Stime migliori portano a performance migliori?

Ipotizziamo che usare una stima robusta della matrice varianza-covarianza superi la matrice varianza-covarianza campionaria. In teoria, stime migliori dovrebbero portare a risultati migliori. Useremo la funzione moments_robust() definita nel capitolo 3 e la specifica di portafoglio dell’esercizio precedente.

Questo esercizio fa parte del corso

Analisi di portafoglio intermedia in R

Visualizza il corso

Istruzioni dell'esercizio

Esegui l’ottimizzazione usando la funzione moments_robust() per stimare i momenti. Il backtest dell’ottimizzazione userà gli stessi parametri di prima: ribilanciamento trimestrale, periodo di training e finestra mobile per usare 5 anni di dati. Assegna i risultati a una variabile chiamata opt_rebal_rb_robust.
Visualizza i pesi.
Visualizza il contributo percentuale dei componenti al rischio.
Calcola i rendimenti del portafoglio usando Return.portfolio(). Assegna i rendimenti a una variabile chiamata returns_rb_robust.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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"

Modifica ed esegui il codice