Análisis robusto de estilo basado en la rentabilidad

Question

El Análisis de Estilo Basado en la Rentabilidad de Sharpe es una teoría interesante pero defectuosa en la práctica cuando se trabaja con fondos long-short o fondos que cambian de estrategia en periodos de tiempo más cortos debido a los límites de la regresión lineal.

He encontrado algunos documentos que analizan las mejoras para hacer los cálculos más robustos Markov, Muchnik, Krasotkina, Mottl (2006) parece bastante razonable, por ejemplo. Sin embargo, por lo general sólo tratan el tema de la beta variable en el tiempo.

Me preguntaba si hay alguien por ahí que esté trabajando en las limitaciones de la regresión lineal para el análisis del estilo. Yo en particular más robustas matrices de varianza-covarianza para la minimización de la función objetivo.

Answer 1

Que sea o no defectuoso en la práctica depende de la dinámica de las exposiciones al riesgo. Muchos factores o índices utilizados para el análisis de estilo requieren en realidad una negociación dinámica para su mantenimiento, por lo que se podría tener un fondo que negocie mucho y que al mismo tiempo genere una serie de rendimientos que puedan modelarse fuera de la muestra con exposiciones estáticas.

Un enfoque relativamente sencillo para lo que usted intenta hacer es utilizar el Lazo (que se discute en el documento). Esto logrará su objetivo de reducir los factores ya que los coeficientes se reducirán hacia cero. Otra opción más compleja sería utilizar la regresión bayesiana con priores informativos para estimar las exposiciones de los factores. Por ejemplo, usted podría tener diferentes priores sobre la exposición al SPY de un fondo de renta variable long/short frente a un fondo de fusiones arb. Kruschke, autor de Doing Bayesian Data Analysis, también mostró un ejemplo de regresión "robusta" donde se supone que los errores siguen una distribución t. Ambos enfoques son bastante sencillos en R.

Por último, si quiere explorar las exposiciones dinámicas, puede utilizar un modelo de espacio de estados para estimar los parámetros que varían en el tiempo. Esto es un poco más complejo de implementar, pero uno de los paquetes de R que es útil aquí es dlm. El autor del paquete ha escrito un libro: Dynamic Linear Models with R. También hay varias diapositivas de Yollin en Internet que demuestran cómo estimar exposiciones beta variables en el tiempo utilizando dlm. Tal vez quiera consultar Understanding Hedge Fund Alpha Using Improved Replication Methodologies de Chen & Tindall, que creo que es un número de estos enfoques.

Answer 2

Gracias por las respuestas y comentarios anteriores. En particular a Eric Brady, que me ha hecho leer un montón de documentos bayesianos.

Al final, creo que la respuesta a la pregunta es que, en el marco temporal mensual, los algoritmos de factores robustos no son realmente necesarios. En los marcos temporales diarios y más bajos, los grandes picos de rentabilidad debidos a eventos (ganancias, etc.) pueden realmente estropear las cargas de los factores y los métodos robustos como Búsqueda de componentes principales ejecutado en todo el universo y luego aplicado a los factores y flujos de retorno dará resultados mucho mejores. Bayesiano Los métodos también son interesantes pero difíciles de aplicar.

Sin embargo, en la escala de tiempo más larga y de menor frecuencia que me interesaba antes, los picos en los rendimientos no son lo suficientemente importantes como para alterar la matriz de varianza-covarianza. El verdadero problema es que las betas tienen que variar en el tiempo de una manera más robusta que las regresiones lineales estándar de ventana móvil de Sharpe. Para ello, el Filtro Kalman tomada del análisis de la señal parece ser una muy buena solución.

Answer 3

A menudo he pensado en lo mismo. Para tratar de averiguar alguna información concreta (en mi opinión) sobre una acción o fondo de inversión, escribí algo en Python para simular:

• comprar acciones en algún intervalo
• acciones que pagan dividendos en algún intervalo
• ajustar los rendimientos a la inflación
• restando las comisiones (si se trata de un fondo de inversión o algo con un ratio de gastos)
• haga esto 100 o muchas más veces para un periodo de tiempo determinado y vea lo que obtiene

He encontrado algunas joyas (hasta ahora) utilizando este método. Los buenos rendimientos a largo plazo en la mayoría de los periodos de tiempo (hasta ahora) parecen ser una forma bastante legítima de ver las cosas. Por lo general, voy a mirar a miles de ellos y elegir los que tienen buenos, 5, 10, 15 buenos resultados de retorno. Trazar estas cosas en un gráfico de dispersión es muy útil para ver cómo le habría ido en cualquier momento seleccionado al azar en el pasado si lo hace para alguna acción que le interesa.

Answer 4

Como sé, el análisis de estilo no es una regresión lineal, no está tratando de minimizar el cuadrado del error, está tratando de hacer una combinación de las carteras de referencia para seguir su cartera lo más cerca posible. Es decir, su cartera puede superar al índice de referencia como un 4%, está tratando de hacer que el 4% sea lo más estable posible, que la varianza del 4% de alfa sea lo más pequeña posible; mientras que la regresión lineal está tratando de decir que la suma cuadrada de todos los rendimientos superiores e inferiores sea lo más pequeña posible.

El análisis de estilo hace que su cartera tenga una rentabilidad paralela superior o inferior a la de una selección de puntos de referencia, y a partir de las ponderaciones de estos puntos de referencia, puede conocer el estilo de su cartera; mientras que la regresión lineal intenta que la curva de los puntos de referencia se acerque lo más posible a su cartera.