Resumen

La estimación de la matriz de covarianza es fundamental en la medición de riesgos en estadística multivariante. Los esfuerzos investigativos existentes se dedican principalmente a comportamientos asintóticos cuando aumenta el tamaño de muestra, o a modelar las matrices de covarianza con supuestos estructurales.

En este estudio se analizan métodos alternativos que no dependen de estas restricciones. La estimación de matrices de covarianza de alta dimensionalidad se considera en el contexto de la valoración empírica de activos. Con el fin de ver los efectos, se exploraron la estimación de parámetros, la prueba de especificación del modelo y problemas que carecen de especificación. Junto con las técnicas existentes las cuales no han sido probadas en aplicaciones, la matriz de varianza diagonal se simuló para evaluar los desempeños en estos problemas.

Se descubrió que el estimador tipo Stein modificado superó a todos los otros métodos en los tres casos. Además, el método heurístico de matriz de varianza diagonal funcionó mucho mejor que los métodos existentes en la prueba de distancia de Hansen-Jagannathan. También se estudió la matriz de covarianza de alta dimensionalidad como una matriz de transformación en mínimos cuadrados generalizados. Ya que el estimador de mínimos cuadrados generalizados factible requiere conocimiento ex ante de la estructura de covarianza, no es aplicable a casos generales. Aquí se propuso una estrategia para la nueva técnica de estimación.

• Materias:Administración Administración de empresas Administración de riesgos Investigación operacional
• Subjects:Management Business enterprises Risk management Operations research
• Palabras claves:Optimización de procesos, Matriz de covarianza, Alta dimensionalidad, Análisis de covarianza, Mínimos cuadrados generalizados, Valoración de activos, Riesgo, Análisis de factores
• Keywords:Process optimization, Covariance matrix, High dimensionality, Covariance analysis, Generalized least squares, Asset valuation, Risk, Factor analysis