Strategic Asset Allocation Using Robust Covariance Estimation and Portfolio Optimization Methods

Abstract

Strategic asset allocation is the single most important determinant of portfolio returns. While the drawbacks of using mean-variance optimization and the sample covariance matrix for strategic asset allocation are well-documented in the literature, they are still broadly applied among investment professionals. In this thesis we study two robust alternatives for the sample covariance matrix, shrinkage and hierarchical clustering, and two robust alternatives for mean-variance optimization, resampling optimization and regularized optimization.

We develop a generalisable testing framework for comparing the out-of-sample risk-return characteristics of a broad range of covariance estimation and portfolio optimization methods. The testing framework is applied to provide an empirical comparison of the performance of the traditional and robust methods in two testing samples, when asset class volatilities, correlations and expected returns contain uncertainty.

The choice of the portfolio optimization method clearly dominated the choice of covariance estimation method as a determinant of out-of-sample portfolio risk-return characteristics. Out of the three portfolio optimization methods, resampling optimization provided the investor portfolios with superior ratios of portfolio return and volatility as well as portfolio return and maximum drawdown. Mean-variance optimization and regularized optimization performed more inconsistently, demonstrating sensitivity to the underlying assumptions made regarding the structure of uncertainty in expected returns. As a non-robust method, the realized returns of portfolios obtained using mean-variance optimization also deteriorated as the level of uncertainty in expected returns was increased.

Strateginen allokaatio on tärkein yksittäinen portfolion tuottoja selittävä tekijä. Vaikka Markowitzin kehittämän portfolio-optimoinnin ja otoskovarianssin käyttämisen varjopuolet on dokumentoitu laajasti kirjallisuudessa, monet ammattimaiset sijoittajat edelleen pohjaavat strategisen allokaationsa niihin. Esittelemme tässä työssä kaksi vaihtoehtoista robustia kovarianssiestimointimenetelmää, kutistamisen ja hierarkisen klusteroinnin, sekä kaksi vaihtoehtoista robustia portfolio-optimointimenetelmää, uudelleenotannan ja regularisoidun optimoinnin.

Kehitämme testausmetodologian, joka on yleistettävissä erityyppisten kovarianssi-estimointi- ja portfolio-optimointimenetelmien tuotto-riski -ominaisuuksien tutkimiseen. Kehitettyä testausmetodologiaa sovelletaan perinteisten ja esiteltyjen robustien menetelmien vertailuun, kun omaisuuslajien volatiliteetteihin, korrelaatioihin ja tuotto-odotuksiin liittyy epävarmuutta.

Portfolio-optimointimenetelmän valinta vaikutti selvästi kovarianssiestimointimenetelmän valintaa enemmän portfolioiden toteutuneisiin tuottoihin ja riskeihin. Kolmesta työssä tutkitusta portfolio-optimointimenetelmästä uudelleenotanta tarjosi sijoittajalle parhaan tuoton ja volatiliteetin suhteen sekä tuoton ja maksimialenemisen suhteen. Markowitz-optimointi ja regularisoitu optimointi toimivat epäjohdonmukaisemmin osoittaen herkkyyttä tuotto-odotusten yhteisjakaumaan liittyville oletuksille. Lisäksi Markowitz-optimoinnin herkkyys tuotto-odotusten sisältämälle virheelle voitiin havaita \-- toteutuneet tuotot laskivat virheen määrän lisääntyessä.