Title (eng)
A discussion of data enhancement and optimization techniques for a fund of hedge funds portfolio
Parallel title (deu)
Eine Diskussion von Datenanreicherungs- und Optimierungstechniken für ein Fund of Hedge Funds Portfolio
Author
Wolfgang Christian Kappel
Advisor
Josef Zechner
Assessor
Josef Zechner
Abstract (deu)
Ziel dieser Arbeit ist es, einen Überblick über die verschiedenen Techniken zur Datenanreicherung und Optimierung im Falle eines Fund of Hedge Funds Portfolios darzustellen, zu diskutieren und anhand von Experimenten zu illustrieren. Besonderes Augenmerk liegt dabei auch auf der Bewertung des Zusammenspiels der verschiedenen Datenanreicherungs- und Optimierungs-techniken. Erste Bausteine für ein integriertes computergestütztes Anwendungstool werden bereitgestellt und dokumentiert. Zudem werden Ideen für weitere Entwicklungen und Forschung vorgestellt. Zwei wesentliche Punkte unterscheiden diese Arbeit von ähnlichen, nämlich dass sie hauptsächlich auf Fund Level arbeitet und dass sie den gesamten Prozess, beginnend mit der Datenaufbereitung, über die Optimierung bis zur sachgerechten Evaluierung der Ergebnisse behandelt.
Im ersten Teil wird das Thema im Kontext der Finanzwirtschaft verortet, der Begriff Hedge Fund definiert und die Relevanz der Aufgabenstellung erörtert. Neben dem schnellen Wachstum der Hedge Fund Industrie ist besonders das zunehmende Interesse von institutionellen Investoren ein wichtiger Grund quantitative, auf wissenschaftlichen Erkenntnissen aufbauende Methoden zur Unterstützung der Entscheidungsfindung bei der Auswahl von Hedge Funds bereitzustellen.
Der zweite Teil beschäftigt sich mit der Frage der Datenaufbereitung. Generell gilt, dass der Output eines Optimierungs Algorithmus nur so gut sein kann, wie die Qualität der Input Daten mit denen er gefüttert wird. Dies trifft insbesondere auch auf den Fall von Hedge Funds zu, da die Datenlage hier als eher schwierig zu bezeichnen ist: Es werden nur monatliche Renditezahlen zur Verfügung gestellt und Informationen über Risiko Exposures sind nur schwer zu erhalten.
Nachdem ein kurzer Literaturüberblick über die Hedge Fund spezifischen Datenprobleme und Verzerrungen gegeben wird werden die verwendeten Datenbanken anhand von einigen deskriptiven Merkmalen beschrieben. Besonderes Augenmerkt wird bei der Datenaufbereitung der hohen Autokorrelation in den Hedge Fund Renditen und dem Auffüllen kurzer Performance Zeitreihen gewidmet. Ersteres weil eine hohe Autokorrelation fundamentalen Prinzipien der modernen Finanzwirtschaft widerspricht, zweiteres weil es zu einer besseren Einschätzung des Risikoprofils der betrachteten Hedge Funds führt.
Zum Zwecke der Datenauffüllung werden im Einzelnen Ansätze über Faktormodelle und Clusteranalyse besprochen. Nach einer Übersicht über die in der Literatur vorgeschlagenen Risikofaktoren wird ein zentraler Gesichtspunkt, nämlich ist die Modellierung von nichtlinearen Zusammenhängen z.B. über Optionsstrukturen, genauer beleuchtet. Wichtige eigene Beiträge in diesem Kapitel sind die ökonomische Interpretation und Motivation des favorisierten Optionsstrukturmodells sowie Vorschläge und erste Experimente zur automatischen Modellselektion und zur Einbindung qualitativer Daten via Clusteranalyse.
Der dritte Teil ist der Optimierung gewidmet. Die Hauptherausforderung ergibt sich aus der Tatsache, dass die Renditen von Hedge Fund Investments meist nicht normalverteilt sind. Da die traditionellen Konzepte der Finanzwirtschaft aber genau auf der Annahme von normalverteilten Renditen aufbauen, müssen alternative Konzepte angewandt werden.
Nach einem kurzen Überblick über die klassische Mean-Variance Optimierung und Möglichkeiten robustere Ergebnisse zu bekommen, werden im Wesentlichen zwei Arten vorgestellt wie mit nicht normalverteilten Renditen umgegangen werden kann: parametrische Ansätze, die die höheren Momente (Schiefe und Kurtosis) der Verteilung berücksichtigen und nichtparametrische Ansätze, die mit historischen oder simulierten Szenarien und den sich daraus ergebenden diskreten Verteilungen arbeiten. Die Präferenzen des Investors können dabei über ein Dispersions- oder ein Quantilsmaß oder einer Kombination aus beidem erfasst werden.
Danach werden Überlegungen angestellt wie einfache lineare und komplexere logische Nebenbedingungen eingesetzt und wie die vorgestellten Konzepte integriert werden können, speziell welche Datenaufbereitungstechniken mit welchen Optimierungsverfahren zusammenpassen. Im letzten Kapitel von Teil drei werden aufwendige Optimierungsexperimente durchgeführt und die neu gewonnen Erkenntnisse interpretiert. Die zentralen Erkenntnisse sind, dass die Wahl des Risikomaßes kaum Einfluss auf das letztinstanzliches Bewertungskriterium, die risikoadjustierte Out-Of-Sample Performance, hat und dass das Auffüllen von kurzen Performance Zeitreihen das Risiko Out-Of-Sample signifikant verbessert.
Abschließend werden die Ergebnisse zusammengefasst und ein Ausblick auf zukünftige Forschungsarbeit gegeben.
Abstract (eng)
The aim of this thesis is to provide an overview and brief discussion, including some experiments, of techniques for data enhancement and optimization techniques for a fund of hedge funds. Special emphasis is placed on the interaction of the different data enhancement and optimization techniques. First building blocks for a computer based asset allocation tool are provided and documented. In addition it provides some ideas about future development and research. The two main points that distinguish this thesis from papers that treat a similar theme are that it operates on individual fund level and that it covers the whole process beginning with questions of data enhancement and parameter estimation up to proper evaluation of the outcomes.
In the first chapter the theme is put in a broader context of finance, the term “hedge fund” gets defined and the relevance of the problem is reasoned. Besides the rapid growth rates in hedge fund industry the fact that more and more institutional investors invest in hedge funds is an important reason to provide decision support methods based on quantitative models and scientific findings.
The second chapter deals with data enhancement. In general the proverb “garbage in – garbage out” holds true for every optimization algorithm, but it is especially true in the case of hedge funds as the data situation is very difficult in this field: only monthly data is provided and there is only little information about risk exposures.
After a short literature overview about hedge fund specific data problems and biases descriptive statistics are provided for the two databases used in this thesis. With the data enhancement special emphasis is put on the high autocorrelation in hedge fund returns and on filling up track records of funds that are alive for a short time. The former because high autocorrelation is contradictory to fundamental principles of modern finance, the latter because it leads to a better understanding of a funds risk profile.
For the purpose of filling up track records, factor model approaches and the use of cluster analysis are proposed. After a short literature overview about the risk factors considered in literature, the modeling of non linear dependencies, for example via option structures, is discussed on a broader basis as this topic is central in this thesis. Important own contributions in this context are the motivation and economic interpretation of the favored option structure model and some first experiments on automatic model selection and on integrating qualitative data via cluster analysis.
The third chapter talks about optimization. The main challenge is the fact that hedge fund returns are not normally distributed. But as traditional concepts are based exactly on the assumption of normally distributed returns alternative concepts have to be used.
After a short overview of classical mean-variance optimization and possibilities to get more robust outcomes, essentially two alternative concepts are introduced: parametrical approaches, that take higher moments (skewness and kurtosis) into account, and non parametrical approaches, that work with historical or simulated scenarios and with the discrete distributions resulting of these scenarios. With the second approach the preferences of an investor can be captured via a dispersion- or a quantile measure, or a combination of both.
Then, different ways how linear and more complex logical constraints can be used are considered, and procedures how to integrate the concepts presented are discussed, especially which data enhancement and which optimization technique may fit together. In the last part of chapter 3 extensive optimization experiments are conducted and the outcome interpreted. The central findings are that the choice of the risk measure has no significant impact on the out of sample performance, which is the ultimate evaluation criterion; Filling up short track records on the other hand significantly improves the out of sample risk.
Finally the findings are summarized and an outlook for future research is given.
Keywords (eng)
fund of hedge fundsportfolio optimizationdata problems
Keywords (deu)
Fund of Hedge FundsPortfolio OptimierungDatenprobleme
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1250181
rdau:P60550 (deu)
122 S. : graph. Darst.
Number of pages
123
Association (deu)
Title (eng)
A discussion of data enhancement and optimization techniques for a fund of hedge funds portfolio
Parallel title (deu)
Eine Diskussion von Datenanreicherungs- und Optimierungstechniken für ein Fund of Hedge Funds Portfolio
Author
Wolfgang Christian Kappel
Abstract (deu)
Ziel dieser Arbeit ist es, einen Überblick über die verschiedenen Techniken zur Datenanreicherung und Optimierung im Falle eines Fund of Hedge Funds Portfolios darzustellen, zu diskutieren und anhand von Experimenten zu illustrieren. Besonderes Augenmerk liegt dabei auch auf der Bewertung des Zusammenspiels der verschiedenen Datenanreicherungs- und Optimierungs-techniken. Erste Bausteine für ein integriertes computergestütztes Anwendungstool werden bereitgestellt und dokumentiert. Zudem werden Ideen für weitere Entwicklungen und Forschung vorgestellt. Zwei wesentliche Punkte unterscheiden diese Arbeit von ähnlichen, nämlich dass sie hauptsächlich auf Fund Level arbeitet und dass sie den gesamten Prozess, beginnend mit der Datenaufbereitung, über die Optimierung bis zur sachgerechten Evaluierung der Ergebnisse behandelt.
Im ersten Teil wird das Thema im Kontext der Finanzwirtschaft verortet, der Begriff Hedge Fund definiert und die Relevanz der Aufgabenstellung erörtert. Neben dem schnellen Wachstum der Hedge Fund Industrie ist besonders das zunehmende Interesse von institutionellen Investoren ein wichtiger Grund quantitative, auf wissenschaftlichen Erkenntnissen aufbauende Methoden zur Unterstützung der Entscheidungsfindung bei der Auswahl von Hedge Funds bereitzustellen.
Der zweite Teil beschäftigt sich mit der Frage der Datenaufbereitung. Generell gilt, dass der Output eines Optimierungs Algorithmus nur so gut sein kann, wie die Qualität der Input Daten mit denen er gefüttert wird. Dies trifft insbesondere auch auf den Fall von Hedge Funds zu, da die Datenlage hier als eher schwierig zu bezeichnen ist: Es werden nur monatliche Renditezahlen zur Verfügung gestellt und Informationen über Risiko Exposures sind nur schwer zu erhalten.
Nachdem ein kurzer Literaturüberblick über die Hedge Fund spezifischen Datenprobleme und Verzerrungen gegeben wird werden die verwendeten Datenbanken anhand von einigen deskriptiven Merkmalen beschrieben. Besonderes Augenmerkt wird bei der Datenaufbereitung der hohen Autokorrelation in den Hedge Fund Renditen und dem Auffüllen kurzer Performance Zeitreihen gewidmet. Ersteres weil eine hohe Autokorrelation fundamentalen Prinzipien der modernen Finanzwirtschaft widerspricht, zweiteres weil es zu einer besseren Einschätzung des Risikoprofils der betrachteten Hedge Funds führt.
Zum Zwecke der Datenauffüllung werden im Einzelnen Ansätze über Faktormodelle und Clusteranalyse besprochen. Nach einer Übersicht über die in der Literatur vorgeschlagenen Risikofaktoren wird ein zentraler Gesichtspunkt, nämlich ist die Modellierung von nichtlinearen Zusammenhängen z.B. über Optionsstrukturen, genauer beleuchtet. Wichtige eigene Beiträge in diesem Kapitel sind die ökonomische Interpretation und Motivation des favorisierten Optionsstrukturmodells sowie Vorschläge und erste Experimente zur automatischen Modellselektion und zur Einbindung qualitativer Daten via Clusteranalyse.
Der dritte Teil ist der Optimierung gewidmet. Die Hauptherausforderung ergibt sich aus der Tatsache, dass die Renditen von Hedge Fund Investments meist nicht normalverteilt sind. Da die traditionellen Konzepte der Finanzwirtschaft aber genau auf der Annahme von normalverteilten Renditen aufbauen, müssen alternative Konzepte angewandt werden.
Nach einem kurzen Überblick über die klassische Mean-Variance Optimierung und Möglichkeiten robustere Ergebnisse zu bekommen, werden im Wesentlichen zwei Arten vorgestellt wie mit nicht normalverteilten Renditen umgegangen werden kann: parametrische Ansätze, die die höheren Momente (Schiefe und Kurtosis) der Verteilung berücksichtigen und nichtparametrische Ansätze, die mit historischen oder simulierten Szenarien und den sich daraus ergebenden diskreten Verteilungen arbeiten. Die Präferenzen des Investors können dabei über ein Dispersions- oder ein Quantilsmaß oder einer Kombination aus beidem erfasst werden.
Danach werden Überlegungen angestellt wie einfache lineare und komplexere logische Nebenbedingungen eingesetzt und wie die vorgestellten Konzepte integriert werden können, speziell welche Datenaufbereitungstechniken mit welchen Optimierungsverfahren zusammenpassen. Im letzten Kapitel von Teil drei werden aufwendige Optimierungsexperimente durchgeführt und die neu gewonnen Erkenntnisse interpretiert. Die zentralen Erkenntnisse sind, dass die Wahl des Risikomaßes kaum Einfluss auf das letztinstanzliches Bewertungskriterium, die risikoadjustierte Out-Of-Sample Performance, hat und dass das Auffüllen von kurzen Performance Zeitreihen das Risiko Out-Of-Sample signifikant verbessert.
Abschließend werden die Ergebnisse zusammengefasst und ein Ausblick auf zukünftige Forschungsarbeit gegeben.
Abstract (eng)
The aim of this thesis is to provide an overview and brief discussion, including some experiments, of techniques for data enhancement and optimization techniques for a fund of hedge funds. Special emphasis is placed on the interaction of the different data enhancement and optimization techniques. First building blocks for a computer based asset allocation tool are provided and documented. In addition it provides some ideas about future development and research. The two main points that distinguish this thesis from papers that treat a similar theme are that it operates on individual fund level and that it covers the whole process beginning with questions of data enhancement and parameter estimation up to proper evaluation of the outcomes.
In the first chapter the theme is put in a broader context of finance, the term “hedge fund” gets defined and the relevance of the problem is reasoned. Besides the rapid growth rates in hedge fund industry the fact that more and more institutional investors invest in hedge funds is an important reason to provide decision support methods based on quantitative models and scientific findings.
The second chapter deals with data enhancement. In general the proverb “garbage in – garbage out” holds true for every optimization algorithm, but it is especially true in the case of hedge funds as the data situation is very difficult in this field: only monthly data is provided and there is only little information about risk exposures.
After a short literature overview about hedge fund specific data problems and biases descriptive statistics are provided for the two databases used in this thesis. With the data enhancement special emphasis is put on the high autocorrelation in hedge fund returns and on filling up track records of funds that are alive for a short time. The former because high autocorrelation is contradictory to fundamental principles of modern finance, the latter because it leads to a better understanding of a funds risk profile.
For the purpose of filling up track records, factor model approaches and the use of cluster analysis are proposed. After a short literature overview about the risk factors considered in literature, the modeling of non linear dependencies, for example via option structures, is discussed on a broader basis as this topic is central in this thesis. Important own contributions in this context are the motivation and economic interpretation of the favored option structure model and some first experiments on automatic model selection and on integrating qualitative data via cluster analysis.
The third chapter talks about optimization. The main challenge is the fact that hedge fund returns are not normally distributed. But as traditional concepts are based exactly on the assumption of normally distributed returns alternative concepts have to be used.
After a short overview of classical mean-variance optimization and possibilities to get more robust outcomes, essentially two alternative concepts are introduced: parametrical approaches, that take higher moments (skewness and kurtosis) into account, and non parametrical approaches, that work with historical or simulated scenarios and with the discrete distributions resulting of these scenarios. With the second approach the preferences of an investor can be captured via a dispersion- or a quantile measure, or a combination of both.
Then, different ways how linear and more complex logical constraints can be used are considered, and procedures how to integrate the concepts presented are discussed, especially which data enhancement and which optimization technique may fit together. In the last part of chapter 3 extensive optimization experiments are conducted and the outcome interpreted. The central findings are that the choice of the risk measure has no significant impact on the out of sample performance, which is the ultimate evaluation criterion; Filling up short track records on the other hand significantly improves the out of sample risk.
Finally the findings are summarized and an outlook for future research is given.
Keywords (eng)
fund of hedge fundsportfolio optimizationdata problems
Keywords (deu)
Fund of Hedge FundsPortfolio OptimierungDatenprobleme
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1250182
Number of pages
123
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0