Portfolio Optimierung Trading Strategien

Die Top 7 Portfolio-Optimierungsprobleme Stolpersteine ​​auf dem Trek von der Theorie zur praktischen Optimierung im Fondsmanagement. Problem 1: Portfolio-Optimierung ist zu schwer Wenn Sie eine Tabellenkalkulation verwenden, dann ist dies tatsächlich ein Problem. Spreadsheets sind bei einer komplexen Aufgabe gefährlich. In diesem Zusammenhang qualifiziert sich die Portfolio-Optimierung als komplex (komplexe Datenanforderungen). Wenn Sie eine angemessenere Computerumgebung verwenden, dann ist es wirklich alles, was schwer ist. Es gibt ein paar Probleme, die behandelt werden müssen, aber nehmen sie ein zu einer Zeit hält die Aufgabe zu überwältigen. Wenn Sie Tabellen verwenden, ist mein Rezept auf R wechseln. Wenn es echtes Geld auf der Linie, mit einer Kalkulationstabelle für Portfolio-Optimierung scheint mir Penny weise und Dollar dumm. Wenn Sie andere Probleme mit der Optimierung haben, lesen Sie den Rest dieses Beitrags. Problem 2: Portfolio-Optimierer schlagen zu viel Handel Ein großer Frustration mit Optimierer ist, dass der Umsatz übermäßig sein kann. Alle vernünftigen Portfolio-Optimierer ermöglichen: Umsatzbeschränkungen Transaktionskosten Nutzen Sie diese beiden, um den Umsatz auf eine geeignete Menge zu reduzieren. Wir lassen oft Autos unkontrolliert auf einem Hügel rollen. Und wir sollten nicht erlauben, dass der Optimierer auch nicht. Problem 3: erwartete Renditen werden benötigt Zuerst von, dieses isn8217t strikt wahr. Sie finden minimale Varianz-Portfolios, die eine Varianzmatrix benötigen, aber nicht erwartete Renditen. Der Erfolg der Investition mit niedriger Volatilität ist ein Grund, diesen Weg zu gehen. Aber vorausgesetzt, dass Sie ein aktiver Investor sind, brauchen Sie Erwartungen in gewissem Sinne. Es gibt eine Reihe von Techniken, die numerische erwartete Renditen erfordern. Zielportfolio Jeder sollte in der Lage sein, ein ideales Zielportfolio bereitzustellen 8212 das Portfolio, das Sie halten möchten, wenn alle Einschränkungen ignoriert werden. Sobald Sie das Zielportfolio haben, können Sie ein Portfolio erhalten, das 8220close8221 zum Ziel ist, aber den Zwängen gehorcht. Eine dieser Einschränkungen sollte fast sicher sein Umsatz. Wahrscheinlich wäre eine bessere Lösung, um den Tracking-Fehler auf das Zielportfolio zu minimieren. Dies erfordert eine Varianzmatrix. Reverse-Optimierung Die Technik der Reverse-Optimierung (auch implizite Alpha genannt) kann iterativ verwendet werden, um zu versuchen, ein Portfolio, das wie das, was Sie wollen, in Bezug auf die erwarteten Renditen, die impliziert sind, zu finden. Dies vermeidet, tatsächlich tun Optimierung, aber es ist arbeitsintensiv und es hängt von den Einschränkungen nicht verderben die implizite Alphas (was vielleicht zweifelhaft ist). Asset Ranges Wenn Sie die Vermögenswerte in Ihrem Universum in Bezug auf erwartete Renditen bestellen können, dann ist es machbar, erwartete Renditen zu geben, um ein Optimierer zu geben. Ranking Vermögenswerte ist viel einfacher als numerische Schätzungen der Renditen. Ein Papier von Almgren und Chriss erklärt, wie man die Reihen in numerische erwartete Renditen umwandelt. Der einfache Fall erfordert nur die Verwendung der qnorm-Funktion in R. Das gibt Ihnen relative Größen, aber Sie wollen noch skalieren, um die Varianz-Matrix entsprechen. Problem 4: Mittelwert-Varianz-Optimierung ist restriktiv Es gibt einen Mythos, dass Mittel-Varianz-Optimierung ist nur sinnvoll, wenn Renditen normal verteilt sind. Das geht zurück. Wenn Rückkehr normalerweise verteilt wird, dann Mittel-Varianz-Optimierung ist alles, was getan werden kann 8212 alle anderen Dienstprogramme werden gleichwertig sein. Sehen Sie mehr an 8220Ancient Portfolio theory8221. Wenn die Renditeverteilung von Vermögenswerten im Universum nicht annähernd symmetrisch ist, dann, ja, Mittelwert-Optimierung ist restriktiv und sollte nicht verwendet werden. Beispiele für disruptive Vermögenswerte sind Anleihen und Optionen. Allerdings, wenn das Universum nur Aktien ist, dann Mittel-Varianz ist eine ziemlich gute Annäherung an das Beste, was wir tun können. Schärfe und Kurtosis könnten dem Dienstprogramm hinzugefügt werden, um die Nicht-Normalität der Renditen zu berücksichtigen. Der Blogeintrag 8220Die Vorhersagbarkeit von Schiefe und Kurtosis in SampP-Bestandteilen8221 zeigt, dass Schiefe wahrscheinlich nahezu unmöglich vorherzusagen ist und die Vorhersagbarkeit der Kurtosis begrenzt ist. Im Jahre 1999 waren unterhalb der Teillösungen und der Semi-Varianz bei Tech-Aktien beliebt, weil sie wirklich riskant waren, sie stiegen nur auf. Es stellte sich heraus, dass es Symmetrie in der Rückkehr der Tech-Aktien 8212 war es nur, dass die nach unten kam später. Wenn Sie tatsächlich in einer Situation 8212 einschließlich festen Einkommens oder Optionen 8212, wo Mittel-Varianz-Optimierung ist nicht angemessen, dann sollten Sie wahrscheinlich tun, Szenario-Optimierung. Problem 5: Portfolio-Optimierung Eingaben sind laut Schätzungen Portfolio-Optimierer sind dumm genug zu glauben, was wir ihnen sagen. Der Optimierer gibt uns eine Lösung, als wüssten wir die erwarteten Renditen und die Varianzmatrix wirklich. In der Tat: Schätzungen der erwarteten Renditen sind fast insgesamt Lärm Schätzungen der Varianz Matrix sind ziemlich laut 8220Almost Gesamtlärm8221 gilt für die besten Fondsmanager 8212 die 8220almost8221 muss für unterdurchschnittliche Fondsmanager fallen gelassen werden. Faktor-Modelle der Varianz werden oft in Optimierer eingegeben. Diese sind viel besser als Proben-Varianz-Matrizen für große Universen. Allerdings ist die Verwendung einer Schrumpfung Schätzung wahrscheinlich besser als entweder. Nominativ-Fehler Wir haben ein Wharfian Problem mit 8220portfolio Optimierung8221. Die Leute denken, dass wir das Portfolio optimieren, wenn wir das sagen. Tatsächlich optimieren wir den Handel. Für einige Zwecke es doesn8217t Angelegenheit, aber es spielt eine Rolle, wenn wir darüber nachdenken, was zu tun, über laute Eingänge. Black-Litterman Typ Operationen Einige Leute denken, dass etwas wie Black-Litterman ist eine Lösung für dieses Problem. Es isn8217t. Wenn es intelligent, dann reduziert es 8212, aber nicht beseitigen 8212 das Rauschen in den erwarteten Renditen. Robuste Optimierung Die eigentliche Lösung für dieses Problem ist der Name robuster Optimierung. Ich finde diesen Begriff bedauerlich, da es mehrere Verwendungen des Begriffs 8220robust8221 gibt, die leicht mit der Bedeutung von guten Lösungen für eine Handelsoptimierung von lauten Inputs verwechselt werden können. Es gibt eine große Auswahl an Lösungsvorschlägen. Die meisten von ihnen sind ziemlich kompliziert. Es gibt eine einfache und leicht umsetzbare Lösung (obwohl die genaue Zahl wahrscheinlich durch Experimente gefunden werden muss). Hier ist die Geschichte (vorausgesetzt, wir haben ein bestehendes Portfolio): Wenn die Eingaben, die wir dem Optimierer geben, genau wahr sind, dann sollten wir akzeptieren, was der Optimierer sagt. Wir sollten den vorgeschlagenen Handel tun 8212 Denken Sie daran, dass wir den Handel optimieren. Wenn die Eingaben, die wir dem Optimierer geben, vollständiger Müll sind, sollten wir nichts tun. Unser Handel sollte Null sein. Die Realität ist, dass unsere Eingaben irgendwo zwischen genau wahren und vollständigen Müll sind, so dass unser Handel irgendwo zwischen dem vorgeschlagenen Handel und keinem Handel sein sollte. Wir wollen den Handel schrumpfen. Es ist leicht, den Handel entweder durch die Einführung einer (stärkeren) Umsatzeinschränkung oder durch Erhöhung der Transaktionskosten zu schrumpfen. Wie viel zu tun, das ist ein Problem, natürlich, aber das Prinzip ist einfach. Eine Vermutung ist wahrscheinlich besser als es überhaupt nicht tun. Problem 6: Transaktionskosten sind heikel Das ist wahr. Einige der Kosten sind einfach, aber Markt Auswirkungen ist schwer zu notieren. Aber da8217s ein noch trickieres Bit: entweder die Transaktionskosten müssen skaliert werden, um die erwarteten Renditen und Varianz entsprechen, oder die erwarteten Renditen und Varianz müssen skaliert werden, um die Transaktionskosten entsprechen. Die drei Entitäten erscheinen alle in der Utility-Funktion, und eine Skalierung ist für das Utility sinnvoll. Der coward8217s Ausweg ist nur, um eine Umsatzbeschränkung aufzuerlegen. Der andere Weg ist, zu arbeiten und hart über die Handelskosten. Und wahrscheinlich ein Optimierer verwenden, die eine flexible Spezifikation der Kosten ermöglicht. Problem 7: Risiko - und Alpha-Faktor-Ausrichtungsprobleme Unter den Portfoliooptimierungsliteraten wurde über Alpha-Essen und Faktorausrichtung gesprochen. Das Ganze klingt ernsthaft geeky (sogar zu einem Nerd wie mir). Der Kern davon ist, dass, wenn es Faktoren in den erwarteten Renditen, die nicht Faktoren in das Risikomodell verwendet werden, dann wird der Optimierer denken, dass diese Faktoren sind im Wesentlichen risikolos und verwenden sie zu viel. Eines der wichtigsten 8220solutions8221 dazu ist, die fehlenden Faktoren zum Risikomodell hinzuzufügen. Dies geht natürlich davon aus, dass es Faktoren im erwarteten Rendite-Modell gibt. Ich vermute, dass das eigentliche Problem ist, dass Faktormodelle sind die falsche Technologie als die Varianz-Matrix in Optimierer verwenden. Die Lösung ist also eine bessere Technik. Mein Vorschlag ist es, Ledoit-Wolf-Schätzungen zu verwenden, die zur gleichen Korrelation schrumpfen. Problem 8: Einschränkungen im Weg Das ist das unsichtbare Problem. Es ist keine Sorge für Menschen, weil sie don8217t wissen, sie haben es. Einschränkungen sind vorhanden, damit das Portfolio nichts zu dummes tut. Aber wie viele haben überprüft, um zu sehen, dass die Einschränkungen tun, wie beabsichtigt Die 8220the8221 im Titel ist natürlich Huckster Unsinn 8212 Ich don8217t wirklich wissen, welche Probleme oben sind. Welche anderen Probleme sind in der laufenden Appendix R Portfolio-Optimierung in R Viele der kommerziellen Portfolio-Optimierer haben eine R-Schnittstelle. Dazu gehört natürlich auch Portfolio Probe. Es gibt eine Reihe von mehr oder weniger naiven Portfolio-Optimierung Implementierungen in R, die beigetragen haben. Weitere Informationen finden Sie in der Empirical Finance-Task-Ansicht. Ledoit-Wolf-Schrumpfung Sie können eine Funktion erhalten, die Ledoit-Wolf-Schrumpfung zur gleichen Korrelation tut, indem Sie (in R): Der erste Befehl, den Sie nur einmal machen müssen (pro Version von R), der zweite, den Sie in jedem R durchführen müssen In der Sie die Funktion verwenden möchten. Es heißt var. shrink. eqcor. Dies stellt standardmäßig sicher, dass der minimale Eigenwert mindestens das 0,001-fache des größten Eigenwerts beträgt. Dies ist eine Möglichkeit, das Faktorausrichtungsproblem zu vermeiden. Es gibt keinen wissenschaftlichen Grund für die besondere Wert der Grenze 8212 fühlen sich frei zu experimentieren und Bericht zurück. Das BurStFin-Paket enthält auch factor. model. stat, das ein statistisches Faktormodell schätzt. Beim Erhalten von Daten von den Beständen, müssen sie von und zu dem gleichen Datum sein, das Daten für ein company8217s Aktien (Firma A) in den Jahren vor Finanzkrise (wenn sie wirklich gut taten) und ein company8217s (Firma B) Aktien in den Jahren in der Rezession Isn8217t ganz nützlich, weil die Portfolio-Optimierung Software-Algorithmus wird die Ausgabe zurückgeben, dass alle Gewichte sollte auf Unternehmen gehen A Right Sie sind in Problem 3 hier: erwartete Renditen sind hart. Wie gesagt, in meinen höheren Momenten reden mit historischen Rückgaben ist in der Nähe völlig nutzlos für die meisten Zwecke. Wie Sie zu Recht betonen, wäre es noch gefährlicher, wenn die historischen Perioden nicht gleich sind (zumindest weitgehend). Vielen Dank für den erleuchtenden Beitrag. Ich interessiere mich besonders für die Macht von R als Investment-Analyse-Tool. Nach erfolgreicher Implementierung des klassischen Portfolio-Optimierungsmodells, suche ich nach einem effizienten Weg, die gesamte realisierbare Investitionsfläche in R (neben der effizienten Investitionsgrenze) zu ziehen. Mein aktueller Ansatz ist es, zufällige Portfolio-Gewichte (gleichmäßig verteilt innerhalb eines Simplex) zu generieren, zu überprüfen, dass Zwänge gehalten werden und plotten sie. Allerdings sind die Diagramme, die ich bekomme, sehr verschieden von denen, die ich als Ausgabe von anderen Programmen (z. B. OptiFolio. ECVaR) gesehen habe. Meine Ergebnisse zeigen eine sehr kleine Wolke von Portfolios. Haben Sie Vorschläge, wie Sie einen detaillierteren realisierbaren Investitionsbereich mit R erzeugen können? Ich vermute, Sie sehen so etwas wie Abbildung 3 der Realisierten effizienten Grenzen. Es scheint, dass typische Portfolios in einem relativ kleinen Teil des machbaren Raums leben. Ich haven8217t jemals versucht zu tun, was Sie tun, so dass ich don8217t wirklich keine Weisheit über das Thema. Ich denke, Sie müssen eine Art von Optimierung mit variierenden Eingaben zu tun. Aber ich sehe es wenigstens im Augenblick. Wenn Sie davon ausgehen können, dass der realisierbare Raum konvex ist, dann ist die 8216chull8217 (wie in 8216convex hull8217) R - Funktion Ihr friend. Energy Portfolio-Optimierung und Handelsstrategien Einleitung Die optimale Gestaltung von Handels - und Portfolio-Management-Strategien nach individuellen Risiko-Renditezielen ist der Schlüssel Für den Erfolg eines Unternehmens im Strom - und Gashandel. Um diese Ziele in praktischer und konsequenter Weise zu erreichen, ist es unerlässlich, mächtige quantitative Ansätze zu nutzen. Unser Kurs Energieportfolio-Optimierung und Handelsstrategien geben Ihnen die notwendigen Kenntnisse und praktischen Erfahrungen, um diese Konzepte erfolgreich in Ihrer Organisation einzurichten und anzuwenden. Der Kurs wird gemeinsam mit unserem Partner KYOS präsentiert. Zielgruppen Dieser Kurs richtet sich an ein breites Spektrum von Fachleuten aus dem Energie - und Finanzsektor, darunter Führungskräfte, Händler, Vermögensentwickler, Portfolio - und Risikomanager sowie Aufsichtsbehörden. Jeder, der ein praktisches Verständnis von Energieportfolio-Optimierung und Handelsstrategien auf der Grundlage bewährter Verfahren entwickeln möchte, wird von dem Kurs profitieren. Der Kurs wird an einem Tag präsentiert, aufgeteilt in Vormittags - und Nachmittagssitzungen. Während der Vormittagssitzung werden die Teilnehmer Hintergrundwissen über die Merkmale der europäischen Energie - und Gasmärkte erwerben. In dieser Sitzung werden relevante Marktstrukturen und Marktliquiditätsfragen sowie Portfoliostrukturen entlang der Lieferkette und die bestehenden Risikopositionen abgedeckt. Darüber hinaus werden wesentliche Ziele des Risikomanagements und der Risikominderung eingeführt. Dazu gehören die Abstimmung der individuellen Risikobereitschaft und der Geschäftsstrategie sowie die Zuteilung von Risikokapital und die Begrenzung von Risiken. Schließlich werden die Teilnehmer über die Merkmale und Mechanismen der spezifischen physischen und finanziellen Vertragsstrukturen lernen, die für die Verwaltung von Energieportfolios erforderlich sind, von standardisierten bis hin zu flexibleren Instrumenten. Die Nachmittagssitzung baut auf dieser Grundlage auf und bietet detaillierte Einblicke in grundlegende und fortgeschrittene Handels - und dynamische Absicherungstechniken in unvollständigen Märkten. Schließlich werden die Kursteilnehmer lernen, wie man Portfolios und Handelsstrategien in der Praxis optimiert und überwacht, basierend auf dem fundierten ökonomischen Nutzenkonzept. Der gesamte Kurs orientiert sich stark an der Anwendbarkeit und bietet zahlreiche Beispiele aus erster Hand und Fallstudien wie die tägliche Energie - und Gasportfolio-Optimierung, Optimale Nutzung von Lager - und Swing-Verträgen, Optimale Handelsstrategien für unsichere erneuerbare Einspeisungen . Für jeden Teilnehmer wird eine Teilnahmebescheinigung ausgestellt. Voraussetzungen Der Kurs erfordert keine spezifischen Vorkenntnisse. Die Instruktoren werden verwendet, um die zugrunde liegenden Konzepte sowie die praktischen Beispiele intuitiv darzustellen. Bitte klicken Sie hier, um unsere Broschüre herunterzuladen (inklusive Kursdetails, Preis, Datum und Ort).