3 votos

Semivarianza/Riesgo de caída, ¿qué pasa con el resto de la matriz de covarianza?

Acabo de encontrarme con un artículo bastante interesante de Wikipedia:

http://en.wikipedia.org/wiki/Downside_risk

donde definen la semivarianza, también llamada riesgo de descenso, que básicamente sólo considera la variación "negativa" con respecto a algún nivel establecido, por ejemplo, la media.

Mi pregunta es..: ¿Es posible extender esto también para la covarianza, con el fin de obtener algo como la matriz de covarianza?

Gracias de antemano.

4voto

Toby Allen Puntos 260

Hay dos cuestiones que se me ocurren

  1. ¿Cuál es la definición correcta de semicovarianza? $$ \frac{1}{n}\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {\min \left( {{r_i},0} \right)} } \min \left( {{r_j},0} \right) $$

$$ \frac{1}{n}\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {\min \left( {{r_i}{r_j},0} \right)} } $$ 2. ¿Puedes obtener una matriz de covarianza semidefinida positiva con esta definición?

Estas cuestiones son complicadas y no hay consenso.

0 votos

la primera definición tiene algunas ventajas, concretamente conduce a la semicov exógena. véase el enlace de abajo y la primera referencia allí. solactive.com/wp-content/uploads/2018/04/

3voto

MikeHoss Puntos 207

una solución que funciona es establecer la matriz de correlación habitual y multiplicar antes y después por una matriz diagonal con desviaciones semiestándar en la diagonal, teniendo cuidado de que no sean cero

2voto

Eelke Blok Puntos 36

Este es el reto de la semivarianza por debajo de la media en la optimización. Dado que la media se convierte en un objetivo móvil, las observaciones que afectan a la función min cambian. Estrada propuso un método heurístico para la optimización y Beach(2011) discute la descomposición y las semivarianzas. Por debajo de la semivarianza del objetivo se asume que los inversores no cambian su objetivo de retorno, si se cree que uno.

0 votos

Gracias, efectivamente es bastante heurístico. Sin embargo, me falta la intuición de cómo es esta matriz para poder demostrar que cumple plenamente la condición para justificar su uso en la optimización, es decir, la definitividad positiva. He aplicado algunas pruebas en R para evaluar esta propiedad, por ejemplo, la descomposición de Cholesky y parece que funciona. Pero, ¿hay alguna manera formal de demostrarlo?

0voto

Barry Slaton Puntos 6

Sí, hemos ampliado el riesgo de bajada al "co-riesgo" de bajada, como se muestra a continuación:

https://www.mdpi.com/1911-8074/14/4/172

Semiovarianza multifactorial de los mercados bursátiles y el precio del oro

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X