¿Beneficio de predecir mejor la varianza de los rendimientos diarios de la cartera al optimizarla?

Question

Pregunta

• ¿Existe una ventaja de tener una menor diferencia entre la varianza "dentro de la muestra" de los rendimientos diarios de la cartera y la varianza "fuera de la muestra" de los rendimientos diarios de la cartera? (= estima mejor la varianza fuera de la muestra)

Pregunta más detallada

• He desarrollado una forma de optimizar una cartera, basada en la optimización de la cartera de varianza mínima global.

• Mi método de optimización de la cartera tiene ventajas y desventajas.

  contras : No puede reducir la "varianza fuera de la muestra" de los rendimientos diarios de la cartera que la cartera GMV. En otras palabras, mi método de optimización de la cartera no logra obtener un mejor rendimiento de la cartera, como el ratio de Sharpe.

  pros : Sin embargo, mi método de optimización de la cartera tiene una diferencia menor entre la "varianza dentro de la muestra" y la "varianza fuera de la muestra" que la cartera GMV.

• A modo de ilustración, permítanme darles un ejemplo. Durante el periodo de entrenamiento para saber qué peso poner en cada acción, la optimización de la cartera GMV calcula el peso de la acción con una varianza de 100 de los rendimientos diarios. Sin embargo, durante el periodo de inversión (periodo de prueba), me da 125 de varianza "fuera de muestra".

• Mi método de cartera me da 150 de varianza para la "varianza dentro de la muestra" y 130 para la "varianza fuera de la muestra". Como puede ver, la varianza real sigue siendo baja con el resultado del método de optimización de la cartera GMV. Sin embargo, mi método prevé la varianza "fuera de muestra" mejor que el método GMV. El método GMV se equivoca en un 25%, mientras que mi método se equivoca en un 13%.

• Por ello, tengo curiosidad por saber si mi método de optimización de carteras sería útil en cualquier caso de negociación en bolsa hoy en día.

Answer 1

Si la varianza de la prueba (fuera de la muestra) del nuevo modelo sigue siendo mayor que la del modelo clásico, entonces no ofrece un rendimiento superior, al menos para el conjunto de datos utilizado. Además, tener un error de entrenamiento alto y un error de prueba bajo del nuevo modelo por sí mismo podría significar que no se ajusta a los datos de entrenamiento y que, de alguna manera, generaliza bien a los datos de prueba, lo que debe explorarse más probando con más de un conjunto de datos.

Si hay una diferencia menor entre la varianza de entrenamiento y la de prueba en el nuevo modelo que la diferencia encontrada en el modelo tradicional, primero considere si el estimador de la varianza de su nuevo modelo debe siquiera compararse con el estimador tradicional de manera unitaria, de lo contrario, encuentre un métrica de evaluación de pérdidas/errores calculado a partir de los datos ponderados fuera de la muestra, que pone el nuevo y el antiguo modelo en igualdad de condiciones.

En el caso de que no estés comparando entre el nuevo modelo y el modelo clásico, sino sólo los resultados de entrenamiento y prueba del nuevo modelo: Si el valor de la pérdida de la prueba es inferior al valor de la pérdida del tren, esto es algo bueno, pero podría ser un artefacto, es decir, los datos que estás utilizando están haciendo que el resultado sea ideal. Repita el experimento en una variedad de conjuntos de datos, artificiales y empíricos, que tengan diferentes distribuciones, medias, varianzas, número de observaciones y número de activos. Si el resultado es bastante consistente a través de todas estas combinaciones, o si hay ciertas distribuciones para las que los resultados se mantienen y no otras, entonces estás en algo.