Performance evaluation of financial investments

Abstract

he accurate forecasting and performance evaluation of mutual fund and hedge fund returns remains a central challenge in financial econometrics, due to the complexity of active management strategies, time-varying risk exposures, and pronounced distributional irregularities in financial return series. This thesis provides a comprehensive empirical assessment of asset pricing and forecasting performance within a unified out-of-sample evaluation framework, combining parsimonious univariate time series models with single- and multifactor asset pricing specifications. Specifically, the analysis compares the predictive accuracy of univariate models, including Autoregressive (AR), Autoregressive Integrated Moving Average (ARIMA), Exponential Smoothing (ETS), and naïve benchmark models, against regression-based asset pricing models such as the Capital Asset Pricing Model (CAPM) and extended multifactor frameworks. To address the pervasive issue of model uncertainty inherent in multifactor asset pricing, the study incorporates Bayesian Model Averaging (BMA), allowing forecasts to explicitly account for uncertainty regarding factor inclusion. Forecasting performance is evaluated using both point and distributional criteria. Point forecast accuracy is assessed through the Mean Squared Prediction Error, while density-based performance is examined using predictive Log Scores and the Probability Integral Transform. This combined evaluation framework extends beyond traditional mean-based assessment approaches and offers a more comprehensive view of forecasting reliability. In addition, Quantile Regression is employed as an interpretative tool to examine how the sensitivity of fund returns to systematic risk factors varies across different regions of the conditional return distribution, particularly during periods of market stress. The empirical results indicate that simple univariate time series models often achieve forecasting performance comparable to, or exceeding, that of more complex multifactor asset pricing models, especially in relatively stable market environments. Although multifactor models and Bayesian averaging improve the interpretation of systematic risk exposure and address model uncertainty, their incremental forecasting gains are not consistently observed across market regimes. Overall, the findings highlight the importance of balancing model complexity with robustness and practical forecasting performance, offering valuable insights for researchers and professionals engaged in fund performance evaluation.Η ακριβής πρόβλεψη και αξιολόγηση της απόδοσης αμοιβαίων κεφαλαίων και hedge funds αποτελεί διαχρονικά βασική πρόκληση στη χρηματοοικονομική οικονομετρία, λόγω της πολυπλοκότητας της ενεργητικής διαχείρισης, των χρονικά μεταβαλλόμενων εκθέσεων κινδύνου και των έντονων κατανομικών ανωμαλιών στις χρονοσειρές αποδόσεων. Η παρούσα διπλωματική εργασία αποσκοπεί σε μία ολοκληρωμένη εμπειρική αξιολόγηση μοντέλων αποτίμησης και πρόβλεψης, εντός ενός ενιαίου πλαισίου εξωδειγματικής αξιολόγησης. Συγκεκριμένα, συγκρίνεται η προβλεπτική ακρίβεια απλών μονομεταβλητών υποδειγμάτων χρονοσειρών, όπως τα αυτοπαλίνδρομα μοντέλα, τα ARIMA, τα εκθετικά μοντέλα εξομάλυνσης και οι αφελείς μέθοδοι αναφοράς, με εκείνη μονοπαραγοντικών και πολυπαραγοντικών υποδειγμάτων αποτίμησης περιουσιακών στοιχείων, όπως το υπόδειγμα CAPM και επεκτάσεις πολυπαραγοντικών προσεγγίσεων. Για την αντιμετώπιση της εκτεταμένης αβεβαιότητας μοντέλου που χαρακτηρίζει τα πολυπαραγοντικά υποδείγματα, εφαρμόζεται η μεθοδολογία Bayesian Model Averaging, η οποία επιτρέπει την ενσωμάτωση της αβεβαιότητας επιλογής παραγόντων στην προβλεπτική διαδικασία. Η αξιολόγηση της προβλεπτικής απόδοσης πραγματοποιείται τόσο με σημειακά όσο και με κατανομικά κριτήρια. Η ακρίβεια σημειακών προβλέψεων μετράται μέσω του Μέσου Τετραγωνικού Σφάλματος Πρόβλεψης, ενώ η ποιότητα των προβλέψεων πυκνότητας εξετάζεται με τη χρήση των Προβλεπτικών Λογαριθμικών Δεικτών και του Probability Integral Transform. Παράλληλα, η Ποσοστημοριακή Παλινδρόμηση χρησιμοποιείται ως ερμηνευτικό εργαλείο για τη διερεύνηση της μεταβολής της σχέσης μεταξύ αποδόσεων και παραγόντων κινδύνου σε διαφορετικά σημεία της κατανομής, ιδίως σε περιόδους χρηματοοικονομικής έντασης. Τα εμπειρικά αποτελέσματα καταδεικνύουν ότι τα απλά μονομεταβλητά υποδείγματα παρουσιάζουν συχνά προβλεπτική απόδοση συγκρίσιμη ή ανώτερη από πιο σύνθετα πολυπαραγοντικά υποδείγματα, ιδιαίτερα σε σταθερά καθεστώτα αγοράς. Παρότι τα πολυπαραγοντικά υποδείγματα και η Bayesian averaging βελτιώνουν την ερμηνεία της συστηματικής έκθεσης κινδύνου, τα προβλεπτικά τους οφέλη δεν είναι σταθερά σε όλα τα καθεστώτα αγοράς, αναδεικνύοντας την ανάγκη ισορροπίας μεταξύ πολυπλοκότητας, ανθεκτικότητας και πρακτικής αξίας πρόβλεψης. Τα συμπεράσματα προσφέρουν ουσιαστικές κατευθύνσεις για ακαδημαϊκούς, αναλυτές και επαγγελματίες επενδύσεων, συμβάλλοντας στη βελτίωση της αξιολόγησης απόδοσης, της διαχείρισης κινδύνου και της μελλοντικής εμπειρικής έρευνας στις αγορές κεφαλαίου και της εφαρμοσμένης χρηματοοικονομικής πρακτικής.