Title: Bayesian portfolio selection using Markov Chain Monte Carlo methods
Other Titles: Bayesian Portfolio Selection mit Markov Chain Monte Carlo Methoden
Language: English
Authors: Steinbrecher, Lukas 
Qualification level: Diploma
Keywords: Portfolioselektion; Bayessche Methoden; Markov Chain Monte Carlo
portfolio selection; Bayesian methods; Markov Chain Monte Carlo
Advisor: Dangl, Thomas 
Issue Date: 2018
Number of Pages: 91
Qualification level: Diploma
Abstract: 
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.

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.
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-108462
http://hdl.handle.net/20.500.12708/1772
Library ID: AC15034478
Organisation: E180 - Fakultät für Informatik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

13
checked on Apr 16, 2021

Download(s)

108
checked on Apr 16, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.