Diversification Quotients: Quantifying Diversification via Risk Measures
Notice bibliographique
Résumé
We establish the first axiomatic theory for diversification indices using six intuitive axioms: nonnegativity, location invariance, scale invariance, rationality, normalization, and continuity. The unique class of indices satisfying these axioms, called the diversification quotients (DQs), are defined based on a parametric family of risk measures. A further axiom of portfolio convexity pins down DQs based on coherent risk measures. The DQ has many attractive properties, and it can address several theoretical and practical limitations of existing indices. In particular, for the popular risk measures value at risk and expected shortfall, the corresponding DQ admits simple formulas, and it is efficient to optimize in portfolio selection. Moreover, it can properly capture tail heaviness and common shocks, which are neglected by traditional diversification indices. When illustrated with financial data, the DQ is intuitive to interpret, and its performance is competitive against other diversification indices. This paper was accepted by Manel Baucells, behavioral economics and decision analysis. Funding: X. Han is supported by the National Natural Science Foundation of China [Grants 12301604, 12371471, and 12471449). L. Lin is supported by the Hickman Scholarship from the Society of Actuaries. R. Wang is supported by the Natural Sciences and Engineering Research Council of Canada [Grants CRC-2022-00141 and RGPIN-2024-03728] and the Sun Life Research Fellowship. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2023.00513 .
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».