Bibliographic Metadata

Title
Bayesian portfolio selection using Markov Chain Monte Carlo methods / von Lukas Steinbrecher
AuthorSteinbrecher, Lukas
CensorDangl, Thomas
PublishedWien, 2018
Descriptionxv, 91 Seiten : Diagramme
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2018
Annotation
Zusammenfassung in deutscher Sprache
Annotation
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
LanguageEnglish
Document typeThesis (Diplom)
Keywords (DE)Portfolioselektion / Bayessche Methoden / Markov Chain Monte Carlo
Keywords (EN)portfolio selection / Bayesian methods / Markov Chain Monte Carlo
URNurn:nbn:at:at-ubtuw:1-108462 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Bayesian portfolio selection using Markov Chain Monte Carlo methods [1.04 mb]
Links
Reference
Abstract (German)

Diese Diplomarbeit untersucht den Bayesschen Ansatz zur Portfolioselektion. Wir benutzen ein nicht-hierarchisches und ein hierarchisches multivariat-Gaussches Bayessches Modell mit zwei verschiedenen Prior-Verteilungen. Aufgrund der mathematischen Unlösbarkeit solcher komplizierten Bayesschen Modelle benutzen wir eine probabilistische Programmiersprache namens Stan, welche den numerischen Markov-Chain Monte Carlo (MCMC) Ansatz zur Inferenz dieser Modelle benutzt. Wir betrachten zwei verschiedene Portfoliooptimierungsmethoden: die klassische Mean/Variance Optimierung und einen direkten Erwartungsnutzen-Maximierungsansatz basierend auf der CRRANutzenfunktion. Wir führen eine Backtest-Analyse, basierend auf einem Datensatz der 10 Industriesektoren des S&P 500 zwischen 1989 und 2016, durch. Wir vergleichen dabei die Bayessschen Modelle und Optimierungsmethoden mit dem klassischen Mean/Variance Ansatz mit Maximum-Likelihood-Schätzer. Obwohl die Baysschen Modelle keine besseren Punktvorhersagefähigkeiten besitzen, war der Einsatz dieser fortgeschrittenen Methoden, aufgrund der Nutzengewinne von 1-2% Zusatzrendite des Sicherheitsäquivalents pro Jahr, gerechtfertigt. Alle zusätzlichen Gewinne konnten durch das Fama-French-Carhart Vier-Faktorenmodell erklärt werden.

Abstract (English)

This thesis investigates the Bayesian approach to portfolio selection. We use a nonhierarchical and a hierarchical Multivariate Gaussian Bayesian model with two different prior distributions. Due to the mathematical intractability of such advanced Bayesian models, we use a probabilistic programming language called Stan, which uses the numerical Markov Chain Monte Carlo (MCMC) approach to do inference on these models. We consider two different portfolio optimization methods: The classical Mean/Variance optimization and an direct expected utility maximization approach based on the CRRA utility function. We conduct a historical backtesting analysis based on a dataset consisting of the 10 industry sectors of the S&P 500 index between 1989 and 2016. We compare the Bayesian models and optimization methods to the classical Markovitz Mean/Variance approach with maximum likelihood estimators. Although the Bayesian models do not provide better point prediction forecast ability, the use of these advanced methods was justified, by providing an utility gain which ranges up to 1-2% additional certainty equivalent return per year. All additional returns can be explained by the Fama-French-Carhart four factor model.

Stats
The PDF-Document has been downloaded 17 times.