Extension of Random Matrix Theory to the L-moments for Robust Portfolio Allocation
Résumé
In this paper, we propose a methodology for building an estimator of the covariance matrix. We use a robust measure of moments called L-moments (see hosking, 1986), and their extension into a multivariate framework (see Serfling and Xiao, 2007). Random matrix theory (see Edelman, 1989) allows us to extract factors which contain real information. An empirical study in the American market shows that the Global Minimum L-variance Portfolio (GMLP) obtained from our estimator well performs the Global Minimum Variance Portfolio (GMVP) that acquired from the empirical estimator of the covariance matrix.
Nous proposons dans cet article un estimateur robuste de la matrice de variance-covariance nécessaire à la construction des portefeuilles dont l'unique objectif est la réduction de la volatilité. Dans cet optique, nous utilisons des moments alternatifs aux moments classiques appelés les L-moments (voir Hosking, 1986), et leurs extensions au cadre bi-varié (voir Serfling et Xiao, 2007). La théorie de la matrice aléatoire (voir Edelman, 1989) nous permet d'extraire les facteurs qui contiennent réellement de l'information. Une étude empirique sur le marché américain montre que le portefeuille de L-variance minimale globale (obtenu à partir de la matrice de L-comoments d'ordre deux filtrés) a de meilleures performances que le portefeuille de variance minimale globale (obtenu à partir de l'estimateur empirique de la matrice de variance-covariance).
Origine :
Fichiers produits par l'(les) auteur(s)
Loading...