Portfolio Optimization Using Novel Intelligent Probabilistic Forecasts of Risk Measures
Notice bibliographique
Résumé
There has been a growing interest in studying risk forecasting using data-driven exponential weighted moving average (DD-EWMA) volatility models as well as nonlinear neuro volatility models based on Neural network (NN). However, the recently proposed volatility forecasting models have not been used to study portfolio optimization. Large kurtosis of the portfolio return sequence shows that it follows a heavy-tailed t distribution. Significant sample autocorrelations of the absolute portfolio returns and squared portfolio returns suggest that time-varying volatility models are more appropriate to model the volatility. In this paper, a DD-EWMA portfolio volatility forecasting model is used to study the generalized portfolio optimization using the intelligent probabilistic risk forecasts based on data-driven t distribution of the portfolio returns. Optimal portfolio weights are obtained by minimizing the corresponding risk forecasts of portfolio volatility, mean absolute deviation (MAD), Value-at-Risk (VaR), and conditional Value-at-Risk (CVaR) for minimum risk forecast portfolios. Moreover the portfolio weights of the generalized tangency portfolios with different risk measures are obtained by maximizing the corresponding portfolio Sharpe ratio (PSR) forecasts. Experiments are conducted to show that the DD-EWMA volatility forecasting model is most computationally efficient (less computing time), whereas neuro volatility model takes longer time to obtain one-step ahead portfolio volatility forecasts. Moreover, the superiority of the portfolio selection based on data-driven volatility forecasts over the portfolio selection based on volatility estimates is demonstrated through numerical experiments using ten frequently traded stocks.
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 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 | 0,002 | 0,006 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».