Semiparametric Option-Implied Information and Median-Variance Approach: A Game-Changer in Integrating Sustainable Practices in Portfolio Optimization
Notice bibliographique
Résumé
Portfolio weights often exhibit instability when positioning is based on expected returns estimated using historical data, with the normal distribution assumption in many models proving irrelevant for swift investor decision-making. To address these shortcomings, this study introduces a methodology incorporating asset information through implied volatility and a median-variance approach. The latter, notable for its flexibility in application without relying on normal-distribution assumptions, guides the construction of portfolios through stock ranking determined by implied volatility. This research employs the semiparametric option model of Extended Generalized Leland (EGL) to estimate implied volatility for stock selection, focusing on the Dow Jones Industrial Average (DJIA) index. The preselection phase integrates risk premiums into the model, with the resulting subset of stocks subject to various strategies considering short-selling and zero-correlation constraints to accommodate broader investment strategies setting of environmental, social, and governance (ESG). The findings reveal that the information derived from the median-variance approach significantly enhances portfolio selection, leading to markedly higher Sharpe ratios, increased returns, and reduced volatility. By providing a robust, flexible, and data-driven approach to portfolio selection, our methodology not only offers investors a means to make informed decisions but also holds the potential to guide sustainable investments
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».