Publication: Online risk?based portfolio allocation on subsets of crypto assets applying a prototype?based clustering algorithm
No Thumbnail Available
Official URL
Full text at PDC
Publication Date
2023-01-14
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Springer Nature
Citations
Exportar
Abstract
Mean-Variance portfolio optimization models are sensitive to uncertainty in risk-return estimates, which may result in poor out-of-sample performance. In particular, the estimates may suffer when the number of assets considered is high and the length of the return time series is not sufficiently long. This is precisely the case in the cryptocurrency market, where there are hundreds of crypto assets that have been traded for a few years.
We propose enhancing the mean-variance (MV) model with a pre-selection stage that uses a prototype-based clustering algorithm to reduce the number of crypto assets considered at each investment period. In the pre-selection stage, we run a prototype-based clustering algorithm where the assets are described by variables representing the profit-risk duality. The prototypes of the clustering partition are automatically examined and the one that best suits our risk-aversion preference is selected. We then run the MV portfolio optimization with the crypto assets of the selected cluster.
The proposed approach is tested for a period of 17 months in the whole cryptocurrency market and two selections of the cryptocurrencies with the higher market capitalization (175 and 250 cryptos). We compare the results against three methods applied to the whole market: classic MV, risk parity, and hierarchical risk parity methods. We also compare our results with those from investing in the market index CCI30.
The simulation results generally favour our proposal in terms of profit and risk-profit financial indicators. This result reaffirms the convenience of using machine learning methods to guide financial investments in complex and highly-volatile environments such as the cryptocurrency market.
Los modelos de optimización de carteras de varianza media son sensibles a la incertidumbre en las estimaciones de riesgo-rentabilidad, lo que puede dar lugar a un mal rendimiento fuera de la muestra. En particular, las estimaciones pueden resentirse cuando el número de activos considerados es elevado y la longitud de las series temporales de rentabilidad no es suficientemente larga. Este es precisamente el caso del mercado de criptomonedas Este es precisamente el caso del mercado de criptomonedas, en el que hay cientos de criptoactivos que se negocian desde hace varios años. Proponemos mejorar el modelo de media-varianza (MV) con una etapa de preselección que utiliza un algoritmo de agrupación basado en prototipos para reducir el número de criptoactivos considerados en cada periodo de inversión. En la etapa de preselección, ejecutamos un algoritmo de agrupación basado en prototipos en el que los activos se describen mediante variables que representan la dualidad beneficio-riesgo. Los prototipos de la partición de agrupación se examinan automáticamente y se selecciona el que mejor se adapta a nuestra preferencia de aversión al riesgo. A continuación, ejecutamos la optimización de la cartera MV con los criptoactivos del cluster seleccionado. El enfoque propuesto se prueba durante un periodo de 17 meses en todo el mercado de criptomonedas y en dos selecciones de criptomonedas. y dos selecciones de las criptomonedas con mayor capitalización de mercado (175 y 250 criptomonedas). Comparamos los resultados con tres métodos aplicados a todo el mercado: MV clásico, paridad de riesgo y paridad de riesgo jerárquica. También comparamos nuestros resultados con los de la inversión en el índice de mercado CCI30. En general, los resultados de la simulación favorecen nuestra propuesta en términos de beneficios e indicadores financieros de riesgo- rentabilidad. Este resultado reafirma la conveniencia de utilizar métodos de aprendizaje automático para guiar inversiones financieras en entornos complejos y altamente volátiles como el mercado de criptomonedas.
Los modelos de optimización de carteras de varianza media son sensibles a la incertidumbre en las estimaciones de riesgo-rentabilidad, lo que puede dar lugar a un mal rendimiento fuera de la muestra. En particular, las estimaciones pueden resentirse cuando el número de activos considerados es elevado y la longitud de las series temporales de rentabilidad no es suficientemente larga. Este es precisamente el caso del mercado de criptomonedas Este es precisamente el caso del mercado de criptomonedas, en el que hay cientos de criptoactivos que se negocian desde hace varios años. Proponemos mejorar el modelo de media-varianza (MV) con una etapa de preselección que utiliza un algoritmo de agrupación basado en prototipos para reducir el número de criptoactivos considerados en cada periodo de inversión. En la etapa de preselección, ejecutamos un algoritmo de agrupación basado en prototipos en el que los activos se describen mediante variables que representan la dualidad beneficio-riesgo. Los prototipos de la partición de agrupación se examinan automáticamente y se selecciona el que mejor se adapta a nuestra preferencia de aversión al riesgo. A continuación, ejecutamos la optimización de la cartera MV con los criptoactivos del cluster seleccionado. El enfoque propuesto se prueba durante un periodo de 17 meses en todo el mercado de criptomonedas y en dos selecciones de criptomonedas. y dos selecciones de las criptomonedas con mayor capitalización de mercado (175 y 250 criptomonedas). Comparamos los resultados con tres métodos aplicados a todo el mercado: MV clásico, paridad de riesgo y paridad de riesgo jerárquica. También comparamos nuestros resultados con los de la inversión en el índice de mercado CCI30. En general, los resultados de la simulación favorecen nuestra propuesta en términos de beneficios e indicadores financieros de riesgo- rentabilidad. Este resultado reafirma la conveniencia de utilizar métodos de aprendizaje automático para guiar inversiones financieras en entornos complejos y altamente volátiles como el mercado de criptomonedas.