| Abstract : | The purpose of this thesis is to make out-of-sample predictions for hedge funds strategies returns, for 24 months after the 1st of February in 2006. For making these predictions we use two different methods. The first one is the combination of forecast method and the second one is the tree regression model. In both methods we create two complementary subsets from the initial dataset, the in-sample and out-of-sample datasets, with out-of-sample sub-dataset containing the last 24 observations of the data.Combination of forecasts is a method where practically we combine the forecast of 14 individual predictive models each one built by one of the 14 explanatory indices in our dataset. For each of the 14 models we generate out-of-sample forecasts by using an expanding window which is continuously updated by adding one observation to the estimation sample at each step and then repeating the process until no more observations have left. Finally, we combine the forecasts we get by calculating the mean of the forecasted values to get the final forecast of the return of the hedge funds strategies.By tree regression model we build the tree predictive model by using the in-sample dataset and then we use the model to make the predictions with the values in the out-of-sample dataset. Finally, after obtaining the 24 forecasted returns from both methods we use the MSE performance measure in order to compare the results from the two methods and discuss whether one of them is more suitable, for predicting the returns of the hedge funds, than the other.
Σκοπός αυτής της εργασίας είναι να κάνει προβλέψεις για τις αποδόσεις των κεφαλαίων αντιστάθμισης κινδύνου, για 24 μήνες μετά την 1η Φεβρουαρίου του 2006. Για την πραγματοποίηση αυτών των προβλέψεων χρησιμοποιούμε δύο διαφορετικές μεθόδους. Πρώτη είναι η μέθοδος combination of forecasts και η δεύτερη είναι τα δέντρα -tree regression models-. Και στις δύο μεθόδους δημιουργούμε δύο συμπληρωματικά υποσύνολα από το αρχικό σύνολο δεδομένων, τα in-sample και out-of-sample δείγματα, με το out-of-sample δείγμα να περιέχει τις τελευταίες, σε χρονολογική σειρά, 24 παρατηρήσεις των δεδομένων.Το combination forecasts είναι μια μέθοδος στην οποία συνδυάζουμε στην πράξη την πρόβλεψη 14 μεμονωμένων προγνωστικών μοντέλων, κάθε ένα εκ των οποίων έχει κατασκευαστεί από έναν από τους 14 επεξηγηματικούς δείκτες που υπάρχουν στα δεδομένα μας. Για κάθε ένα από τα 14 μοντέλα παράγουμε προβλέψεις χρησιμοποιώντας ένα αναπτυσσόμενο παράθυρο το οποίο ενημερώνεται συνεχώς προσθέτοντας μία παρατήρηση στο δείγμα εκτίμησης σε κάθε βήμα και στη συνέχεια επαναλαμβάνεται η ίδια διαδικασία για όλες τις out-of-sampleπαρατηρήσεις. Τέλος, συνδυάζουμε τις προβλέψεις, υπολογίζοντας τον μέσο όρο των προβλεπόμενων τιμών της παραπάνω διαδικασίας, για να πάρουμε την τελική πρόβλεψη της απόδοσης των κεφαλαίων αντιστάθμισης κινδύνου.Με το tree regression μοντέλο χτίζουμε ουσιαστικά ένα μοντέλο παλινδρόμησης στη μορφή δέντρου. Το δέντρο αναπτύσσεται βασιζόμενο στο in-sample δείγμα δεδομένων και στη συνέχεια, αφού χτιστεί το δέντρο, το εφαρμόζουμε στο out-of-sample δείγμα που περιέχει τόσες παρατηρήσεις όσες και οι προβλέψεις που θέλουμε να κάνουμε για τις αποδόσεις.Τέλος, αφού λάβουμε τις 24 προβλέψεις των αποδόσεων και από τις δύο μεθόδους, χρησιμοποιούμε το μέτρο MSE για να συγκρίνουμε τα αποτελέσματα από τις δύο μεθόδους και να συζητήσουμε κατά πόσο και ποια από τις δύο μεθόδους είναι καταλληλότερη για την πρόβλεψη των αποδόσεων των κεφαλαίων αντιστάθμισης κινδύνου.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.