Publication

Multi-Period Portfolio Optimization: Translation of Autocorrelation Risk to Excess Variance

Napat Rujeerapaiboon
2016
Journal Articles

Résumé

Growth-optimal portfolios are guaranteed to accumulate higher wealth than any other investment strategy in the long run. However, they tend to be risky in the short term. For serially uncorrelated markets, similar portfolios with more robust guarantees have been recently proposed. This paper extends these robust portfolios by accommodating non-zero autocorrelations that may reflect investors' beliefs about market movements. Moreover, we prove that the risk incurred by such autocorrelations can be absorbed by modifying the covariance matrix of asset returns.

Source officielle

https://infoscience.epfl.ch/entities/publication/535bf9c6-9417-4293-bf2b-00d2ca961cec

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Multi-Period Portfolio Optimization: Translation of Autocorrelation Risk to Excess Variance

Chattez avec Graph Search

Portfolio Construction with Hierarchical Momentum

TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression

Random matrix methods for high-dimensional machine learning models