Publikationstyp: Beitrag in wissenschaftlicher Zeitschrift
Art der Begutachtung: Peer review (Publikation)
Titel: Interpretable machine learning for diversified portfolio construction
Autor/-in: Jaeger, Markus
Krügel, Stephan
Marinelli, Dimitri
Papenbrock, Jochen
Schwendner, Peter
et. al: No
DOI: 10.3905/jfds.2021.1.066
Erschienen in: The Journal of Financial Data Science
Band(Heft): 3
Heft: 3
Seite(n): 31
Seiten bis: 51
Erscheinungsdatum: 2021
Verlag / Hrsg. Institution: Portfolio Management Research
ISSN: 2640-3943
2640-3951
Sprache: Englisch
Schlagwörter: Big data; Machine learning; Performance measurement; Statistical method
Fachgebiet (DDC): 006: Spezielle Computerverfahren
332.6: Investition
Zusammenfassung: In this article, the authors construct a pipeline to benchmark hierarchical risk parity (HRP) relative to equal risk contribution (ERC) as examples of diversification strategies allocating to liquid multi-asset futures markets with dynamic leverage (volatility target). The authors use interpretable machine learning concepts (explainable AI) to compare the robustness of the strategies and to back out implicit rules for decision-making. The empirical dataset consists of 17 equity index, government bond, and commodity futures markets across 20 years. The two strategies are back tested for the empirical dataset and for about 100,000 bootstrapped datasets. XGBoost is used to regress the Calmar ratio spread between the two strategies against features of the bootstrapped datasets. Compared to ERC, HRP shows higher Calmar ratios and better matches the volatility target. Using Shapley values, the Calmar ratio spread can be attributed especially to univariate drawdown measures of the asset classes.
URI: https://digitalcollection.zhaw.ch/handle/11475/23004
Volltext Version: Publizierte Version
Lizenz (gemäss Verlagsvertrag): Lizenz gemäss Verlagsvertrag
Departement: School of Management and Law
Organisationseinheit: Institut für Wealth & Asset Management (IWA)
Enthalten in den Sammlungen:Publikationen School of Management and Law

Dateien zu dieser Ressource:
Es gibt keine Dateien zu dieser Ressource.
Zur Langanzeige


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.