Learning from out-of-sample errors in Norway´s stock market

Resumo

A construção de carteiras optimizadas envolve frequentemente o processo de criar estimativas através de amostra históricas, um processo que se repete para todas as frequências do rebalanceamento. O erro de previsão da estimativa face ao valor realizado não é considerado a cada iteração. O Galton É um novo método semelhante a “machine learning” que explora a previsibilidade destes erros ao longo do tempo, de forma a gerar estimativas superiores para a optimização. Originalmente desenvolvido para uma carteira de ações americanas com dados mensais, eu emprego o método para uma carteira de ações norueguesas com dados mensais, semanais e diários. Saliento que a estratégia produz carteiras que superam os resultados de outras carteiras optimizadas, de carteiras com alocação igual por ação e carteiras com alocação baseada no valor de mercado de cada ação. Quanto mais informação entra no algoritmo através do aumento da frequência de rebalanceamento, mais certeiras são as estimativas, aumentando o rácio de Sharpe. Estas carteiras têm a qualidade da previsibilidade da sua variância ex-ante, possibilitando que gestores de carteiras possam gerir o risco das mesmas em tempo real.

Data de atribuição	8 jul. 2021
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Barroso (Supervisor)