New Directions in Statistical Distributions, Parametric Modeling and
Transcription
New Directions in Statistical Distributions, Parametric Modeling and
DISS. ETH N◦ 20694 New Directions in Statistical Distributions, Parametric Modeling and Portfolio Selection A dissertation submitted to ETH ZURICH for the degree of Doctor of Sciences presented by YOHAN CHALABI MS in Physics EPF Lausanne born November 13, 1980 citizen of Martisberg, Switzerland accepted on the recommendation of PD Dr. Diethelm Würtz Prof. Dr. Matthias Troyer Prof. Dr. David J. Scott 2012 Abstract Quantitative approaches to solving portfolio optimization problems require an understanding of several areas of computational finance. These areas include statistical distributions, parametric modeling and portfolio design methods. Statistical distributions are used to model time series data. Parametric models are important components of advanced risk measures. Optimization methods are used to maximize increasingly complex portfolio objective functions. This thesis presents innovations in these three areas. The first part considers the use of the generalized lambda distribution (GLD) family as a flexible distribution with which to model financial data sets. The GLD can assume distributions with a large range of shapes. Analysts can therefore work with a single distribution to model almost any class of financial assets, rather than needing several. This becomes especially useful in the estimation of risk measures, where the choice of the distribution is crucial for accuracy. The part presents a new parameterization of the GLD, wherein the location and scale parameters are directly expressed as the median and interquartile range of the distribution. The two remaining parameters characterize the asymmetry and steepness of the distribution. Conditions are given for the existence of its moments, and for it to have the appropriate support. The tail behavior is also studied. The new parameterization brings a clearer interpretation of the parameters, whereby the distribution’s asymmetry can be more readily distinguished from its steepness. This is in contrast to current parameterizations of the GLD, where the asymmetry and steepness are simultaneously described by a combination of the tail indices. Moreover, the new parameterization can be used to compare data sets in a convenient asymmetry and steepness shape plot. The second part of this work is related to the estimation of parametric models in the presence of outliers. The maximum likelihood estimator is often used to find parameter values. However, it is highly sensitive to abnormal points. In this regard, the weighted trimmed likelihood estimator (WTLE) has been introduced as a robust alternative. The part improves the WTLE by adding a scheme for automatically computing the trimming parameter and weights. The last part goes beyond the traditional portfolio optimization idea. A new portfolio i selection framework is introduced where the investor seeks the allocation that is as close as possible to his “ideal” portfolio. To build such a portfolio selection framework, the φ-divergence measure from information theory is used. There are many advantages to using the φ-divergence measure. First, the allocation is made such that it is in agreement with the historical data set. Second, the divergence measure is a convex function, which enables the use of fast optimization algorithms. Third, the objective value of the minimum portfolio divergence measure provides an indication distance from the ideal portfolio. A statistical test can therefore be constructed from the value of the objective function. Fourth, with adequate choices of both the target distribution and the divergence measure, the objective function of the φ-portfolios reduces to the expected utility function. ii Résumé Les approches quantitatives pour résoudre les problèmes d’optimisation de portefeuille exigent une compréhension dans plusieurs domaines en finance quantitative. Ces domaines comprennent les distributions statistiques paramétriques, l’estimation de modèles paramétriques, et la construction de portefeuilles. Les distributions statistiques sont utilisées pour modéliser les séries chronologiques. Les modèles paramétriques sont importants pour la construction de mesures de risque avancées. Les méthodes d’optimisation sont nécessaires pour maximiser des fonctions objectives de portefeuille de plus en plus complexes. Cette thèse présente des innovations dans ces trois domaines. La première partie concerne l’utilisation de la famille de distribution généralisée de lambda (GLD) comme distribution suffisamment flexible pour modéliser différentes sortes de séries temporelles. La GLD inclut des distributions qui ont une large gamme de formes. Les analystes peuvent donc travailler avec une distribution unique, plutôt que de devoir en utiliser plusieures. Cela devient particulièrement utile pour l’estimation des mesures de risque, où le choix de la distribution est crucial pour obtenir des valeurs précises. Cette partie présente un nouveau paramétrage de la GLD, dans laquelle les paramètres de localisation et d’échelle sont directement exprimés par la médiane et l’écart interquartile de la distribution. Les deux autres paramètres de forme caractérisent la dissymétrie et l’aplatissement de la distribution. Les conditions requises pour l’existence de ces moments, ainsi que pour son support sont présentées. Le comportement de la queue est également étudié. Le nouveau paramétrage apporte une interprétation plus claire de ces paramètres, de sorte que la dissymétrie de la distribution peut être plus facile à distinguer de son aplatissement. Ceci est en contraste avec les paramétrages actuels de la GLD, où la dissymétrie et l’aplatissement sont simultanément décrits par la combinaison de deux indices de queues. En outre, le nouveau paramétrage peut être utilisé pour comparer un ensemble de données dans un graphique de dissymétrie et d’applatissement. La deuxième partie de ce travail se rapporte à l’estimation de modèles paramétriques en présence de valeurs aberrantes. L’estimateur de la vraisemblance maximal est souvent utilisé pour trouver les valeurs des paramètres. Cependant, il est très sensible aux points aberrants. A cet égard, l’estimateur de la vraisemblance pondérée et tronquée (WTLE) a iii été proposé comme alternative. La partie améliore le WTLE en présentant une approche pour calculer automatiquement le paramètre de troncation et de poids. La dernière partie cherche à dépasser l’idée d’optimisation de portefeuille traditionnelle. Dans un nouveau cadre pour la sélection de portefeuille, un investisseur cherche l’allocation la plus proche possible d’un portefeuille “idéal”. Pour cela, on utilisera la mesure de divergence φ de la théorie de l’information. L’utilisation des mesures de divergence φ confère plusieurs avantages. Tout d’abord, la répartition est faite de telle sorte qu’elle est en accord avec les données historiques. Deuxièmement, la mesure de divergence est une fonction convexe qui permet l’utilisation d’algorithmes d’optimisation rapides. Troisièmement, la valeur optimale des portefeuilles φ indique l’éloignement par rapport au portefeuille idéal. Un test statistique peut donc être construit à partir de la valeur de la fonction objective. Quatrièmement, avec des choix adéquats de la distribution cible et de la mesure de divergence, la fonction objective des portefeuilles φ est réduite à la fonction d’utilité espérée. iv