Novel Data-Driven Resilient Portfolio Risk Measures Using Sign and Volatility Correlations
Notice bibliographique
Résumé
Portfolio risk management is an important success factor in an organization’s ability to deliver more business value. Moreover, constructing a true resilient portfolio is impossible without the inclusion of higher-order moments such as skewness and kurtosis. Recently there has been a growing interest in using machine learning methods with empirical variance covariance matrix of returns to study Markowitz portfolio optimization. A major drawback is that the tangency portfolios constructed by using the existing portfolio risk measures such as portfolio standard deviation, value-at-risk (VaR), conditional value-at-risk (CVaR), maximum absolute deviation (MAD) are always affected by the larger skewness and kurtosis of the portfolio return. This paper develops a set of metrics that extend the traditional portfolio Sharpe ratio (PSR) to measures that include skewness and kurtosis. Using a random portfolio approach, the paper demonstrates how to use these new metrics and optimize portfolios. Inclusion of higher moments such as skewness and kurtosis in portfolio risk management acknowledges the risk of asymmetric and heavy-tailed returns and can help in constructing resilient portfolios. For portfolio optimization, simple yet effective novel data-driven resilient portfolio risk measures incorporating skewness and kurtosis are presented in this paper. The results show that the performance of maximum mean-risk portfolios using the proposed portfolio risk measures based on volatility correlation and sign correlation outperform the commonly used tangency portfolio using portfolio standard deviation.
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 | 0,004 |
| 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 | 0,000 | 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 ».