Traditional mean-variance portfolios in periods of high volatility and low interest rates

Abstract

In periods defined by high volatility and low interest rates, traditional mean-variance portfolio optimization faces significant challenges. This project explores the performance of mean-variance portfolios, specifically the global minimum variance (GMV) and certainty equivalence tangency (CET) portfolios, during such periods. By using time-series models, specifically ARMA(1,1) and GARCH(1,1), alongside copula models to account for dependencies between asset returns, the project aims to improve the effectiveness of portfolio optimization techniques. The analysis focuses on the implementation of ARMA-GARCH-Copula models on ten major stock indices over a period of significant financial fluctuation, testing the hypothesis that increasing model complexity yields superior portfolio performance.

Á tímum sem einkennast af háu flökti og lágum vöxtum, mæta hefðbundnar bestunaraðferðir meðaldrefnisafna talsverðum áskorunum. Þetta verkefni kannar frammistöðu meðaldreifnisafna, nánar tiltekið lágmarksdreifnis- og hámarks Sharpe hlutfalls eignasafnanna, á þeim tímum. Með notkun tímaraðalíkana, nánar tiltekið ARMA(1,1) og GARCH(1,1), ásamt tengisagna líkönum til að koma í veg fyrir að afkomur eigna séu óháðar, stefnir verkefnið að því að auka skilvirkni bestunaraðferða eignasafna. Greiningin felst í innleiðingu ARMA-GARCH-Tengisagna líkana á 10 af helstu hlutabréfa vísitölur heimsins á tímum verulegra fjármálasveiflna og kannar þar af leiðandi tilgátuna um að aukið flækjustig líkana skili betri frammistöðu eignasafns.