Consistent and Efficient Dynamic Portfolio Replication with Many Factors
Notice bibliographique
Résumé
Factor investing involves choosing securities to construct portfolios with particular risk–return profiles. With the proliferation of benchmark-tracking exchange-traded funds (ETFs) virtually any risk–return profile can be reconstructed; the challenge is to find the right ETFs because the number of relevant ETFs is very large. This article proposes an innovative modification to the resampling procedure used in many popular machine learning methods for reducing the dimensionality of this problem. The proposed method allows selection of the specific ETFs used to replicate returns, taking the total costs of using the optimal portfolio to dynamically track returns into consideration. Existing variable selection algorithms are not designed to incorporate rebalancing costs, which are accumulated over time. The methodology is illustrated by replicating hedge fund returns with ETFs. The results show that, by selecting the right replication instruments in a way that is consistent with an investor’s economic utility instead of using purely statistical losses, the investor can save around 60 bps per year. TOPICS:Exchange-traded funds and applications, statistical methods, simulations, big data/machine learning Key Findings • A modified LASSO approach is developed for replication when variables are selected from many potential factors and transaction costs are accounted for in a dynamically consistent way. • By accounting for investor’s economic utility instead of purely statistical losses, the improved portfolio optimization procedure saves investors around 60 bps per year out of sample. • The new cross validation procedure is applicable for a wide range of problems in a time series context, when overfitting and transaction costs are major concerns of the model user.
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 | 0,010 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».