یک روش تنظیمی ترکیبی مبتنی بر مدل مارکویتز برای انتخاب سبد بهینه سرمایه گذاری

وزن های سبد بهینه بر اساس مدل مارکویتز، به خطای برآورد پارامترهای مدل از جمله ماتریس واریانس‑کوواریانس بسیار حساس هستند. اگر بازده دارایی ها دارای همبستگی بالایی باشند یا تعداد مشاهدات در مقایسه باتعدا دارایی ها کم باشد، آنگاه ماتریسواریانس‑ کوواریانسنمونه ای به عنوان برآوردی از ماتریسواریانس‑کوواریانسواقعی، منفرد و یا نزدیکبه ماتریسمنفرد است. در چنین حالتی برآورد وزن های سبد بهینه دیگر معتبر نخواهد بود. درسال های اخیر برای رفع این مشکل، روش های تنظیمی نظیر مدل رگرسیون ریج، برش‑ طیفی، لندوبر‑فریدمن و روشتعدیل مقادیر ویژه ماتریسواریانس‑کواریانسنمونه ای پیشنهاد شده است. در این مقاله هدف ارایه یکروشترکیبیبرای برآورد وزن های سبد بهینه در مدل مارکویتز بر اساسترکیبی از روش های تنطیمی و روشتعدیل مقادیر ویژه است.

a composite shrinkage method for optimal portfolio selection based onthe markowitz model

the optimal portfolio weights based on the markowitz model are very sensitiveto the estimation error of the model parameters, including the variance-covariance matrix. itis known that, if there is a high correlation among independent variables or when the numberof observations is low compared to the number of independent variables, the design matrixmay be almost singular. in such a case, the estimation of regression coefficients have a highvariance. since portfolio weights are made based on these estimates, will not be valid. toaddress this problem in estimating regression coefficients regularization methods such as regressionridge, spectral cut-off, landweber-fridman and others were suggested. the goalof this paper is to investigate the use of these regularization methods to determine the optimalweights in the markowitz model.