Улучшенные оценки ведут к улучшению результатов?

Выдвинем гипотезу о том, что использование робастной оценки матрицы ковариаций превзойдёт по результатам выборочную матрицу ковариаций. В теории более точные оценки должны приводить к лучшим результатам. Мы воспользуемся функцией moments_robust(), определённой в главе 3, и спецификацией портфеля из предыдущего упражнения.

Это упражнение является частью курса

Промежуточный анализ портфеля в R

Посмотреть курс

Инструкции к упражнению

Запустите оптимизацию, используя функцию moments_robust() для оценки моментов. Бэктест оптимизации должен применять те же параметры, что и прежде: ежеквартальная ребалансировка с обучающим периодом и скользящим окном на основе 5 лет данных. Присвойте результаты переменной opt_rebal_rb_robust.
Постройте диаграмму весов.
Постройте диаграмму процентного вклада компонентов в риск.
Рассчитайте доходность портфеля с помощью Return.portfolio(). Присвойте результаты переменной returns_rb_robust.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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"

Редактировать и запускать код