Resumen

Este trabajo pretende estudiar carteras estables con criterios de media-varianza-CVaR para datos de alta dimensión. Combinando diferentes estimadores de la matriz de covarianza, métodos computacionales de CVaR y métodos de regularización, construimos cinco problemas de optimización progresiva con ventas en corto permitidas. Se comparan los efectos de los distintos métodos en el rendimiento de las carteras fuera de muestra. Los resultados muestran que el modelo de optimización con un estimador de covarianza bien condicionado y disperso, el método computacional de regresión cuantil para CVaR y la norma L1 reponderada obtienen los mejores resultados, lo que sirve para estabilizar el rendimiento fuera de muestra de la solución y también fomenta una cartera dispersa.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:rendimiento muestral, problemas de optimización progresiva, estimador de covarianza disperso, cvar, criterios cvar, norma l1, método computacional, métodos computacionales, matriz de covarianza, diferentes estimadores
• Keywords:sample performance, progressive optimization problems, sparse covariance estimator, cvar, cvar criteria, l1 norm, computational method, computational methods, covariance matrix, different estimators