σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de Matrix Decompositions›Módulo 5 · Factores y carteras›Tema 5.1·~55 minAvanzado

Modelos de factores a partir del ACP

Posición en la rutaMódulo 5 de 5 · Tema 1 de 2
5.1 Modelos de factores a partir del ACP
—Puntuación del lab— / 100XP total—Racha—

Una matriz de covarianza con estructura

El recorte y la contracción limpian una matriz completa. Un modelo de factores construye en cambio una con estructura: los rendimientos los mueven unos pocos factores comunes más un ruido propio de cada activo, r=Bf+ε\mathbf r=B\mathbf f+\boldsymbol\varepsilonr=Bf+ε. Aquí BBB es la matriz N×kN\times kN×k de cargas, f\mathbf ff contiene k≪Nk\ll Nk≪N rendimientos de factores con covarianza Λ\LambdaΛ, y ε\boldsymbol\varepsilonε son los rendimientos idiosincráticos, no correlacionados entre sí ni con los factores, con varianzas did_idi​. El ACP da una versión ya hecha: tomar las kkk primeras componentes principales como factores.

Σ≈BΛBT+D,D=diag⁡(di),di=Σii−∑jbij2λj,Var⁡(wTr)=(BTw)TΛ(BTw)+∑iwi2di\Sigma\approx B\Lambda B^{T}+D,\qquad D=\operatorname{diag}(d_i),\qquad d_i=\Sigma_{ii}-\sum_{j}b_{ij}^{2}\lambda_j,\qquad \operatorname{Var}(\mathbf w^{T}\mathbf r)=(B^{T}\mathbf w)^{T}\Lambda(B^{T}\mathbf w)+\sum_i w_i^{2}d_iΣ≈BΛBT+D,D=diag(di​),di​=Σii​−j∑​bij2​λj​,Var(wTr)=(BTw)TΛ(BTw)+i∑​wi2​di​(1)

El primer término es la parte sistemática: depende de la cartera solo a través de sus exposiciones a los factores BTwB^{T}\mathbf wBTw. El segundo es el riesgo idiosincrático. Con el ACP, BBB contiene los kkk primeros vectores propios multiplicados por λj\sqrt{\lambda_j}λj​​ (o los vectores propios sin escalar con Λ=diag⁡(λj)\Lambda=\operatorname{diag}(\lambda_j)Λ=diag(λj​)), y did_idi​ es la varianza del activo iii que los factores no explican. El ahorro es grande: en lugar de N(N+1)/2N(N+1)/2N(N+1)/2 covarianzas se estiman Nk+NNk+NNk+N números. Para N=500N=500N=500 y k=5k=5k=5 son 3000 en lugar de 125 250. La matriz del modelo es definida positiva siempre que todos los di>0d_i>0di​>0, aun si N>TN>TN>T, y encarna la lección del recorte: solo se confía en las kkk primeras direcciones propias y el resto pasa a ser ruido diagonal.

Dos activos y un factorSea un factor de varianza λ=4\lambda=4λ=4. El activo 1 tiene carga b1=0,8b_1=0{,}8b1​=0,8 y varianza idiosincrática d1=1d_1=1d1​=1; el activo 2 tiene b2=0,4b_2=0{,}4b2​=0,4 y d2=1d_2=1d2​=1. La cartera w=(0,5;0,5)\mathbf w=(0{,}5;0{,}5)w=(0,5;0,5) tiene exposición 0,5(0,8)+0,5(0,4)=0,60{,}5(0{,}8)+0{,}5(0{,}4)=0{,}60,5(0,8)+0,5(0,4)=0,6. Su varianza es 0,62⋅4+0,52⋅1+0,52⋅1=1,44+0,5=1,940{,}6^2\cdot4+0{,}5^2\cdot1+0{,}5^2\cdot1=1{,}44+0{,}5=1{,}940,62⋅4+0,52⋅1+0,52⋅1=1,44+0,5=1,94, de la cual 1,441{,}441,44 es sistemática. Para un solo activo con varianza total 2,52{,}52,5, carga 0,50{,}50,5 y un factor de varianza 666, la parte sistemática es 0,52⋅6=1,50{,}5^2\cdot6=1{,}50,52⋅6=1,5, la varianza idiosincrática 2,5−1,5=1,02{,}5-1{,}5=1{,}02,5−1,5=1,0 y el factor explica R2=1,5/2,5=60 %R^2=1{,}5/2{,}5=60\ \%R2=1,5/2,5=60 %. Para las doce acciones del proyecto final, la primera componente principal explica cerca del 40 % de la varianza de los rendimientos estandarizados.
  • Estructura: Σ≈BΛBT+D\Sigma\approx B\Lambda B^{T}+DΣ≈BΛBT+D, con pocos factores y una matriz idiosincrática diagonal.
  • Ahorro: Nk+NNk+NNk+N parámetros en lugar de N(N+1)/2N(N+1)/2N(N+1)/2; definida positiva si todos los di>0d_i>0di​>0.
  • Reparto del riesgo: varianza = parte de exposición a factores + parte idiosincrática; la diversificación solo elimina esta última.
Cuántos factoresEl número kkk es de nuevo un juicio. Con pocos factores queda estructura común en los residuos, de modo que la matriz idiosincrática no es realmente diagonal; con demasiados se importa ruido. El borde de Marchenko-Pastur de las lecciones anteriores es una manera sólida de elegir kkk, y la prueba final es si la covarianza de factores da una varianza de cartera fuera de muestra menor que la covarianza muestral.

Lab: qué se califica

  • Contar parámetros10 pts
  • Varianza idiosincrática15 pts
  • Parte explicada por el factor10 pts
  • Exposición de la cartera15 pts
  • Varianza de la cartera20 pts
  • Cuándo se invierte la matriz del modelo15 pts
  • Qué elimina la diversificación15 pts
0/ 7 respondidos
Ejercicios
1Respuesta numérica10 ptsSin responder

Un modelo de k = 5 factores para N = 500 acciones estima las cargas (N k números) y las varianzas idiosincráticas (N números). ¿Cuántos números son en total?

numbers=numbers =numbers=aceptado: ± 0.5
2Respuesta numérica15 ptsSin responder

Un activo tiene varianza total 2,5 y carga 0,5 en un factor de varianza 6. ¿Cuál es su varianza idiosincrática d=Σii−b2λd=\Sigma_{ii}-b^2\lambdad=Σii​−b2λ?

d=d =d=aceptado: ± 0.01
3Respuesta numérica10 ptsSin responder

Para el mismo activo, ¿qué porcentaje de su varianza explica el factor?

R2=R^2 =R2=aceptado: ± 0.2
4Respuesta numérica15 ptsSin responder

Las cargas son 0,8 y 0,4 y los pesos 0,5 y 0,5. ¿Cuál es la exposición de la cartera al factor bTw\mathbf b^{T}\mathbf wbTw?

exposure=exposure =exposure=aceptado: ± 0.005
5Respuesta numérica20 ptsSin responder

Con varianza del factor 4, exposición 0,6 y varianzas idiosincráticas 1 y 1 para pesos 0,5 y 0,5, calcule la varianza de la cartera 0,62⋅4+∑wi2di0{,}6^2\cdot4+\sum w_i^2d_i0,62⋅4+∑wi2​di​. Dé dos decimales.

variance=variance =variance=aceptado: ± 0.01
6Elección15 ptsSin responder

Con más activos que observaciones (N > T), ¿qué enunciado sobre la covarianza del modelo de factores BΛBT+DB\Lambda B^{T}+DBΛBT+D es verdadero?

7Explicar con palabras15 ptsSin responder

En una o dos frases, diga qué parte del riesgo elimina la diversificación y cuál no puede eliminar.

Modo matemáticasEntrada por teclado o LaTeXEjercicio 1 de 7 · Ctrl ⏎ para comprobar

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub