The Impact of Rebalancing Strategies on ETF Portfolio Performance
Notice bibliographique
Résumé
This research explores the efficacy of rebalancing strategies in a diversified portfolio constructed exclusively with exchange-traded funds (ETFs). We selected five ETF types: short-term U.S. Treasury bonds, U.S. equities, global commodities, U.S. real estate investment trusts (REITs), and a multi-strategy hedge fund. Using a 10-year historical period, we applied a unique simulation model to generate random portfolios with varying asset weights and rebalancing tolerance bands, assessing the impact of rebalancing premiums on portfolio performance. Our study reveals a significant positive correlation (r = 0.6492, p < 0.001) between rebalancing-weighted returns and the Sharpe ratio, indicating that effective rebalancing enhances risk-adjusted returns. Support vector regression (SVR) analysis shows that rebalancing premiums have diverse effects. Specifically, equities and commodities benefit from rebalancing with improved risk-adjusted returns, while bonds and REITs demonstrate a negative relationship, suggesting that rebalancing might be less effective or even detrimental for these assets. Our findings also indicate that negative portfolio rebalancing returns combined with positive rebalancing-weighted returns yield the highest average Sharpe ratio of 0.4328, highlighting a distinct and reciprocal relationship between rebalancing effects at the asset and portfolio levels. This research highlights that while rebalancing can enhance portfolio performance, its effectiveness varies by asset class and market conditions.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».