[논문 리뷰] Mean--variance portfolio optimization when means and covariances are unknown

Tze Leung Lai, Haipeng Xing외 1명|RePEc: Research Papers in Economics|2011. 08. 04.

Insurance, Mortality, Demography, Risk Management인용 수 8

한 줄 요약

이 논문은 평균과 공분산 매개변수의 추정 불확실성을 고려하여 마크owitz 최적화의 역설을 해결하기 위해 새로운 경험베이즈 접근법인 NPEB(비모수적 예측 베이즈 추정)를 제안한다. 표본 변동성과 사전 믿음을 통합한 베이지안 프레임워크를 통해 미래 수익률을 모델링함으로써, 전통적인 플러그인, 수축, 부트스트랩 방법에 비해 포트폴리오 성과가 크게 향상되며, 특히 정보비율과 초과수익 안정성 측면에서 뛰어나다.

ABSTRACT

Markowitz's celebrated mean--variance portfolio optimization theory assumes that the means and covariances of the underlying asset returns are known. In practice, they are unknown and have to be estimated from historical data. Plugging the estimates into the efficient frontier that assumes known parameters has led to portfolios that may perform poorly and have counter-intuitive asset allocation weights; this has been referred to as the "Markowitz optimization enigma." After reviewing different approaches in the literature to address these difficulties, we explain the root cause of the enigma and propose a new approach to resolve it. Not only is the new approach shown to provide substantial improvements over previous methods, but it also allows flexible modeling to incorporate dynamic features and fundamental analysis of the training sample of historical data, as illustrated in simulation and empirical studies.

연구 동기 및 목표

• 플러그인 추정치가 추정 오차와 표본 변동성으로 인해 외부 표본 포트폴리오 성과가 열 劣화되는 '마크owitz 최적화의 역설'을 해결한다.
• 플러그인, 수축, 부트스트랩과 같은 전통적 방법의 한계를 극복하기 위해 최적화 프레임워크에 매개변수 불확실성을 통합한다.
• 분야 지식, 기본 분석, 역사적 데이터의 동적 모델링을 통합할 수 있는 융통성 있는 베이지안 접근법을 개발하여 예측 정확도를 향상시킨다.
• 평균과 공분산 추정치의 불확실성으로 인해 발생하는 스토크라스틱 최적화 문제를 해결하며, 마크owitz의 결정론적 평균-분산 프레임워크를 확장한다.
• CRSP 월간 주식 데이터를 사용한 시뮬레이션 및 실증 연구를 통해 제안된 방법의 우월성을 입증하며, 정보비율과 초과수익 측면에서 일관된 슈퍼리어리티를 보여준다.

제안 방법

• 미래 수익률 벡터를 역사적 데이터 기반의 예측 분포를 가진 랜덤 변수로 간주하는 비모수적 예측 베이즈(NPEB) 방법을 제안한다.
• 역사적 수익률에서 후행 평균과 두 번째 모멘트 행렬을 추정하는 계층 베이지안 모델을 사용하며, 표본 변동성을 통합한다.
• 해결하기 어려운 스토크라스틱 최적화 문제를 해결하기 위해 추가적인 매개변수 η를 도입하여 해석적 해를 도출할 수 있는 결정론적 문제로 변환한다.
• μ와 Σ의 플러그인 추정치를 사용하는 대신, 예측 분포 하에서 포트폴리오 수익의 기대 분산을 최소화하는 최적화 문제를 설정한다.
• 과거 시장 데이터를 기반으로 한 유연한 회귀 기반 예측자(식 20)를 사용하여 전문가의 견해(예: 블랙-리터먼)를 통계 모델과 통합한다.
• 초모수를 데이터에서 추정하는 경험베이즈 기법을 사용하여, 강한 파라미터 가정 없이도 적응형이고 데이터 기반의 접근법을 가능하게 한다.

실험 결과

연구 질문

• RQ1 평균과 공분산 매개변수의 추정 불확실성이 실무에서 플러그인 평균-분산 포트폴리오 성과에 어떤 영향을 미치는가?
• RQ2 매개변수 불확실성을 고려한 베이지안 프레임워크가 기존의 플러그인 또는 수축 방법에 비해 더 견고하고 높은 성과를 내는 포트폴리오를 만들어낼 수 있는가?
• RQ3 실증 설정에서 기존의 P(플러그인), S(수축), B(부트스트랩) 방법과 비교해 볼 때, 제안된 방법이 정보비율과 실현 초과수익을 어느 정도 향상시킬 수 있는가?
• RQ4 베이지안 예측 프레임워크 내에서 도메인 지식과 기본 분석을 어떻게 융통성 있게 포트폴리오 최적화 과정에 통합할 수 있는가?
• RQ5 평균-분산 최적화에서 μ와 Σ의 점 추정치에 의존하는 대신 미래 수익률 분포를 예측 분포로 모델링할 경우 어떤 영향을 미치는가?

주요 결과

• 실증 연구에서 NPEB 방법은 목표 수익률 μ* = 0.015일 때 실현 정보비율 1.169를 기록하며, 플러그인(P) 방법(0.370)과 수축(S) 방법(0.354)을 크게 앞서며 뛰어난 성과를 보였다.
• μ* = 0.02일 때 NPEB 방법은 평균 실현 초과수익 0.052를 기록했으며, 수축 방법은 0.051, 부트스트랩 방법은 0.050이었고, 정보비율은 1.169로 최고 성과를 낸 베이스라인(0.915)을 초월했다.
• 모든 목표 수익률 수준(μ* = 0.015, 0.02, 0.03)에서 NPEB 방법은 P, S, B보다 항상 높은 정보비율을 기록하여 견고성과 안정성을 입증했다.
• 이 방법은 최적화된 포트폴리오의 목표 평균과 실제 평균 간의 괴리도 감소시켜, 플러그인 방법에서 실제 평균이 목표에서 크게 벗어나는 주요 결함을 해결했다.
• 베이지안 공식화는 전문가의 견해(예: 블랙-리터먼) 및 동적 모델링을 통합할 수 있게 하여 예측 능력과 변화하는 시장 조건에 대한 적응성을 향상시켰다.
• 매개변수 η를 도입함으로써 이전에 해결하기 어려웠던 스토크라스틱 최적화 문제를 해결하여 해석적 해를 도출하고 고차원 설정에서도 실용적인 구현을 가능하게 했다.