Esta página é dividida nas seguintes seções: as carteiras aleatórias têm o poder de revolucionar o gerenciamento de fundos. Você pode pensar que isso significa que eles devem ser esotéricos e complexos. Você estaria errado 8212 a idéia é muito simples. Para ter portfólios aleatórios, você precisa de um universo de ativos e algum conjunto de restrições a impor nas carteiras. Um conjunto de carteiras aleatórias é uma amostra da população de carteiras que obedecem a todas as restrições. A Figura 1 mostra a área de amostragem (em pesos) para um problema de brinquedo de três ativos. As restrições são: longamente apenas nenhum peso superior a 45 uma volatilidade máxima. As restrições de volatilidade são não-lineares e, portanto, o limite correspondente a essa restrição não é linear. De macacos e homens e dardos A forma mais familiar de carteiras aleatórias é o jogo de dardos no mercado de ações. Humanos ou macacos jogam dardos para selecionar um ou alguns recursos. A seleção através de dardos é então comparada a alguma seleção profissional. Isso é divertido, e quase uma ótima abordagem, mas tem duas falhas. A primeira falha é que só podemos ver se o profissional supera uma seleção aleatória. Nós não conseguimos ver qual fração de seleções aleatórias o profissional superou. Para ser verdadeiramente informado, precisamos ver na ordem de uma centena ou mais seleções aleatórias. A segunda falha é que os dardos não obedecem a quaisquer restrições. Isso é justo em um concurso de jornal onde os especialistas don8217t também têm restrições. Mas os fundos reais têm restrições. Comparar um fundo com restrições a carteiras aleatórias sem restrições coloca o fundo em desvantagem. Medição de desempenho Existem duas maneiras de usar portfólios aleatórios para alcançar a medição de desempenho: o método estático eo método de sombreamento. Veremos por que a medição do desempenho através de benchmarks é inferior. O Método estático No método estático, geramos um conjunto de carteiras aleatórias que obedecem às restrições no início do período de tempo, segure essas carteiras ao longo do período de tempo e encontre seus retornos para o período. O percentil do fundo é a percentagem das carteiras aleatórias com retornos maiores. (A convenção na medição do desempenho é boa para estar perto do percentil zeroth e ruim para estar perto do percentil 100.) A Figura 2 é um exemplo. Mostra a distribuição dos retornos das carteiras aleatórias em azul. E o retorno do fundo em ouro. Nesse caso, o fundo não funcionou muito bem. Isso é muito parecido com a medição de desempenho com grupos de pares. Em ambos os casos, estamos usando um único período de tempo, e em ambos os casos estamos comparando nosso fundo com um conjunto de possibilidades alternativas. Existem algumas diferenças significativas, porém, 8212, destacamos duas. Em grupos de pares, as alternativas são outros fundos que são semelhantes ao fundo de interesse. Idealmente, apenas os fundos com as mesmas restrições seriam usados. Por outro lado, queremos ter muitos pares para obter mais precisão. Portanto, existem forças opostas para pequenos grupos de pares versus grandes grupos de pares. Não existe tal tensão com as pastas aleatórias 8212, podemos gerar tantas carteiras aleatórias quanto quisermos. Um problema mais grave com os grupos de pares é que não sabemos o que os resultados significam. Estamos destinados a acreditar que, se o nosso fundo de interesse melhorasse do que todos, mas 10 dos seus pares, a nossa habilidade do fund8217s é aproximadamente no 10º percentil entre seus pares. Isso pressupõe que as diferenças de habilidade dominam as diferenças de sorte. É improvável que tal pressuposto seja justificado. Em particular, se for o caso que nenhum fundo tenha habilidade (ou todos os fundos têm a mesma habilidade), nosso fundo está no 10º percentil de sorte 8212, a medida não contém nenhuma informação. Burns (2007a) expande este argumento. Surz (2006, 2009) discute problemas adicionais com grupos de pares. Método Shadowing O método estático para portfólios aleatórios é mais informativo que os grupos pares. Mas ainda é uma informação bastante genérica. O desempenho é 8212 na raiz 8212 sobre decisões. A idéia do método de sombreamento é usar trocas aleatórias para imitar as decisões que o fundo possui. Isso pode nos dar uma imagem muito mais clara do valor do processo de decisão. Um exemplo é discutido na página de aplicação de medição de desempenho. Benchmarks Um fundo é julgado em comparação a um benchmark, comparando uma série de retornos do fundo com os retornos correspondentes para o benchmark. Este método tem alguns problemas. O principal é o tempo que leva para decidir que um bom fundo realmente é melhor do que o benchmark 8212 que provavelmente levará décadas. O poder desses testes na configuração ideal é dado em Burns (2007a) 8212 são necessários vários anos para obter um poder razoável mesmo para habilidades excepcionais. Mas a realidade é muito pior do que o ideal porque a dificuldade de vencer um benchmark não é constante. Se os ativos mais ponderados no benchmark acontecerem para um desempenho relativamente bom, então será difícil vencer o benchmark. Por outro lado, se os ativos mais ponderados funcionarem relativamente mal, então será fácil vencer o benchmark. Kothari e Warner (2001) discutem isso. A Figura 3 mostra a porcentagem de fundos que têm o SampP 500 como seu benchmark que superou o benchmark em cada ano 8212 ver especificações disto em 8220Performance Measurement via Random Portfolios8221. A fim de acreditar que a comparação é significativa, precisamos pensar que os gestores de fundos 8212 como um grupo 8212 eram pobres há anos, de repente se tornaram bons por três anos e depois voltaram a ser pobres. Burns (2007b) discute a medição do desempenho na configuração ligeiramente diferente de testar as recomendações dos comentadores de mercado. Teste de estratégias de negociação Os gestores de fundos e os gestores de fundos em potencial enfrentam uma série de problemas ao decidir sobre uma estratégia de negociação. Aqui examinamos dois: Essencialmente, há o problema de estar errado e o problema de estar certo. O snooping dos dados torna as estratégias melhores do que realmente são. Para ver o porquê, suponha que você tentou 1000 estratégias comerciais que eram completamente aleatórias. Aquele que apresentou o melhor pode parecer razoavelmente bom. Espero que um gerente de investimento não esteja tentando estratégias completamente aleatórias, mas o viés de seleção ainda existirá. Se modelos similares estiverem sendo usados em várias empresas para gerenciar muito dinheiro, então um gerente de fundos usando esses modelos está sujeito a movimentos dramáticos no mercado. Isso ficou evidente para muitas pessoas em agosto de 2007. Sem uma crise, é difícil dizer que isso está acontecendo. As carteiras aleatórias podem ajudar com o primeiro problema e possivelmente com o segundo. As estratégias de negociação podem ser testadas usando o método de sombreamento discutido acima. Existe uma diferença fundamental entre a medição do desempenho e o teste de uma estratégia de negociação. Ao testar uma estratégia de negociação, queremos fazer o processo de sombreamento várias vezes com diferentes carteiras iniciais. Este processo de teste reduz o efeito do snooping de dados porque existe uma definição muito mais rígida de uma estratégia bem-sucedida. O gestor do fundo ainda é vulnerável a mudanças no comportamento do mercado, mas muito menos suscetíveis a interpretações erradas do período histórico. O teste com carteiras aleatórias pode reduzir o pastoreio porque a tecnologia torna viável a obtenção de sinais mais efêmeros. Investimento racional A prática atual é menos do que racional para: restrições de erro de rastreamento restrições de restrições de taxas de desempenho Restrições de erros de rastreamento Muitos mandatos dão ao gerente de investimentos um ponto de referência e um erro de rastreamento máximo do benchmark. Isso é um desperdício em vários aspectos. Em praticamente todos os casos, o investidor pode comprar um fundo de índice para o benchmark com taxas de gerenciamento muito baixas. O que é a vantagem de contratar um gerente ativo para executar um fundo que está extremamente correlacionado com o fundo do índice Se o gerente não superar o benchmark por mais do que as taxas de gerenciamento extra, então obviamente não há nenhuma vantagem. Se o gerente tiver a habilidade de superar o benchmark de forma consistente, então essa habilidade poderia ser melhor usada. Um gerente de fundo qualificado deve, em geral, conseguir retornos mais altos quando a restrição de erro de rastreamento for descartada. Supondo que o investidor tenha dinheiro no índice, esse maior retorno do gerente sem restrições também será mais valioso. Todo o resto sendo igual, é melhor para o fundo ativo ter uma baixa correlação com o índice. Isso resulta ser o mesmo que um grande erro de rastreamento. Ou seja, o racional seria impor uma restrição mínima de erro de rastreamento em vez de uma restrição de erro de rastreamento máximo. A razão pela qual existem restrições de erro de rastreamento máximo é para ter a ilusão de que podemos ver se o gerente do fundo está superando ou não. Nós podemos realmente dizer usando pontos de referência, mas podemos dizer o uso de portfólios aleatórios, mesmo que não haja uma restrição de erro de rastreamento. As carteiras aleatórias funcionam igualmente bem para a medição do desempenho, independentemente do erro de rastreamento que haja. Taxas de desempenho Se você tiver uma taxa de desempenho, não é uma boa idéia tê-lo em relação a um benchmark. Como indica a Figura 3, isso é principalmente uma aposta entre o gerente do fundo e o investidor sobre se as grandes capitais superarão. A habilidade terá muito pouco a ver com isso. Um alvo mais razoável seria o retorno médio de um conjunto de carteiras aleatórias que obedecem às restrições do fundo. Efeitos de restrição Podemos usar portfólios aleatórios para decidir de forma racional quais devem ser os limites de restrição. As restrições são habitualmente impostas sem sentido do que está sendo adquirido e perdido. A Figura 4 mostra um exemplo de análise de restrições. As densidades de utilidade realizada ao longo do tempo são mostradas para um determinado conjunto de restrições (ouro) e para essas restrições mais uma restrição de volatilidade (azul). Durante os horários normais do mercado, seremos bastante indiferentes à restrição de volatilidade. No entanto, durante as condições de mercado precárias de 2008, a restrição de volatilidade foi bastante valiosa. Usos adicionais de portfólios aleatórios Uma série de usos adicionais de portfólios aleatórios foram sugeridos e certamente há uma grande quantidade de aplicativos ainda por descobrir. Aqui discutimos alguns usos adicionais. Avaliação de modelos de risco As carteiras aleatórias fornecem um meio de gerar portfólios realistas que podem ser colocados através de modelos de risco para ver como eles executam. Os modelos de risco podem ser comparados uns com os outros, ou modelos individuais podem ser testados para pontos fracos. A Figura 5 mostra um exemplo de comparação de uma previsão de volatilidade do modelo de risco8217 com a volatilidade realizada para algumas carteiras 120/20. A correlação entre volatilidade prevista e realizada em um grande número de carteiras aleatórias foi calculada. Ferramenta de quantum geral As carteiras aleatórias podem ser usadas em praticamente todos os exercícios quantitativos que envolvem carteiras. Uma lista de alguns dos usos está na página de aplicativos de pesquisa do quant. A idéia de carteiras aleatórias não é nova 8212 um uso precoce foi 8220programas selecionados para carteiras8221 por Dean LeBaron e colegas da Batterymarch Financial Management em 19708217s. Um uso ainda mais antigo é descrito em um discurso da American Statistical Association de James Lorie em 1965 (qualquer discurso que comece com Mark Twain e termine em St. Tropez can8217t seja tudo ruim). Nesse ponto, as carteiras aleatórias eram habilidades de alongamento computacional. A velocidade computacional já não é um problema sério com tecnologia adequada. Alguns pontos técnicos Os testes estatísticos de bootstrap e random permutation são técnicas que alteraram radicalmente a análise de dados nas últimas décadas. Dependendo de como as carteiras aleatórias são usadas, elas geralmente são equivalentes a uma dessas técnicas. O uso de carteiras aleatórias para fazer a medição do desempenho é análogo ao fazer um teste de permutação aleatória. O exame do efeito dos limites de restrição, como na Figura 5, é semelhante ao modo como o bootstrap pode ser usado. A única diferença real é que, por causa das restrições, as carteiras aleatórias são mais difíceis de calcular. Discussion Consultor Senior publicou alguns depoimentos sobre PIPODs. Embora este seja especificamente sobre uma implementação, a maioria dos comentários se aplica a carteiras aleatórias em geral. Mesmo gerando ingeniosamente portfólios aleatórios podem ser úteis. Exemplos disso incluem Mikkelsen (2001) Kritzman e Page (2003) e Asso, L8217Her e Plante (2004). Kothari e Warner (2001) mostram que o benchmarking contra um índice é problemático e sua técnica envolve carteiras aleatórias. Os seguintes produtos foram criados independentemente uns dos outros, e somente o Portfolio Sonda está associado às estatísticas de Burns. Sondagem de portfólio da Burns Statistics. Isso tem uma ampla gama de restrições, incluindo o muito importante de limitar a volatilidade das carteiras. PODs e PIPODs da PPCA Inc. Referências Asso, Kodjovi, Jean-Franois L8217Her e Jean-Franois Plante (2004). 8220 Existe realmente uma hierarquia na escolha do investimento8221 hec. ca/cref/pdf/c-04-15e. pdf Bridgeland, Sally (2001). 8220Produzir atribuição 8212 uma nova maneira de medir habilidades em construção de portfólio8221 Journal of Asset Management. Burns, Patrick (2006). Análise de portfólio com portfólios aleatórios (pdf de slides de apresentação anotados) Burns, P. (2006). 8220Porfolhas Random para Medição de Desempenho8221 em Otimização, Análise Econômica e Financeira E. Kontoghiorghes e C. Gatu, editores. Springer. Burns, P. (2007a). 8220Bullseye8221 Emissão de março de investidor profissional. Uma versão muito semelhante está disponível como Dart to the Heart Carl, Peter e Brian Peterson e Kris Boudt (2010). 8220Business Objectives and Complex Portfolio Optimization8221. Tutorial de R / Finance Daniel, G. D. Sornette e P. Wohrmann (2008). 8220Banco-Ahead Benchmark Bias em Portfolio Performance Evaluation8221 documento de trabalho na SSRN Dawson, Richard e Richard Young (2003). 8220Portugalmente distribuídos distribuídos de forma consistente em carteiras8221 em Advances in Portfolio Construction and Implementation editado por Stephen Satchell e Alan Scowcroft. Butterworth-Heinemann. Elton, E. J. M. J. Gruber, S. J. Brown e W. N. Goetzmann (2003). Teoria moderna do portfólio e análise de investimentos, sexta edição (Capítulo 24, Avaliação do desempenho do portfólio). Kothari, S. P. e Jerold Warner (2001). 8220Evaluando o desempenho do fundo mútuo8221 Diário da revista Financial Finance na SSRN Kritzman, Mark e Sbastien Page (2003). 8220A hierarquia do investimento Choice8221 Journal of Portfolio Management 29. Número 4, páginas 11-23. Lisi, Francesco (2011). 8220Domínio com o mercado: Procedimentos aleatórios para avaliação de fundos mútuos8221. Finanças Quantitativas 11. Número 2, páginas 163-172. Documento de trabalho da Universidade de Padova. Papers. ssrn / sol3 / papers. cfmabstractid1375730 Mikkelsen, Hans (2001). 8220A relação entre o retorno esperado e a Beta: uma abordagem de reamalagem aleatória8221 Documentos SSRN Shaw, William (2010) 8220Monte Otimização da carteira de Carlo para o risco geral do investidor - Objetivos de retorno e distribuições de retorno arbitrário: uma solução para carteiras de longo prazo8221 Versão SSRN Simon, Thibaut (2010 ). 8220 Um estudo empírico de carteiras de ações com base em diversificação e medidas inovadoras de riscos8221. Tese de mestrado Stein, Roberto (2012). 8220Não Enganado por Randomness: Usando Portfolios Aleatórios para Analisar Fundos de Investimento8221 Versão SSRN Surz, Ron (1994). 8220 Distribuições de Oportunidades de Pagamento: Uma Inovação em Avaliação de Desempenho8221 Journal of Investing. Surz, Ron (1996). 8220 Distribuições de Oportunidades de Pagamento: Uma Solução aos Problemas com Pontos de Referência e Grupos de Pares8221 Journal of Performance Measurement. Surz, Ron (1997). 8220Global Performance Evaluation e Equity Style: Apresentando Portfolio Opportunity Distributions8221 em Handbook of Equity Style Management. Frank Fabozzi Associates. Surz, Ron (2004). 82208216Hedge Funds Have Alpha8217 é um teste de hipóteses valioso8221 Albourne Village library. Surz, Ron (2005). 8220Testando a hipótese 8216Hedge Fund Performance é Good8221 Journal of Wealth Management. Problema da Primavera. Surz, Ron (2006). 8220A Fresh Look at Investment Performance Evaluation: Unifying Best Practice para melhorar a pontualidade e confiabilidade8221 Journal of Portfolio Management Edição de verão. Surz, Ron (2007). 8220 O Benchmarking preciso é encerrado, mas não esquecido: o imperativo precisa voltar ao básico8221 Journal of Performance Measurement. Vol. 11. No. 3, Spring, pp. 34-43. Surz, Ron (2009). 8220A Handicap of the Investment Performance Horserace8221 Publicado como 8220Handicap no desempenho de investimentos Horserace8221 em Perspectivas do consultor 2009 28 de abril. Surz, Ron (2010) 8220O novo Trust, mas Verify8221 Investimento e gestão de patrimônio SSRN versionRandom Portfolios para avaliar estratégias de negociação As carteiras aleatórias podem fornecer uma estatística Teste que uma estratégia de negociação desempenha melhor que chance. Cada corrida da estratégia é comparada com uma série de corridas aleatórias correspondentes que são conhecidas por ter habilidade zero. Importante, esse tipo de backtest mostra períodos de tempo em que a estratégia funciona e quando não é 277. As carteiras ao vivo também podem ser monitoradas dessa maneira. Isso permite que decisões informadas - como mudanças na alavancagem - sejam feitas em tempo real. Você quer ler o resto deste artigo. Mostrar resumo Ocultar resumo RESUMO: Portfoliosportfolios aleatórios que obedecem restrições, mas ignoram a utilidade mostrada para medir as habilidades de investimento de forma eficaz. Os problemas são destacados em relação à medição do desempenho usando índices de informação relativos a um benchmark. As carteiras aleatórias também podem constituir a base dos mandatos de investimento. Mandatos de investimento, permite aos gestores de fundos ativos mais liberdade implementar suas idéias e fornece ao investidor mais flexibilidade para obter utilidade. O cálculo das carteiras aleatórias As carteiras aleatórias são brevemente discutidas. Capítulo janeiro 2007 Jornal de Derivativos amp. Hedge Funds Patrick Burns Show abstract Hide abstract RESUMO: Pairs trading é uma estratégia de negociação popular que tenta tirar proveito das ineficiências do mercado para obter lucro. A idéia é simples: encontre duas ações que se movam juntas e ocupem posições longas / curtas quando divergem anormalmente, esperando que os preços converjam no futuro. Do ponto de vista acadêmico da fraca teoria da eficiência do mercado, a estratégia de negociação de pares não deve apresentar um desempenho positivo, uma vez que, de acordo com o mesmo, o preço real de uma ação reflete os dados anteriores da negociação, incluindo os preços históricos. Isso nos deixa uma questão, a estratégia de negociação de pares apresenta um desempenho positivo para o mercado brasileiro. O objetivo principal desta pesquisa é verificar o desempenho e o risco de negociação de pares no mercado financeiro brasileiro para diferentes freqüências do banco de dados, diariamente, semanalmente e Preços mensais pelo mesmo período de tempo. A principal conclusão desta simulação é que a estratégia de negociação de pares foi uma estratégia lucrativa e neutra em mercado no mercado brasileiro. Essa rentabilidade foi consistente em uma região dos parâmetros das estratégias. Os melhores resultados foram encontrados para a maior freqüência (diariamente), o que é um resultado intuitivo. Artigo Jan 2008 Marcelo Scherer Perlin Mostrar resumo Ocultar resumo RESUMO: O objetivo deste trabalho é examinar se a análise técnica pode ou não agregar valor às decisões de investimento. Através do desenvolvimento de intervalos de confiança, construídos usando a técnica de inferência da amostra Bootstrap e consistentes com a hipótese nula de eficiência do mercado em sua forma fraca, testamos 4 sistemas técnicos de negociação. Mais especificamente, obtivemos os resultados de cada sistema aplicado à série original dos ativos. Em seguida, comparamos esses resultados com a média dos resultados obtidos quando os mesmos sistemas foram aplicados a 1000 séries simuladas, de acordo com uma caminhada aleatória, de cada ativo. Se os mercados são eficientes em sua forma fraca, não haveria razão para os resultados da série original serem maiores que os da série simulada. Os resultados empíricos encontrados aqui sugeriram que os sistemas testados não conseguiram antecipar o futuro usando apenas dados passados. No entanto, alguns deles geraram retornos significativos. Texto completo Artigo Jun 2010 Revista de Derivativos amp Hedge Funds Daniel Guedine Serafine Pedro Luiz Valls Pereira
No comments:
Post a Comment