Leiden betere schattingen tot betere prestaties?
Laten we de hypothese testen dat een robuuste schatting van de variantie-covariantiematrix beter presteert dan de steekproefvariantie-covariantiematrix. In theorie zouden betere schattingen tot betere resultaten moeten leiden. We gebruiken de functie moments_robust() die in hoofdstuk 3 is gedefinieerd en de portefeuillespecificatie uit de vorige oefening.
Deze oefening maakt deel uit van de cursus
Gevorderde portefeuilleanalyse in R
Oefeninstructies
- Voer de optimalisatie uit met de functie
moments_robust()om de momenten te schatten. De backtest voor de optimalisatie gebruikt dezelfde parameters als eerder: per kwartaal herbalanceren met een trainingsperiode en rollend venster van 5 jaar aan data. Sla de resultaten op in een variabeleopt_rebal_rb_robust. - Maak een grafiek van de gewichten.
- Maak een grafiek van de procentuele componentbijdrage aan het risico.
- Bereken de portefeuillerendementen met
Return.portfolio(). Sla de rendementen op in een variabelereturns_rb_robust.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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"