Robust covariance estimators for mean-variance portfolio optimization with transaction lots
Lade...
Autor:in (Körperschaft)
Publikationsdatum
2020
Typ der Arbeit
Studiengang
Sammlung
Typ
01A - Beitrag in wissenschaftlicher Zeitschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Operations Research Perspectives
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
7
Ausgabe / Nummer
100154
Seiten / Dauer
Patentnummer
Verlag / Herausgebende Institution
Elsevier
Verlagsort / Veranstaltungsort
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
This study presents an improvement to the mean-variance portfolio optimization model, by considering both the integer transaction lots and a robust estimator of the covariance matrices. Four robust estimators were tested, namely the Minimum Covariance Determinant, the S, the MM, and the Orthogonalized Gnanadesikan–Kettenring estimator. These integer optimization problems were solved using genetic algorithms. We introduce the lot turnover measure, a modified portfolio turnover, and the Robust Sharpe Ratio as the measure of portfolio performance. Based on the simulation studies and the empirical results, this study shows that the robust esti- mators outperform the classical MLE when data contain outliers and when the lots have moderate sizes, e.g. 500 shares or less per lot.
Schlagwörter
Fachgebiet (DDC)
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
2214-7160
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Nein
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Gold
Zitation
Rosadi, D., Setiawan, E. P., Templ, M., & Filzmoser, P. (2020). Robust covariance estimators for mean-variance portfolio optimization with transaction lots. Operations Research Perspectives, 7(100154). https://doi.org/10.1016/j.orp.2020.100154