MétaCan
Menu
Retour à la cohorte
Enregistrement W3121232053 · doi:10.1080/14697688.2018.1484151

Optimal mean-reversion strategy in the presence of bid-ask spread and delays in capital allocations

2018· article· en· W3121232053 sur OpenAlexaff
Sergey Isaenko

Notice bibliographique

RevueQuantitative Finance · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueRisk and Portfolio Optimization
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésSharpe ratioTransaction costMean reversionEconomicsPortfolioBid priceBid–ask spreadExpected returnStock (firearms)Ask priceTrading strategyEconometricsFinancial economicsPortfolio optimizationMicroeconomicsStock exchangeFinance

Résumé

récupéré en direct d'OpenAlex

A portfolio optimization problem for an investor who trades T-bills and a mean-reverting stock in the presence of proportional and convex transaction costs is considered. The proportional transaction cost represents a bid-ask spread, while the convex transaction cost is used to model delays in capital allocations. I utilize the historical bid-ask spread in US stock market and assume that the stock reverts on yearly basis, while an investor follows monthly changes in the stock price. It is found that proportional transaction cost has a relatively weak effect on the expected return and the Sharpe ratio of the investor's portfolio. Meantime, the presence of delays in capital allocations has a dramatic impact on the expected return and the Sharpe ratio of the investor's portfolio. I also find the robust optimal strategy in the presence of model uncertainty and show that the latter increases the effective risk aversion of the investor and makes her view the stock as more risky.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,533
Score d'incertitude au seuil0,248

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,090
Tête enseignante GPT0,387
Écart entre enseignants0,297 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueQuantitative FinanceMême sujetRisk and Portfolio OptimizationTravaux en français237 207