Esto es más de una pregunta teórica.
He estado trabajando en algunas de media-varianza / Black-Litterman modelos y jugó con Ledoit/el Lobo de covarianza de la contracción método (sklearn función en Python). Si puedo reducir la matriz de covarianza de la media de la varianza de las carteras, me pongo muy agradable carteras a lo largo de la frontera eficiente (excepto para soluciones de esquina), y lo mismo pasa con Black-Litterman.
Ya me estoy comparando la media y la varianza de Black-Litterman carteras a 1/N y el Riesgo de Paridad de asignaciones, yo pensaba que vamos a alimentar a los encogido matriz de covarianza en el riesgo de la paridad del optimizador. Lo que pasa es que ahora recibe ponderaciones iguales para todos los activos (en Riesgo de Paridad). Supongo que es debido a que la matriz de covarianza fue reducido en la medida en que las diferencias en las covarianzas son ahora demasiado insignificante, y por lo tanto puedo conseguir la igualdad de pesos?
¿Alguien con este problema, o ¿alguien puede confirmar mi simple suposición es la razón de esto? Sólo estoy jugando un poco a su alrededor, pero encontré esto muy interesante. Me hizo la pregunta un poco si tiene mucho sentido aplicar encogimiento de la media y la varianza de Black-Litterman en el primer lugar.
Saludos, que tenga una buena semana chicos. RSK
