Min-Max robust and CVaR robust mean-variance portfolios
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT This paper investigates robust optimization methods for mean-variance portfolio selection problems under the estimation risk in mean returns. We show that with an ellipsoidal uncertainty set based on the statistics of the sample mean estimates, the portfolio from the min-max robust mean-variance model equals the portfolio from the standard mean-variance model based on the nominal mean estimates but with a larger risk aversion parameter. We demonstrate that the min-max robust portfolios can vary significantly with the initial data used to generate uncertainty sets. In addition, min-max robust portfolios can be too conservative and unable to achieve a high return. Adjustment of the conservatism in the min-max robust model can be achieved only by excluding poor mean-return scenarios, which runs counter to the principle of min-max robustness. We propose a conditional value-at-risk (CVaR) robust portfolio optimization model to address estimation risk.We show that using CVaR to quantify the estimation risk in mean return, the conservatism level of the portfolios can be more naturally adjusted by gradually including better scenarios; the confidence level β can be interpreted as an estimation risk aversion parameter. We compare min-max robust portfolios with an interval uncertainty set and CVaR robust portfolios in terms of actual frontier variation, efficiency and asset diversification. We illustrate that the maximum worst-case mean return portfolio from the min-max robust model typically consists of a single asset, no matter how an interval uncertainty set is selected. In contrast, the maximum CVaR mean return portfolio typically consists of multiple assets. In addition, we illustrate that for the CVaR robust model, the distance between the actual mean-variance frontiers and the true efficient frontier is relatively insensitive for different confidence levels, as well as different sampling techniques.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle