Czy lepsze estymaty prowadzą do lepszych wyników?

Przyjmijmy hipotezę, że użycie odpornej estymaty macierzy wariancji-kowariancji da lepsze wyniki niż estymata próbkowa. W teorii lepsze estymaty powinny przekładać się na lepsze rezultaty. Skorzystamy z funkcji moments_robust() zdefiniowanej w rozdziale 3 oraz ze specyfikacji portfela z poprzedniego ćwiczenia.

To ćwiczenie jest częścią kursu

Analiza portfela – poziom średniozaawansowany w R

Zobacz kurs

Instrukcje do ćwiczenia

Uruchom optymalizację, używając funkcji moments_robust() do estymacji momentów. Backtest optymalizacji powinien korzystać z tych samych parametrów co poprzednio: kwartalne rebalansowanie z okresem treningowym i oknem kroczącym obejmującym 5 lat danych. Wynik przypisz do zmiennej o nazwie opt_rebal_rb_robust.
Wykreśl wagi.
Wykreśl procentowy udział składowych w ryzyku.
Oblicz zwroty portfela za pomocą Return.portfolio(). Zwroty przypisz do zmiennej o nazwie returns_rb_robust.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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"

Edytuj i uruchom kod