Số 223 | Tháng 10/2024
Phân tích trắc lượng thư mục các nghiên cứu về kỹ thuật co gọn, ước lượng ma trận hiệp phương sai trong việc lựa chọn danh mục đầu tư tối ưu
Lê Thị Anh Quyên, Nguyễn Minh Nhật*
Tóm tắt:
Nghiên cứu này sử dụng phân tích trắc lượng thư mục sử dụng ước lượng ma trận hiệp phương sai (MTHPS) và các kỹ thuật co gọn trong việc tối ưu hóa danh mục đầu tư (DMĐT) nhận được nhiều sự quan tâm. Khi kích thước dữ liệu tài chính ngày càng tăng, MTHPS mẫu truyền thống trở nên không ổn định, thường không có độ chính xác cao để hỗ trợ cho việc lựa chọn và quản lý DMĐT hiệu quả. Các ước lượng co gọn cung cấp một phương án thay thế bằng cách thu nhỏ kích thước của dữ liệu giúp cải thiện độ chính xác của ước lượng MTHPS. Thông qua việc xem xét toàn diện các công bố học thuật từ cơ sở dữ liệu Web of Science (WOS), phân tích này làm nổi bật các xu hướng chính, sự phát triển theo chủ đề và các nhóm nghiên cứu cốt lõi trong lĩnh vực này. Các phát hiện của nhóm tác giả cho thấy sự tăng trưởng đáng kể trong hoạt động nghiên cứu, đặc biệt là trong các phương pháp luận tích hợp các kỹ thuật co gọn với các lý thuyết học thống kê hiện đại. Nghiên cứu không chỉ vẽ bản đồ cấu trúc của lĩnh vực này mà còn xác định các tác giả, tổ chức và quốc gia có ảnh hưởng dẫn đầu trong lĩnh vực này. Nghiên cứu trắc lượng thư mục này nhấn mạnh xu hướng nghiên cứu hiện nay về ước lượng MTHPS cũng như các kỹ thuật co gọn trong việc tối ưu hóa DMĐT.
Tài liệu tham khảo:
- Aguilar, S. R., & Kosheleva, O. (2021). When to stop computing and start investing. Asian Journal of Economics and Banking, 5(2), 111-115. https://doi.org/10.1108/AJEB-01-2021-0004
- Antonio P, Ludo W, & Nees J,. (2016). Constructing bibliometric networks: A comparison between full and fractional counting. Journal of Informetrics, 10(4), 1178–1195. https://doi.org/10.1016/j.joi.2016.10.006
- Bauder, D., Bodnar, T., Mazur, S., & Okhrin, Y. (2018). Bayesian Inference For The Tangent Portfolio. International Journal Of Theoretical And Applied Finance, 21(8). http://dx.doi.org/10.1142/S0219024918500541
- Bodnar, T., Okhrin, Y., & Parolya, N. (2022). Optimal Shrinkage-Based Portfolio Selection in High Dimensions. Journal Of Business & Economic Statistics, 41(1), 140–156. http://dx.doi.org/10.1080/07350015.2021.2004897
- Chen, W., Benbaki, R., Zhu, Y., & Mazumder, R. (2023). Dynamic Covariance Estimation under Structural Assumptions via a Joint Optimization Approach. Proceedings Of The 4Th Acm International Conference On Ai In Finance, Icaif 2023, 445–453. http://dx.doi.org/10.1145/3604237.3626885
- Dees, B., Stankovic, L., Constantinides, A., & Mandic, D. (2020). Portfolio Cuts: A Graph-Theoretic Framework To Diversification. 2020 Ieee International Conference On Acoustics, Speech, And Signal Processing, 8454–8458. http://dx.doi.org/10.1109/icassp40776.2020.9054371
- Diem, & Wolter SC. (2013). The use of bibliometrics to measure research performance in education sciences. Research in Higher Education, 54(1), 86–114. https://doi.org/10.1007/s11162-012-9264-5
- Engle, R., Ledoit, O., & Wolf, M. (2019). Large Dynamic Covariance Matrices. Journal Of Business & Economic Statistics, 37(2), 363–375. http://dx.doi.org/10.1080/07350015.2017.1345683
- Fan, J., Fan, Y., & Lv, J. (2008). High dimensional covariance matrix estimation using a factor model. Journal Of Econometrics, 147(1), 186–197. http://dx.doi.org/10.1016/j.jeconom.2008.09.017
- Fan, J., Lv, J., & Qi, L. (2011). Sparse High-Dimensional Models in Economics. Annual Review Of Economics, Vol 3, 3, 291–317. http://dx.doi.org/10.1146/annurev-economics-061109-080451
- Frahm, G, & Memmel, C. (2010). Dominating estimators for minimum-variance portfolios. Journal of Econometrics, 159(2), 208–302.
- Goto, S., & Xu, Y. (2015). Improving Mean Variance Optimization through Sparse Hedging Restrictions. Journal Of Financial And Quantitative Analysis, 50(6), 1415–1441. http://dx.doi.org/10.1017/S0022109015000526
- Huynh, K., & Lenhard, G. (2022). Asymmetric Autoencoders for Factor-Based Covariance Matrix Estimation. 3Rd Acm International Conference On Ai In Finance, Icaif 2022, 403–410. http://dx.doi.org/10.1145/3533271.3561715
- Ikeda, Y., & Kubokawa, T. (2016). Linear shrinkage estimation of large covariance matrices using factor models. Journal Of Multivariate Analysis, 152, 61–81. http://dx.doi.org/10.1016/j.jmva.2016.08.001
- Jagannathan, R., & Ma, T. (2003). Risk Reduction in Large Portfolios: Why Imposing the Wrong Constraints Helps. The Journal of Financ, 58(4), 1651–1683. http://www.jstor.org/stable/3648224
- Ledoit, O., & Wolf, M. (2004a). Honey, I shrunk the sample covariance matrix. The Journal of Portfolio Management, 30(4), 110–119. http://dx.doi.org/10.2139/ssrn.433840
- Ledoit, O., & Wolf, M. (2003b). Improved estimation of the covariance matrix of stock returns with an application to portfolio selection. Journal of Empirical Finance, 10(5), 603–621.
- Ledoit, O., & Wolf, M. (2017a). Nonlinear Shrinkage of the Covariance Matrix for Portfolio Selection: Markowitz Meets Goldilocks. Review Of Financial Studies, 30(12), 4349–4388. http://dx.doi.org/10.1093/rfs/hhx052
- Lin, H., Zhou, D., Liu, W., & Bian, J. (2021). Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation. Icaif 2021: The Second Acm International Conference On Ai In Finance. 2nd ACM International Conference on AI in Finance (ICAIF). http://dx.doi.org/10.1145/3490354.3494377
- Marisu, G., & Pun, C. (2023). Bayesian Estimation and Optimization for Learning Sequential Regularized Portfolios. Siam Journal On Financial Mathematics, 14(1), 127–157. http://dx.doi.org/10.1137/21M1427176
- Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77–91. JSTOR. https://doi.org/10.2307/2975974
- Nguyen, C. T., Hai, P. T., & Nguyen, H. K. (2021). Stock market returns and liquidity during the COVID-19 outbreak: Evidence from the financial services sector in Vietnam. Asian Journal of Economics and Banking, 5(3), 324–342. https://doi.org/10.1108/AJEB-06-2021-0070
- Nguyễn Minh Nhật & Nguyễn Đức Trung (2021). Ma trận mục tiêu co gọn phù hợp cho ước lượng ma trận hiệp phương sai trong việc tối ưu hóa danh mục đầu tư trên thị trường chứng khoán Việt Nam. Tạp chí Kinh tế và Ngân hàng châu Á, 182, 49-62. https://doi.org/10.63065/ajeb.vn.2021.182.78496
- Nguyễn Minh Nhật, Nguyễn Đức Trung, & Huỳnh Thị Tuyết Ngân (2020). Tối ưu hóa danh mục đầu tư dựa trên phương pháp ước lượng ma trận hiệp phương sai co gọn: Nghiên cứu thực nghiệm trên thị trường chứng khoán Việt Nam. Tạp chí Kinh tế và Ngân hàng châu Á, 168, 40-54. https://doi.org/10.63065/ajeb.vn.2020.168.47569
- Nhat, N., Trung, N., Than, T., & An, M. (2020). Shrinkage Model Selection for Portfolio Optimization on Vietnam Stock Market. Journal Of Asian Finance Economics And Business, 7(9), 135–145. http://dx.doi.org/10.13106/jafeb.2020.vol7.no9.135
- Sawik, B. (2010). Selected multiobjective methods for multiperiod portfolio optimization by mixed integer programming. In K. D. Lawrence & G. Kleinman (Eds.), Applications in Multicriteria Decision Making, Data Envelopment Analysis, and Finance (Vol. 14, pp. 3–34). Emerald Group Publishing Limited. https://doi.org/10.1108/S0276-8976(2010)0000014004
- Van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523–538. https://doi.org/10.1007/s11192-009-0146-3
- Waltman, L., & Van Eck, N. J. (2013). A smart local moving algorithm for large-scale modularity-based community detection. The European Physical Journal B, 86(11), 471. https://doi.org/10.1140/epjb/e2013-40829-0
- Waltman, L., Van Eck, N. J., & Noyons, E. C. (2010). A unified approach to mapping and clustering of bibliometric networks. Journal of Informetrics, 4(4), 629–635. https://doi.org/10.1016/j.joi.2010.07.002
Bibliometric Analysis of Studies on Shrinkage Techniques and Covariance Matrix Estimation in Optimal Portfolio Selection
Abstract:
This study employs bibliometric analysis to explore heavily researched areas (covariance matrix estimation) and emerging fields (shrinkage techniques) within the domain of portfolio optimization. As the volume of financial data grows, traditional sample covariance matrix estimation becomes unstable, often lacking the high precision required to support effective portfolio selection and management. Shrinkage estimators offer an alternative by reducing data dimensionality, thereby improving the accuracy of covariance matrix estimation. Through a comprehensive review of scholarly publications across Web Of Science (WOS) database, this analysis highlights key trends, thematic developments, and core research clusters in this field. Our findings reveal substantial growth in research activity, particularly in methodologies that integrate shrinkage techniques with modern statistical learning theories. The study not only maps the field's structure but also identifies influential authors, institutions, and countries at the forefront of this research. This bibliometric analysis underscores current research trends in covariance matrix estimation and shrinkage techniques within the context of portfolio optimization.