A risk-gain-sparsity optimization approach

Autore:  Alessandra Congedo, Alessio Di Paolo, Carlo Domenico Mottura
Editore: RomaTrE-Press
Data di pubblicazione: giugno 2024
Pagine: 34
ISBN: 979-12-5977-332-6
n° downloads ad oggi: 17

Abstract

Uno dei principi fondamentali dei modelli di selezione del portafoglio è la minimizzazione del rischio attraverso la diversificazione degli investimenti. Tuttavia, i benefici della diversificazione si riducono in presenza di un'elevata correlazione tra gli asset. È noto che la diversificazione attraverso l'uso di portafogli più ampi non è il modo migliore per ottenere un miglioramento della performance fuori campione. Inoltre, l'inclusione di un numero elevato di posizioni nel portafoglio aumenta i costi di gestione e di transazione. Mentre i modelli classici di selezione del portafoglio si concentrano sulla minimizzazione del rischio e sulla massimizzazione del rendimento, lo scopo di questo lavoro è quello di includere un terzo obiettivo: la norma-1. Ciò consente di selezionare portafogli sparsi, cioè con un numero limitato di attività, che sono più facili da gestire e consentono di ottenere buoni risultati in termini di rischio-rendimento. La nostra analisi empirica si basa su un dataset di riferimento disponibile pubblicamente e spesso utilizzato in letteratura.

">

Uno dei principi fondamentali dei modelli di selezione del portafoglio è la minimizzazione del rischio attraverso la diversificazione degli investimenti. Tuttavia, i benefici della diversificazione si riducono in presenza di un'elevata correlazione tra gli asset. È noto che la diversificazione attraverso l'uso di portafogli più ampi non è il modo migliore per ottenere un miglioramento della performance fuori campione. Inoltre, l'inclusione di un numero elevato di posizioni nel portafoglio aumenta i costi di gestione e di transazione. Mentre i modelli classici di selezione del portafoglio si concentrano sulla minimizzazione del rischio e sulla massimizzazione del rendimento, lo scopo di questo lavoro è quello di includere un terzo obiettivo: la norma-1. Ciò consente di selezionare portafogli sparsi, cioè con un numero limitato di attività, che sono più facili da gestire e consentono di ottenere buoni risultati in termini di rischio-rendimento. La nostra analisi empirica si basa su un dataset di riferimento disponibile pubblicamente e spesso utilizzato in letteratura.

One of the fundamental principles of portfolio selection models is risk minimization through investment diversification. However, the benefits of diversification are reduced when there is a high correlation between assets. It is well-known that diversifying through the use of larger portfolios is not the best way to achieve an improvement in out-of-sample performance. Moreover, including a large number of positions in the portfolio increases management and transaction costs. While classical portfolio selection models focus on risk minimization and return maximization, the purpose of this work is to include a third objective: the l1-Norm. This allows for the selection of sparse portfolios, that is, with a limited number of assets, which are easier to manage and allow for good risk-return results. Our empirical analysis is based on a publicly available benchmark dataset often used in the literature.

">

One of the fundamental principles of portfolio selection models is risk minimization through investment diversification. However, the benefits of diversification are reduced when there is a high correlation between assets. It is well-known that diversifying through the use of larger portfolios is not the best way to achieve an improvement in out-of-sample performance. Moreover, including a large number of positions in the portfolio increases management and transaction costs. While classical portfolio selection models focus on risk minimization and return maximization, the purpose of this work is to include a third objective: the l1-Norm. This allows for the selection of sparse portfolios, that is, with a limited number of assets, which are easier to manage and allow for good risk-return results. Our empirical analysis is based on a publicly available benchmark dataset often used in the literature.

Nella stessa collana

A cura di: Fabio Giulio Grandis
Jacopo Maria Ricci
Francesco Saverio Stentella Lopes, Franco Fiordelisi, Ornella Ricci
Chiara Finocchietti, Federico Ceschel, Lucia Marchegiani, Plinio Limata, Serena Spitalieri
Andrea Gheno, Chiara Sansoni, Jessica Riccioni, Maria Alessandra Congedo, Massimiliano Corradini
Antonio Luciano Martire, Barbara Rogo, Maria Alessandra Congedo, Marisa Cenci