Robust portfolio selection based on a joint ellipsoidal uncertainty set
Notice bibliographique
Résumé
‘Separable’ uncertainty sets have been widely used in robust portfolio selection models (e.g. see [E. Erdoğan, D. Goldfarb, and G. Iyengar, Robust portfolio management, manuscript, Department of Industrial Engineering and Operations Research, Columbia University, New York, 2004; D. Goldfarb and G. Iyengar, Robust portfolio selection problems, Math. Oper. Res. 28 (2003), pp. 1–38; R.H. Tütüncü and M. Koenig, Robust asset allocation, Ann. Oper. Res. 132 (2004), pp. 157–187]). For these uncertainty sets, each type of uncertain parameter (e.g. mean and covariance) has its own uncertainty set. As addressed in [Z. Lu, A new cone programming approach for robust portfolio selection, Tech. Rep., Department of Mathematics, Simon Fraser University, Burnaby, BC, 2006; Z. Lu, A computational study on robust portfolio selection based on a joint ellipsoidal uncertainty set, Math. Program. (2009), DOI: 10.1007/510107-009-0271-z], these ‘separable’ uncertainty sets typically share two common properties: (1) their actual confidence level, namely, the probability of uncertain parameters falling within the uncertainty set, is unknown, and it can be much higher than the desired one; and (2) they are fully or partially box-type. The associated consequences are that the resulting robust portfolios can be too conservative, and moreover, they are usually highly non-diversified, as observed in the computational experiments conducted in [Z. Lu, A new cone programming approach for robust portfolio selection, Tech. Rep., Department of Mathematics, Simon Fraser University, Burnaby, BC, 2006; Z. Lu, A computational study on robust portfolio selection based on a joint ellipsoidal uncertainty set, Math. Program. (2009), DOI: 10.1007/510107-009-0271-Z; R.H.Tütüncü and M. Koenig, Robust asset allocation, Ann. Oper. Res. 132 (2004), pp. 157–187]. To combat these drawbacks, we consider a factor model for random asset returns. For this model, we introduce a ‘joint’ ellipsoidal uncertainty set for the model parameters and show that it can be constructed as a confidence region associated with a statistical procedure applied to estimate the model parameters. We further show that the robust maximum risk-adjusted return (RMRAR) problem with this uncertainty set can be reformulated and solved as a cone programming problem. The computational results reported in [Z. Lu, A new cone programming approach for robust portfolio selection, Tech. Rep., Department of Mathematics, Simon Fraser University, Burnaby, BC, 2006; Z. Lu, A computational study on robust portfolio selection based on a joint ellipsoidal uncertainty set, Math. Program. (2009), DOI: 10.1007/510107-009-0271-Z] demonstrate that the robust portfolio determined by the RMRAR model with our ‘joint’ uncertainty set outperforms that with Goldfarb and Iyengar’s ‘separable’ uncertainty set proposed in the seminal paper [D. Goldfarb and G. Iyengar, Robust portfolio selection problems, Math. Oper. Res. 28 (2003), pp. 1–38] in terms of wealth growth rate and transaction cost; moreover, our robust portfolio is fairly diversified, but Goldfarb and Iyengar’s is surprisingly highly non-diversified.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».