Przedmiot i cel pracy: Przedmiotem analiz było porównanie wybranych strategii portfelowych
pod kątem uzyskiwanych stóp zwrotu, celem udzielenia odpowiedzi na pytanie, czy sposób ustalenia wag portfela oraz redukcja liczby jego składników charakteryzujących się silnym dodatnim skorelowaniem stóp zwrotu ma wpływ na jego dochodowość. Materiały i metody: Do analiz wykorzystano ogólnodostępne w Internecie dane dotyczące kursów
kryptowalut oraz wybrane metody portfelowe i grupowanie hierarchiczne. Rozważano zarówno
pasywne strategie krótkoterminowe jak również aktywne strategie o dłuższym horyzoncie
inwestycji. Wyniki: Żadna z analizowanych strategii nie umożliwia uzyskiwania wyższych stóp zwrotu (niż
inne analizowane strategie) w każdym (dowolnym) okresie czasu. Portfele o zredukowanej liczbie
składników w większości przypadków nie umożliwiały osiągnięcia wyższej stopy zwrotu niż
portfel bazowy o równych wagach składający się z 15 kryptowalut. Wnioski: Podejmując decyzje inwestycyjne należy mieć na uwadze, iż zrealizowana stopa zwrotu
może znacznie się różnić od oczekiwanej stopy zwrotu portfela, która jest tylko pewną prognozą.
INFORMACJE O RECENZOWANIU
Sprawdzono w systemie antyplagiatowym
iThenticate
REFERENCJE(27)
1.
Borkowski, B., Krawiec, M. (2013). Modele zarządzania ryzykiem inwestycji kapitałowych w sektorze rolno – spożywczym. Polityki Europejskie, Finanse i Marketing, 10(59), 64-78 (in Polish).
Brauneis, A., Mestel, R. (2019). Cryptocurrency-portfolios in a mean-variance framework. Finance Research Letters, 28, 259-264. https://doi.org/10.1016/j.frl.....
Gluzicka, A. (2016). Risk parity portfolios for selected measures of investment risk. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 428, 63-71. https://doi.org/10.15611/pn.20....
Goudarzi, S., Jafari, M.J., Asfar, A. (2017). A Hybrid Model for Portfolio Optimization Based on Stock Clustering and Different Investment Strategies. International Journal of Economics and Financial Issues, 7(3), 602-608.
Hrytsiuk, P., Babych, T., Bachyshyna, L. (2019). Cryptocurrency Portfolio Optimization Using Value-At-Risk Measure. Advances in Economics, Business and Management Research, 93, 385-389. https://doi.org/10.2991/smtesm....
Kądziołka, K. (2015b). Transakcje kryptowalutą bitcoin – wybrane zagrożenia. Rola informatyki w naukach ekonomicznych i społecznych. Innowacje i implikacje interdyscyplinarne, 1, 24-35 (in Polish).
Kądziołka, K. (2017a). Ocena czasu funkcjonowania giełd Bitcoin z wykorzystaniem metod nieparametrycznych. Przedsiębiorstwo & Finanse, 2(17), 103-114 (in Polish).
Kądziołka, K. (2020). Poziom dywersyfikacji a dochodowość portfela inwestycyjnego na przykładzie portfeli kryptowalut. Firma i Rynek, 2(58), 18-27 (in Polish).
Mercurio, P.J., Wu, Y., Xie, H. (2020). An Entropy – Based Approach to Portfolio Optimization. Entropy, 22(3), 1-17. https://doi.org/10.3390/e22030....
Pośpiech, E. (2016). Analiza porównawcza wybranych metod grupowania spółek giełdowych. Studia Ekonomiczne Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, 297, 153-165 (in Polish).
Pichura, M. (2012). Wybrane portfelowe strategie inwestycyjne i ich efektywność. W: A. S. Barczak, D. Iskra (red.), Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach 2010 (s. 220-240). Katowice: Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach (in Polish).
Platanakis, E., Sutcliffe, C., Urquhart, A. (2018). Optimal vs naive diversification in cryptocurrencies. Economic Letters, 171, 93-96. https://doi.org/10.1016/j.econ....
Škarica, B., Lukač, Z. (2012). A Comparison of Basic and Extended Markowitz Model on Croatian Capital Market. Croatian Operational Research Review, 3, 236-244.
Skórska-Pokarowska, U. (2005). Effective Portfolios – Econometrics and Statistics in Search of Profitable Investments. Acta Physica Polonica, 8(36), 2589-2599.
Stanisz, A. (2007). Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom 3. Analizy wielowymiarowe. Kraków: StatSoft (in Polish).
Ślepaczuk, R., Zenkova, M. (2018). Robustness of Support Vector Machines in Algorithmic Trading on Cryptocurrency Market. Central European Economic Journal, 5(52), 186-205. https://doi.org/10.1515/ceej-2....
Przetwarzamy dane osobowe zbierane podczas odwiedzania serwisu. Realizacja funkcji pozyskiwania informacji o użytkownikach i ich zachowaniu odbywa się poprzez dobrowolnie wprowadzone w formularzach informacje oraz zapisywanie w urządzeniach końcowych plików cookies (tzw. ciasteczka). Dane, w tym pliki cookies, wykorzystywane są w celu realizacji usług, zapewnienia wygodnego korzystania ze strony oraz w celu monitorowania ruchu zgodnie z Polityką prywatności. Dane są także zbierane i przetwarzane przez narzędzie Google Analytics (więcej).
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.