Führen bessere Schätzungen zu besserer Performance?
Nehmen wir an, dass eine robuste Schätzung der Varianz-Kovarianz-Matrix die Stichproben-Varianz-Kovarianz-Matrix übertrifft. Theoretisch sollten bessere Schätzungen zu besseren Ergebnissen führen. Wir verwenden die in Kapitel 3 definierte Funktion moments_robust() und die Portfoliospezifikation aus der letzten Übung.
Diese Übung ist Teil des Kurses
<Kurs>Fortgeschrittene Portfolioanalyse in R</Kurs>Übungsanweisungen
- Führe die Optimierung mit der Funktion
moments_robust()aus, um die Momente zu schätzen. Der Optimierungs-Backtest verwendet dieselben Parameter wie zuvor: vierteljährliches Rebalancing mit Trainingsperiode und rollendem Fenster über 5 Jahre Daten. Weise die Ergebnisse einer Variablen namensopt_rebal_rb_robustzu. - Stelle die Gewichte als Diagramm dar.
- Stelle den prozentualen Komponentenbeitrag zum Risiko als Diagramm dar.
- Berechne die Portfoliorenditen mit
Return.portfolio(). Weise die Renditen einer Variablen namensreturns_rb_robustzu.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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"