投资组合选择和路径依赖场景(总结)

一个常见的场景分析技术选择的投资组合。这种方法包括定义潜在的经济方案,分配概率,将场景转化为预期的资产回报,然后计算和比较性能指标组合选择。

主要包括投资者面临的挑战,决定如何分配概率潜在的场景和如何将这些场景转化为资产的回报。通常,在情景分析方法,经济形势下被定义为一组单一的时间段相关经济变量的平均值。这项研究的作者提倡另一种方法:定义场景作为经济变量的路径,使投资者考虑顺序的结果。

作者说明了案例场景定义为路径,而不是平均值。他们看到从1929年到2019年GDP增长数据和搜索的三年是最类似于2006 - 2008年的全球金融危机。他们构建和比较两个版本的数据:一个认为每年的路径和另一个认为三年平均增长率。

他们建议定义场景的多个值为一组相关的经济变量,代表了早期,中期,和后期的模式,模式可能包括月、季度、年。不同的场景可以通过计算估计的可能性历史序列的统计相似性。这个计算可以使用统计执行所谓的距离。这个测量特征之间的距离两个多元观察,而占潜在变量的预期变化的平均水平。

将这些经济场景转化为估计选择资产的预期回报率,作者建议部分样本回归。这种技术是非常有用的,因为它提供了一个更直接的经济变量之间的联系比仿真分析和资产的回报,比如蒙特卡罗模拟。作者指出,一个关键的优势的方法是,它强加了一个内部一致性概率估计和回归预测。

最后,他们说明提出方法的案例研究。他们建造六个不同的和合理的经济场景在美国COVID-19大流行后,它们的名字如下:基线V,浅V, u型V, w型V,抑郁,和滞胀。每个场景定义的路径的两个宏观经济变量:三年实际GDP增长和通货膨胀。作者计算Mahalanobis距离来评估每个场景的各自的概率。

然后考虑三个资产类别:美国股票、债券和现金。他们部分样本回归技术应用于计算预期的实际回报率的资产类别与每个相关的经济情况。他们使用他们的发现产生多种路径依赖的指标来评估三个备选组合:保守、温和,咄咄逼人。

本研究的关键贡献使场景分析提出了一项新技术。案例研究的研究是这种方法的一个佐证。

作者发现结果取决于不同的场景被定义为路径或多年平均水平。例如,当寻找三年最类似的全球金融危机,他们观察到的场景定义为路径更相似的模式增长从2006年到2008年。

的案例研究说明了他们提出的方法,作者发现概率与六个经济情况选择范围从最高的30% (u V)低2%(萧条)。的资产回报率计算这些场景是凭直觉与场景的描述一致。

指定场景作为路径产生一组丰富的数据比使用单一阶段时平均水平。为每个组合以及年度累计回报,作者可见性组合指标,否则不会知道。

作者认为,投资者可以在几个方面受益于为经济变量定义未来的经济情况的路径,而当前的惯例使用单层平均水平。最重要的是,这种方法使投资者衡量统计相似性更reliably-improving能力分配概率场景和预测资产的回报。作者指出,他们的方法是不同于模拟蒙特卡罗模拟等方法,因为它更直接和更直观的对大多数投资者需要更少的场景需要考虑。他们还表明,场景定义为路径可以用来产生一个丰富的组合指标集促进更好、更明智的决策。