How Inefficient is the 1/N Asset-Allocation Strategy?
Notice bibliographique
Résumé
In this paper, we compare the out-of-sample performance of the rule allocating 1/N to each of the N available assets to several static and dynamic models of optimal asset-allocation for ten datasets. We devote particular attention to models the literature has proposed to account for estimation and model error. We find that the 1/N asset-allocation rule typically has a higher out-of-sample Sharpe ratio, a higher certainty-equivalent return, and a lower turnover than optimal asset allocation policies. The intuition for the poor performance of the policies from the optimizing models is that the gain from optimal diversification relative to naïve diversification under the 1/N rule is typically smaller than the loss arising from having to use as inputs for the optimizing models parameters that are estimated with error rather than known precisely. Simulations show that the performance of optimal strategies relative to the 1/N rule improves with the length of the estimation window, which reduces estimation error. For instance, for the case where wealth can be allocated across four risky assets with an average cross-sectional annual idiosyncratic volatility of 20%, it takes an estimation window of 50 years in order for the classical mean-variance policy implemented using maximum-likelihood estimates of the moments to outperform 1/N. But if the average idiosyncratic volatility drops to 10%, the length of the required estimation window increases to 500 years; and, when the number of assets increases to 100 while average idiosyncratic volatility is 20%, the length of the required estimation window is more than 1, 000 years.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».