The increasing complexity of financial markets necessitates advanced tools for investment portfolio analysis. Return-Based Style Analysis, which aims to infer portfolio strategies based on observed returns and asset exposures, plays a crucial role in risk management and decision-making. However, traditional models often struggle with non-Gaussian noise and the vast range of inputs required to decode fund compositions. This thesis addresses these challenges by introducing and evaluating robust methodologies selected from the literature to enhance adaptability and accuracy in style analysis. The first methodology explored is the Kalman Filter (KF), augmented with robust statistical techniques. Specifically, the Robust Kalman Filter (RKF) incorporates L1 regression to enhance resilience against outliers, non-Gaussian disturbances, and to enforce sparsity in the filtering process. Additionally, the Expectation-Maximization (EM) algorithm is employed to optimize parameter estimation, further refining predictive performance. The second methodology is the Dirichlet Portfolio Model (DPM), estimated within a Sequential Monte Carlo (SMC) framework, providing enhanced flexibility in capturing evolving asset allocations. Both models are benchmarked against conventional approaches, such as the Rolling Window Constrained Least Squares (CLS), using synthetic and real-world financial data. Empirical results indicate that the RKF consistently outperforms the DPM in accurately decoding portfolio exposures. However, the DPM demonstrates significant performance improvements when provided with an informed prior on asset weights, highlighting the potential benefits of incorporating prior knowledge in Return-Based Style Analysis.

La crescente complessità dei mercati finanziari richiede strumenti avanzati per l'analisi dei portafogli di investimento. La Return-Based Style Analysis, che mira a inferire le strategie di portafoglio a partire dai rendimenti osservati e dalle esposizioni agli asset, svolge un ruolo cruciale nella gestione del rischio e nei processi decisionali. Tuttavia, i modelli tradizionali spesso incontrano difficoltà nel gestire il rumore non gaussiano e la vasta gamma di input necessari per decifrare la composizione dei fondi. Questa tesi affronta tali sfide introducendo e valutando metodologie robuste selezionate dalla letteratura per migliorare l’adattabilità e la precisione nell’analisi degli stili. La prima metodologia esaminata è il Filtro di Kalman (KF), potenziato con tecniche statistiche robuste. Nello specifico, il Robust Kalman Filter (RKF) incorpora la regressione L1 per migliorare la resilienza contro gli outlier, i disturbi non gaussiani e per imporre la sparsità nel processo di filtraggio. Inoltre, l’algoritmo Expectation-Maximization (EM) viene impiegato per ottimizzare la stima dei parametri, affinando ulteriormente le capacità predittive del modello. La seconda metodologia è il Dirichlet Portfolio Model (DPM), stimato all'interno di un framework Sequential Monte Carlo (SMC), che offre maggiore flessibilità nella cattura delle allocazioni di asset in evoluzione. Entrambi i modelli vengono confrontati con approcci convenzionali, come il Rolling Window Constrained Least Squares (CLS), utilizzando dati finanziari sintetici e reali. I risultati empirici mostrano che il RKF supera costantemente il DPM nell’accurata decodifica delle esposizioni di portafoglio. Tuttavia, il DPM evidenzia un miglioramento significativo delle prestazioni quando viene fornito un priore informato sui pesi degli asset, sottolineando i vantaggi dell'integrazione della conoscenza a priori nella Return-Based Style Analysis.

Optimizing Return-Based Style Analysis using robust Kalman filter and Dirichlet Portfolio Model

ANTORINI, LORENZO GIUSEPPE
2023/2024

Abstract

The increasing complexity of financial markets necessitates advanced tools for investment portfolio analysis. Return-Based Style Analysis, which aims to infer portfolio strategies based on observed returns and asset exposures, plays a crucial role in risk management and decision-making. However, traditional models often struggle with non-Gaussian noise and the vast range of inputs required to decode fund compositions. This thesis addresses these challenges by introducing and evaluating robust methodologies selected from the literature to enhance adaptability and accuracy in style analysis. The first methodology explored is the Kalman Filter (KF), augmented with robust statistical techniques. Specifically, the Robust Kalman Filter (RKF) incorporates L1 regression to enhance resilience against outliers, non-Gaussian disturbances, and to enforce sparsity in the filtering process. Additionally, the Expectation-Maximization (EM) algorithm is employed to optimize parameter estimation, further refining predictive performance. The second methodology is the Dirichlet Portfolio Model (DPM), estimated within a Sequential Monte Carlo (SMC) framework, providing enhanced flexibility in capturing evolving asset allocations. Both models are benchmarked against conventional approaches, such as the Rolling Window Constrained Least Squares (CLS), using synthetic and real-world financial data. Empirical results indicate that the RKF consistently outperforms the DPM in accurately decoding portfolio exposures. However, the DPM demonstrates significant performance improvements when provided with an informed prior on asset weights, highlighting the potential benefits of incorporating prior knowledge in Return-Based Style Analysis.
VIOLA, LORENZO
ING - Scuola di Ingegneria Industriale e dell'Informazione
3-apr-2025
2023/2024
La crescente complessità dei mercati finanziari richiede strumenti avanzati per l'analisi dei portafogli di investimento. La Return-Based Style Analysis, che mira a inferire le strategie di portafoglio a partire dai rendimenti osservati e dalle esposizioni agli asset, svolge un ruolo cruciale nella gestione del rischio e nei processi decisionali. Tuttavia, i modelli tradizionali spesso incontrano difficoltà nel gestire il rumore non gaussiano e la vasta gamma di input necessari per decifrare la composizione dei fondi. Questa tesi affronta tali sfide introducendo e valutando metodologie robuste selezionate dalla letteratura per migliorare l’adattabilità e la precisione nell’analisi degli stili. La prima metodologia esaminata è il Filtro di Kalman (KF), potenziato con tecniche statistiche robuste. Nello specifico, il Robust Kalman Filter (RKF) incorpora la regressione L1 per migliorare la resilienza contro gli outlier, i disturbi non gaussiani e per imporre la sparsità nel processo di filtraggio. Inoltre, l’algoritmo Expectation-Maximization (EM) viene impiegato per ottimizzare la stima dei parametri, affinando ulteriormente le capacità predittive del modello. La seconda metodologia è il Dirichlet Portfolio Model (DPM), stimato all'interno di un framework Sequential Monte Carlo (SMC), che offre maggiore flessibilità nella cattura delle allocazioni di asset in evoluzione. Entrambi i modelli vengono confrontati con approcci convenzionali, come il Rolling Window Constrained Least Squares (CLS), utilizzando dati finanziari sintetici e reali. I risultati empirici mostrano che il RKF supera costantemente il DPM nell’accurata decodifica delle esposizioni di portafoglio. Tuttavia, il DPM evidenzia un miglioramento significativo delle prestazioni quando viene fornito un priore informato sui pesi degli asset, sottolineando i vantaggi dell'integrazione della conoscenza a priori nella Return-Based Style Analysis.
File allegati
File Dimensione Formato  
2025_04_Antorini_ExecutiveSummary.pdf

non accessibile

Descrizione: Executive Summary
Dimensione 536.37 kB
Formato Adobe PDF
536.37 kB Adobe PDF   Visualizza/Apri
2025_04_Antorini_Tesi.pdf

non accessibile

Descrizione: Tesi
Dimensione 1.94 MB
Formato Adobe PDF
1.94 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/235327