Vedou lepší odhady k lepší výkonnosti?

Předpokládejme, že použití robustního odhadu matice rozptylu a kovariance překoná výsledky vzorové matice rozptylu a kovariance. Teoreticky by lepší odhady měly vést k lepším výsledkům. Použijeme funkci moments_robust(), která byla definována ve třetí kapitole, a specifikaci portfolia z předchozího cvičení.

Toto cvičení je součástí kurzu

Intermediate Portfolio Analysis in R

Zobrazit kurz

Pokyny k cvičení

Spusť optimalizaci s funkcí moments_robust() pro odhad momentů. Zpětný test optimalizace použije stejné parametry jako dříve: čtvrtletní rebalancování s trénovacím obdobím a klouzavým oknem pokrývajícím 5 let dat. Výsledky ulož do proměnné opt_rebal_rb_robust.
Vykresli graf vah.
Vykresli graf procentuálního příspěvku jednotlivých složek k riziku.
Vypočítej výnosy portfolia pomocí Return.portfolio(). Výnosy ulož do proměnné returns_rb_robust.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Run the optimization
opt_rebal_rb_robust <- optimize.portfolio.rebalancing(R = ___, 
                                                      momentFUN = ___,
                                                      portfolio = ___, 
                                                      optimize_method = "random", rp = rp,
                                                      trace = TRUE,
                                                      rebalance_on = ___, 
                                                      training_period = ___,
                                                      rolling_window = ___)

# Chart the weights


# Chart the percentage contribution to risk
chart.RiskBudget(___, match.col = "StdDev", risk.type = ___)

# Compute the portfolio returns
returns_rb_robust <- Return.portfolio(R = ___, weights = ___)
colnames(returns_rb_robust) <- "rb_robust"

Upravit a spustit kód