Estimativas melhores levam a um desempenho melhor?

Vamos levantar a hipótese de que usar uma estimativa robusta da matriz variância-covariância terá desempenho superior à matriz variância-covariância amostral. Em teoria, estimativas melhores devem levar a resultados melhores. Vamos usar a função moments_robust() definida no capítulo 3 e a especificação de carteira do último exercício.

Este exercício faz parte do curso

Análise Intermediária de Portfólio em R

Ver curso

Instruções do exercício

Execute a otimização usando a função moments_robust() para estimar os momentos. O backtest da otimização usará os mesmos parâmetros de antes: rebalanceamento trimestral, com período de treinamento e janela móvel usando 5 anos de dados. Atribua os resultados a uma variável chamada opt_rebal_rb_robust.
Gere o gráfico dos pesos.
Gere o gráfico da contribuição percentual dos componentes para o risco.
Calcule os retornos da carteira usando Return.portfolio(). Atribua os retornos a uma variável chamada returns_rb_robust.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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"

Editar e executar o código