A novel approach for optimal portfolio allocation: Feasible market factor estimation
Optimal portföy tahsisi için yeni bir yaklaşım: Uygulanabilir piyasa faktörü ölçümlemesi
- Tez No: 662446
- Danışmanlar: DOÇ. DR. SEMA DUBE
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Finansal İktisat Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Bu çalışma, faktör temelli kovaryans tahmin çerçevesinde var olan faktör seçimi problemine cevap vermektedir. İlk olarak, büyük ölçekli kovaryans matrislerinin örneklem kovaryans tahmininin, naif çeşitlendirmeye kıyasla optimum varlık tahsisi performansını bozduğu gerçeğini gösteriyoruz. Kovaryans tahmininde, tahmin hatasını azaltmak için varlıklar yerine faktörlerin kullanılması, hem varlık yönetimi endüstrisi hem de akademik evren için optimal varlık tahsis stratejilerini canlı tutmak için vazgeçilmez bir rol oynar. Bununla birlikte, varlık evreninin kovaryans profilini tahmin etmek için gerekli bilgileri kaybetmeden tahmin hatasını olabilecek en düşük seviyeye indirecek optimal faktör sayısını seçmek, yine de örneklem boyutuna veya örneklemin seçildiği zaman periyoduna bağlıdır. Faktör seçimi problemini ortadan kaldırmak için, var olan faktör evreninin varyanslarının toplamını temsil eden tek bir yapay faktör oluşturan yeni bir faktör tabanlı kovaryans tahmin yöntemi olan“Uygulanabilir Piyasa Faktörü (FMF)”ölçümlemesini öneriyoruz. Önerilen yaklaşımın performansını, portföyün performans oranları açısından PCA, tek ve çok faktörlü ve varyans-kovaryans tahmin yöntemleriyle karşılaştırıyoruz. Ampirik sonuçlar, FMF'nin diğer faktör tabanlı ve varyans- kovaryans tahmin yöntemlerinden özellikle varyansı veya yarı varyansı en aza indiren portföyler için; Sharpe ve Sortino oranları açısından daha iyi performans gösterdiğini göstermektedir. Ayrıca, FMF metodolojisine Autoregressive Markov Rejim Değiştirme modelini adapte ederek ve Maksimum Sharpe Oranı (MSR) portföyünün performansını iyileştiren yeni bir varlık dağılım stratejisi öneriyoruz.
Özet (Çeviri)
This study gives the answer to the factor selection problem existing within the factor based covariance estimation framework. First, we illustrate the fact that the sample covariance estimation of the large scaled covariance matrices deteriorates the performance of the optimal asset allocation compared to naive diversification. Employing factors instead of assets into covariance estimation plays heroic role to lower estimation error and keep optimal asset allocation strategies alive for both asset management industry and the academic universe. However, choosing the optimal number of factors to reduce the estimation error to the rock bottom while not losing required information to estimate covariance profile of the asset universe, is still either sample size or time period dependent. To eliminate factor selection problem, we proposes a novel factor-based covariance estimation method,“Feasible Market Factor (FMF)”estimation, which generates a single artificial factor representing the sum of the individual variances of the observed factor universe. Under various constraint setting we compare the performance of the proposed approach to PCA, single and multi-factor and sample covariance estimation methods in terms of portfolio's performance ratios. Empirical results illustrate that FMF outperforms other factor based and sample covariance estimation methods in terms of Sharpe and Sortino ratios especially for the portfolios minimizing either variance or semi-variance. To also improve performance of the optimal portfolios maximizing return with given volatility, we implement the Autoregressive Markov Regime Switching model within FMF framework and enhance the performance of Maximum Sharpe Ratio (MSR) portfolio compared to CAPM.
Benzer Tezler
- Deep reinforcement learning approach for trading automation in the stock market
Hisse senetlerinde işlem otomasyonu için derin güçlendirme öğrenme yaklaşımı
TAYLAN KABBANİ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
Prof. Dr. EKREM DUMAN
- A test of black-litterman portfolio optization ; Evidences from BİST
Black-litterman portföy optization bir test; BIST dan kanıt
FARSHAD MİRZAZADEH BARİJOUGH
Yüksek Lisans
İngilizce
2014
MaliyeBahçeşehir ÜniversitesiSermaye Piyasaları ve Finans Ana Bilim Dalı
PROF. DR. MEHMET HASAN EKEN
- Dinamik ortamlar için istatiksel metotlar kullanan çoklu evrimsel algoritmalar
Multiploid evolutionary algorithms with statistical methods for dynamic environments
EMRULLAH GAZİOĞLU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- İnvolüsyonel sinir ağları ile hiperspektral verilerin analizi
Analysis of hyperspectral data with involutional neural networks
MÜCAHİT CİHAN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT CEYLAN