Schiele, Philipp (2024): On robust asset allocation. Dissertation, LMU München: Faculty of Mathematics, Computer Science and Statistics |
Preview |
Licence: Creative Commons: Attribution 4.0 (CC-BY) Schiele_Philipp.pdf 3MB |
Abstract
This dissertation offers a multifaceted examination of robust asset allocation strategies in the context of financial portfolio management, a subject of paramount importance and great interest to investors seeking to navigate the intricacies and complexities of modern financial markets, with significant implications for both academic research and practical applications. The field intersects various disciplines, including finance, economics, mathematics, statistics, computer science, and behavioral psychology. As such, it presents a unique and compelling opportunity for innovative and multidisciplinary approaches to portfolio management, opening avenues for new research and applications. The initial chapter provides an introduction to the topic, defining the term robustness in the context of financial portfolio management as the ability of a portfolio to perform well under a variety of perturbations. It also highlights the various facets of robust asset allocation, including statistical robustness, computational robustness, model robustness, and more, each being highlighted for its critical importance in the broader context of effective portfolio management. This chapter also sets the stage for the dissertation by providing a comprehensive introduction for each essay included, describing the motivation, notation, and key contributions of each research article. The body of the dissertation comprises several contributing essays. The first essay revisits Harry Markowitz's pioneering portfolio construction model. It demonstrates how extending this foundational model with practically relevant constraints and an explicit formulation of uncertainty in forecasting return statistics can address many of the alleged shortcomings of the original model. The second essay introduces an innovative domain-specific language, designed to simplify solving convex-concave saddle problems. This language has direct and significant applications in the realm of robust optimization, offering a new tool for researchers and practitioners alike. The third essay focuses on the area of robust bond portfolio construction, providing advanced methods for assessing and optimizing bond portfolios under a variety of market conditions, adding depth to this important area of portfolio management. The fourth essay concerns itself with computational methods in the field of behavioral finance. It presents novel approaches for portfolio optimization, using cumulative prospect theory utility to effectively integrate investor behavior and preferences into portfolio construction, thus bridging the gap between theory and practical investor behavior. The final essay serves as a bridge between traditional statistical methods and contemporary deep learning techniques. It introduces the Autoregressive Moving Average (ARMA) cell as a novel component for neural autoregressive modeling, thereby significantly expanding the toolkit available for robust forecasting in various applications, including financial forecasting. In summary, this dissertation contributes to multiple dimensions in the field of robust asset allocation. It provides not only comprehensive theoretical insights and practical applications but also fosters a collaborative environment for continued innovation and development in this dynamically evolving field. The inclusion of open-source software with each research contribution greatly enhances the practical utility of the work. This ensures that the insights and methodologies developed can be readily applied and extended in both academic and industry settings, and thus have the potential to make a lasting impact on the field.
Abstract
Diese Dissertation stellt eine umfassende Untersuchung von robusten Anlagestrategien im Kontext des Finanzportfolio-Managements dar, einem Thema von höchster Bedeutung und großem Interesse für Investoren im Hinblick auf die Herausforderungen und Komplexitäten moderner Finanzmärkte. Dies hat bedeutende Implikationen sowohl für die akademische Forschung als auch für praktische Anwendungen. Das Feld überschneidet sich mit verschiedenen Disziplinen, darunter Finanz- und Wirtschaftswissenschaften, Mathematik, Statistik, Informatik und Verhaltenspsychologie, und bietet somit eine einzigartige Gelegenheit für innovative und multidisziplinäre Ansätze im Portfolio-Management, die neue Wege für Forschung und Anwendungen eröffnen. Das einleitende Kapitel bietet eine Einführung in das Thema und definiert den Begriff der Robustheit im Kontext des Finanzportfolio-Managements als die Fähigkeit eines Portfolios, unter einer Vielzahl von Marktveränderungen hinreichend gute Renditecharakteristiken zu erzielen. Es beleuchtet auch die verschiedenen Facetten der robusten Vermögensallokation, wie statistische Robustheit, rechnerische Robustheit, Modellrobustheit und mehr, wobei die kritische Bedeutung jedes Aspekts im Gesamtkontext eines effektiven Portfoliomanagements hervorgehoben wird. Zudem setzt dieses Kapitel den Rahmen für die gesamte Dissertation, indem es eine umfassende Einführung in jeden einzelnen Aufsatz bietet und die Motivation, Notation und die wesentlichen Beiträge beschreibt. Der Hauptteil der Dissertation setzt sich aus den beitragenden Aufsätzen zusammen. Der erste Aufsatz knüpft an das einflussreiche Portfoliokonstruktionsmodell von Harry Markowitz an und zeigt auf, wie praktisch relevante Nebenbedingungen sowie eine explizite Modellierung der Unsicherheiten in der Renditeprognose die vermeintlichen Schwächen des Ansatzes adressieren können. Der zweite Aufsatz führt eine domänenspezifische Sprache zur Vereinfachung der Lösung von konvex-konkaven Sattelpunktproblemen ein, welche direkte Anwendungen im Bereich der robusten Optimierung findet und ein neues Werkzeug für Industrie und Forschung darstellt. Der dritte Aufsatz widmet sich dem Bereich des robusten Anleihenportfolio-Managements und entwickelt innovative Methoden zur Bewertung und Optimierung von Anleihenportfolios unter verschiedenen Marktbedingungen. Der vierte Aufsatz beschäftigt sich mit computergestützten Methoden in der verhaltensorientierten Finanzwissenschaft. Er präsentiert neuartige Ansätze für die Portfoliooptimierung, die auf der cumulative prospect theory basieren, wodurch das Verhalten und die Präferenzen von Investoren effektiv in die Portfoliokonstruktion integriert werden und somit einen Beitrag zur Annäherung von Theorie und praktischem Investorenverhalten leisten. Der letzte Aufsatz vereint traditionelle statistische Methoden und moderne Deep-Learning-Techniken. Er führt die Autoregressive Moving Average (ARMA)-Zelle als eine neue Komponente für neuronales autoregressives Modellieren ein, was die verfügbaren Methoden für robuste Prognosen in verschiedenen Anwendungen, einschließlich der Finanzprognose, wesentlich erweitert. Zusammenfassend leistet diese Dissertation Beiträge zu mehreren Aspekten der robusten Vermögensallokation. Sie bietet nicht nur umfassende theoretische Einsichten und praktische Anwendungen, sondern fördert auch eine kollaborative Umgebung für weitere Innovationen und Entwicklungen in diesem dynamischen Feld. Die Bereitstellung von Open-Source-Software zu jedem Forschungsbeitrag erhöht die praktische Relevanz der Arbeit erheblich, sodass neue Erkenntnisse und entwickelte Methodologien problemlos sowohl in akademischen als auch in industriellen Umgebungen angewendet und erweitert werden können, und somit das Potenzial haben, nachhaltige Auswirkungen auf das Feld zu haben.
Item Type: | Theses (Dissertation, LMU Munich) |
---|---|
Keywords: | Asset Allocation, Portfolio Optimization, Convex Optimization, Robust Optimization |
Subjects: | 000 Computers, Information and General Reference 000 Computers, Information and General Reference > 004 Data processing computer science |
Faculties: | Faculty of Mathematics, Computer Science and Statistics |
Language: | English |
Date of oral examination: | 21. May 2024 |
1. Referee: | Mittnik, Stefan |
MD5 Checksum of the PDF-file: | eb662f082af23ea99825f458b1b91a26 |
Signature of the printed copy: | 0001/UMC 30469 |
ID Code: | 33594 |
Deposited On: | 28. Jun 2024 11:48 |
Last Modified: | 28. Jun 2024 11:48 |