Indifference Prices, Implied Volatilities and Implied Sharpe Ratios

2014 ◽  
Author(s):  
Matthew Lorig
Keyword(s):  
Sharpe Ratios ◽  
Indifference Prices

“The Statistics of Sharpe Ratios”: A Comment

2002 ◽  
Vol 58 (6) ◽  
pp. 18-18 ◽  
Author(s):  
Daniel Morillo ◽  
Larry Pohlman
Keyword(s):  
Sharpe Ratios

“The Statistics of Sharpe Ratios”: A Comment

2003 ◽  
Vol 59 (5) ◽  
pp. 17-17 ◽  
Author(s):  
Michael Wolf
Keyword(s):  
Sharpe Ratios

Sharpe Ratios and Alphas in Continuous Time

2003 ◽  
Author(s):  
Lars Tyge Tyge Nielsen ◽  
Maria Vassalou
Keyword(s):  
Continuous Time ◽  
Sharpe Ratios

scholarly journals Forecasting and trading cryptocurrencies with machine learning under changing market conditions

2021 ◽  
Vol 7 (1) ◽  
Author(s):  
Helder Sebastião ◽  
Pedro Godinho
Keyword(s):  
Machine Learning ◽  
Linear Models ◽  
Test Sample ◽  
Trading Strategies ◽  
Network Activity ◽  
Machine Learning Techniques ◽  
Support Vector ◽  
Success Rates ◽  
Market Conditions ◽  
Sharpe Ratios

AbstractThis study examines the predictability of three major cryptocurrencies—bitcoin, ethereum, and litecoin—and the profitability of trading strategies devised upon machine learning techniques (e.g., linear models, random forests, and support vector machines). The models are validated in a period characterized by unprecedented turmoil and tested in a period of bear markets, allowing the assessment of whether the predictions are good even when the market direction changes between the validation and test periods. The classification and regression methods use attributes from trading and network activity for the period from August 15, 2015 to March 03, 2019, with the test sample beginning on April 13, 2018. For the test period, five out of 18 individual models have success rates of less than 50%. The trading strategies are built on model assembling. The ensemble assuming that five models produce identical signals (Ensemble 5) achieves the best performance for ethereum and litecoin, with annualized Sharpe ratios of 80.17% and 91.35% and annualized returns (after proportional round-trip trading costs of 0.5%) of 9.62% and 5.73%, respectively. These positive results support the claim that machine learning provides robust techniques for exploring the predictability of cryptocurrencies and for devising profitable trading strategies in these markets, even under adverse market conditions.

Die Investition in Fine Wine unter Diversifikations- und Kostengesichtspunkten

2018 ◽  
Author(s):  
Thomas Nahmer
Keyword(s):  
Sharpe Ratio ◽  
Government Bond ◽  
Bond Index ◽  
World Government ◽  
Us Dollar ◽  
Sharpe Ratios

Dieses Papier untersucht die Sinnhaftigkeit von Fine Wine als Alternatives Investment unter besonderer Berücksichtigung der Kosten eines Fine Wine Investments. Ist Fine Wine zur weiteren Diversifizierung und damit zur Verbesserung des Risikio-Return-Profils von global in Aktien und Anleihen investierenden Portfolios geeignet? Die Analyse erfolgt in einem ersten Schritt auf Indexbasis und in einem zweiten Schritt auf Basis von realen Investitions-möglichkeiten. Die Referenzwährungen sind der US-Dollar und der Euro. Für die Indexbetrachtung werden auf der Aktienseite der MSCI-World-Index und für die Anleihen der JPM-World-Government-Bond-Index verwendet. Bei den Daten für die Investition in Fine Wine liegt der Fokus auf dem Liv-ex-50-Index der im Jahre 1999 gegründeten Londoner Weinbörse Liv-ex. Bei der realen Investition werden für die Datenanalyse bei Aktien und Anleihen Indexfonds verwendet. Da es für die Investition in Fine Wine keinen Indexfonds gibt, wird der Liv-ex-50-Index inklusive aller Kosten einer realen Investition berechnet. Es werden verschiedene Portfoliozusammensetzungen verglichen. Zum einen wird ein Portfolio aus 50% Aktien und 50% Anleihen einem Portfolio aus 45% Aktien, 45% Anleihen und 10% Fine Wine gegenübergestellt. Zum an-deren wird ein Portfolio aus 25% Aktien und 75% Anleihen gegen ein Portfolio aus 20% Aktien, 70% Anleihen und 10% Fine Wine gemessen. Als Vergleichsmaßstab werden die annualisierte Rendite, die Standardabweichung sowie das Sharpe-Ratio der jeweiligen Portfolios berechnet. Die Ergebnisse für die genannten Zeiträume sind ernüchternd. Die Beimischung von Fine Wine führt auf Indexebene lediglich zu einer leichten Verbesserung der annualisierten Rendite aber zu einer markanten Erhöhung des Risi-kos. Bei der Betrachtung der realen Investition kommen die hohen Kosten eines Investments in Fine Wine zum Tragen. Die annualisierte Rendite ist im Vergleich zu den Portfolios ohne Beimischung von Fine Wine niedriger bei gleichzeitig höheren Risikowerten. Lediglich bei der Betrachtung auf Indexbasis in Euro kann bei einem Portfolio eine leichte Verbesserung der Sharpe-Ratio verzeichnet werden. Bei der Betrachtung nach Kosten führt in allen Fällen die Beimischung von Fine Wine zu einer Verschlechterung der Sharpe-Ratios.

The Impact of Volatility Targeting

2018 ◽  
Keyword(s):  
Sharpe Ratio ◽  
Leverage Effect ◽  
Left Tail ◽  
Risk Parity ◽  
Asset Classes ◽  
Equity Portfolios ◽  
Sharpe Ratios ◽  
Tail Events ◽  
The Impact ◽  
Extreme Returns

Recent studies show that volatility-managed equity portfolios realize higher Sharpe ratios than portfolios with a constant notional exposure. The authors show that this result only holds for risk assets, such as equity and credit, and they link this finding to the so-called leverage effect for those assets. In contrast, for bonds, currencies, and commodities, the impact of volatility targeting on the Sharpe ratio is negligible. However, the impact of volatility targeting goes beyond the Sharpe ratio: It reduces the likelihood of extreme returns across all asset classes. Particularly relevant for investors, left-tail events tend to be less severe because they typically occur at times of elevated volatility, when a target-volatility portfolio has a relatively small notional exposure. We also consider the popular 60–40 equity–bond balanced portfolio and an equity–bond–credit–commodity risk parity portfolio. Volatility scaling at both the asset and portfolio level improves Sharpe ratios and reduces the likelihood of tail events.

Sign in / Sign up

Export Citation Format

Share Document