[논문 리뷰] Bounds on Portfolio Quality

Steven E. Pav|arXiv (Cornell University)|2014. 09. 21.

Complex Systems and Time Series Analysis참고 문헌 21인용 수 3

한 줄 요약

이 논문은 노이즈 있는 기대 수익률 및 공분산 추정치로부터 구성된 포트폴리오의 기대 신호-잡음비에 대한 Cramér-Rao 경계를 수립하며, 정규 수익률 하에서 이 비율을 최대화하기 위한 편향-분산 트레이드오프가 존재하지 않음을 보여준다. 핵심 결과는 인구의 신호-잡음비가 $ p^{1/4} $ 보다 느리게 증가할 경우, 자산을 더 추가하는 것은 기대 포트폴리오 품질을 떨어뜨릴 수 있으며, 이는 마코위츠 최적화가 작은 자산 유니버스에 국한되는 실용적 제약을 설명한다.

ABSTRACT

The signal-noise ratio of a portfolio of p assets, its expected return divided by its risk, is couched as an estimation problem on the sphere. When the portfolio is built using noisy data, the expected value of the signal-noise ratio is bounded from above via a Cramer-Rao bound, for the case of Gaussian returns. The bound holds for `biased' estimators, thus there appears to be no bias-variance tradeoff for the problem of maximizing the signal-noise ratio. An approximate distribution of the signal-noise ratio for the Markowitz portfolio is given, and shown to be fairly accurate via Monte Carlo simulations, for Gaussian returns as well as more exotic returns distributions. These findings imply that if the maximal population signal-noise ratio grows slower than the universe size to the 1/4 power, there may be no diversification benefit, rather expected signal-noise ratio can decrease with additional assets. As a practical matter, this may explain why the Markowitz portfolio is typically applied to small asset universes. Finally, the theorem is expanded to cover more general models of returns and trading schemes, including the conditional expectation case where mean returns are linear in some observable features, subspace constraints (i.e., dimensionality reduction), and hedging constraints.

연구 동기 및 목표

• 노이즈 있는 데이터로부터 추정된 경우의 타당 포트폴리오 기대 신호-잡음비에 대한 상한을 수립하기 위해.
• 이론적으로 최적임이 입증된 마코위츠 포트폴리오가 왜 큰 유니버스에서는 거의 사용되지 않는지 설명하기 위해.
• 인구의 신호-잡음비 상승률이 유니버스 크기 $ p $ 와 상대적으로 어떻게 포트폴리오 품질에 영향을 미치는지 분석하기 위해.
• 선형 특징, 부분공간 제약, 헤징을 포함한 일반화된 모델로 경계를 확장하기 위해.
• 포트폴리오 최적화에서 차원 축소에 대한 이론적 기반을 제공하기 위해.

제안 방법

• 포트폴리오 가중치를 최적의 마코위츠 가중치를 추정하는 추정기로 간주하여, 단위 구면 $ \mathcal{S}^{p-1} $ 상의 추정 문제로 신호-잡음비를 공식화한다.
• Cramér-Rao 부등식을 적용하여 편향 추정기에도 유효한 기대 신호-잡음비에 대한 상한을 유도한다.
• 점근적 및 시뮬레이션 기반 검증을 통해 마코위츠 포트폴리오의 유한 표본 분포를 근사적으로 유도한다.
• 관측 가능한 특징, 선형 제약, 조건부 기대값을 포함한 모델로 경계를 일반화한다.
• 정규 분포 및 비정규 분포 수익률 하에서 몬테카를로 시뮬레이션을 통해 경계와 근사값을 검증한다.
• $ \Sigma^{1/2} $ 를 활용한 기하학적 변환을 통해 구면 상의 내적 표현으로 신호-잡음비를 재구성한다.

실험 결과

연구 질문

• RQ1 자산 수 $ p $ 가 증가함에 따라 포트폴리오의 기대 신호-잡음비가 감소하는 조건은 무엇인가?
• RQ2 추정기가 편향을 가질 경우에도, 노이즈 있는 추정치로부터 구성된 포트폴리오의 신호-잡음비에 Cramér-Rao 경계를 적용할 수 있는가?
• RQ3 인구의 신호-잡음비 $ \zeta_* $ 가 $ p $ 와 상대적으로 증가하는 속도가 기대 포트폴리오 품질에 어떻게 영향을 미치는가?
• RQ4 관측 가능한 특징, 부분공간 제약 또는 헤징을 포함한 모델로 경계를 어느 정도 일반화할 수 있는가?
• RQ5 마코위츠 포트폴리오의 제안된 신호-잡음비 근사 분포는 유한 표본에서 얼마나 정확한가?

주요 결과

• 기대 신호-잡음비는 Cramér-Rao 유형의 부등식에 의해 상한이 정해지며, 이 경계는 편향 추정기에도 유효하므로 샤프 비율 최적화를 위한 편향-분산 트레이드오프가 존재하지 않음을 의미한다.
• 인구의 신호-잡음비 $ \zeta_* $ 가 $ p^{1/4} $ 보다 느리게 증가할 경우, 기대 포트폴리오 품질에 대한 상한은 $ p $ 가 증가함에 따라 감소하며, 이는 다각화의 이점이 없다는 것을 의미한다.
• 정규 분포 및 비정규 분포 수익률 하에서 몬테카를로 시뮬레이션을 통해 마코위츠 포트폴리오의 제안된 신호-잡음비 근사 분포가 정확함을 입증하였다.
• 경계는 차원 축소가 포트폴리오 최적화에서 타당함을 정당화하며, 신호 강도가 충분하지 않은 자산을 추가하면 기대 성능이 악화될 수 있음을 시사한다.
• 이론적 경계는 날카롭고, 식 (19)의 미분 부등식에 대한 깊은 분석이나 내재 Cramér-Rao 경계의 사용 없이는 크게 향상시킬 수 없다.
• 분석 결과, 실용적 포트폴리오 구성이 작은 유니버스에 국한되는 것은 계산 비용 때문이 아니라, $ \zeta_* \ll p^{1/4} $ 일 경우 높은 품질의 포트폴리오를 추정하는 데 통계적으로 어려움이 있기 때문이다.