The performance of a Markowitz-based dynamic algorithm compared to the Dow Jones Industrial Average

Abstract

Formålet med denne oppgaven er å undersøke hvordan en portefølje, som består av aktiva fra Dow Jones Industrial Average, presterer mot indeksen over tid. Indeksen benyttes ofte som et anslag for hvordan større industrivirksomheter presterer i aksjemarkedet. Den følger en prisvektet struktur som gjør at medfører høy grad av diversifisering. Men denne strukturen -og diversifiserings formen går på bekostning av potensielt høyere avkastning, noe som ikke er ønsket for investorer som er mer vekstorientert. Dette leder til oppgavens hensikt og problemstilling:

Kan en porteføljeoptimaliseringsstrategi, som benytter komponentene i Dow Jones Industrial Average, overgå indeksen ved å prioritere risikojustert avkastning?

Dette undersøkes ved å konstruere en algoritme som søker å maksimere Sharpe Ratio, en allokering som optimaliserer forventet avkastning per enhet av estimert risiko. Strategien blir testet på data fra 2013 til slutten av 2023, hvor månedlig allokering baseres på bakgrunn av de tolv foregående månedene. Risiko -/ avkastningsprofil utføres på bakgrunn av volatilitet, Beta, akkumulert -og årlig effektiv avkastning.

Strategien resulterte i avkastning som nesten utkonkurrerte 75% av aksjene i indeksen, og viste mer stabil avkastning enn ¾ av aksjene. Ytterligere overgikk den også referanseindeksens nivå av risikojustert avkastning. Avkastningen nådde høyere topper, og mildere reduksjon under den verste nedgangstiden i perioden som ble analysert. Funnet styrker en påstand om at Markowitz porteføljeteori, med utgangspunkt i maksimal Sharpe Ratio, generer mer effektiv avkastning per enhet risiko enn Dow Jones Industrial Average.

The Dow Jones Industrial Average, a cornerstone in the financial markets, measures the performance of the most influential entities in the United States. The index exhibits a price-weighted structure, thereby ensuring diversification, making it a suitable alternative for risk-averse investors. However, this structure and diversification come at the cost of potentially higher returns, a trade-off that may not align with investors who are more focused on efficiency rather than a price-weighted structure.

This thesis introduces an algorithm and creates monthly portfolios aiming to maximize the expected Sharpe Ratio, an allocation that optimizes the estimated return per unit of anticipated risk. The algorithm is backtested on the period from 2013 to the end of 2023, where it estimates the expected return and covariance based on data from the previous twelve months. The analysis measures the aggregated return, annual compounded growth rate, volatility, and Beta to determine the risk -/ return profile.

The algorithm nearly outperformed 75% of the assets within the Dow Jones Industrial Average, while also presenting more stable returns than ¾ of the assets. Furthermore, it surpassed the benchmark’s level of risk-adjusted return, achieving higher peaks, and a milder decline during the worst market downfall during the period analyzed. This finding illuminates a unique trading strategy for risk-tolerant investors seeking alternatives to traditional indices and suggests that using Modern Portfolio Theory, by means of Sharpe Ratio maximization, provides more efficient returns than an index composed of nearly identical components.