Comparison among high dimensional covariance matrix estimation methods

RESUMEN: Medidas precisas para la matriz de volatilidad y su inversa son herramientas fundamentales en problemas de administración del riesgo y portafolio. Debido a la acumulación de errores en la estimación de los retornos esperados y la matriz de covarianza la solución de estos problemas son muy sensibles, en particular cuando el número de activos (p) excede el tamaño muestral (T ). La investigación reciente se ha centrado en desarrollar diferentes métodos para estimar matrices de alta dimensión bajo tamaños muestrales pequeños. El objetivo de este artículo consiste en examinar y comparar el portafolio óptimo de mínima varianza construido usando cinco diferentes métodos de estimación para la matriz de covarianza: la covarianza muestral, el RiskMetrics, el modelo de factores, el shrinkage y el modelo de factores de frecuencia mixta. Usando simulación Monte Carlo hallamos evidencia de que el modelo de factores de frecuencia mixta y el modelo de factores tienen una alta precisión cuando existen portafolios con p cercano o mayor que T .

• Autores: Gómez Portilla, Karoll; Gallón Gómez, Santiago Alejandro
• Tipo de recurso: Article of investigation
• Fecha de publicación: 2011
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/7333
• Acceso en línea: http://hdl.handle.net/10495/7333
• Palabra clave: Covariance matrix; High dimensional data; Penalized least quares; Matrix de covarianza; Datos de alta dimension; Mínimos cuadrados penalizados; Shrinkage
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia