Financial Risk and Better Returns through Smart Beta Exchange-Traded Funds?
Notice bibliographique
Résumé
Smart beta exchange-traded funds (SB ETFs) have caught the attention of investors due to their supposed ability to offer a better risk–return trade-off than traditionally structured passive indices. Yet, research covering the performance of SB ETFs benchmarked to traditional cap-weighted market indices remains relatively scarce. There is a lack of empirical evidence enforcing this phenomenon. Extending the work of Glushkov (“How Smart are “Smart Beta” ETFs? …”, 2016), we provide a quantitative analysis of the performance of 145 EU-domicile SB ETFs over a 12 year period, from 30 December 2005 to 31 December 2017, belonging to 9 sub-categories. We outline which criteria were retained such that the investigated ETFs had at least 12 consecutive monthly returns data. We consider three models: the Sharpe–Lintner capital asset pricing model, the Fama–French three-factor model, and the Carhart four-factor model, discussed in the literature review sections, in order to assess the factor exposure of each fund to market, size, value, and momentum factors, according to the pertinent model. In order to do so, the sample of SB ETFs and benchmarks underwent a series of numerical assessments in order to aim at explaining both performance and risk. The measures chosen are the Annualised Total Return, the Annualised Volatility, the Annualised Sharpe Ratio, and the Annualised Relative Return (ARR). Of the sub-categories that achieved greater ARRs, only two SB categories, equal and momentum, are able to certify better risk-adjusted returns.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».