Answer 2

Las Odds Ratios bayesianas pueden utilizarse para comparar modelos y asignar riqueza a varios modelos en función de la probabilidad relativa de que cada modelo concreto sea "el mejor".

Podrías empezar a investigar más en el sitio wiki .

Answer 3

Otros pueden tener opiniones diferentes, pero yo he intentado aplicar la fórmula de Kelly/estrategias fraccionarias de Kelly a la asignación de capital, y lo encuentro poco práctico y arriesgado.

Sinceramente, sugeriría un marco de optimización de tres niveles que yo mismo estoy adoptando: Asumiendo que tienes $M$ número de modelos que cubren múltiples instrumentos y estrategias. Su objetivo es elegir un subconjunto de ellos y asignar una ponderación de capital a cada modelo seleccionado.

1) Proyección del Universo : Optimice toda la cartera multiestratégica en función de sus parámetros objetivos. Por ejemplo, puede considerar el marco clásico de media-varianza. A estas alturas debería tener un esquema de ponderación aproximado basado en una optimización puramente teórica.

2) Perfeccionamiento del universo En base a la ponderación de la etapa uno, elija la más favorable $N1 (N1<=M)$ modelos como su universo refinado. Refina aún más el universo mediante

1. Analizar sus estructuras de correlación y sus perfiles de riesgo.
2. Analizar qué modelo es diversificador-contribuyente y cuál es diversificación-consumidor. Realizar este análisis a nivel de instrumento, sector, clase de activo.
3. Si tiene opiniones fundamentales o un sesgo basado en un modelo macro modelo, intégrelo en su análisis penalizando aquellos modelos cuya lógica no esté en consonancia con las macros.

Este paso es bastante propicio, ya que su análisis lógico puede complementar la debilidad de la optimización teórica. Para entonces ya has refinado el universo a $N2 (N2 <=N1)$ modelos.

3) Iteración : Realice 1) y 2) de forma iterativa. El paso 1 es impulsado por la ciencia ya que la optimización numérica es bastante estándar pero bastante ruidosa. El paso 2 es experiencia y lógica que es la parte más difícil y que no está bien abordada por la teoría moderna de la cartera.