거래 전략 평가를위한 무작위 포트폴리오

거래 전략 평가를위한 무작위 포트폴리오.
패트릭 번즈.
개요 : 무작위 포트폴리오는 거래 전략이 우연보다 잘 수행된다는 통계적 테스트를 제공 할 수 있습니다. 전략의 각 실행은 기술이없는 것으로 알려진 다수의 일치하는 임의 실행과 비교됩니다. 중요하게도, 이 유형의 백 테스트는 전략이 작동하는시기와 실행되지 않는시기를 보여줍니다. 이 방법으로 라이브 포트폴리오를 모니터링 할 수도 있습니다. 이를 통해 정보에 입각 한 의사 결정을 내릴 수 있습니다. 지렛대 효과의 변화와 같은 실시간으로 작성해야합니다.

거래 전략 평가를위한 무작위 포트폴리오.
16 Pages 게시 됨 : 2006 년 2 월 8 일
패트릭 번즈.
작성 날짜 : 2006 년 1 월 13 일.
무작위 포트폴리오는 거래 전략이 우연보다 잘 수행한다는 통계적 테스트를 제공 할 수 있습니다. 전략의 각 실행은 기술이없는 것으로 알려진 다수의 일치하는 임의 실행과 비교됩니다. 중요한 것은 이러한 유형의 백 테스트는 전략이 작동하는시기와 그렇지 않은시기를 보여줍니다. 이 방법으로 라이브 포트폴리오를 모니터링 할 수도 있습니다. 이를 통해 레버리지 변화와 같은 정보에 근거한 결정을 실시간으로 수행 할 수 있습니다.
키워드 : 투자 기술, MACD, 성과 측정.
Patrick Burns (연락처 작성자)
번즈 통계 ()
4-B Jodrell Road.
+44 0 20 8525 0696 (전화)
종이 통계.
관련 전자 잡지.
위험 관리 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
권장 논문.
빠른 링크.
약.
쿠키는이 사이트에서 사용됩니다. 거부하거나 더 자세히 알아 보려면 쿠키 페이지를 방문하십시오. 이 페이지는 0.141 초 내에 apollo7에 의해 처리되었습니다.

무작위 포트폴리오로 거래 전략 평가.
지난 몇 달 동안 활성 자산 관리가 공격 받고 있습니다. 헤지 펀드는 가격이 비싸고 실적이 저조한 것으로 분류되어 좌우로 셧다운되어 있으며 저비용 수동 뮤추얼 펀드와 ETF에 대한 자본을 잃고 있습니다. 액티브 뮤추얼 펀드는 수동적 인 상대방에게도 부정적인 영향을 미치고 있습니다. 워렌 버핏 (Warren Buffet)은 행운의 원숭이 선지자로 연속해서 좋은 기록을 갖고있는 헤지 펀드 매니저를 지칭하기까지했다.
전략 개발에서 임의 포트폴리오 관리자를 돕는 직접 경험을 가진 대부분의 퀀트 실무자는 뷔페가 어디에서오고 있는가에 대한 감각을 가지고 있습니다. 장기간 포트폴리오 매니저와 함께 하루 일과 종일 근무한 후에는 필연적으로 그가 중요하다고 생각하는 시장 요인, 위험 / 보상 상충 관계의 균형, 궁극적으로 어떻게 거래 의사 결정을 내릴지에 대한 이해가 필연적으로 발전 할 것입니다. 경력을 쌓으면 수십 명의 포트폴리오 관리자와 일할 수있는 기회가 생길 수 있으며 진정한 알파 소스를 찾고 진정한 기술을 보유하고 있음을 납득시킬만한 것들이 있습니다.
불행히도 이들 포트폴리오 관리자 모두에게 아홉 명의 다른 사람들이 있습니다. 다른 녀석, 내가 무슨 뜻인지 아나? 그는 하루에 16 시간 일하는 상인이고, 상사와의 얼굴없는 시간을 놓치지 않으며, 주위의 모든 사람들을 지배하고, 트럼프 대통령을 수치스럽게 만들고, 준비가되어있는 것처럼 옷을 입는 자신의 거래 능력에 자신감을 갖습니다. 캐주얼 워크를 천천히 내려다 보며 전통적인 계층 구조의 기업 작업장 구조를 즐기며 자신의 직함이 비즈니스 및 국제 CEO 파트너의 글로벌 MD 책임자임을 상기시키는 데 열을 올립니다. 그는 20 년 이상 이것을 해왔다. 당신은 타입을 알고 그것을 & # 8230; 이 녀석은 나쁜 모습을 좋아 보이게 만듭니다. 그러나 수개월로 뒤바뀐 수 개월간의 격렬한 노력으로 그와 나란히 일한 후에는 옳지 않은 것이 있음을 알게 될 수밖에 없습니다. 모든 광란에도 불구하고, 이 사람은 정말로 그가 무엇을하고 있는지 전혀 모른다. 그는 어떤 증권을 매매할지 결정하기 위해 한 쌍의 주사위를 굴릴 수도 있습니다.
그러한 상인과 합법적 인 알파 생성자를 어떻게 구별 할 수 있습니까? 실제로이 작업을 수행하는 가장 일반적인 방법 중 하나는 벤치마킹이나 동료와 비교하여 자신의 실적을 측정하는 것입니다. 그러나 이것은 종종 비교의 오렌지 스타일로 사과로 연결됩니다. 위험에 의해 머물기 위해 요구되는 것과 동일한 제약 조건을 갖고 있지만 무작위로 거래 규칙을 작성한 전략과 비교할 때 그가 얼마나 잘 수행 하는지를 이해하는 하나의 대안. 다시 말해 Warren Buffet의 원숭이 그룹을 모아 우리가 상인에게주는 것과 동일한 규칙으로 게임을하도록 요청하면 상인과 비교했을 때 상인이 얼마나 잘 수행 할 수 있습니까?
우리는 간단한 예제와 관련하여 무작위 포트폴리오 기반 성능 메트릭을 설계하는 방법에 대한 데모를 제공합니다. 아래 그림을 생성하는 후속 섹션에서 설명한 Monte Carlo 시뮬레이션을 실행하는 Python 코드는 Github에서 사용할 수 있으며 이러한 아이디어를 보여주기 위해 사용하는 S & amp; P100 인덱스의 주식 데이터입니다.
올스타 주식 거래자?
2010 년 1 월 1 일이고 헤지 펀드를 운영하고 새로운 올스타 거래자를 고용했다고 가정합니다. 그는 자신의 전문 기술이 다년간의 대규모 캡 주식 매입에 불과하며 헤지 또는 시장 중립적 인 전략을 믿지 않는다고 주장한다. 이 정보가 주어지면 S & P 100에서 선택한 10 개의 주식 중 모든 자본을 오늘 배포 할 것을 요청합니다. 그러면 그는 다음 6 년 동안 구매 / 보관 전략을 따라야하며 위험 팀이 위험을 모니터링합니다 프로필 및 그의 책의 성능을 매일.
그런 다음 1 년 후에는 11 %를 반환하고, 3 번째의 14.5 %는 연간 계산 한 후 6 년 후 12 %의 연간 수익률로 수준을 조정합니다. 트레이더가 정기적으로 당신의 신용, FX 및 스왑 팀을 분쇄하고 회사를 소지하고 있으며 현재 AUM을 두 배로 늘려야한다고 상상합니다. 자본 확충 여부를 결정하기 전에이 PM의 성과를 어떻게 평가할 수 있습니까?
그를 포트폴리오에서 주식을 선택한 광범위한 S & amp; P100 시장의 실적과 비교할 수는 있지만 좀 더 맞춤화 된 것을 시도 할 것입니다. 이를 염두에두고 우리는 그가 인덱스 구성 요소에서 주식을 무작위로 선택하여 건설 한 매수 / 유지 거래 전략과 비교하는 방법을 결정합니다.
무작위 포트폴리오 몬테카를로 시뮬레이션.
먼저 인덱스에서 10 개의 주식의 무작위 부분 집합을 선택하고 구성 요소가 i. i.d 인 정규화 된 가중치 벡터를 생성합니다. 표준 균일 분포를 사용합니다. 그런 다음 각 주식의 간단한 수익률을 계산하고 가중치를 적용하여 포트폴리오의 일일 수익률을 찾습니다. 이를 바탕으로 252 일간의 전환 확인 기간을 사용하여 연간 수익률, 변동성 및 Sharpe 비율을 추정하고 결과 Sharpe 비율 시계열을 저장합니다. 그런 다음이 과정을 10,000 번 반복합니다. 마지막으로, 우리는 6 년의 유지 기간에서 각 날과 관련된 10,000 점 세트의 평균 및 표준 편차를 계산하고 아래 그림의 평균 시리즈를 파란색으로 표시하고 평균의 양쪽에 2 표준 편차 시리즈를 회색으로 표시합니다 .
우리가 주목하는 첫 번째 사실은 우리의 무작위 포트폴리오가 아주 잘되었음을 들었을 때입니다. 거래 기간의 절반 이상 동안 Sharpe Ratio가 1보다 높았으며 전년 동기 대비 반감이 거의 없었습니다. 그러나, 상부 및 하부 회색 오차 곡선 사이의 거리는 아주 작다는 것을 또한 주목한다. 거의 제로에서 샤프 비율 약 0.5까지이며 평균 값은 약 0.2입니다. 즉, 10 개 종목으로 구성된 모든 매수 / 유지 거래 전략의 95 %가 언제든지 평균 전략의 Sharpe 비율의 0.1 이내의 평균 수익률을가집니다. 이것은 모든 거래 전략이 서로 밀접하게 관련되어있는 것으로 보이는 것처럼 상인이 자신을 구별하는 것을 어렵게 만듭니다.
이 거래 전략에 대한 몇 가지 자세한 통계 및 성과 측정 방법을 살펴 보겠습니다. 그러나 이제는 6 년 전체 시간대를 고려하고 상인이 보유 할 수있는 유가 증권 수를 변경하십시오. 첫째, 각 무작위 포트폴리오의 누적 수익률 시리즈의 마지막 포인트를 가져 와서 연간 화합니다. 그런 다음 히스토그램을 플롯하고 히스토그램 상단에 커널 밀도 추정치를 오버레이하는 seaborn의 dist_plot 함수를 사용하여 2, 5, 20, 50 및 95 증권 포트폴리오에 대해 동일한 실험을 반복하고 결과를 아래 그림에 플로팅하십시오.
유가 증권의 수를 늘리면 예상 연간 수익률 분포의 분산이 어떻게 감소하는지 주목하십시오. 이것은 우리가 포트폴리오에 보유해야하는 증권이 많아 질수록 수익률이 20 % 이상 높아지기가 더 어려워진다는 것을 보여줍니다. 우리의 올스타 트레이더의 12 % 수익률은 그가 주장하는 것만 큼 인상적이지 않습니다. 특히 그는 10,000 마리의 원숭이 군대의 결과와 비교했을 때 대략 20-30 % 정도입니다.
그런 다음 이러한 전략의 연간 변동성이 어떻게 분산되는지 살펴 봅니다. 특히, 우리는 롤링 윈도우에서 각 무작위 포트폴리오의 수익률의 표준 편차를 계산 한 다음 계수를 곱하여 연간로 변환 한 다음 다양한 수의 증권에 대해 반복하고 아래 결과를 표시합니다.
배포판이 오른쪽으로 비뚤어져 있습니다. 14 % 이하의 저축을 달성하는 것은 매우 어렵고, 대부분의 전략은 15-16.5 %의 변동성을 보이며, 22 % 이상의 고액 증권을 보유한 전략은 몇 가지 있습니다. 선택한 주식의 수가 증가함에 따라 이러한 분포가 어떻게 현지화되는지에 주목하십시오. 이는 더 큰 포트폴리오의 다양 화 이점에 대한 시연을 제공합니다.
위의 두 예제의 각각에 대한 변동성으로 연간 수익률을 나눠서 각 시뮬레이션에 대한 Sharpe 비율 분포를 플로팅합니다.
아주 적은 전략은 14 %보다 낮은 vol를 가지며 vol가 2+ Sharpe 비율이 높은 전략을 허용 할 수있을만큼 작지 않도록합니다. 또한, vol 분포의 오른쪽 비대칭은 Sharpe Ratio 분포에서 왼쪽 절반의 비뚤어 짐을 만듭니다. 이 플롯에서 볼 때 우리는 모델의 제약 조건 내에서 성능이 좋지 않은 전략을 구성하는 것이 처음부터 그렇게하더라도 그렇게 어렵다는 것을 알 수 있습니다. 특히 샤프 비율의 대다수는 0.8 ~ 1.0의 상당한 범위 내에 있습니다.
마지막으로 시뮬레이션 된 각 전략의 피크 - 트로프 (peak-to-trough) 드롭 다운을 계산하고 아래 결과를 그립니다.
결과는 일반적으로 최대 삭감이 15-20 % 범위에있는 것처럼 좋지 않습니다. 참지 못하는 상황이 존재하지 않는다면 전략은 오히려 최대 하락폭이 5 %를 넘기 시작하면 매점에서 중단되는 경향이 있습니다.
제한, 확장 및 결론.
위의 내용은 실제로 구현하기에는 합리적이지 않은 간단한 예입니다. 특히 헤지 펀드에서 실행되는 대부분의 주식 전략은 포트폴리오 매니저가 시장 또는 개별 섹터에 대해 방향성을 갖는 베팅을하지 못하게하는 엄격한 베타 한도의 길고 짧은 시장 중립적입니다. 또한 다양한 주파수에서 활성 거래가 구매 / 보류 전략보다 현실적입니다. 그러나, 포트폴리오 매니저가 거래하는 증권 집합, 그의 전략에 대한 위험 제약 및 그의 거래 행태의 거친 모델을 고려할 때, 거래 스타일을 최대한 가깝게 잡으려고하는 랜덤 포트폴리오의 관련 몬테카를로 시뮬레이션을 구성 할 수 있습니다 또한 거래 비용 및 시장 영향과 같은 추가 기능을 설명합니다. 이를 통해 전략의 성능을 평가할 수있는 추가 성능 메트릭을 구성 할 수 있습니다.
이 공유:
steve98654에 의해 게시 됨.
소식 탐색.
3 가지 생각 & ldquo; 무작위 포트폴리오로 거래 전략 평가하기 & rdquo;
나는이 웹 사이트를 아주 좋아하는데 아주 유익한 것 같다.

포트폴리오 프로브.
금융의 무작위 포트폴리오.
이 페이지는 다음 섹션으로 구분됩니다.
무작위 포트폴리오는 자금 관리에 혁명을 일으킬 힘이 있습니다. 당신은 그것이 그들이 밀교적이고 복잡해야 함을 의미한다고 생각할 수도 있습니다. 너는 틀릴거야 & # 8212; 아이디어는 매우 간단합니다.
임의의 포트폴리오를 가지려면 포트폴리오에 부과 할 수있는 일련의 자산과 일련의 제약이 필요합니다. 임의의 포트폴리오 집합은 모든 제약 조건을 준수하는 포트폴리오의 표본입니다.
그림 1은 3 가지 자산의 장난감 문제에 대한 샘플링 영역 (가중치)을 보여줍니다. 제약 조건은 다음과 같습니다.
45 % 이상의 최대 휘발성보다 길지는 않습니다.
휘발성 제약 조건은 비선형 적이므로 해당 제약 조건에 해당하는 경계는 비선형 적입니다.
그림 1 : 몇 가지 제약 조건이있는 허용 가능한 가중치
원숭이와 남자, 다트.
무작위 포트폴리오의 가장 친숙한 형태는 주식 시장 다트 판 게임입니다. 인간이나 원숭이는 하나 또는 몇 개의 자산을 선택하기 위해 다트를 던집니다. 다트를 통한 선택은 전문가 선택과 비교됩니다. 이것은 재미 있고 거의 대단한 접근이지만 두 가지 결점이 있습니다.
첫 번째 실패는 전문가가 임의의 선택을 능가하는지 만 알아낼 수 있다는 것입니다. 우리는 전문가가 수행하는 무작위 추출의 몇 분량을 보지 못합니다. 진정으로 정보를 얻으려면 100 개 이상의 무작위로 선택해야합니다.
두 번째 실패는 다트가 어떤 제약 사항에도 복종하지 않는다는 것입니다. 이것은 전문가들이 제약 조건을 갖지 않는 신문 경연 대회에서 공평합니다. 그러나 실제 펀드에는 제약이 있습니다. 펀드와 제약 조건을 무작위 적으로 비교하는 것은 펀드를 불리하게 만든다.
성능 측정.
성능 측정을 위해 무작위 포트폴리오를 사용하는 두 가지 방법이 있습니다 : 정적 방법과 쉐도 잉 방법. 왜 벤치 마크를 통한 성능 측정이 열악한 지 알 수 있습니다.
정적 메서드.
정적 방법에서는 기간 초기에 제약 조건을 따르고 해당 기간 동안 포트폴리오를 보유하고 기간에 대한 수익률을 찾는 일련의 무작위 포트폴리오를 생성합니다. 펀드의 백분위 수는 더 큰 수익을 가진 임의의 포트폴리오의 백분율입니다. (성과 측정의 관행은 0 백분위 수에 가까워 좋고 100 백분위 수에 가까운 것이 좋지 않습니다.)
그림 2는 예제입니다. 무작위 포트폴리오의 수익 배분을 파란색으로 표시하고 펀드를 금으로 반환합니다. 이 경우 기금이 잘 수행되지 못했습니다.
그림 2 : 성능 측정의 정적 방법.
이는 피어 그룹의 성능 측정과 매우 유사합니다. 두 경우 모두 단일 기간을 사용하고 있으며 두 경우 모두 펀드와 다른 가능성을 비교하고 있습니다. 일부 중요한 차이점이 있습니다. & # 8212; 우리는 두 가지를 강조합니다.
피어 그룹에서 대안은 다른 유사한 펀드들입니다. 관심있는 기금에. 원칙적으로 같은 제약 조건을 가진 자금 만 사용됩니다. 반면에 우리는 더 많은 정확성을 얻기 위해서 많은 동료를 원합니다. 그래서 작은 피어 그룹 대 큰 피어 그룹에게는 반대 세력이 있습니다. 임의의 포트폴리오에는 이러한 긴장감이 없습니다. & # 8212; 우리는 우리가 원하는만큼 많은 임의의 포트폴리오를 생성 할 수 있습니다.
피어 그룹에서 더 심각한 문제는 결과가 의미하는 바를 알지 못한다는 것입니다. 우리는 우리의 기금이 동료들 중 10 %를 제외한 모든 사람들보다 낫다면, 우리 펀드의 기술은 대략 동료들 사이에서 10 번째 백분위 수에 있다고 믿을 것입니다. 이것은 기술의 차이가 행운의 차이를 지배한다고 가정합니다. 그러한 가정은 정당화 될 것 같지 않다. 특히 펀드에 기술이없는 경우 (또는 모든 펀드가 동등한 기술을 보유하고있는 경우), 우리 펀드는 행운의 10 번째 백분위 수입니다. & # 8212; 측정에는 정보가 전혀 포함되어 있지 않습니다. 번즈 (Burna, 2007a)는이 논점을 확장했다. Surz (2006, 2009)는 또래 집단에 대한 추가 문제에 대해 논의합니다.
음영 처리 방법.
임의의 포트폴리오에 대한 정적 방법은 동료 그룹보다 유익합니다. 그러나 그것은 여전히 ​​다소 일반적인 정보입니다.
실적은 & # 8212; 루트에서 & # 8212; 의사 결정에 관해서. 섀도 잉 방법의 아이디어는 무작위 거래를 사용하여 펀드가 취하는 결정을 모방하는 것입니다. 이를 통해 의사 결정 프로세스의 가치에 대한 훨씬 더 명확한 그림을 얻을 수 있습니다. 예제는 성능 측정 응용 프로그램 페이지에서 설명합니다.
벤치 마크.
기금은 펀드의 일련의 수익률과 벤치 마크의 수익률을 비교하여 벤치 마크와 비교 판정됩니다. 이 방법에는 몇 가지 문제점이 있습니다. 중요한 것은 좋은 펀드가 실제로 벤치 마크보다 낫다는 것을 결정하는 데 걸리는 시간입니다. & # 8212; 아마도 수십 년이 걸릴 것입니다.
이상적인 환경에서 이러한 테스트의 힘은 Burns (2007a) 및 # 8212; 예외적 기술이라 할지라도 합리적인 힘을 얻으려면 몇 년이 필요합니다. 그러나 벤치 마크를 물리 치는 어려움이 일정하지 않기 때문에 현실은 이상보다 훨씬 나쁩니다. 벤치 마크에서 가장 가중치가 큰 자산이 비교적 잘 수행되면 벤치 마크를 이길 수 없을 것입니다. 반대로, 가중치가 가장 높은 자산의 실적이 상대적으로 낮 으면 벤치 마크를 이겨내 기가 쉽습니다. Kothari와 Warner (2001)는 이것을 논의한다.
<그림 3>은 S & P 500 지수가 벤치 마크 기준 인 펀드의 비율을 보여 주며 매년 벤치 마크에서 우위에있다. '무작위 포트폴리오를 통한 실적 측정'에서 이에 대한 구체적인 내용을 참조하십시오. 비교가 의미 있다고 믿기 위해서는 펀드 매니저가 그룹으로 & # 8212; 몇 년 동안 가난했고, 갑자기 3 년간 좋았으며, 다시 가난하게되었다.
도표 3 : S & amp; P 500의 벤치마킹 된 펀드 비율은 해마다 outperforming.
Burns (2007b)는 시장 평론가의 권장 사항을 테스트하는 약간 다른 환경에서 성과 측정에 대해 논의합니다.
테스트 트레이딩 전략.
펀드 매니저 및 잠재적 펀드 매니저는 거래 전략을 결정할 때 여러 가지 문제에 직면합니다. 여기에서는 두 가지를 살펴 보겠습니다.
본질적으로 잘못된다는 문제와 옳은 문제가 있습니다.
데이터 스누핑은 전략이 실제보다 훨씬 나아 보이게합니다. 왜, 당신이 완전히 무작위였던 1000 가지 거래 전략을 시도했다고 가정 해 봅시다. 최선을 다한 사람이 합리적으로 좋을지도 모릅니다. 다행히 투자 관리자가 완전히 임의의 전략을 시도하지는 않을 것이지만 선택 편견은 여전히 ​​존재할 것입니다.
유사한 모델이 여러 회사에서 많은 돈을 관리하는 데 사용되고 있다면 해당 모델을 사용하는 펀드 매니저는 시장에서 극적인 움직임을 겪을 수 있습니다. 이것은 2007 년 8 월에 많은 사람들에게 분명하게 나타났습니다. 위기가 발생하지 않으면 이것이 일어나고 있다고 말하기 어렵습니다.
무작위 포트폴리오는 첫 번째 문제에 도움이 될 수 있으며, 두 번째 문제에 도움이 될 수 있습니다.
트레이딩 전략은 위에 설명 된 섀도 잉 방법을 사용하여 테스트 할 수 있습니다. 성능 측정과 거래 전략 테스트 간에는 한 가지 중요한 차이점이 있습니다. 거래 전략을 테스트 할 때 우리는 다양한 시작 포트폴리오를 사용하여 여러 차례 섀도 잉 프로세스를 수행하려고합니다.
이 테스트 프로세스는 성공적인 전략에 대한 훨씬 더 엄격한 정의가 있기 때문에 데이터 스누핑의 영향을 줄입니다. 펀드 매니저는 여전히 시장 행동의 변화에 ​​취약하지만 역사적 기간에 대한 잘못된 해석의 영향을 훨씬 덜받습니다.
무작위 포트폴리오를 이용한 테스트는 기술로 인해 일시적인 신호를 더 받아들이 기 쉽기 때문에 무리지기를 줄일 수 있습니다.
합리적인 투자.
현재의 관행은 합리적이지 못하다.
오류 제약 조건 성능 비용 제약 조건 범위를 추적합니다.
오류 제약 조건 추적.
많은 위임 사항은 벤치마킹에서 투자 관리자에게 벤치 마크와 최대 추적 오류를 부여합니다. 이것은 여러 측면에서 낭비입니다.
거의 모든 경우에 투자자는 매우 낮은 관리 수수료로 벤치 마크를위한 인덱스 펀드를 구입할 수 있습니다. 인덱스 펀드와 밀접한 상관 관계가있는 펀드를 운영하기 위해 적극적인 매니저를 고용하면 어떤 이점이 있습니까?
관리자가 추가 관리 비용 이상으로 벤치 마크보다 우위에 있지 않으면 분명히 이점이 없습니다. 관리자가 일관되게 벤치 마크를 능가하는 스킬을 보유하고 있다면 스킬을 훨씬 더 잘 활용할 수 있습니다. 숙련 된 펀드 매니저는 일반적으로 추적 오류 제약 조건이 제거되면 더 높은 수익을 얻을 수 있어야합니다.
투자자가 지수에 돈을 가지고 있다고 가정 할 때, 제약이없는 관리자의 높은 수익도 더 가치가있을 것입니다. 그 밖의 모든 것이 평등하다면, 적극적인 펀드가 지수와의 상관 관계가 낮을수록 좋습니다. 이것은 큰 추적 오류와 동일 함이 밝혀졌습니다. 즉, 합리적인 것은 최대 트래킹 에러 제약이 아닌 최소 트래킹 에러 제약을 부과하는 것이다.
최대 추적 오차 제한이있는 이유는 펀드 매니저가 성과를 거두고 있는지 잘 볼 수 있다는 환상을 갖기 위해서입니다. 벤치 마크를 사용하여 실제로 말할 수는 없지만 추적 오류 제한이없는 경우에도 임의의 포트폴리오를 사용하여 알 수 있습니다. 임의의 포트폴리오는 어떤 추적 오류가 있더라도 성능 측정을 위해 똑같이 잘 작동합니다.
성과 수수료.
성과 수수료가있는 경우 벤치마킹을 기준으로 벤치 마크를 적용하는 것은 좋지 않습니다. 그림 3에서 알 수 있듯이 펀드 매니저와 투자자가 대주주 성과가 더 좋을지에 대한 베팅이 대부분이다. 스킬과 관련이 거의 없습니다.
보다 합리적인 목표는 펀드의 제약 조건을 따르는 일련의 무작위 포트폴리오의 평균 수익률입니다.
제약 조건 효과.
우리는 임의의 포트폴리오를 사용하여 제약 경계가 무엇인지 합리적으로 결정할 수 있습니다. 제약은 습관적으로 부과되고 잃어버린 것에 대한 감각없이 부과됩니다.
그림 4는 제약 조건의 분석 예를 보여줍니다. 시간에 따른 실현 된 유틸리티의 밀도는 특정 제약 조건 세트 (금)에 대해 그리고 그러한 제약 조건과 변동성 제약 조건 (파란색)에 대해 표시됩니다. 정상 시장 시간 동안 우리는 변동성 제약에 대해 상당히 무관심 할 것입니다. 그러나 2008 년의 열악한 시장 상황에서 변동성의 제약은 매우 중요했습니다.
도표 4 : 2007-2008 년에 강제의 효력.
무작위 포트폴리오의 추가 사용.
임의의 포트폴리오를 추가로 사용하는 방법이 많이 제시되었지만 아직 많은 응용 프로그램이 발견되지는 않았습니다. 여기 몇 가지 추가 사용법을 설명합니다.
위험 모델 평가.
무작위 포트폴리오는 리스크 모델을 통해 수행 할 수있는 현실적인 포트폴리오를 생성 할 수있는 수단을 제공합니다. 위험 모델을 서로 비교하거나 개별 모델을 취약한 부분에 대해 테스트 할 수 있습니다.
그림 5는 일부 120/20 포트폴리오의 리스크 모델의 변동성 예측과 실현 된 변동성의 비교 예를 보여줍니다. 많은 수의 무작위 포트폴리오에 걸쳐 예측 된 변동성과 실현 된 변동성 간의 상관 관계가 계산되었습니다.
그림 5 : 예측 된 변동성과 실현 된 변동성의 상관 관계.
일반 퀀트 도구.
무작위 포트폴리오는 포트폴리오와 관련된 거의 모든 양적 연습에 사용될 수 있습니다. 일부 용도의 목록은 퀀트 리서치 어플리케이션 페이지에 있습니다.
무작위 포트폴리오의 아이디어는 새로운 것이 아닙니다. 조기 사용은 & nbsp; 선택된 프로그램 포트폴리오 & # 8221; 1970 & # 8217;의 Batterymarch Financial Management의 Dean LeBaron과 동료에 의해. 1965 년 제임스 로리 (James Lorie)가 미국 통계 연맹 (American Statistical Association) 연설에서 더 일찍 사용했다는 사실은 Mark Twain으로 시작하고 St. Tropez에서 끝나는 연설은 모두 좋지 않을 수 있습니다.
그 시점에서 임의의 포트폴리오는 계산 능력을 늘리고있었습니다. 전산 속도는 더 이상 적합한 기술로는 심각한 문제가 아닙니다.
몇 가지 기술 포인트.
통계적 부트 스트랩 및 무작위 순열 테스트는 지난 수십 년 동안 급격하게 변화된 데이터 분석 기술입니다. 임의의 포트폴리오가 사용되는 방식에 따라 일반적으로 이러한 기술 중 하나와 동일합니다.
성능 측정을 위해 무작위 포트폴리오를 사용하는 것은 임의 치환 테스트를 수행하는 것과 유사합니다. 그림 5에서와 같이 제약 경계의 영향을 조사하는 방법은 부트 스트랩을 사용할 수있는 방법과 비슷합니다.
유일한 차이점은 제약 조건 때문에 임의의 포트폴리오를 계산하기가 더 어렵다는 것입니다.
토론.
선임 컨설턴트는 PIPOD에 대한 몇 가지 사례를 발표했습니다. 이것이 구체적으로 하나의 구현이지만, 대부분의 논평은 일반적으로 임의의 포트폴리오에 적용됩니다.
무작위로 임의의 포트폴리오를 생성하는 것조차 유용 할 수 있습니다. 이러한 사례로는 Mikkelsen (2001); Kritzman and Page (2003) 및 Assoé, L & # 8217; Her and Plante (2004)를 참조하십시오. Kothari와 Warner (2001)는 지수에 대한 벤치마킹은 문제가 있으며, 그 기법은 무작위적인 포트폴리오를 포함한다는 것을 보여줍니다.
다음 제품은 서로 독립적으로 작성되었으며 Portfolio Probe 만 Burns Statistics와 연결됩니다.
번스 통계의 포트폴리오 프로브. 이것은 포트폴리오의 변동성을 제한하는 매우 중요한 제약을 포함하여 광범위한 제약이 있습니다.
PPCA Inc. 의 POD 및 PIPOD
참조.
Assoé, Kodjovi, Jean-François L & # 8217; Her and Jean-François Plante (2004). & # 8220; 실제로 투자 선택의 계층 구조가 있습니까? & # 8221; hec. ca/cref/pdf/c-04-15e. pdf.
Bridgeland, Sally (2001). & # 8220; 프로세스 속성 & # 8212; 포트폴리오 구축 기술을 측정하는 새로운 방법 & # 8221; 저널 자산 관리.
Burns, Patrick (2006). 임의의 포트폴리오로 포트폴리오 분석 (주석이 달린 프리젠 테이션 슬라이드의 pdf)
Burns, P. (2006). 실적 측정을위한 무작위 포트폴리오 & # 8221; 최적화, 계량 경제 및 재무 분석 E. Kontoghiorghes 및 C. Gatu, 편집자. 뛰는 사람.
Dart to the Heart와 매우 유사한 버전을 사용할 수 있습니다.
칼, 피터와 브라이언 피터슨, 크리스 버트 (2010). & # 8220; 비즈니스 목표 및.
복잡한 포트폴리오 최적화 & # 8221; R / Finance 자습서.
Daniel, G., D. Sornette 및 P. Wohrmann (2008). & # 8220; 포트폴리오 실적 평가에서 앞선 벤치 마크 바이어스 & # 8221; SSRN의 작업 보고서.
Dawson, Richard 및 Richard Young (2003). 거의 균등하게 분포 된, 확률 론적으로 생성 된 포트폴리오 & # 8221; Stephen Satchell과 Alan Scowcroft가 편집 한 포트폴리오 구축 및 구현의 발전 버터 워스 - 하인 만.
Elton, E. J., M. J. Gruber, S. J. Brown 및 W. N. Goetzmann (2003). 현대 포트폴리오 이론 및 투자 분석, 6 판 (24 장, 포트폴리오 성과 평가).
Kothari, S. P. 및 Jerold Warner (2001). & # 8220; 뮤추얼 펀드 성과 평가 & # 8221; 저널 오브 파이낸스는 SSRN에서 근무하고 있습니다.
Kritzman, Mark and Sébastien Page (2003). & # 8220; 투자 선택의 계층 구조 & # 8221; 포트폴리오 관리 저널 29, 4, 11-23 페이지.
Mikkelsen, Hans (2001). & # 8220; 예상 수익과 베타의 관계 : 임의 리샘플링 접근법 & # 8221; SSRN 논문.
Shaw, William (2010) & # 8220; 일반적인 투자자 위험 - 수익 목표 및 임의 수익 분배를위한 몬테카를로 포트폴리오 최적화 : Long-Only 포트폴리오를위한 솔루션 & # 8221; SSRN 버전.
시몬, 티보 (2010). & # 8220;에 기초한 주식 포트폴리오에 대한 경험적 연구.
다양성 및 위험에 대한 혁신적인 조치 " 석사 논문.
Stein, Roberto (2012). & # 8220; 무작위성에 속지 않는다 : 무작위 포트폴리오를 사용하여 투자 자금 분석하기 & # 8221; SSRN 버전.
Surz, Ron (1994). & # 8220; 포트폴리오 기회 배포 : 실적 평가의 혁신 & # 8221; Journal of Investing.
Surz, Ron (1996). & # 8220; 포트폴리오 기회 배포 : 벤치 마크 및 피어 그룹 문제 해결 & # 8221; 저널 성능 측정.
Surz, Ron (1997). & # 8220; 세계 성과 평가 및 주식 스타일 : 포트폴리오 기회 배포 소개 & # 8221; 지분 스타일 관리 핸드북. Frank Fabozzi Associates.
Surz, Ron (2004). & # 8220; & # 8216; 헤지 펀드에는 알파가 있습니다 & # 8217; 테스트 할 가치가있는 가설입니다. & # 8221; Albourne Village 도서관.
Surz, Ron (2005). & # 8220; 가설 테스트 '헤지 펀드 성과는 좋음'& # 8221; 자산 관리 저널. 봄 문제.
Surz, Ron (2006). & # 8220; 투자 성과 평가에 대한 새로운 시각 : 적시 성과 신뢰성 향상을위한 모범 사례 통일 & # 8221; 저널 포트폴리오 관리 여름 문제.
Surz, Ron (2007). & # 8220; 정확한 벤치마킹이 사라졌지만 잊혀지지 않았습니다. 필수 사항은 기본으로 돌아갈 필요가 있습니다 & # 8221; 저널 성능 측정, Vol. 11, 3, 봄, 34 ~ 43 절.
Surz, Ron (2009). & # 8220; 투자 성과의 악조선 Horserace & # 8221; 투자 실적 경마 대회 '핸디캡'으로 출판 됨 & # 8221; Advisor Perspectives 2009 년 4 월 28 일.
Surz, Ron (2010) & # 8220; The New Trust but Verify & # 8221; 투자 및 자산 관리.