Applying GARCH-EVT-Copula Forecasting in Active Portfolio Management

Abstract

Denne masteroppgaven benytter out-of-sample backesting for å prestasjonsevaluere ulike kortsiktige porteføljeoptimeringsstrategier som bygger på 20 forskjellige GARCH-EVT-Copula simulerings-modeller. Vi løser tre ulike optimeringsproblemer for hver modell: maksimum Sharpe, minimum varians og minimum CVaR, og bruker tilsvarende optimeringsproblemer for historiske data som sammenligningsgrunnlag. Strategiene testes i tidstommet 1. Aug. 2001 til 31. Des. 2020, og den aktuelle portføljen er basert på sammensetningen til Dow 30-indeksen. Hovedfunnet vårt er at prestasjonene til disse strategiene ser ut til å variere for ulike tidsrom, og avhenger av hvilket type optimeringsproblem som løses. For minimum CVaR synes valget av konkret simuleringsmodell å være mindre viktig, mens for maksimum Sharpe og minimum varians ser dette ut til å være av større betydning.

This thesis uses historical out-of-sample backtesting to evaluate the performance of short-term portfolio selection strategies, based on the inputs supplied by 20 different GARCH-EVT-Copula simulation models. Evaluations are made with respect to three allocation objectives: maximum Sharpe, minimum variance and minimum CVaR, and allocations based on historical inputs under each objective are used as benchmarks. The strategies are backtested over the period from Aug. 1, 2001 to Dec. 31, 2020, and the portfolio is based on the Dow 30 index composition, as of 2021. Our main finding is that the performance of these models appears to be time-variant, and dependent on which type of allocation problem is being solved. Under minimum CVaR, the exact choice of simulation model seem less important; while under minimum variance and maximum Sharpe, these choices appear more important.