Detektering av brytpunkter för strategisk tillgångsslagsallokering

This paper focuses on how to improve strategic asset allocation in practice. Strategic asset allocation is perhaps the most fundamental issue in portfolio management and it has been thoroughly discussed in previous research. We take our starting point in the traditional work of Markowitz within portfolio optimization. We provide a new solution of how to perform portfolio optimization in practice, or more specifically how to estimate the covariance matrix, which is needed to perform conventional portfolio optimization. Many researchers within this field have noted that the return distribution of financial assets seems to vary over time, so called regime switching, which makes it dicult to estimate the covariance matrix. We solve this problem by using a Bayesian approach for developing a Markov chain Monte Carlo algorithm that detects break points in the return distribution of financial assets, thus enabling us to improve the estimation of the covariance matrix. We find that there are two break points during the time period studied and that the main difference between the periods are that the volatility was substantially higher for all assets during the period that corresponds to the financial crisis, whereas correlations were less affected. By evaluating the performance of the algorithm we find that the algorithm can increase the Sharpe ratio of a portfolio, thus that our algorithm can improve strategic asset allocation over time.Detta examensarbete fokuserar på hur man kan förbättra tillämpningen av strategisk tillgångsslagsallokering i praktiken. Hur man allokerar kapital mellan tillgångsslag är kanske de mest fundamentala beslutet inom kapitalförvaltning och ämnet har diskuterats grundligt i litteraturen. Vårt arbete utgår från Markowitz traditionella teorier inom portföljoptimering och utifrån dessa tar vi fram ett nytt angreppssätt för att genomföra portföljoptimering i praktiken. Mer specifikt utvecklar vi ett nytt sätt att uppskatta kovar-iansmatrisen för avkastningsfördelningen för finansiella tillgångar, något som är essentiellt för att kunna beräkna de optimala portföljvikterna enligt Markowitz. Det påstås ofta att avkastningens fördelning förändras över tid; att det sker så kallade regimskiften, vilket försvårar uppskattningen av kovariansmatrisen. Vi löser detta problem genom att använda ett Bayesiansk angreppssätt där vi utvecklar en Markov chain Monte Carlo-algoritm som upptäcker brytpunkter i avkastningsfördelningen, vilket gör att uppskattningen av kovar-iansmatrisen kan förbättras. Vi finner två brytpunkter i fördelningen under den studerade tidsperioden och den huvudsakliga skillnaden mellan de olika tidsperioderna är att volatiliten var betydligt högre för samtliga tillgångar under den tidsperiod som motsvaras av finanskrisen, medan korrelationerna mellan tillgångsslagen inte påverkades lika mycket. Genom att utvärdera hur algoritmen presterar finner vi att den ökar en portföljs Sharpe ratio och således att den kan förbättra den strategiska allokeringen mellan tillgångsslagen över tid