Global minimum variance portfolio optimisation under some model risk: A robust regression-based approach

کمترین واریانس کمترین واریانس محاسبه شده با استفاده از ماتریس کوواریانس نمونه، تحت تاثیر عدم قطعیت پارامتر، جزء مهمی از ریسک مدل است. با استفاده از یک رویکرد قوی، ما یک قانون نمونه کارها برای سرمایه گذاران که مایل به سرمایه گذاری در پورتفولیوی حداقل واریانس جهانی با توجه به سابقه تاریخی قوی خود هستند، معرفی می کنیم، اما قاعده ای را دنبال می کنیم که به عدم قطعیت پارامتر استوار است. نمونه کارهای قوی ما به لحاظ تئوری به نمونه کارهای کمترین واریانس جهانی در بدترین حالت و با توجه به مجموعه ای از برآوردهای جایگزین قابل اعتماد از ماتریس کوواریانس در محدوده ماتریس کوواریانس نمونه است. از این رو، آن را در مقابل خطاها در ماتریس کوواریانس نمونه مرجع محافظت می کند. شبیه سازی مونت کارلو تسلط مجموعه پرتوی را بر روی همتای غیرمستقیم آن، از لحاظ ثبات، انحراف و بازده تنظیم شده با ریسک، نشان می دهد. تجربی، ما عملکرد خارج از نمونه نمونه کارها را با مقادیر مختلف واریانس رقابت در قوانین نمونه کارها مقایسه می کنیم. ما متوجه می شویم که نمونه های قوی اغلب دارای گردش و واریانس پایین تر و نسبت شارپ نسبت به مقادیر حداقل واریانس رقابت هستند.