(책 요약) Quantitative Finance with Python (Chapter 18 - Modeling Expected Returns and Covariance Matrices & Optimization Techniques)

SINGLE & MULTI-FACTOR MODELS FOR EXPECTED RETURNS

• Forecasting returns is inherently noisy.
• 과거 데이터로 regression 식을 만들어서 fitting 시킬수 있음.
  • 이 때, Lasso 나 Ridge regression 으로 regularize 해주는 경우도 있음.
• Fama-Macbeth
• Newey-West estimator
• Information Coefficient: correlation between predicted and actual stock returns

MODELING VOLATILITY

• Rolling Window: 최근 $N$ 개 데이터 포인트들의 standard deviation
• Exponentially Weighted Moving Average Estimates
• Traditional volatility estimates rely on end-of-day, closing prices in their calculation
• Mean-Reverting Volatility Models: GARCH
• Covariance matrix 의 eigenvalue 가 음수가 되는 경우 0으로 clip 후 rescale 해줌.
• Shrinkage Methods for Covariance Matrices: semi-definite covariance 와 data-driven-covariacne 의 linear interpolation
• Random Matrix 의 분포를 바탕으로, insignificant eigenvalue 의 threshold 로 사용할수 있음.