거래 의정부시: 동적 거래 전략의 경험적 특성 헤지 펀드의 경우 pdf

동적 거래 전략의 경험적 특성 : 헤지 펀드의 경우

William Fung과 David A Hsieh.

개요 :이 기사는 헤지 펀드 성과에 대한 미개척의 데이터 세트에 대한 몇 가지 새로운 결과를 제시합니다. 결과는 헤지 펀드가 뮤추얼 펀드와 크게 다른 전략을 따르고 이러한 전략이 매우 역동적이라는 주장을 뒷받침합니다. 이 기사는 Sharpe (1992) 자산 클래스 요인 모델에 추가 될 때 구매 및 보유 및 동적 거래 전략의 스타일 분석을위한 통합 된 프레임 워크를 제공 할 수있는 헤지 펀드에서 5 가지 주요 투자 스타일을 찾습니다. 옥스포드 대학 출판부에서 학술 연구회를 대신하여 발행 한 논문, The Review of Financial Studies.

이 항목에 대한 다운로드가 없습니다. 이 항목에 대한 힌트는 EconPapers FAQ를 참조하십시오.

이 항목은 EconPapers의 다른 위치에서 사용할 수 있습니다 : 동일한 제목의 항목을 검색하십시오.

내보내기 참조 : BibTeX RIS (EndNote, ProCite, RefMan) HTML / 텍스트.

주문 정보 :이 저널 기사는에서 주문할 수 있습니다.

재무 연구 검토는 현재 Maureen O'Hara에 의해 편집됩니다.

옥스퍼드 대학 출판사, 학술 부서, 2001 에반스로드, 캐리, NC 27513 USA .. EDIRC의 연락처 정보.

시리즈 데이터는 Oxford University Press ()에서 관리합니다.

당신의 일이 RePEc에서 누락 되었습니까? 여기에 기여하는 방법이 있습니다.

질문이나 문제가 있습니까? EconPapers FAQ를 확인하거나에 메일을 보내십시오.

동적 거래 전략의 경험적 특성 : 헤지 펀드의 경우

재무 연구, Vol. 10, No. 2.

게시 : 1997 년 4 월 23 일.

윌리엄 봉 암즈.

David A. Hsieh.

듀크 대학교 - Fuqua School of Business; 듀크 대학교 (Duke University) - 경제학과; 국가 조사국 (NBER)

이 백서는 헤지 펀드 성과에 대한 비공개 데이터 세트에 대한 몇 가지 새로운 결과를 제시합니다. 결과는 헤지 펀드가 뮤추얼 펀드와 크게 다른 전략을 따르고 이러한 전략이 매우 역동적이라는 주장을 뒷받침합니다. 이 논문은 Sharpe (1992) 자산 클래스 팩터 모델에 추가 될 때 구매 및 보유 및 동적 거래 전략의 스타일 분석을위한 통합 된 프레임 워크를 제공 할 수있는 헤지 펀드에서 5 가지 주요 투자 스타일을 찾습니다.

윌리엄 암즈.

듀크 대학.

100 Fuqua Drive.

Durham, NC 27708-0204.

David Hsieh (연락처 작성자)

듀크 대학교 - Fuqua School of Business ()

재무부.

더럼, 노스 캐롤라이나 27708-0120.

듀크 대학교 - 경제 학부 ()

213 사회 과학 건물.

Durham, NC 27708-0204.

국가 조사국 (NBER)

1050 Massachusetts Avenue.

Cambridge, MA 02138.

종이 통계.

빠른 링크.

약.

쿠키는이 사이트에서 사용됩니다. 거부하거나 더 자세히 알아 보려면 쿠키 페이지를 방문하십시오. 이 페이지는 0.141 초에 apollo1에 의해 처리되었습니다.

Fung and Hsieh Document (1997) - 경험적 특성.

문서 세부 정보를 편집하려면 누릅니다.

서식없는 텍스트 미리보기 : 동적 거래 전략의 실증적 특성 : 헤지 펀드의 경우 William Fung Paradigm, LDC David A. Hsieh Duke University이 기사에서는 헤지 펀드 성과에 대한 비공개 데이터 세트에 대한 몇 가지 새로운 결과를 제시합니다. 결과는 헤지 펀드가 뮤추얼 펀드와 크게 다른 전략을 따르고 이러한 전략이 매우 역동적이라는 주장을 뒷받침합니다. 이 기사는 Sharpe (1992) 자산 클래스 팩터 모델에 추가 될 때 구매 및 보유 및 동적 거래 전략의 스타일 분석을위한 통합 된 프레임 워크를 제공 할 수있는 헤지 펀드의 주요 투자 스타일을 다섯 가지로 제시합니다. Sharpe (1992)는 뮤추얼 펀드 매니저의 성과 배분 및 스타일 분석을위한 자산 클래스 팩터 모델을 제안했다. Sharpe (1992) 직감의 우아함은 미국 뮤추얼 펀드의 광범위한 우주의 실적을 성공적으로 복제하기 위해 제한된 수의 주요 자산 클래스 만 필요하다는 것을 보여줌으로써 경험적으로 입증되었습니다. 이 선구자적인 작업을 바탕으로 현재 상용 소프트웨어 패키지는 투자자가 자산 배분 결정 및 포트폴리오의 "스타일 혼합"을 분석 할 수 있도록 널리 사용됩니다. 이 기사의 내용은 저자의 의견 일 뿐이며 각 기관을 대표하지 않을 수 있습니다. 저자는 헤지 펀드 및 CTA 풀 데이터베이스 사용에 대한 AIG Global Investors, Tass Management 및 Paradigm LDC에 감사드립니다. 우리는 Max Baker, James Cui, Mark Unger 및 Guy Ingram에게 감사의 말을 전합니다. 이 기사는 또한 Michael Bradley, Ravi Jagannathan, Pete Kyle, Harry Markowitz, S. Viswanathan, Ivy Asset Management의 교장 및 익명의 심판의 의견으로도 유익했습니다. David A. Hsieh, Duke University의 Fuqua School of School, Box 90120, Durham, NC 27708-0120에 대한 자료 요청 및 자료 요청. 1997 년 금융 연구 리뷰 Sharpe (1992)의 접근 방법의 성공은 다음과 같은 사실에 기인한다 : Sharpe (1992) 대부분의 뮤추얼 펀드 매니저는 상대 수익 목표를 가진 전통적인 자산 관리자와 유사한 투자 의무를 지닙니다. 일반적으로 자산은 잘 정의 된 자산 클래스로 자산을 보유하도록 제한되며 흔히 거의 또는 전혀 레버리지가없는 것으로 제한됩니다. 그들의 임무는 자산 클래스의 수익을 충족 시키거나 초과하는 것입니다. 따라서 관리자들은 표준 자산 클래스의 수익률과 높은 상관 관계가있는 경향이있는 수익을 창출 할 가능성이 높습니다 .1 따라서 관리자 간의 양식상의 차이는 주로 Sharpe의 (1992) "스타일 회귀 분석에서 쉽게 포착 된 포트폴리오의 자산 때문입니다 "이 기사에서는 투자 관리 스타일 분석을위한 Sharpe (1992) 모델의 확장을 제안합니다. 목표는 상대 수익 목표가있는 기존 관리자와 절대 수익 목표를 가진 대체 관리자를 분석하기위한 통합 프레임 워크를 갖추는 것입니다. 이러한 대체 관리자는 표준 자산 클래스와 상관 관계가 적은 수익을 창출하는 경향이 있습니다. 결과적으로, 원래의 Sharpe (1992) 모델은 이러한 대안 적 관리자의 문학적 차이를 포착하기 위해 수정되어야한다. 특히 헤지 펀드 매니저와 상품 거래 자문가 (CTA)에 중점을 둡니다. 이것은 "대체 관리자"범주 내에서 중요한 관리자 클래스입니다. 헤지 펀드 관리자와 CTA는 일반적으로 시장 환경에 관계없이 절대 수익 목표를 설정해야합니다 .2 절대 수익 목표를 달성하려면 유연성을 부여받습니다 많은 자산 종류 중에서 선택하고, 짧은 판매, 레버리지 및 파생 상품을 자주 포함하는 동적 거래 전략을 채택 할 수 있습니다. 따라서, 우리는 Sharpe (1992) 자산 클래스 팩터 모델을 대체 관리자의 접근 방식과 전통적인 뮤추얼 펀드 매니저의 차이점을 수용 할 수 있도록 확장합니다. 우리의 작업은 관리자의 수익률이 관리자 포트폴리오의 자산 수익, 거래 전략 및 레버리지 활용이라는 세 가지 주요 결정 요인에 의해 더 일반적으로 특징 지어 질 수 있다는 직관에 근거합니다. Sharpe (1992) 모델에서 초점은 첫 번째 결정 요인 인 수익의 "위치"구성 요소에 초점을 맞 춥니 다. 이 요소는 관리자가 투자하는 자산 범주를 알려줍니다. 우리 모델은 관리자가 거래하는 방식을 반영하는 요인을 통합하여 Sharpe의 접근 방식을 확장합니다 "- 수익의 전략 구성 요소와 1 뮤추얼 펀드 매니저의 사용은 관리중인 자산의 양에 따라 보상됩니다. 뮤추얼 펀드는 각각의 벤치 마크에 따라 등급이 매겨진 최상위 펀드로 가기 때문에 관리자는 벤치 마크보다 우수한 인센티브를받습니다. 2 헤지 펀드 매니저와 CTA는 인센티브 수수료로 많은 보수를받습니다. 이 인센티브는 관리자가 긍정적 인 수익을 올릴 때만 지급됩니다. 또한 인센티브 계약의 "높은 워터 마크"기능은 인센티브 비용을 지불하기 전에 이전 손실을 모두 보상해야합니다. 따라서 이러한 대체 관리자를 절대 수익 관리자라고합니다. 276 동적 트레이딩 전략의 경험적 특성 "레버리지"- 수익의 양 구성 요소. Sharpe (1992) 모델에 새로운 요소를 추가하면 역동적이고 레버리지가 높은 거래 전략을 사용하는 관리자를 수용 할 수 있습니다. "상대적 수익률"대 "절대 수익률"투자 스타일의 전략적 차이에 대한 통찰력을 제공하는 것은 이러한 추가 요소입니다. Sharpe의 모델이 상대적 수익 스타일 만 고려할 때 자산 혼합 결정에 대한 통찰력을 제공하는 것처럼 확장 모델은 절대 수익 목표로 자산 혼합 결정을 분석하기위한 프레임 워크를 제공합니다. Morningstar의 3,327 개의 미국 뮤추얼 펀드와 지금까지 분석 된 적이없는 고유 한 데이터베이스의 409 개의 헤지 펀드 / CTA 풀에이 모델을 적용합니다. Sharpe (1992)와 마찬가지로 뮤추얼 펀드 수익률은 표준 자산 클래스와 높은 상관 관계가 있음을 알 수 있습니다. 반대로 헤지 펀드 매니저와 CTA는 뮤추얼 펀드와 표준 자산 클래스의 수익률과의 상관 관계가 낮은 수익을 창출하는 것으로 파악됩니다. 또한 헤지 펀드 및 CTA 풀에는 많은 성과 다양성이 있습니다. 이 효과를 포착하기 위해 Sharpe (1992) 모델에 세 가지 추가 "스타일"요소를 제안합니다. 이것은 모델의 성능을 현저히 향상시킵니다. 이 기사는 다음과 같이 구성됩니다. 1 절에서 우리는 Sharpe 's (1992)와 유사한 8 가지 자산 클래스 계수 모델로 시작한다. 이러한 자산 또는 위치 요소를 호출합니다. 분석 결과 Sharpe (1992)의 미국 뮤추얼 펀드 결과는 섹션 2에 나와 있습니다. 결과는 8 요인 선형 모델이 사소한 수정을 통해 훨씬 다양한 뮤추얼 펀드 매니저의 자산 조합에 대한 만족스러운 추정치를 제공함을 보여줍니다. 3 절에서 우리는 Sharpe의 스타일 회귀를 헤지 펀드 및 CTA 풀 반환에 적용합니다. 4 장에서는 위치 선택과 거래 전략의 차이에 대해 논의한다. 섹션 5는 헤지 펀드 및 CTA 풀의 공통된 스타일을 다룹니다. 6 절에서는 성과 평가와 생존자 편견에 대한 논평을하고있다. 7 장은 우리 연구 결과의 의미를 설명하고 몇 가지 결론을 제시합니다. 1. 자산 클래스 팩터 모델 우리는 기간 t에서 자산 포트폴리오에 대한 수익으로 시작한다. Rt = xj t rj t, (1) j 여기서 xj는 기간 t 동안 자산 j에 대한 가중치이다 (t -1에서 t), rj t는 기간 t에서 자산 j에 대한 수익이고, j = 0,. . . , J 및 j는 j의 모든 값에 대한 합계 연산자를 나타냅니다. 편의상 j = 0 자산은 위험이없는 자산입니다. 가정에 따르면 차용과 금융 연구의 검토는 1997 년 대출 금리와 동일하며 위험 자유 기금과 동일하다. 자산의 수 (J)는 큰 것으로 가정합니다. 예를 들어, 뉴욕 증권 거래소에만 2,000 개가 넘는 주식이 상장되어 있습니다. 외국 주식, 국채, 회사채, 모기지, 원자재, 외환 등을 포함 할 때, 자산의 수는 수만 개입니다. 많은 수의 자산과 작업 할 때 특히 대량의 자산이 서로 관련성이 높은 경우에는 다루기가 쉽지 않습니다. 과제를보다 관리하기 쉬운 수준으로 줄이기 위해 표준 재정 거래 가격 책정 이론 (APT) 모델 에서처럼 수익률에 대한 요인 구조가 있다고 가정합니다. rj t = λj k Fkt + jt. (2) k K 개의 체계적인 인자, Fkt, k = 1,. . . , K; λ는 인자 로딩이다; 그리고 특이한 수익률이다. 우리는 체계적인 요인이 외생 적으로 지정되어 있다고 가정하고 Sharpe (1992)에 따라 요인을 "자산 클래스"로 해석합니다. 요인 모델을 사용하여 포트폴리오 수익률을 Rkt = wkt Fkt + et, (3) k 여기서 wkt = xjtλjk, jj = xjtjt. j 포트폴리오 수익률이 많은 자산 수익의 가중 평균이 아니라, 이제는 소수의 자산 클래스 가중 평균입니다. 따라서 Sharpe (1992)의 "스타일 회귀"Rt = α + bk Fkt + ut, (4) k는 표준 종목 클래스의 수익률과 높은 상관 관계가있는 개방형 뮤추얼 펀드의 스타일을 파악하는 데 적합합니다. Sharpe (1992)는이를 자산 클래스 팩터 모델이라고 부릅니다 .3이 기사에서는 MSCI 미국 주식, MSCI 비 미국 주식 및 IFC 이머징 마켓 주식을 사용합니다. JP 채권 등급에는 JP Morgan 미국 국채와 JP Morgan 비 미국 국채가 있습니다. 3 Sharpe의 자산 클래스 선택은 미국 기반 펀드에 더 중점을 두는 반면, 자산은 글로벌하게 강조하여 8 개의 클라스로 그룹화합니다. 278 동적 거래 전략의 경험적 특성 현금의 경우 우리는 1 개월 유로 달러 예금을 사용합니다. 상품의 경우 우리는 금의 가격을 사용합니다. 통화의 경우 연방 준비 은행의 무역 가중 달러 인덱스를 사용합니다 .4 우리는 더 넓은 샘플에서 미국의 개방형 뮤추얼 펀드에 대한 Sharpe (1992) 결과를 업데이트하는 것으로 시작합니다. 뮤추얼 펀드의 경험적 결과는 헤지 펀드와 CTA 풀 수익률의 분석을 비교할 수있는 배경이됩니다. 2. 뮤추얼 펀드 성과 기여 및 스타일 분석 우리는 최소 36 개월의 수익을 보유한 Morningstar 데이터베이스 (1995 년 12 월까지 업데이트)에서 3,327 개의 개방형 뮤추얼 펀드에 대해 Sharpe 스타일 회귀 분석을 실시합니다. 그림 1은 회귀 분석의 R 2 분포를 요약 한 것이다. 뮤추얼 펀드의 47 %는 R 2가 75 % 이상이고, 92 %는 R 2가 50 % 이상인 것으로 나타났습니다. 그림 2는 이러한 회귀 분석에서 (통계적으로) 가장 중요한 자산 군의 분포를 보여준다. 뮤추얼 펀드의 87 %는 미국 주식 및 미국 국채 2 가지 자산 클래스와 상관 관계가 있습니다. 99 %의 펀드에서 가장 중요한 자산 클래스의 계수는 양의 값을 가지며 52 %는 통계적으로 0보다 크고 통계적으로 다른 것은 아닙니다. 이 결과는 Sharpe (1992)의 원래 기사와 매우 유사합니다. 뮤추얼 펀드 수익률과 표준 자산 클래스 수익률 간의 상관 관계가 높다는 것은 뮤추얼 펀드 중 스타일 믹스를 선택하는 것이 자신의 포트폴리오에서 자산 구성을 결정하는 것과 유사하다는 것을 의미합니다. 또한 뮤추얼 펀드의 성과는 시장 선택에 따라 기본 전략이 "매수 및 유지"와 유사하다는 점에서 대부분의 위치 기반 전략이된다고 결론을 내릴 수 있습니다. 따라서 투자 방법, 투자 방법이 훨씬 적습니다. 상호 기금에있는 성과의 중요한 결정 요인. Sharpe의 스타일 회귀가 뮤추얼 펀드 실적을 분석하고, 일반적으로 상대 수익 투자 스타일의 전통적인 관리자의 성과 기여도를 분석하는 데 적합하도록 만드는 것은 뮤추얼 펀드 스타일의 정적 인 특성입니다. 뮤추얼 펀드 수익률과 자산 클래스 간의 상관 관계가 높다는 것은 뮤추얼 펀드 스타일이 기본적으로 다양한 자산 클래스를 이용한 구매 및 보유 전략이라는 것을 나타냅니다. 두 가지 예외가 있습니다. 4 8 가지 자산 클래스는 Sharpe (1992)의 자산 클래스와 다릅니다. Sharpe의 자산 클래스는 주로 미국 증권에 가중치가 적용됩니다. 그는 몇 가지 미국 주식 수익률을 사용합니다 - 큰 모자 증가, 큰 모자 가치, 작은 모자. 이러한 차이는 헤지 펀드 세계에서 중요하며, 우리의 회귀에서 자산 클래스의 수를 제한해야하기 때문에 금, 이머징 마켓 지분 등과 같은보다 광범위하고보다 글로벌 한 자산 클래스와 비교할 때 다소 적습니다. 우리는보다 광범위하고보다 글로벌 한 지표를 선택했습니다. 또한 뮤추얼 펀드, 헤지 펀드 및 CTA에서는 중요하지 않으므로 부동산 및 벤처 캐피탈은 생략했습니다. 279 The Financial Review / v 10 n 2 1997 그림 1 R2와 자산 클래스의 분포 그림 2 가장 중요한 자산 클래스 분포 고수익 회사채 펀드와 지방 채권 펀드는 8 가지 자산 클래스와 낮은 상관 관계가 있습니다. 고수익 회사채 펀드의 수와 기관 투자가가 고민 한 유가 증권에 대한 관심을 고려할 때 고수익 회사채 인덱스를 포함해야합니다. 지방 채권 수익률은 정부와의 동적 거래 전략 상관 관계에 대한 실증적 특성이 낮기 때문에 과세 대상과 비과세 수익의 차이를 설명하기 위해 과세 대상 투자자에 대한 채권 인덱스를 추가하는 것을 고려할 수 있습니다. 3. 헤지 펀드 성과 기여 헤지 펀드와 CTA 풀로 전환합니다. 헤지 펀드는 관리 파트너 / 기업이 광범위한 투자 의무를 부여받는 민간 투자 파트너십 / 차량입니다. 이 차량은 "정교한 고액 자산가"투자자로 제한됩니다. CTA는 국가 선물 협회의 회원 자격을 통해 상품 선물 거래위원회 (CFTC)에 등록 된 개인 또는 거래 조직으로, 선물, 옵션 및 독점적으로 설립 된 증권 계좌에서 고객을 대신하여 거래 의사 결정 권한을 부여 받았습니다. 고객 ( '관리 계정') 1980 년대에 선물 웅덩이가 다양해질 때까지 CTA는 거래 할 수있는 상품 (상품, 상품 선물 및 선물 옵션)에 제한을 받았다. 모든 시장의 세계화와 확장 및 규제 제약의 감소로 CTA는 세계 금리, 통화, 형평 및 물자 시장과 같은 증가하는 수단을 거래 할 수있는 능력을 갖게되었습니다. 따라서 역사적으로 CTA가 헤지 펀드 매니저와 별개로 간주되었지만 CTA가 거의 모든 금융 시장에서 광범위한 위임 사항과 함께 민간 투자 파트너십을 운영함에 따라 지난 10 년 동안이 둘의 구별이 흐려졌습니다. 사실, 많은 관리자들은 헤지 펀드와 CTA 풀을 가지고 있습니다. 이 기사의 목적 상 헤지 펀드 및 CTA 풀은 단순히 "헤지 펀드"라고 불리는 단일 그룹의 펀드로 취급됩니다. 우리는 409 개의 헤지 펀드 수익에 대해 샤프의 회귀 분석을 실시합니다. 샘플의 범위에 대해 언급하는 것이 적절합니다. 뮤추얼 펀드와 달리 헤지 펀드 매니저는 자신의 성과와 자산을 공개적으로 공개 할 의무가 없습니다. Futures (1995 년 2 월호, 62-64 페이지)는 헤지 펀드가 1,000에서 2,000 사이에 있으며 헤지 펀드는 1994 년 말에 관리 자산이 100 ~ 1,600 억 달러에 이르는 것으로 추산하고 있습니다 .5.5이 수치는 뮤추얼 펀드 업계에서는 6,000 개 이상의 펀드와 2 조 달러의 자산을 보유하고 있으며 대형 헤지 펀드의 지위는 종종 가장 큰 뮤추얼 펀드의 지위를 초과합니다. 배런 (Barron, 1996 년 2 월 19 일, MW74-MW75)은 헤지 펀드 277 개를 보유하고 있으며, 헤지 펀드는 1993 년 말 현재 294 억 달러의 자산을 보유하고있다. 최소 2 천만 달러의 자산 및 1995 년 말 2 년의 실적을 보유하고 있습니다. 이 펀드는 총 251 억 달러의 자산을 관리합니다. 우리의 우주는 약 700 개의 헤지 펀드 프로그램과 240 개의 CTA 풀로 구성되어 있으며 관리 자산은 약 800 억 달러입니다. 이 우주를 구성하는 데있어서 가장 큰 어려움은 성과 기록이 없다는 것입니다. 이것은 1990 년대에 대다수의 기금이 시작되었고, 많은 기금이 그들의 존재의 대부분을 위해 제한된 자산만을 가지고 있다는 사실의 당연한 결과입니다. 또한 많은 관리자들은 실제적으로 동일한 오퍼링을 해외 투자자를 대상으로 다른 이름으로 나열합니다. 또한 헤지 펀드의 포트폴리오 인 "자금"이 있습니다. 940 개 펀드의 우주에 도착하면서, 우리는 중복 자금과 자금을 제외했습니다. 그러나 중복 자금의 자산 (펀드 자금 제외)은 관리중인 자산 800 억 달러에 포함됩니다. 사용 가능한 자산 샘플은 409 개로 줄어들고 있습니다. 관리중인 자산이 최소 5 백만 달러 인 3 년 월간 수익이 필요하기 때문입니다. 자세한 내용은 부록에 나와 있습니다. 그림 1은 스타일 회귀 결과를 요약 한 것입니다. 그들은 뮤추얼 펀드의 펀드와 비교할 때 매우 놀랍습니다. 뮤추얼 펀드의 절반 이상이 75 % 이상의 R 2를 가지고 있지만, 헤지 펀드의 거의 절반 (48 %)은 R 2가 25 % 미만입니다. 그림 2는 회귀 분석에서 단일 자산 계층이 지배적이지 않음을 보여줍니다. 각 자산 클래스에 대해 우리는 양수 계수 (검정색 막대)와 음수 계수 (빈 흰색 막대)가있는 자금 비율을 별도로보고합니다. 뮤추얼 펀드와 달리 헤지 펀드의 상당 부분 (25 %)은 표준 자산 클래스와 음의 상관 관계가 있습니다. 또한, 헤지 펀드의 단지 17 %만이 통계적으로 0보다 크고 통계적으로 다른 자산 클래스의 계수는 없습니다. 증거는 헤지 펀드가 뮤추얼 펀드와 크게 다르다는 것을 나타냅니다. 뮤추얼 펀드 수익률은 자산 클래스 수익률과 높고 양의 상관 관계가 있으며, 이는 구매 및 보류 전략을 전개하는 것처럼 행동합니다. 헤지 펀드 수익률은 자산 클래스 수익과의 상관 관계가 낮고 때로는 음의 상관 관계가 있습니다. 다음 섹션에서는 헤지 펀드와 뮤추얼 펀드의 결과 차이점에 대한 설명을 제공합니다. 4. 두 가지 스타일 스타일 : 위치 선택 및 거래 전략 대부분의 헤지 펀드가 뮤추얼 펀드와 동일한 많은 유동 자산 클래스를 사용한다는 것은 잘 알려져 있습니다. 예를 들어 George Soros의 Quantum Fund는 1987 년 10 월의 주식 시장 추락으로 1992 년 9 월의 영국 파운드화와 1993 년 4 월의 긴 귀금속 (Newmont Mining의 지분 13 % 포함)의 긴 미국 주식과 짧은 일본 주식이며 2 월 28 일의 엔 / 달러 일본 엔화 동적 거래 전략의 경험적 특성 1994.6 Quantum Fund의 수익률은 자산 클래스의 수익률 (R 2 = 40 %)과 낮은 상관 관계가 있다는 사실은 레버리지의 동적 사용으로 인한 것이어야합니다 자산 노출의 선택. 이것을 보시려면, 식 (4)의 스타일 회귀와 식 (3)의 반환의 정의를 비교하십시오. 스타일 회귀는 관리자의 수익이 자산 클래스 수익과 상관 관계가있는 경우에만 자산 클래스에 대한 관리자의 수익을 나타낼 수 있습니다. 샤프는이 문제를 분명히 알고 있습니다. 그는 "해당 기간 동안 잠재적으로 변화하는 스타일의 평균을 찾는"스타일 회귀를 언급한다 [Sharpe (1992), p. 3]. 이전 논의에서 "스타일"이라는 개념은 위치 선택과 거래 전략이라는 두 가지 차원에서 생각되어야합니다. 위치 선택은 자산 클래스, 즉 관리자가 리턴을 생성하는 데 사용하는 수식 (3)의 F를 나타냅니다. 거래 전략은 방향 (long / short)과 수량 (leverage) 즉, 식 (3)의 w를 사용하여 수익을 창출하는 자산에 적용됩니다. 따라서 실제 수익은 위치 선택 및 거래 전략의 산물입니다. 이 점을 설명하기 위해 S & P 선물 거래를하는 관리자를 생각해보십시오. 지렛대 없이는 선물 계약 (즉, 매수 및 유지)이 지속되면 S & P 500 지수에 대한 계수를 나타내는 스타일 회귀가 발생하게됩니다. 관리자가 최대 두 개의 선물 계약을 활용하면 회귀 계수는 2가됩니다. 반대로, 그가 단기 선물 계약이라면 회귀 계수는 -1이됩니다. 그러나 그가 매월 길고 짧은 것을 번갈아 가면 회귀 계수는 0에 가까울 것입니다. 이 예에서 위치는 모든 경우에 미국 주식 시장입니다. 반대로, 수익률은 거래 전략에 따라 매우 다릅니다. 첫 번째 두 경우에 수익은 미국 주식과 양의 상관 관계가 있습니다. 세 번째 경우 수익은 미국 주식과 부정적 상관 관계가 있습니다. 네 번째 경우 수익은 미국 주식과 상관 관계가 없습니다. 이 예제는 return이 거래 전략뿐만 아니라 위치 선택의 함수라는 것을 보여줍니다. 기존의 관리자 (즉, 뮤추얼 펀드 매니저)는 자신이 중점을두고 투자 할 곳을 지정합니다. 결과적으로, 관찰 된 평균 수익률은 제한된 레버리지를 가진 매수 이자율 전략과 유사합니다. 즉, 일반적으로 주식 베타로 인한 겸손한 조정과 함께 일반적으로 0과 1 사이에 놓여 있습니다. 우리의 경험적 결과는 또한 w의 시간 변동이 지배적 인 스타일의 수익률 특성에 미치는 영향이 제한적임을 나타내며, 이는 자산 클래스 수익과 높은 상관 관계가있다. Barron 's (1987 년 11 월 2 일, 35-36 페이지), Forbes (1992 년 11 월 9 일, 40-42 페이지), Barron 's (1993 년 5 월 17 일, 53 페이지) 및 Futures (1994 년 4 월호, 24-28). 283 금융 연구의 리뷰 / v 10 n 2 1997 이것은 헤지 펀드와는 다르다. 그들의 관리자의 거래 전략은 0과 1 사이에 제한되지 않는 가중치 (w)를가집니다. 원칙적으로, w는 음수와 음수 사이에있을 수있다. 실제로 w는 보통 -10에서 +10 사이입니다. 또한 관리자는 기회 주의적 일 수 있으므로 w가 할 수 있고 빠르게 변할 수 있습니다. 이들의 수익은 자산 클래스 수익과 상관 관계가 없을 것입니다. 이들은 동적 거래 전략입니다. 이는 동적 거래 전략을 사용하는 헤지 펀드 매니저에게 적용될 때 성과 배분에 적합하지 않은 Sharpe의 스타일 회귀가 자산 클래스에 대한 수익을 산정하는 데 더 적합한 이유를 설명하는 데 도움이됩니다. 5. 헤지 펀드 스타일 분석 원칙적으로 Sharpe의 스타일 회귀 분석은 회귀 분석기를 추가하여 동적 거래 전략의 수익을 위임함으로써 확장 될 수 있습니다. 실제로 월간 수익률은 매월 수익이 있지만 동적 거래 전략은 무한하기 때문에 구현하는 것은 불가능합니다. 대신 헤지 펀드의 지배적 인 스타일을 결정하기 위해 요인 분석을 사용합니다. 아이디어는 아주 간단합니다. 두 명의 관리자가 비슷한 위치 선택 및 거래 전략을 사용하는 경우, 이들의 수익률을 서로 연관시켜야합니다. 요인 분석은 자산 클래스와 상관 관계가 있는지 여부에 관계없이 지배적 인 공통 스타일을 추출 할 수 있습니다. 우리는 409 개의 헤지 펀드를 하나의 그룹으로 분석하고 교차 교차 수익 변동의 약 43 %를 설명하는 상호 직각 5 개의 주요 구성 요소를 추출 할 수 있습니다 .7 이러한 주요 구성 요소와 가장 관련이있는 헤지 펀드를 사용하여 수익률이 주요 구성 요소와 높은 상관 관계를 갖는 5 가지 "스타일 요소"를 제공합니다 .8 7 신흥 시장에서 동적 거래 전략을 채택 할 기회가 제한되어 있으므로 신흥 시장 전문 펀드를 생략했습니다. 신흥 시장에서는 관리자가 신속하게 출입 할 수있는 충분한 유동성을 보유하지 못하고 있으며 많은 기업이 단기 매매를 금지하고 있습니다. 무엇보다 사용 가능한 성능 내역은 간단합니다. 우리의 헤지 펀드 샘플은 서로 다른 기간에 걸쳐 수익을 냈기 때문에 36 개월 동안 동일한 수익을 올린 297 개의 펀드에 대해 요인 분석을 수행했습니다. 우리는 각 펀드의 수익률을 표준화하여 평균이 0이고 분산이 1이되도록했습니다. 이는 레버리지 차이로 인한 차이의 차이를 제거합니다. (예를 들어, 똑같은 거래 전략을 시행하고 있지만 레버리지가 다른 두 개의 펀드는 다른 수익 분산을 가질 것입니다.) 주요 구성 요소는 표준화 된 수익에 대해 수행됩니다. 첫 번째 다섯 가지 주요 요소는 단면 수익률 변동의 11.87 %, 10.00 %, 9.42 %, 6.35 % 및 4.93 %를 각각 설명합니다. 우리는 실제로 다섯 가지 기본 요소를 약간 회전시켜 데이터를 더 잘 해석 할 수있게했습니다. 5 가지 "스타일 요소"는 5 가지 회전 요소를 밀접하게 복제하는 헤지 펀드 매니저의 5 가지 포트폴리오에 투자 가능한 수익을 나타냅니다. 이것은 다음과 같이 수행됩니다. 각 요소에 대해 우리는 그 주 구성 요소에만 상관 관계가있는 헤지 펀드 / CTA 풀을 사용하여 포트폴리오를 구성합니다. 포트폴리오 가중치는 포트폴리오 수익률이 해당 주성분과 최대 상관 관계를 갖도록 선택됩니다. 짧은 헤지 펀드 및 CTA 풀을 판매 할 수 없으므로 단기 판매 제약이 부과됩니다. 5 가지 스타일 요소와 해당 주성분의 상관 관계는 모두 93 % 이상입니다. 우리는 다이나믹 트레이딩 전략의 경험적 특성보다는 최대 상관 포트폴리오를 사용한다. 투자 스타일을 정의하는 정량적 방법은 헤지 펀드 산업이 사용하는 질적 방법과 대조되어야한다. 헤지 펀드. 각 스타일 요소의 펀드 공개 문서를 조사함으로써 우리는 다섯 가지 스타일 요소를 헤지 펀드 산업이 거래 전략을 설명하는 데 사용하는 일반적으로 사용되는 질적 스타일 범주 중 일부와 연관시킬 수 있습니다 : "시스템 / 기회주의", "글로벌 / 매크로 일반적으로 받아 들여지고 잘 정립 된 "스타일 이름"이없는 상황에서 우리는 투자 커뮤니티에서 헤지 펀드 스타일을 설명하기 위해 일반적으로 사용되는 용어를 고수하려고 시도해 왔습니다. 우리는 용어가 부정확하다는 것을 인정합니다. 우리가 알고있는 한, 이러한 느슨하게 정의 된 질적 양식에 대한 공식적인 통계 분석이나 뮤추얼 펀드 스타일의 경우처럼 Morningstar와 같은 잘 알려진 출처에 대해서는 언급하지 않았습니다. 실제로 다양한 업계 소스는 훨씬 더 광범위한 "스타일 분류"를 자주 게시합니다. 종종 같은 스타일 범주에 대한보고 된 수익률은 소스별로 다르며 동일한 관리자는 소스에 따라 다른 스타일 범주에 나타날 수 있습니다. 데이터 공급 업체는 헤지 펀드 스타일에 대한 정보를 독점적으로 간주합니다. 이 기사의 목적 중 하나는 반환 데이터와 일관성있는 스타일 범주가 있는지 확인하는 것입니다. 우리는 그것이 펀드 매니저가하는 바가 아니라 그들이하는 말, 스타일 차이를 결정하는 것이라고 생각합니다. 그러나 라벨링 목적으로 가능한 한 업계 관례를 준수하는 것이 좋습니다. "시스템 거래자"라는 용어는 기술 거래 규칙을 사용하는 관리자를 설명하는 데 사용됩니다. 따라서 "시스템 / 추세"는 기술 거래 규칙을 사용하고 대부분 추세 추종자 인 거래자를 말하며, "시스템 / 기회주의"는 규칙 기반 모델에 의존하는 시장 이벤트에 대한 가끔씩 베팅을하는 기술 주도 트레이더를 지칭합니다. "Global / Macro"는 주로 통화 및 국채와 같이 세계에서 가장 유동성이 높은 시장에서 거래하는 관리자를 말하며, 일반적으로 금리 정책 및 통화 절하의 변화와 같은 거시 경제적 사건에 베팅하고 주로 경제에 대한 평가에 의존합니다 기본 사항. "가치"는 펀더멘털의 미 분석에 기초하여 저평가 된 회사의 증권을 사는 상인을 의미합니다. "악재 (Distressed)"는 파산 / 기업 구조 조정의 근방, 최근 또는 최근에 회사에 투자 한 관리자를 지칭합니다 .9 기본 요소 및 회전 된 요소는 표준화 된 수익률을 기반으로하기 때문에 최적의 평균 분산 추적 포트폴리오는 스타일 계수 포트폴리오는 실제 수익률을 기반으로합니다. 우리는 데이터를 두 개의 하위 기간으로 나누어 이러한 스타일 요소의 안정 성을 조사했습니다. 다섯 가지 스타일 요소가 위치 선택인지 또는 동적 거래 전략인지를 결정하기 위해 Sharpe의 스타일 회귀 분석을 원래의 8 가지 자산 클래스와 고수익 채권에 대해 5 가지 스타일 요소에 적용합니다. 두 스타일 요소는 각각 단일 자산 클래스와 상관됩니다. 밸류 스타일은 8 개의 자산 클래스와 고수익 회사채에 대한 R 2가 70 %이며 미국 주식 (0.95의 계수와 7.73의 t - 통계)과 밀접한 상관 관계가 있습니다. 이는 대부분의 밸류 매니저가 미국 주식에 긴 편향을하고 있기 때문입니다. 악재 유형은 R 2가 56 %이며, 고수익 회사채 (0.89의 계수와 6.06의 t - 통계)와 밀접한 상관 관계가 있습니다. This is not surprising, since Distressed managers and high yield corporate bond funds both invest in companies with low or no credit ratings. Furthermore, it is common practice to price unrated, unlisted securities at a spread to the traded, high yield bonds, which explains the correlation between the Distressed style and high yield corporate bonds. The two Systems style factors (Systems/Opportunistic and Systems/Trend Following) have low R 2 s (29% and 17%, respectively) and are not correlated to any of the asset classes. The Global/Macro style is difﬁcult to interpret. It has an R 2 of 55% and is correlated with U. S. bonds (coefﬁcient: 0.84, t-statistic: 3.47), the U. S. dollar (coefﬁcient: 0.46, t-statistic: 2.43), and the IFC emerging market index (coefﬁcient: 0.15, t-statistic: 2.90). The correlation to U. S. bonds and the dollar are not surprising, given highly publicized reports regarding the bond and currency trades of the Global/Macro managers in 1993 and 1994. However, the correlation with the IFC emerging market index could conceivably be a consequence of spurious cross-correlations with other major asset classes. A problem with the regression approach is that the results are very sensitive to outliers. The fact that the Global/Macro style is statistically correlated with three asset markets does not necessarily mean that it is using a buy-and-hold strategy in these markets. A buy-and-hold strategy generates returns that have a linear relationship with those of an asset class, while a dynamic trading strategy does not. We resort to a different technique, similar to nonparametric regressions, to distinguish between these two trading strategies. In Table 1 we divide the monthly returns of each asset class (excluding cash) into ﬁve “states” or “environments” of the world, ranging from severe declines to sharp rallies, by sorting the monthly returns into ﬁve quintiles. The average returns (and the associated standard errors) of that asset class, as well as those of the ﬁve style factors, are computed in each state of the world. Basically the principal components are unaffected. However, the style factors are somewhat affected, perhaps because traders have changed styles, or perhaps because of statistical variations. 286 Empirical Characteristics of Dynamic Trading Strategies Table 1 Returns of hedge fund style factors across different market environments: January 1991–December 1995 (in percent per month) Environment Mean|S. D. Sys/Opp Mean|S. D. Global/Mac Mean|S. D. Value Mean|S. D. Sys/Trend Mean|S. D. Distressed Mean|S. D. Environment: US Eqty 1 −2.82|0.29 1.62|0.99 2 −0.05|0.19 0.21|1.08 3 1.59|0.11 1.56|1.09 4 3.04|0.12 0.31|1.36 5 5.13|0.59 1.51|1.91 −0.82|0.62 2.14|0.42 1.87|0.69 1.42|0.29 1.67|0.44 −1.98|0.61 0.17|0.54 1.58|0.51 3.74|0.88 5.19|0.80 1.45|1.26 1.71|0.82 −0.77|0.51 1.91|1.70 0.50|1.55 1.56|0.38 2.08|0.72 1.72|0.47 1.56|0.36 1.86|0.53 Environment: Non-US Equity 1 −5.16|0.42 1.60|1.29 2 −1.77|0.22 1.05|1.29 3 0.81|0.15 −0.82|0.89 4 3.35|0.19 1.49|1.25 5 6.99|0.50 2.28|1.73 0.50|0.55 1.25|0.75 0.90|0.42 1.85|0.54 1.93|0.66 −0.92|1.02 1.84|0.70 1.88|0.70 2.42|0.81 3.43|1.17 2.45|1.59 −1.19|0.93 0.00|0.70 −0.40|0.56 3.82|1.58 1.52|0.45 1.51|0.31 2.33|0.62 0.96|0.34 2.36|0.58 Environment: US Bond 1 −0.95|0.18 0.07|0.96 2 0.21|0.07 0.03|1.04 3 0.79|0.05 2.07|1.19 4 1.36|0.05 0.21|1.37 5 2.25|0.16 3.72|1.61 −0.49|0.66 1.42|0.67 1.62|0.49 2.02|0.36 1.80|0.57 1.11|1.13 1.95|1.10 2.31|1.01 1.11|0.73 2.31|0.96 −1.18|0.70 −0.14|0.61 2.75|1.75 1.08|0.85 2.14|1.59 1.00|0 .42 2.09|0.64 2.26|0.73 1.57|0.25 1.90|0.36 Environment: Non-US Bond 1 −2.89|0.52 0.99|1.26 2 −0.11|0.11 −1.09|0.81 3 1.05|0.07 0.84|1.34 4 2.12|0.11 1.96|1.13 5 4.52|0.49 3.39|1.61 1.61|0.43 0.92|0.78 1.14|0.60 1.07|0.67 1.63|0.54 1.31|1.12 2.54|0.94 0.90|0.91 1.37|0.73 2.67|1.17 0.77|1.73 −1.24|0.29 0.27|0.40 0.46|0.88 4.40|1.60 1.77|0.50 1.72|0.55 2.38|0.76 1.62|0.42 1.33|0.20 Environment: US Dollar 1 −3.33|0.27 3.55|1.61 2 −1.53|0.10 −0.69|1.26 3 −0.34|0.08 0.57|1.04 4 1.26|0.16 0.68|1.25 5 4.48|0.58 1.26|1.18 0.81|0.50 0.14|0.81 0.95|0.40 2.24|0.59 2.29|0.43 1.53|1.14 1.85|1.00 1.94|0.73 0.98|0.72 2.34|1.22 5.58|1.28 −0.46|0.79 −0.75|0.44 −1.04|0.49 1.47|1.73 1.35|0.20 1.56|0.42 1.19|0.43 2.63|0.60 2.14|0.66 Environment: Gold 1 −4.06|0.45 2 −1.20|0.11 3 0.03|0.08 4 1.33|0.20 5 4.27|0.38 1.27|0.63 1.40|0.22 1.20|0.41 0.37|0.88 2.15|0.62 2.44|1.10 3.52|1.04 0.29|0.62 1.35|1.05 1.31|0.82 0.74|1.60 1.03|1.57 0.44|0.93 0.39|0.95 2.00|1.04 0.86|0.35 2.61|0.64 1 .32|0.33 2.17|0.66 1.89|0.36 Environment: IFC Emerging Markets 1 −4.80|0.71 1.29|1.32 0.38|0.82 2 −1.59|0.19 1.77|0.77 0.81|0.55 3 0.56|0.14 1.14|1.02 1.17|0.42 4 2.76|0.22 0.70|1.48 1.47|0.41 5 8.52|1.33 0.37|1.84 2.56|0.59 0.34|0.94 1.01|1.07 2.23|0.77 1.57|0.74 3.45|1.12 1.25|0.95 2.42|1.22 1.46|1.40 −0.27|0.46 −0.42|1.61 0.55|0.18 1.44|0.33 2.08|0.41 2.26|0.72 2.38|0.55 −0.09|0.83 1.63|0.81 2.16|1.25 1.47|1.01 3.63|0.74 −0.22|0.63 −0.11|0.72 3.67|1.57 1.27|0.84 0.05|1.74 0.36|0.22 1.38|0.18 1.61|0.24 1.57|0.44 3.90|0.70 Environment: High 1 −0.49|0.30 2 0.80|0.05 3 1.24|0.03 4 1.80|0.08 5 3.55|0.49 0.16|1.49 0.38|1.56 0.09|1.08 1.23|1.16 3.58|1.04 Yield Corporate Bonds 1.19|0.96 −0.98|0.58 0.47|1.05 2.17|0.58 1.81|1.71 1.71|0.49 1.84|1.34 1.83|0.51 0.80|1.38 1.64|0.46 287 The Review of Financial Studies / v 10 n 2 1997 If a style uses a buy-and-hold strategy in a given asset class, then its return in the ﬁve states of the world should align with those in the asse t class in a straight line. Using this method we identiﬁed that the Value style is akin to a buy-and-hold strategy in U. S. equities. The other four styles do not use buy-and-hold strategies in any of the asset classes. In particular, the Distressed style is not quite a buy-and-hold strategy in high yield corporate bonds, because its returns in states 4 and 5 for high yield corporates are out of line with those of the other states. For the same reason, the Global/Macro style does not use buy-and-hold strategies in U. S. bonds, currencies, or emerging market equities. If a style uses a dynamic trading strategy in a given asset class, then its return should be large (positive or negative) when the underlying asset returns are at extremes (i. e., states 1 and 5). In the case of the Systems/Opportunistic style, it is most proﬁtable during rallies in U. S. bonds, non-U. S. bonds, and gold, and during declines in the U. S. dollar. The Systems/Trend Following style is most proﬁtable during rallies in non-U. S. equities and bonds, and during declines in the U. S. dollar. The Global/Macro style is most proﬁtable during rallies in gold, the U. S. dollar, and emerging markets. The locations we have identiﬁed are consistent with the disclosure information provided by the traders. It is important to point out that this type of nonlinear, statedependent return tabulation is helpful only to infer the “location” of a trading style, but it is not very informative on the nature of the trading strategies employed. Based on the evidence, it is reasonable to conclude that the Value style is highly sensitive to the movements of the overall U. S. equity market. The Distressed style is also quite sensitive to the performance of the high yield corporate bond market. The other three styles are dynamic trading strategies in a variety of markets. They are not sensitive to the asset markets in the normal states (i. e., 2, 3, and 4), but can be sensitive to selective markets during extreme states. Given that we are measuring extreme or tail events, there is little hope of attaching statistical signiﬁcance. Indeed, we are making a much weaker statement. Table 1 shows that there exist nonlinear correlations between three style factors and some of the standard asset classes, which can give rise to optionlike payouts. Figures 3, 4, and 5 illustrate three of the most dramatic examples of optionlike payouts. Figure 3 shows that the Systems/Trend Following style has a return proﬁle similar to a straddle (i. e., long a put and a call) on U. S. equities. Figure 4 shows that the Systems/Opportunistic style is like a call option on gold. Figure 5 shows that the Global/Macro style behaves like a straddle on the U. S. dollar. 288 Empirical Characteristics of Dynamic Trading Strategies Figure 3 Systems/trend following style versus U. S. equity Figure 4 Systems/opportunistic style versus gold 289 The Review of Financial Studies / v 10 n 2 1997 Figure 5 Global/macro style versus dollar A few remarks are appropriate here. The terms “Systems,” “Value,” “Global/Macro,” and “Distressed” are qualitative descriptors used by the hedge fund industry to describe the investment styles of hedge fund managers based on their disclosure documents. Here we are able to quantify the actual returns of these investment styles using factor analysis. It is important to remark that we are not advocating that it takes only ﬁve style factors to completely characterize the myriad of strategies deployed by hedge fund managers. Contrary to the case of mutual funds where the statistically identiﬁed styles account for the lion share of performance variation, here the ﬁve style factors can only account for 43% of the return variance of hedge funds. In the world of private investments, it is quite common to have a few “niche” arbitrageurs operating in illiquid markets where large hedge funds would ﬁnd it unsuitable given their size. Therefore the style factors represent the most “popular” trading strategies that can operate in asset markets with adequate depth and liquidity. Indeed, the lack of dominant style factors attests to the wealth of performance diversity available among these managers.10 10 We are aware of a number of trading strategies that are not captured by the ﬁve dominant style factors. There are short sellers who only short equities. There are also traders who specialize in spread trading, such as (1) warrants versus stocks, (2) convertible securities versus stocks, (3) the short end versus the long end of the yield curve, (4) mortgage securities versus government securities, and (5) interbank swaps versus government securities. These are typically arbitrage 290 Empirical Characteristics of Dynamic Trading Strategies Lastly, a brief remark on what has come to be known as “market neutral” strategies is in order. There is a growing literature on what constitutes a market neutral strategy, its attractive characteristics and its potential pitfalls [e. g., Lederman and Klein (1996)]. A detailed analysis of this category of trading styles, which often includes the Distressed style, is beyond the scope of this article. However, we note that return orthogonality to the traditional asset classes is a poor screening device for market neutral funds. As our example in Section 4 shows, a market timing strategy can appear to be uncorrelated to the very asset class it has directional exposure to, yet market timing strategies are generally not regarded as “market neutral.” A better screening criterion is to require a market neutral fund to be orthogonal to the ﬁve hedge fund styles as well as the traditional asset classes. Our analysis shows that three hedge fund style factors (i. e., Systems/Opportunistic, Systems/Trend Following, and Global/Macro) appear to use market timing strategies in various asset classes, so that they have directional exposure even if they are uncorrelated to the asset classes on average. Hedge funds correlated to these styles are not market neutral. In addition, two other hedge fund styles (Value and Distressed) are correlated to U. S. equity and high yield corporate bonds, respectively. Hedge funds correlated to these styles are also not market neutral. Beyond using correlation as a screening device, truly market neutral funds should not have excessive exposures to traditional asset classes in extreme moves. For example, a typical “duration neutral” ﬁxed income strategy may have no correlation to normal movements in interest rates, yet may have directional exposure to extreme movements [see Fung and Hsieh (1996) for details]. Limiting the amount of tail exposure, as is done in Table 1, is also a good device to screen for market neutral funds. 6. Insights on Performance Evaluation and Survivorship Bias for Hedge Funds Of the many differences between traditionally managed funds and hedge funds, two issues stand out: performance evaluation and survivorship bias, respectively. In this section, we contrast our ﬁndings with the literature on these two important issues reported on mutual fund managers. In a simplistic setting, performance attribution and evaluation involve decomposing a manager’s returns into the part that can be replistrategies that have gained popularity over the last few years. The limited history, together with the diversity in the strategies employed, makes it less likely for their return characteristics to converge into identiﬁable factors. 291 The Review of Financial Studies / v 10 n 2 1997 cated by standard asset baskets, or market indices, and the residual that is attributed to the manager’s “skill.” The purpose of this decomposition rests on the assumption that investors are only willing to reward a manager for superior performance that cannot be easily replicated. Applying this concept to mutual funds, Jensen (1968) used a single-factor model, regressing a stock mutual fund’s returns (Rt ) on market returns (Rmt ) with α being the constant term: Rt = α + bRmt + ut . (5) Sharpe (1992) extended this to a multiple-factor model for the general mutual fund: Rt = α + bk Fkt + ut . (6) k The slope coefﬁcients of the regression tell us the replicating static mix of asset classes that would capture the fund’s performance. The constant term is used to measure the manager’s average ability to generate returns beyond this static mix of assets. In this decomposition, k bk Fkt was referred to as “style,” and α + ut as “skill.” The evidence in Figure 1, consistent with the mutual fund literature, shows that this regression works well for mutual funds, as indicated by the high R 2 values. However, this regression works very poorly for hedge funds because the R 2 values are very low. In the present context this would imply that mutual fund returns are generated primarily from static asset mix decisions, while hedge fund returns are generated primarily from “skill.” It is common practice to go beyond static asset class mixes in order to analyze the performance of mutual fund managers using simple trading strategies. This is achieved by further decomposing [α + ut ] in Equation (5) into “selectivity” (which has its genesis from the equity world for describing the ability to pick stocks) and “market timing” (the ability to predict market direction). The identifying assumption is that “selectivity” consists of idiosyncratic, diversiﬁable risks of individual stocks, while “market timing” consists of nondiversiﬁable, nonlinear payouts of asset class returns based on trading strategies. Empirically the decomposition is implemented by adding proxies for market timing strategies to Equation (5). For example, Treynor and Mazuy (1966) used the square of the market return to proxy for market timing ability, while Merton and Henriksson (1981) used an option payout on the market return. Glosten and Jagannathan (1994) also provided some justiﬁcation for using selected option-index portfolios as additional factors to proxy for dynamic trading strategies. The jury on the success of using a small number of proxies to pick up market timing abilities for mutual funds is still out. Jagannathan 292 Empirical Characteristics of Dynamic Trading Strategies and Korajczyk (1986) pointed out that a separation between selectivity and market timing is not in general possible when managers can follow dynamic trading strategies or use options. While this problem of identiﬁcation may not be too severe in mutual funds, because managers do not use dynamic trading strategies or options extensively, it is likely to be very severe in hedge funds. Furthermore, with the ﬂexibility available to hedge fund managers, it is unclear whether the choice to bet on the currency market instead of stocks is to be interpreted as a “selection” decision or as a “market timing” decision. The only conclusive evidence we have is that the static asset mix component plays only a minor role in hedge fund performance in general. Consequently the important component of hedge fund performance is “skill.” In a sense, our model proposes a more detailed decomposition of the “skill” set to further characterize performance differences among hedge funds. A simplistic way of summarizing the difference between a manager that draws most of his return from the asset mix decision (the location decision) versus one that relies heavily on dynamic trading strategies is to think in terms of the intertemporal “deltas” to any given market. A manager that depends critically on the right location decision will have a slow-moving delta within a limited range (most mutual funds are limited in their use of short sales and leverage.) In contrast, a hedge fund manager can and will have deltas in orders of magnitude greater that can shift dramatically over very short intervals of time. A case in point is George Soros’s Quantum Fund. It is well known that Quantum gained 25.5% in September 1992 by betting on the devaluation of the British pound. Using monthly returns, the regression of Quantum against the pound has an R 2 of only 23%. Using daily returns for the month of September 1992, the R 2 is only 10%! The bet appeared to have been put on around September 11 and taken off around September 22. This can be seen from Figure 6, which plots Quantum’s daily net asset value per share versus the British pound/U. S. dollar exchange rate (measured in pounds per U. S. dollar). The inability of simple statistical procedures in picking up the correlation between Quantum and the pound means that the number of proxies needed to pick up very short-term dynamic trading strategies is virtually inﬁnite. In the spirit of the present discussion, it is unclear whether this type of “event” return should be classiﬁed as “selectivity” or “market timing.” On the face of it, it appears to be market timing, but then why not bet on the other currencies? Simply put, hedge fund returns are much harder to “explain” or replicate using simple trading rules. It is the recognition of these difﬁculties that led us to add hedge fund styles to Sharpe’s asset class factor model. These new styles are 293 The Review of Financial Studies / v 10 n 2 1997 Figure 6 Quantum net asset value versus GBP/USD exchange rate, September 1992 analogous to the “market timing” proxies in the mutual fund performance evaluation literature. The good news is that these new styles are uncorrelated to asset class returns. The bad news is that they are correlated with market returns during extreme moves or tail events.11 The exposure to tail events in asset markets is not diversiﬁable, which substantially complicates risk management. Furthermore, we emphasize the limitations in using these new styles in performance attribution. The factor analysis indicates that there are many niche styles in the hedge fund universe still unaccounted for. It is conceivable that, with such a heterogeneous population, performance attribution may ultimately require in-depth due diligence on a case-by-case basis. Next we turn to the effect of survivorship bias on our empirical results. Here we need an estimate of the attrition rate in hedge funds. This turns out to be an exceedingly difﬁcult task. Unlike mutual funds, hedge funds need not register with the Securities and Exchange Commission, nor does a hedge fund industry association exist that can document the entry and exit of funds. In short, it is almost impossible to know exactly how many funds existed as of a given point in time. Given that the population of hedge funds is unknown, there are two ways to estimate an attrition rate. The ﬁrst method takes a sample 11 Some of the more dramatic losses in the so-called market neutral funds occurred during large “event” moves in the asset markets. This can be attributed partially to a failure of their risk management system to cope with the abrupt increase in the correlation between their positions in the market. 294 Empirical Characteristics of Dynamic Trading Strategies of currently existing hedge funds and tracks them going forward in time. This prospective method of estimating attrition rate can only be done as a future research project. The second method to estimate the attrition rate is to go back in time to ﬁnd all funds that existed at a given point in time, say December 1994, and determine how many did not survive until a later point in time, say December 1995. This retrospective method of determining the attrition rate is appropriate in mutual funds, since the population of mutual funds on both dates is known. As the population of hedge funds at any given date is unknown, one is tempted to estimate a retrospective attrition rate by taking the funds in a database with returns in December 1994 and see how many of them dropped out by December 1995. This procedure would yield a downward bias in the attrition rate. To understand the bias of the retrospective attrition rate in a hedge fund database, one must understand the process and objectives in creating and maintaining a hedge fund database. Suppose there are N funds in the hedge fund population on December 1994 and A funds are in our database. Assume that there are no new funds coming into the population. The attrition rate is d per year. At the end of 1995, N d funds have exited the population and Ad funds have exited our database. If no funds were added into the database during 1995, the retrospective attrition rate would have been d = (Ad)/A. However, database vendors have an incentive to add “quality” funds into the database. In 1995 there are still (N − A)(1 − d) funds which were not in the database. Suppose B of them are added to the database, along with their past returns. At the end of 1995, there are A + B funds in the database with returns in December 1994, but Ad of them had dropped out by December 1995. The retrospective attrition rate would be given by (Ad)/(A + B), which is a downward biased estimate of d by the factor A/(A + B). If we multiply the retrospective attrition rate by the adjustment factor (A+B)/A, we will have an unbiased estimate of the true attrition rate. Unfortunately we cannot calculate the adjustment factor (A + B)/A because we do not know when a given fund was added to the database. But we can obtain an upper bound for the adjustment factor. It is reasonable to assume that the sampling rate of the surviving funds in 1995 is the same as that of the original sample in 1994, that is, B/[(N − A)(1 − d)] = A/N . This means B = (N − A)(1 − d)(A/N ). The adjustment factor, (A+B)/A, now becomes 1+(1-A/N)(1-d). As the adjustment factor is decreasing in A/N and d, its maximum is two, when A/N = 0 and d = 0. Thus doubling the retrospective attrition rate gives an upper bound of the true attrition rate. 295 The Review of Financial Studies / v 10 n 2 1997 A further complication arises when new hedge funds enter the population. Unlike the mutual fund industry, in which new “entrants” arrive without return histories, it is common practice in the hedge fund industry to expect new funds to come with a “track record” accumulated either over an incubation period prior to launching the fund or from their previous trading history with a ﬁnancial institution. Typically, new funds are added to a database with a performance history. This will further bias downward the retrospective attrition rate. In estimating the retrospective attrition rate, we deﬁne the population of hedge funds to be those that have operated for at least 3 years to avoid picking up new funds whose incubation period is typically less than 3 years. We examined 139 funds in the Paradigm database with returns in December 1994. To the best of our knowledge, at most, six funds had ceased operation by the end of 1995.12 That represents a retrospective attrition rate of 4.3% in 1 year and a maximum upper bound of 8.6% for the true attrition rate.13 This estimate of the attrition rate in hedge funds is comparable to that in mutual funds. Grinblatt and Titman (1989) found an average attrition rate of 4.3% per year between 1974 and 1984 for mutual funds. Brown et al. (1992) found the average attrition rate to be 4.8% between 1977 and 1985, ranging from 2.6% in 1985 to 8.5% in 1977. The low attrition rate in hedge funds means that survivorship bias is unlikely to affect the result that hedge fund returns are uncorrelated with those of asset classes. Even if we added back the 8.6% of hedge funds that had exited the sample, and even if their style regression R 2 ’s were 1.00, it would not dramatically change the distribution graphed in Figure 1. Survivorship bias is unlikely to impact the number of hedge fund styles in the factor analysis. It is conceivable that survivorship bias in funds can result in survivorship bias in our style estimates, if the funds that exited the sample had the same style and no surviving funds had that style. We were able to determine that this did not occur by examining the funds that ceased operation in 1995. Based on their returns and their disclosure documents, we determined that the exiting funds did not come from the same style. Some were “systems” traders, while others were “niche” funds that fell outside the ﬁve dominant styles. The broader and more interesting question is to what extent survivorship biases the returns of the styles extracted from factor analysis based on a sample of surviving funds. Grinblatt and Titman (1989) 12 Four have ceased operations and the status of two more are unknown. 13 The authors are pursuing a project with Tass Management to study entry and exit in the Tass databases in conjunction with the behavior of assets under management going back a few years. Preliminary results on CTA funds indicate that the survivorship bias is similar to that in mutual funds. 296 Empirical Characteristics of Dynamic Trading Strategies found that survivorship biased upward mutual fund returns by 0.50% per year. For hedge funds, it is unclear if survivorship biases their returns upward or downward. The reason has to do with the “life cycle” of hedge funds when assets under management interact with performance. A small fund that has good performance attracts assets. Unlike mutual funds, hedge fund strategies have limited capacity. This means that, over any given time period, performance may well decline when a fund’s size gets too large. If it subsequently experiences poor performance, assets begin to ﬂow out. In some cases the fund can return to some equilibrium level of assets under management and the fund “survives.” However, there will be other cases where assets shrink so much that it is no longer economical to cover the fund’s ﬁxed overhead and the manager closes it down and the fund “exits.” This can occur even if the returns during the latter stage are above the surviving funds’ average, but compares poorly to its peers in the same trading style. In other words, funds exiting the sample can easily have returns higher than the population average of the survivors. There are less common, but nonetheless anecdotal, examples where an exiting fund has better performance than the population average. It is frequently the case that with private investment pools like hedge funds, acceptable performing funds can go unnoticed for prolonged periods of time. After all, one would hardly expect marketing to be high on these traders’ list of skills. In these cases the managers can get impatient and simply close down the business and return to trade for a ﬁnancial institution. Another example is with successful funds. There are successful funds that have reached their perceived capacity and have stopped accepting new investments.14 At this stage, there is no incentive to report their performance to third parties outside of their own investor base. In other words, funds can drop out of a data vendor’s universe simply because they have chosen not to report their otherwise stellar performance. Other reasons unrelated to poor performance may cause a data vendor to cease reporting a fund’s performance. Tass Management, for example, delists a fund to avoid any liability in potential reporting errors. This can happen to funds with above average returns as well as below average returns. Ultimately one must recognize that hedge fund managers are a heterogeneous lot, thus survivorship bias needs careful interpretation. It is unclear to us that survivorship necessarily puts an upward bias on observed mean returns. More carefully conducted empirical work is needed. 14 The fact that George Soros’s Quantum Fund is closed to new investors and has been distributing assets to investors since 1992 illustrates our point that even large macro funds must limit their size in order to continue to turn in a good performance. 297 The Review of Financial Studies / v 10 n 2 1997 7. Implications In this article we analyze investment styles using mutual fund returns from Morningstar and hedge fund returns from a dataset that has never been subjected to formal analysis. We have shown that there are 12 important investment styles — buy-and-hold in nine asset classes (our eight original asset classes plus high yield corporate bonds) and three dynamic trading strategies. There are a number of implications. In terms of performance attribution and style analysis, we provide an extension to Sharpe’s style factor model. A style regression using these 12 variables should produce reasonably high R 2 values in at least 85% of mutual funds and perhaps 40% of hedge funds. We believe that this provides a good starting point in performance attribution and style analysis that can cope with both relative as well as absolute return managers.15 The results of our article also have implications for portfolio construction. An investor can now allocate across both location choices and trading strategies. There are, however, complications arising from the use of dynamic trading strategies that do not exist under a static buy-and-hold type of trading strategy. For the portfolio that includes dynamic trading strategies, portfolio construction and risk management are potentially more complex, depending on the investor’s risk preferences. Suppose an investor has quadratic preferences. Here, standard mean-variance tools are appropriate for asset allocation and risk management. We can show that the dynamic trading strategies can improve the performance of a traditional stock-bond portfolio without substantially increasing its risk. For example, a portfolio of 60% U. S. equities and 40% U. S. bonds has an annualized mean return of 11.55% and an annualized standard deviation of 7.97% between 1990 and 1995. By shifting 50% of the portfolio into the three dynamic trading strategies with equal weights, the annualized mean return increases to 15.92% and the annualized standard deviation decreases to 7.10%. This is an economically significant beneﬁt. For investors with nonquadratic preferences, it is unclear whether mean-variance tools are appropriate for portfolio construction and 15 Since the three dynamic trading strategies exhibit nonlinear correlation with the eight noncash asset classes, it is picking up some of the Jensen’s alphas when only the buy-and-hold strategies are used. See, for example, Glosten and Jagannathan (1994). The main difference between our approach and that of Glosten and Jagannathan (1994) is that the factor analysis does not prespecify the underlying assets to which the dynamic trading strategies are related. The factor analysis could have picked up an important hedge fund/CTA investment style using an asset class that is statistically independent of the eight noncash asset classes. The fact that the important hedge fund styles are either linearly or nonlinearly correlated to the eight noncash assets indicates that this is not so. We could not have known this before the factor analysis was performed. 298 Empirical Characteristics of Dynamic Trading Strategies risk management because some of the style factors involving dynamic trading strategies exhibit nonnormal distributions.16 Furthermore, they may have nonlinear correlation with those of the nine buy-and-hold styles. Portfolio construction and risk management must take into account investor preferences and the joint distribution of the 12 investment styles. The proper technique for portfolio construction when investors have nonquadratic preferences is a subject beyond the scope of this article.17 We can, however, illustrate how it may differ from the meanvariance approach. Suppose an investor is willing to give up some of the gains in a strongly rising stock market in order to reduce the downside risk in a rapidly falling one. This type of optionlike payout proﬁle (similar to that of a “portfolio insurance” strategy) is generally not available from traditional managers. For example, consider Table 1 under the column “Systems/Opportunistic.” This particular style underperformed seven of the eight noncash asset classes during major rallies or extreme positive states. However, it delivered positive performance in the states when extreme negative outcomes were recorded in equities and bonds, which constitute the core of most institutional portfolios. An equally weighted portfolio of the three dynamic trading strategies can deliver superior performance in the states when extreme negative outcomes were recorded in the four equity and bond asset classes. Thus blending the three dynamic trading strategies to traditional managers can provide some downside protection. For example, take an investor who is highly averse to negative returns. The traditional 60% stock/40% bond portfolio suffered a maximum monthly loss of 5.93% during the 1990–1995 period. If 50% of that portfolio is replaced by an equally weighted portfolio of the three dynamic trading strategies, the maximum monthly loss would be reduced to 2.87%. For this investor, the latter portfolio would strongly dominate the traditional 60% stock/40% bond portfolio. In other words, it is possible to achieve an optionlike return proﬁle (relative to standard bench marks) with direct investment into existing hedge funds. Risk management in the presence of dynamic trading strategies is also more complex. Hedge fund managers have a great deal of 16 The ﬁve hedge fund style factors have kurtosis of 3.22, 4.29, 2.64, 6.66, and 7.32, with a standard error of 0.63. This indicates that at least three of the ﬁve style factors are not normally distributed. 17 In a recent article Hlawitschka (1996) extended the Levy and Markowitz (1979) article to examine the use of mean-variance models when options are present in the opportunity set. Although the results generally favor the mean variance approximation, the dataset used is limited. Given that historical returns from a wide cross section of dynamically managed portfolios were generally unavailable to these previous studies, the present dataset could provide useful input to address the question of portfolio selection with nonquadratic preferences. 299 The Review of Financial Studies / v 10 n 2 1997 freedom to generate returns that are uncorrelated with those of asset classes and traditional fund managers. This style diversiﬁcation comes at a cost. Care must be taken to ensure that proper infrastructure is in place to operate broad investment mandates involving a wide range of ﬁnancial instruments. Another important element of risk is that periodically the portfolio can become overly concentrated in a small number of markets. As an example, take a portfolio with exposure in three markets: U. S. equities, U. S. bonds, and non-U. S. bonds. A part of the portfolio is managed traditionally, using buy-and-hold strategies. The remainder is in hedge funds allocated in the three styles with dynamic trading strategies. Suppose a steady trend develops in the international bond markets, as was the case in 1993. The Global/Macro traders would have been long and leveraged. The Systems/Trend Following and Systems/Opportunistic traders would have been long as well, to take advantage of the trend. By December 1993 the portfolio could have been highly concentrated in non-U. S. bonds. It would have made a lot of money in 1993. But when the world bond market declined sharply in 1994, the portfolio would have lost a lot of money. We refer to this phenomenon as “diversiﬁcation implosion.” The intuition here is that, although style exposures are still diverse, market exposures can converge. Overall the empirical results show that style diversiﬁcation can be achieved by blending the traditional “relative return” investment approach to the “absolute return” investment styles. However, there is also an implicit cost. Conceptually it is the ﬂexibility in the absolute return managers’ investment mandate that allows them to deliver an uncorrelated set of returns. But “freedom” has its price. It is important for an investor using managers with dynamic trading strategies to take extra steps to reduce the chance of diversiﬁcation implosion and exposure to extreme or tail events. This calls for greater efforts in due diligence, portfolio construction, and risk monitoring. In this article we outlined some tools to extend traditional “style” analysis to alternative managers employing dynamic trading strategies. Hopefully this will provide an analytical framework for managing portfolios with a better diversity of styles.18 18 A diskette containing the monthly returns of the 409 hedge funds used in this study will be made available for academic research purposes for a nominal fee of $15.00 U. S. from Duke University. Please send all requests to David A. Hsieh. Each academic researcher should write, on the letterhead of his/her academic institution, a statement stating that the data will be used only for academic purposes, that the data will not be redistributed to other parties, and that the work will acknowledge The Review of Financial Studies, AIG, Tass, and Paradigm LDC for making the data available. Updates of the data, which came from Tass Management, can be purchased 300 Empirical Characteristics of Dynamic Trading Strategies Data Appendix Generally hedge funds are private investment pools structured in such a way as to minimize regulatory and tax impediments in operating the strategy. Consistent with this objective, most funds have adopted a low proﬁle and often secretive posture. This is especially so with some of the offshore funds catering to non-U. S. domiciled investors. Not only are performance statistics not readily given out, periodic returns are only legally released via the offshore administrators, even for investors in the funds. Similarly, marketing materials are only available on a very restricted basis. This is particularly so because some of the largest fund managers have no interest in increasing the assets under management. In contrast, data on CTAs who are regulated by the CFTC are much more readily available. Unfortunately pools of capital managed by CTAs are much smaller in comparison to hedge funds. For example, one of the largest CTA’s is John W. Henry & Co., managing a little under $2 billion. In comparison, George Soros’s Quantum Fund controls well over $8 billion in assets. The hedge fund universe is where a much wider range of dynamic trading strategies are used, as opposed to the CTA universe which mostly consists of technical traders operating in the commodity and ﬁnancial futures markets. Consequently the more interesting set of the data is also the harder set to assemble. Our universe of hedge funds and CTA pools consists of 250 hedge funds from Paradigm LDC (with assets under management of $44.6 billion), 451 hedge funds from Tass Management (with assets under management of $27.7 billion), and 239 CTA pools from Tass Management (with assets under management of $6.7 billion). Paradigm LDC is the general partner to Paradigm LP, a Cayman Island–based consulting ﬁrm specializing in hedge fund portfolios. Paradigm’s database has been assembled through information on investments made by its clients, as well as direct contacts with hedge fund managers it follows as potential investments. Tass Management is one of the few database vendors specializing in supplying data on hedge funds and CTAs. Tass obtains its data directly from fund managers. To construct the universe of funds used in this article we carefully excluded similar funds offered by the same management company. Some of these are created for regulatory reasons, while others are created because of investor demand. Most of these funds within the same family are based on similar strategies with highly correlated returns. Without ﬁltering out such duplications, they would overweigh directly from Tass. However, Paradigm LDC will not be able to supply updates. 301 The Review of Financial Studies / v 10 n 2 1997 certain style participation and bias our analysis. Excluded also are funds of funds, which invest in other hedge funds and are not central to our style analysis. From this universe we extracted funds that have at least 3 years of monthly returns and at least $5 million in assets under management. Excluding the small funds is important. Frequently CTA databases include funds that manage as little as a few hundred thousand dollars employing very high leverage with wildly volatile returns. These funds are, for all practical purposes, not viable investment targets for professional investors. As a result, the usable database has 409 funds consisting of 168 hedge funds and 89 CTA pools from Tass and 152 hedge funds from Paradigm LDC. Each fund is identiﬁed by a fund number, followed by its latest 36 monthly returns. Another point to note is that nearly all of these returns are adjusted for ex post audit changes. Frequently a fund’s monthly returns are revised after yearend audit. We have made all of the adjustments known to us to date. References Brown, S. J., W. Goetzmann, R. G. Ibbotson, and S. A. Ross, 1992, “Survivorship Bias in Performance Studies,” Review of Financial Studies, 5, 553–580. Fung, W., and D. Hsieh, 1996, “Global Yield Curve Risk,” Journal of Fixed Income, 6, 37–48. Glosten, L., and R. Jagannathan, 1994, “A Contingent Claim Approach to Performance Evaluation,” Journal of Empirical Finance, 1, 133–160. Grinblatt, M., and S. Titman, 1989, “Mutual Fund Performance: An Analysis of Quarterly Portfolio Holdings,” Journal of Business, 62, 393–416. Hlawitschka, W., 1996, “The Empirical Nature of Taylor-Series Approximations to Expected Utility,” working paper, School of Business, Fairﬁeld University; forthcoming in American Economic Review. Jagannathan, R., and R. A. Korajczyk, 1986, “Assessing the Market Timing Performance of Managed Portfolios,” Journal of Business, 59, 217–236. Jensen, M. C., 1968, “The Performance of Mutual Funds in the Period 1945–1964,” Journal of Finance, 23, 389–416. Lederman, J., and R. A. Klein, 1996, Market Neutral: State of the Art Strategies for Every Market Environment, Irwin Professional Publishing, Chicago. Levy, H., and H. M. Markowitz, 1979, “Approximating Expected Utility by a Function of Mean and Variance,” American Economic Review, 69, 308–317. Merton, R. C., and R. D. Henriksson, 1981, “On Market Timing and Investment Performance II: Statistical Procedures for Evaluating Forecasting Skills,” Journal of Business, 41, 867–887. Sharpe, W. F., 1992, “Asset Allocation: Management Style and Performance Measurement,” Journal of Portfolio Management, 18, 7–19. Treynor, J., and K. Mazuy, 1966, “Can Mutual Funds Outguess the Market?” Harvard Business Review, 44, 131–136. 302 .

TERM Winter '13 PROFESSOR blimma TAGS The Land, dynamic trading strategies.

문서 세부 정보를 편집하려면 누릅니다.

친구와이 링크 공유 :

거래 의정부시

Tuesday 20 February 2018

동적 거래 전략의 경험적 특성 헤지 펀드의 경우 pdf

No comments:

Post a Comment