[論文レビュー] Learning Time Varying Risk Preferences from Investment Portfolios using Inverse Optimization with Applications on Mutual Funds.

Shi Ming Yu, Yuxin Chen+1 more|arXiv (Cornell University)|Oct 4, 2020

Financial Markets and Investment Strategies被引用数 3

ひとこと要約

本論文は、同時期の市場データとポートフォリオデータを用いて、マニュアルファンドのポートフォリオから時間的に変化するリスク選好を学ぶための逆最適化フレームワークを提案する。リアルタイムでの動的リスク選好の推定により、パーソナライズドで自動化されたポートフォリオ管理が可能となり、既存のリスク指標と照合してその出力を検証する。

ABSTRACT

The fundamental principle in Modern Portfolio Theory (MPT) is based on the quantification of the portfolio's risk related to performance. Although MPT has made huge impacts on the investment world and prompted the success and prevalence of passive investing, it still has shortcomings in real-world applications. One of the main challenges is that the level of risk an investor can endure, known as \emph{risk-preference}, is a subjective choice that is tightly related to psychology and behavioral science in decision making. This paper presents a novel approach of measuring risk preference from existing portfolios using inverse optimization on the mean-variance portfolio allocation framework. Our approach allows the learner to continuously estimate real-time risk preferences using concurrent observed portfolios and market price data. We demonstrate our methods on real market data that consists of 20 years of asset pricing and 10 years of mutual fund portfolio holdings. Moreover, the quantified risk preference parameters are validated with two well-known risk measurements currently applied in the field. The proposed methods could lead to practical and fruitful innovations in automated/personalized portfolio management, such as Robo-advising, to augment financial advisors' decision intelligence in a long-term investment horizon.

研究の動機と目的

• 現代ポートフォリオ理論（MPT）における投資家のリスク選好の主観的かつ動的な性質に関するギャップを埋めること。
• リスク選好を仮定するのではなく、観察された投資ポートフォリオから推定する手法を開発すること。
• 同時期の市場データとポートフォリオデータを用いて、リアルタイムでのリスク選好の推定を可能にすること。
• 推定されたリスクパラメータを確立されたリスク測定フレームワークと照合すること。
• ロボ・アドバイザーなどの自動化およびパーソナライズドなポートフォリオ管理の進展を支援すること。

提案手法

• 本手法は、平均分散ポートフォリオフレームワーク内での逆最適化を適用し、観察されたポートフォリオ割当からリスク選好を逆算する。
• ローリングウインドウを用いた連続学習アプローチにより、同時期の市場リターンとマニュアルファンド保有株式のデータを用いて、時間的に変化するリスク選好を推定する。
• 歴史的20年分の資産価格設定データと10年分のマニュアルファンドポートフォリオデータを活用し、リスクパラメータのトレーニングと推定を実施する。
• 予測された最適ポートフォリオが観察されたファンド保有株式と一致するように最適化問題を解くことで、リスク選好パラメータを推定する。
• 平均分散モデルと整合性を保ちつつ、時間経過に伴うリスク許容度の動的変化を許容する。
• 妥当性の確認のため、出力結果を2つの確立されたリスク測定ベンチマークと比較する。

実験結果

リサーチクエスチョン

• RQ1 観察された投資ポートフォリオから、リアルタイムでの投資家行動を反映する形でリスク選好をどのように推定できるか。
• RQ2 逆最適化によって導かれたリスク選好は、確立されたリスク測定フレームワークとどの程度一致するか。
• RQ3 長期投資期間にわたり、同時期の市場データとポートフォリオデータを用いて、時間的に変化するリスク選好を信頼性高く推定できるか。
• RQ4 提案手法は、自動化されたポートフォリオ管理システムの正確性とパーソナライズド性をどのように向上させるか。
• RQ5 実市場状況下で、既知のリスク指標と照合した場合、推定されたリスクパラメータの実証的妥当性は何か。

主な発見

• 提案された逆最適化フレームワークは、実市場データを用いて、マニュアルファンドのポートフォリオから時間的に変化するリスク選好を成功裏に推定した。
• 推定されたリスク選好パラメータは、分野内でよく知られた2つのリスク測定ベンチマークと強く一致した。
• 本手法は、投資家行動の時間的変化を捉えることができる継続的かつリアルタイムのリスク選好推定を可能にした。
• ロボ・アドバイザー・プラットフォームを含む、自動化されたポートフォリオ管理システムの実用的妥当性がフレームワークで示された。
• 結果として、観察された投資意思決定から意味的かつ行動的に整合性のあるリスク選好を効果的に抽出できることが検証された。
• 本アプローチは、リスク選好を実際のポートフォリオ割当と市場状況に基づくことで、長期投資意思決定インテリジェンスの支援を可能にした。