Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-fin > arXiv:1209.6439

帮助 | 高级搜索

定量金融 > 投资组合管理

arXiv:1209.6439 (q-fin)
[提交于 2012年9月28日 (v1) ,最后修订 2012年12月17日 (此版本, v2)]

标题: 最大收益-损失比率是一种糟糕的绩效衡量标准

标题: The best gain-loss ratio is a poor performance measure

Authors:Sara Biagini, Mustafa Pinar
摘要: 从规范的角度来看,增减比率被认为具有非常好的性质。 作为确认,我们证明了在存在随机禀赋的情况下,最佳市场增减比率是一个可接受性指数,并为其在一般概率空间上的对偶表示提供了依据。 然而,增减比率的设计初衷是为了有限的$\Omega$,在这种情况下表现最佳。 对于一般的$\Omega$和大多数连续时间模型,最佳增减比率要么是无限大,要么无法达到。 此外,由于其尺度不变性属性,它表现出一种奇怪的行为,在此背景下似乎并不理想。 这些缺陷充分证明了(最佳)增减比率是一种糟糕的绩效衡量标准。
摘要: The gain-loss ratio is known to enjoy very good properties from a normative point of view. As a confirmation, we show that the best market gain-loss ratio in the presence of a random endowment is an acceptability index and we provide its dual representation for general probability spaces. However, the gain-loss ratio was designed for finite $\Omega$, and works best in that case. For general $\Omega$ and in most continuous time models, the best gain-loss is either infinite or fails to be attained. In addition, it displays an odd behaviour due to the scale invariance property, which does not seem desirable in this context. Such weaknesses definitely prove that the (best) gain-loss is a poor performance measure.
主题: 投资组合管理 (q-fin.PM) ; 概率 (math.PR); 风险管理 (q-fin.RM)
引用方式: arXiv:1209.6439 [q-fin.PM]
  (或者 arXiv:1209.6439v2 [q-fin.PM] 对于此版本)
  https://doi.org/10.48550/arXiv.1209.6439
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Sara Biagini [查看电子邮件]
[v1] 星期五, 2012 年 9 月 28 日 07:42:04 UTC (18 KB)
[v2] 星期一, 2012 年 12 月 17 日 11:05:35 UTC (45 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
附属文件链接:

附属文件 (详细信息):

当前浏览上下文:
q-fin.PM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2012-09
切换浏览方式为:
math
math.PR
q-fin
q-fin.RM

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号