¿Cómo validar de forma cruzada si los rendimientos de los fondos se deben a la exposición estática a los factores?

Question

Actualmente me encuentro con el siguiente problema.

Estoy utilizando regresiones de lazo para modelar los rendimientos de los fondos de cobertura y entender sus exposiciones. La idea es que si sus rendimientos se deben simplemente a factores, no hay razón para pagar 2&20 y uno debería simplemente comprar esas exposiciones a factores del proveedor más barato (etf, fondo de beta inteligente, etc.).

Ejecutar las regresiones y mirar el R^2 ayuda pero me parece insatisfactorio ya que las regresiones con suficientes factores posibles se sobreajustarán y explicarán espuriamente todo.

Últimamente he intentado hacer una validación cruzada entrenando la regresión en, por ejemplo, 8 años de datos y luego probando los resultados predichos para 2 o más años fuera de la muestra. Creo que tiene que haber una forma más rigurosa que este enfoque ingenuo de dejar uno fuera, especialmente teniendo en cuenta que muchos gestores tienen historiales cortos.

¿Algún consejo? ¿Funcionaría bien algo como k-folds para este tipo de datos de series temporales?

p.d. Por cierto, estoy usando R, así que cualquier sugerencia aplicada sería útil.

Answer 1

Las dos referencias que aparecen a continuación hablan específicamente del problema que usted está estudiando y discuten metodologías que podrían ser de interés.

1. Se ha trabajado mucho en la réplica de los rendimientos de los fondos de cobertura y en el estudio de si pueden explicarse por factores comunes. El principal papel sobre este tema fue escrito por Andrew Lo

2. También Andrew Ang, cuando estaba en Columbia hizo un gran trabajo de explicando Los rendimientos de los fondos de cobertura a través de factores comunes en su documento, que más o menos comenzó la revolución de la beta inteligente.

con respecto a los paquetes R - el caret es el paquete que quieres mirar. Aquí es una referencia sobre caret que habla sobre el uso de caret para la partición de datos, la regresión lineal y la validación cruzada .