Características empíricas das estratégias comerciais dinâmicas

Características empíricas das estratégias de negociação dinâmicas: o caso dos fundos de hedge.
William Fung e David A Hsieh.
Resumo: Este artigo apresenta alguns novos resultados em um conjunto de dados inexplorado sobre o desempenho dos fundos de hedge. Os resultados indicam que os fundos de hedge seguem estratégias que são dramaticamente diferentes dos fundos mútuos e apoiam a afirmação de que essas estratégias são altamente dinâmicas. O artigo encontra cinco estilos de investimento dominantes em hedge funds, que, quando adicionados ao modelo de fator de classe de ativos da Sharpe (1992), podem fornecer uma estrutura integrada para análise de estilo de estratégias de negociação de compra e retenção. Artigo publicado pela Oxford University Press em nome da Society for Financial Studies em seu periódico, The Review of Financial Studies.
Não há downloads para este item, consulte as FAQs do EconPapers para obter dicas sobre como obtê-lo.
Este item pode estar disponível em outros lugares no EconPapers: procure itens com o mesmo título.
Referência de exportação: BibTeX RIS (EndNote, ProCite, RefMan) HTML / Texto.
Informações de pedidos: este artigo de revista pode ser encomendado a partir de.
A revisão de Estudos Financeiros atualmente é editada por Maureen O'Hara.
Mais artigos em Revisão de Estudos Financeiros da Sociedade para Estudos Financeiros Oxford University Press, Departamento de Revistas, 2001 Evans Road, Cary, NC 27513 EUA .. Informações de contato na EDIRC.
Dados da série mantidos pela Oxford University Press ().
O seu trabalho está faltando no RePEc? Aqui está como contribuir.
Perguntas ou problemas? Verifique as perguntas frequentes do EconPapers ou envie um e-mail para.

Características empíricas das estratégias de negociação dinâmicas
Siga as séries, revistas, autores e Mais.
Novos trabalhos por e-mail.
Inscreva-se para novas adições ao RePEc.
Registro de autor.
Perfis públicos para pesquisadores de economia.
Vários rankings de pesquisa em Economia e Campos relacionados.
Quem era um aluno de quem, usando RePEc.
RePEc Biblio.
Artigos curados e amp; artigos sobre vários temas econômicos.
Carregue o seu papel para ser listado em RePEc e IDEAS.
EconAcademics.
Agregador de blogs para pesquisa econômica.
Plágio.
Casos de plágio em Economia.
Documentos de mercado de trabalho.
Série de papel de trabalho RePEc dedicada ao mercado de trabalho.
Fantasy League.
Imagine que você está no comando de um departamento de economia.
Serviços do StL Fed.
Dados, pesquisa, aplicativos e mais do St. Louis Fed.

Fung e Hsieh Document (1997) - Características empíricas.
Clique para editar os detalhes do documento.
Pré-visualização de texto não formatado: Características empíricas das estratégias de negociação dinâmicas: o caso dos fundos de hedge William Fung Paradigm, LDC David A. Hsieh Duke University Este artigo apresenta alguns resultados novos em um conjunto de dados inexplorado sobre o desempenho dos fundos de hedge. Os resultados indicam que os fundos de hedge seguem estratégias que são dramaticamente diferentes dos fundos mútuos e apoiam a afirmação de que essas estratégias são altamente dinâmicas. O artigo apresenta cinco estilos de investimento dominantes em hedge funds, que quando adicionados ao modelo de fator de classe de ativos de Sharpe (1992) podem fornecer uma estrutura integrada para análise de estilo de estratégias de negociação de compra e retenção. Sharpe (1992) propôs um modelo de fator de classe de ativos para atribuição de desempenho e análise de estilo de gestores de fundos mútuos. A elegância da intuição de Sharpe (1992) foi demonstrada empíricamente mostrando que apenas um número limitado de grandes classes de ativos era necessário para replicar com êxito o desempenho de um extenso universo de fundos de investimento dos EUA. Com base neste trabalho pioneiro, os pacotes de software comercial estão agora amplamente disponíveis para que os investidores analisem suas decisões de alocação de ativos e a "combinação de estilos" de suas carteiras. O conteúdo deste artigo é apenas as opiniões dos autores e pode não ser representativo das respectivas instituições. Os autores agradecem a AIG Global Investors, Tass Management e Paradigm LDC pelo uso de seus fundos hedge e base de dados do pool CTA. Agradecemos a Max Baker, James Cui, Mark Unger e Guy Ingram por sua assistência. O artigo também beneficiou de comentários de Michael Bradley, Ravi Jagannathan, Pete Kyle, Harry Markowitz, S. Viswanathan, os diretores da Ivy Asset Management e um árbitro anônimo. Correspondência de endereços e pedidos de dados para David A. Hsieh, Fuqua School of Business, Duke University, Box 90120, Durham, NC 27708-0120. The Review of Financial Studies Summer 1997 Vol. 10, No. 2, pp. 275-302 c 1997 A revisão dos estudos financeiros 0893-9454 / 97 / $ 1,50 A revisão dos estudos financeiros / v 10 n 2 1997 O sucesso da abordagem de Sharpe (1992) é devido ao fato de a maioria dos gestores de fundos de investimento têm mandatos de investimento semelhantes aos gestores de ativos tradicionais com metas de retorno relativas. Normalmente, eles são constrangidos para manter ativos em um número bem definido de classes de ativos e são freqüentemente limitados a pouca ou nenhuma alavancagem. Seus mandatos são para atender ou exceder os retornos em suas classes de ativos. Portanto, é provável que eles gerem retornos que tendem a estar altamente correlacionados com os retornos das classes de ativos padrão.1 Conseqüentemente, as diferenças estilísticas entre os gerentes são principalmente devidas aos ativos em suas carteiras, que são facilmente capturados nas regressões de estilo de Sharpe (1992) ". Neste artigo, propomos uma extensão ao modelo de Sharpe (1992) para analisar estilos de gerenciamento de investimentos. O objetivo é ter uma estrutura integrada para analisar gerentes tradicionais com objetivos de retorno relativo, bem como gerentes alternativos com metas de retorno absoluto. Esses gerentes alternativos tendem a gerar retornos menos correlacionados com as classes de ativos padrão. Conseqüentemente, o modelo original Sharpe (1992) deve ser modificado para capturar as diferenças estilísticas desses gerentes alternativos. Em particular, nos concentramos em gestores de fundos de hedge e consultores de negociação de commodities (CTAs). Esta é uma classe importante de gerentes na categoria de "gerentes alternativos". Gerentes de hedge funds e CTA tipicamente têm mandatos para fazer um objetivo de retorno absoluto, independentemente do ambiente de mercado.2 Para alcançar o objetivo de retorno absoluto, eles recebem a flexibilidade para escolher entre muitas classes de ativos e empregar estratégias de negociação dinâmicas que freqüentemente envolvem vendas, alavancagem e derivativos curtos. Consequentemente, estendemos o modelo de fatores de classe de ativos de Sharpe (1992) para acomodar as diferenças entre as abordagens desses gerentes alternativos e as dos gestores tradicionais de fundos de investimento mútuo. Nosso trabalho baseia-se na intuição de que os retornos dos gerentes podem ser caracterizados de forma mais geral por três determinantes principais: os retornos dos ativos nas carteiras dos gestores, suas estratégias de negociação e seu uso de alavancagem. No modelo de Sharpe (1992), o foco foi o primeiro determinante chave, o componente de "localização" do retorno, que nos informa as categorias de ativos em que o gerente investe. Nosso modelo amplia a abordagem de Sharpe incorporando fatores que reflitam "como um gerente negocia "- o componente de estratégia do retorno e o uso de 1 gestores de fundos mútuos são compensados ​​com base no valor dos ativos sob gestão. Uma vez que os fluxos de fundos de investimento foram destinados aos fundos de maior rating, classificados de acordo com seus respectivos benchmarks, os gerentes têm incentivo para superar seus benchmarks. 2 gestores de hedge funds e CTAs obtêm uma grande parte da sua compensação com as taxas de incentivo, que são pagas somente quando esses gerentes fazem um retorno positivo. Além disso, uma característica de "alta marca d'água" em seus contratos de incentivo exige que eles compense todas as perdas anteriores antes que uma taxa de incentivo seja paga. Assim, esses gerentes alternativos são chamados de gerentes de retorno absolutos. 276 Características empíricas das estratégias de negociação dinâmicas "alavancagem" - o componente de quantidade do retorno. A adição de novos fatores ao modelo de Sharpe (1992) nos permite acomodar gerentes que empregam estratégias de negociação dinâmicas e alavancadas. São esses fatores adicionais que fornecem informações sobre a diferença estratégica entre os estilos de investimento de "retorno relativo" versus "retorno absoluto". Assim como o modelo de Sharpe fornece uma visão da decisão de mix de ativos quando apenas os estilos relativos de retorno são considerados, o modelo estendido fornece uma estrutura para analisar a decisão de mix de ativos com um objetivo de retorno absoluto. Nós aplicamos nosso modelo a 3.327 fundos de investimento dos Estados Unidos da Morningstar e 409 hedge funds / CTA pools de um banco de dados exclusivo que nunca foi analisado até agora. Como em Sharpe (1992), descobrimos que os retornos dos fundos mútuos estão altamente correlacionados com as classes de ativos padrão. Em contraste, descobrimos que os gerentes de fundos de hedge e os CTAs geram retornos que têm baixa correlação com os retornos de fundos de investimento e classes de ativos padrão. Além disso, há uma grande diversidade de desempenho dentro de fundos de hedge e pools de CTA. Para capturar esse efeito, propomos três fatores adicionais de "estilo" para o modelo de Sharpe (1992). Isso melhora significativamente o desempenho do modelo. O artigo está organizado da seguinte forma. Na Seção 1, começamos com um modelo de fator de classe de oito ativos semelhante ao de Sharpe (1992). Chamamos esses fatores de ativos ou de localização. As atualizações para os resultados de Sharpe (1992) para os fundos de investimento dos EUA estão na Seção 2. Os resultados mostram que o modelo linear de oito fatores fornece estimativas satisfatórias do mix de ativos para uma amostra muito maior de gestores de fundos mútuos, com apenas pequenas modificações. Na seção 3, aplicamos as regressões de estilo de Sharpe para fundos de hedge e retornos de pool CTA. A Seção 4 discute a diferença entre a escolha da localização ea estratégia de negociação. A seção 5 trata dos estilos comuns em hedge funds e pools de CTA. Seção 6 comentários sobre questões de avaliação de desempenho e viés de sobrevivência. A seção 7 aborda as implicações de nossos achados e fornece algumas observações finais. 1. Um modelo de fator de classe de ativos Começamos com o retorno de um portfólio de ativos no período t: Rt = xj t rj t, (1) j onde xj t é o peso no recurso j durante o período t (de t -1 a t), e rj t é o retorno do activo j no período t, j = 0,. . . , J e j denotam o operador de soma sobre todos os valores de j. Por conveniência, o activo j = 0 é o activo sem risco. Por pressuposto, as taxas de empréstimo e as taxas de empréstimo do empréstimo e do empréstimo são iguais e iguais ao retorno livre de risco. O número de ativos (J) é considerado grande. Por exemplo, existem mais de 2.000 ações listadas apenas na Bolsa de Valores de Nova York. No momento em que incluímos ações estrangeiras, títulos do governo, títulos corporativos, hipotecas, commodities, câmbio, e assim por diante, o número de ativos está em dezenas de milhares. Não é difícil trabalhar com um grande número de ativos, particularmente quando muitos deles estão altamente correlacionados entre si. Para reduzir a tarefa para um nível mais gerenciável, assumimos que existe uma estrutura de fatores para retornos como em um modelo de teoria de preços de arbitragem padrão (APT): rj t = λj k Fkt + jt. (2) k Existem K fatores sistemáticos, Fkt, k = 1,. . . , K; λ é o fator que carrega; e é o retorno idiossincrático. Assumimos que os fatores sistemáticos são exógenamente especificados e, seguindo Sharpe (1992), interpretamos os fatores como "classes de ativos". Usando o modelo de fator, podemos reescrever os retornos de portfólio como Rt = wkt Fkt + et, (3) k onde wkt = xj t λj k, j et = xj t jt. j Em vez de o retorno do portfólio ser uma média ponderada de um grande número de retornos de ativos, agora é uma média ponderada de um pequeno número de classes de ativos. Assim, a regressão de estilo de Sharpe (1992), Rt = α + bk Fkt + ut, (4) k funciona bem na captura dos estilos de fundos de investimento de capital aberto, cujos retornos estão altamente correlacionados com os de classes de ativos padrão. Sharpe (1992) chama isso de modelo de fator de classe de ativos.3 Neste artigo, usamos três classes de ações: ações de MSCI EU, ações MSCI não-U. S. e ações de mercados emergentes da IFC. Existem duas classes de títulos: títulos públicos do governo JP Morgan e títulos do governo JP Morgan não-U. S. 3 A escolha das classes de ativos da Sharpe é mais orientada para fundos baseados nos EUA, enquanto agrupamos ativos em oito classes com ênfase global. 278 Características empíricas das estratégias dinâmicas de negociação Em dinheiro usamos o depósito de 1 mês em eurodólar. Para commodities, usamos o preço do ouro. Para as moedas, usamos o Índice de Dólares Comerciais Comerciais da Reserva Federal.4 Começamos por atualizar os resultados de Sharpe (1992) sobre os fundos de investimento abertos nos Estados Unidos em uma amostra mais amplo. O resultado empírico em fundos mútuos serve como um plano de fundo contra o qual a análise de fundos de hedge e rendimentos do pool CTA pode ser comparada. 2. Reconhecimento de fundos mútuos Atribuição e Análise de Estilo Executamos a regressão de estilo de Sharpe para 3.327 fundos de investimento abertos no banco de dados Morningstar (atualizado até dezembro de 1995), que têm pelo menos 36 meses de retorno. A Figura 1 resume a distribuição dos R 2 s das regressões. Isso mostra que 47% dos fundos de investimento tinham R 2 s acima de 75% e 92% tinham R 2 s superiores a 50%. A Figura 2 fornece a distribuição da classe de ativos (estatisticamente) mais significante nessas regressões. Oitenta e sete por cento dos fundos de investimento estão correlacionados com duas classes de ativos: títulos dos EUA e títulos do governo dos EUA. Em 99% dos fundos, os coeficientes da classe de ativos mais significativa são positivos e 52% deles são estatisticamente maiores do que zero e não estatisticamente diferentes de um. Estes resultados são muito semelhantes aos do artigo original de Sharpe (1992). A alta correlação entre os retornos dos fundos mútuos e os rendimentos padrão das classes de ativos implica que a escolha do mix de estilo entre fundos mútuos é similar à determinação da combinação de ativos em um portfólio. Também permite inferir que o desempenho do fundo mútuo é em grande parte orientado para a localização, no sentido de que a estratégia subjacente, dada a escolha dos mercados, é semelhante a uma "compra e retenção". Conseqüentemente, onde eles investem, muito menos como eles investem, é o principal determinante do desempenho em fundos mútuos. É essa natureza estática dos estilos de fundos mútuos que tornam a regressão de estilo de Sharpe adequada para analisar o desempenho do fundo mútuo e talvez, mais geralmente, atribuição de desempenho de gerentes tradicionais com um estilo relativo de investimento de retorno. O alto nível de correlação entre os retornos dos fundos mútuos e as classes de ativos indica que os estilos de fundos mútuos são basicamente estratégias de compra e retenção utilizando várias classes de ativos. Existem duas exceções. 4 As oito classes de ativos são diferentes das de Sharpe (1992). As classes de ativos da Sharpe são predominantemente ponderadas em relação aos títulos dos EUA. Ele usa vários retornos de estoque dos EUA - crescimento de grande tampa, grande valor de boné e boné pequeno. Suas diferenças são bastante pequenas em comparação com classes de ativos mais amplas e mais globais, como ouro, mercado emergente, etc. Uma vez que essas classes de ativos são importantes no universo dos fundos de hedge e, como precisamos restringir o número de classes de ativos em nossas regressões , selecionamos os índices mais amplos e globais. Além disso, omitimos imóveis e capital de risco porque esses ativos não são importantes em fundos de investimento, hedge funds e CTAs. 279 Análise de Estudos Financeiros / v 10 n 2 1997 Figura 1 Distribuição de R2 versus classes de ativos Figura 2 Distribuição da classe de ativos mais significativa Os fundos de títulos corporativos de alto rendimento e os fundos de obrigações municipais têm baixa correlação com as oito classes de ativos. Dado o número de fundos de obrigações empresariais de alto rendimento e a participação em títulos em dificuldades por parte de investidores institucionais, é garantida a inclusão de um índice de títulos corporativos de alto rendimento. Dado que os retornos das obrigações municipais têm uma correlação baixa com os governos, pode-se considerar a adição de um índice de obrigações municipais para investidores tributáveis ​​para explicar a distinção entre retornos tributáveis ​​e isentos de impostos. 3. Atribuição do Desempenho do Fundo de Hedge Passamos agora para hedge funds e pools de CTA. Os hedge funds são parcerias / veículos privados de investimento em que o parceiro / entidade gestora recebe um amplo mandato de investimento. Esses veículos estão restritos a investidores de "alto patrimônio líquido sofisticado". Um CTA é uma organização individual ou comercial, registrada na Commodity Futures Trading Commission (CFTC) por meio da associação na National Futures Association, concedeu a autoridade para tomar decisões de negociação em nome de um cliente em contas de futuros, opções e títulos estabelecidas exclusivamente para o cliente ("conta gerenciada"). Até o advento dos pools de futuros diversificados na década de 1980, os CTAs eram limitados quanto ao que poderiam negociar (commodities, futuros de commodities e opções de futuros). A globalização e a expansão de todos os mercados e a redução das restrições regulatórias proporcionaram aos CTA a capacidade de trocar um número crescente de instrumentos, como mercados de taxa de juros mundiais, moeda, patrimônio e commodities físicas. Portanto, embora historicamente os CTAs tenham sido vistos separadamente dos gestores de fundos de hedge, nos últimos 10 anos a distinção entre os dois tornou-se desfocada à medida que os CTA operam parcerias de investimento privado com amplos mandatos em praticamente todos os mercados financeiros. De fato, vários gerentes possuem hedge funds e pools de CTA. Para os fins deste artigo, os fundos de hedge e os pools de CTA são tratados como um único grupo de fundos, referidos simplesmente como "hedge funds". Executamos a regressão do estilo de Sharpe sobre os retornos de 409 hedge funds. É apropriado comentar o escopo da nossa amostra. Ao contrário dos fundos mútuos, os gestores de hedge funds não são obrigados a divulgar publicamente seu desempenho e ativos sob gerenciamento. Futures (fevereiro de 1995, pp. 62-64) estima que existem entre mil e dois mil hedge funds, com US $ 100 a US $ 160 bilhões em ativos sob gestão no final de 1994.5 Embora esses números parecem ser pequenos em comparação com o fundo mútuo indústria, que tem mais de 6.000 fundos e US $ 2 trilhões em ativos, com base em alavancagem, as posições assumidas por um fundo de hedge grande geralmente excedem as dos maiores fundos mútuos. 5 Barron (20 de fevereiro de 1995, pp. 23-26) listou 277 fundos de hedge com US $ 29,4 bilhões em ativos sob administração até o final de 1993. A Barron (19 de fevereiro de 1996, MW74-MW75) listou 146 fundos de hedge que têm uma mínimo de US $ 20 milhões em ativos sob gestão e um histórico de 2 anos no final de 1995. Esses recursos totalizaram US $ 25,1 bilhões em ativos sob gestão. 281 The Review of Financial Studies / v 10 n 2 1997 Nosso universo consiste em aproximadamente 700 programas de hedge funds e 240 pools CTA, com ativos sob gestão totalizando cerca de US $ 80 bilhões. Uma grande fonte de dificuldade na construção deste universo é a falta de histórico de desempenho. Esta é uma conseqüência natural do fato de que a maioria dos fundos foi iniciada na década de 1990, e muitos fundos têm apenas ativos limitados para a maior parte de sua existência. Também muitos gerentes têm ofertas praticamente idênticas listadas sob diferentes nomes direcionados a investidores offshore. Além disso, existem "fundos de fundos", que são carteiras de hedge funds. Ao chegar ao universo de 940 fundos, excluímos fundos duplicados e fundos de fundos. No entanto, os ativos dos fundos duplicados (mas não fundos de fundos) estão incluídos nos US $ 80 bilhões em ativos sob gerenciamento. A amostra utilizável de recursos cai para 409 porque exigimos 3 anos de retornos mensais com pelo menos US $ 5 milhões em ativos sob gerenciamento. Mais detalhes são fornecidos no Apêndice. A Figura 1 resume os resultados de regressão do estilo. Eles são impressionantes quando comparados aos dos fundos mútuos. Embora mais de metade dos fundos de investimento tenham R 2 s acima de 75%, quase metade (48%) dos hedge funds tem R 2 s abaixo de 25%. A Figura 2 mostra que nenhuma classe de ativos simples é dominante nas regressões. Para cada classe de ativos, relatamos separadamente a fração de fundos com coeficientes positivos (barras pretas sólidas) e coeficientes negativos (barras brancas vazias). Ao contrário dos fundos de investimento, uma fração substancial (25%) dos hedge funds está negativamente correlacionada com as classes de ativos padrão. Além disso, em apenas 17% dos hedge funds os coeficientes da classe de ativos mais significativa são estatisticamente maiores do que zero e não estatisticamente diferentes de um. A evidência indica que os fundos de hedge são dramaticamente diferentes dos fundos mútuos. Os retornos dos fundos mútuos têm correlação alta e positiva com os retornos das classes de ativos, o que sugere que eles se comportam como se estivessem implantando uma estratégia de compra e retenção. Os retornos dos fundos Hedge têm baixa e às vezes correlação negativa com os retornos das classes de ativos. Na próxima seção, fornecemos uma explicação para as diferenças entre os resultados dos hedge funds versus os dos fundos mútuos. 4. Duas dimensões do estilo: escolha de localização e estratégia de negociação É bem divulgado que a maioria dos hedge funds usam muitas das mesmas classes de ativos líquidos que os fundos mútuos. Por exemplo, o Quantum Fund de George Soros foi longo estoque dos EUA e ações japonesas curtas no crash da bolsa de outubro de 1987, reduziu a libra britânica em setembro de 1992, grandes metais preciosos em abril de 1993 (incluindo uma participação de 13% na Newmont Mining) e longas o dólar dos EUA / curto o iene japonês em fevereiro de 282 Características empíricas das estratégias de negociação dinâmicas 1994.6 O fato de os retornos do Quantum Fund ter baixa correlação com os retornos das classes de ativos (R 2 = 40%) deve ser devido ao uso dinâmico da alavancagem e escolha da exposição de ativos. Para ver isso, compare a regressão do estilo na Equação (4) e a definição dos retornos na Equação (3). A regressão do estilo pode atribuir os retornos de um gerente somente às classes de ativos se seus retornos estiverem correlacionados com os retornos da classe de ativos. Sharpe está claramente ciente desse problema. Ele se refere às regressões de estilo ao encontrar "uma média de estilos que mudam potencialmente durante o período coberto" [Sharpe (1992), p. 3] pela regressão. A partir de nossas discussões anteriores, o conceito de "estilo" deve ser pensado em duas dimensões: escolha de localização e estratégia de negociação. A opção de localização refere-se às classes de ativos, ou seja, as F's na Equação (3), usadas pelos gerentes para gerar retornos. A estratégia de negociação refere-se à direção (longa / curta) e à quantidade (alavancagem), ou seja, as w na Equação (3), aplicadas aos ativos para gerar retornos. Os retornos reais são, portanto, os produtos de escolha de localização e estratégia de negociação. Para ilustrar este ponto, considere um gerente negociando contratos de futuros S & amp; P. Sem alavancagem, uma posição totalmente investida de ser consistentemente longo, um contrato de futuros (ou seja, comprar e manter) resultará na regressão do estilo mostrando um coeficiente de um no índice S & P 500. Se o gerente alavancar até dois contratos futuros, o coefi - ciente de regressão será de dois. Por outro lado, se ele for curto um contrato de futuros, o coeficiente de regressão será -1. No entanto, se ele alterna entre longo e curto a cada mês, o coeficiente de regressão será próximo de zero. Neste exemplo, a localização é o mercado de ações dos EUA em todos os casos. Os retornos, por outro lado, são muito diferentes, dependendo da estratégia de negociação. Nos dois primeiros casos, os retornos estão positivamente correlacionados com os estoques dos EUA. No terceiro caso, os retornos estão negativamente correlacionados com os estoques dos EUA. No quarto caso, os retornos não estão correlacionados com os estoques dos EUA. Este exemplo ilustra como o retorno é uma função da escolha da localização, bem como da estratégia de negociação. Com os gestores tradicionais (ou seja, gestores de fundos mútuos), a sua ênfase centra-se no "onde" para investir. Conseqüentemente, os retornos observados, em média, se assemelham a uma estratégia de buy-andhold com alavancagem limitada. Em outras palavras, o w geralmente está entre zero e um, com talvez um ajuste modesto devido a betas de estoque. Nossos resultados empíricos também indicam que a variação do tempo do w tem impacto limitado sobre as características de retorno dos estilos dominantes, que estão altamente correlacionados com os retornos da classe de ativos. 6 Veja Barron (2 de novembro de 1987, pp. 35-36), Forbes (9 de novembro de 1992, pp. 40-42), Barron's (17 de maio de 1993, p. 53) e Futures (abril de 1994, pp. 24-28). 283 The Review of Financial Studies / v 10 n 2 1997 Isto não é assim com fundos de hedge. As estratégias de negociação de seus gerentes têm pesos (w) que não estão limitados a estar entre zero e um. Em princípio, o w pode estar entre a intenção negativa e a in fi nidade positiva. Na prática, os ws são geralmente entre -10 e +10. Além disso, os gerentes podem ser oportunistas, de modo que os w's podem e mudam rapidamente. Não é provável que seus retornos estejam correlacionados com os retornos da classe de ativos. Estas são estratégias comerciais dinâmicas. Isso ajuda a explicar por que a regressão do estilo de Sharpe, que é mais adequada para retornos de compra e retenção nas classes de ativos, não é apropriada para a atribuição de desempenho quando aplicada a gestores de hedge funds que usam estratégias de negociação dinâmicas. 5. Análise de Estilo de Fundos de Hedge Em princípio, a regressão de estilo de Sharpe pode ser ampliada adicionando regressores para proxy os retornos das estratégias comerciais dinâmicas. Na prática, isso é impossível de implementar nos retornos mensais porque existe um número finito de retornos mensais, mas um número infinito de estratégias de negociação dinâmicas. Em vez disso, usamos análise fatorial para determinar os estilos dominantes em hedge funds. A ideia é bastante simples. Se dois gerentes usarem opções de localização e estratégias de negociação semelhantes, seus retornos devem ser correlacionados. A análise de fator pode extrair os estilos comuns dominantes, independentemente de estar ou não correlacionados com as classes de ativos. Fator analisa os 409 hedge funds como um único grupo e podemos extrair cinco componentes principais mutuamente ortogônicos, explicando aproximadamente 43% da variância do retorno transversal. Usando os hedge funds mais altamente correlacionados com esses componentes principais, nós construímos cinco "fatores de estilo" cujos retornos estão altamente correlacionados com os componentes principais.8 7 Omitimos fundos especializados em mercados emergentes, uma vez que existe uma oportunidade limitada de empregar estratégias de negociação dinâmicas nos mercados emergentes. Os mercados emergentes não possuem liquidez suficiente para que os gerentes possam entrar e sair rapidamente, e muitos têm proibições contra vendas a descoberto. Acima de tudo, o histórico de desempenho disponível é esboçado. Uma vez que nossa amostra de hedge funds tem retornos em diferentes períodos de tempo, a análise fatorial foi realizada em 297 fundos que tiveram retorno ao longo de um período comum de 36 meses. Nós padronizamos os retornos para cada fundo, de modo que todos tiveram uma média zero e uma variância. Isso remove diferenças nas variações causadas pelas diferenças de alavancagem. (Por exemplo, dois fundos empolando exatamente a mesma estratégia de negociação, mas a alavancagem diferente terá variações de retorno diferentes). Os principais componentes são realizados nos retornos padronizados. Os primeiros cinco componentes principais explicam, respectivamente, 11,87%, 10,00%, 9,42%, 6,35% e 4,93% da variância do retorno transversal. 8 Realmente giramos ligeiramente os primeiros componentes prinicipais para nos permitir melhor interpretar os dados. Os cinco "fatores de estilo" representam retornos investidos em cinco carteiras de gestores de hedge funds que reproduzem de perto os cinco fatores girados. Isto se faz do seguinte modo. Para cada fator, formamos uma carteira usando fundos de hedge / pools de CTA que estão correlacionados apenas com esse componente principal. Os pesos do portfólio são escolhidos para que os retornos da carteira tenham correlação máxima com o componente principal correspondente. São impostas restrições de vendas curtas, uma vez que não é possível vender fundos de hedge curtos e pools de CTA. As correlações dos cinco fatores de estilo para os componentes principais correspondentes estão acima de 93%. Utilizamos o portfólio de correlação máxima, em vez de 284 Características empíricas das estratégias de negociação dinâmicas. Esse método quantitativo de definição de estilos de investimento deve ser contrastado com o método qualitativo utilizado pelo setor de hedge funds, que se baseia nas estratégias de negociação descritas nos documentos de divulgação de fundos de hedge. Ao pesquisar os documentos de divulgação dos fundos em cada fator de estilo, podemos associar nossos cinco fatores de estilo com algumas dessas categorias de estilo qualitativo comumente usadas pelo setor de hedge funds para descrever as estratégias de negociação: "Sistemas / Oportunista", "Global / Macro "Valor", "Sistemas / tendências seguintes" e "Distressed". Na ausência de "nomes de estilo" geralmente aceitos e bem definidos, tentamos aderir aos termos comumente usados ​​para descrever estilos de hedge funds na comunidade de investimentos. Reconhecemos que a terminologia é imprecisa. No nosso melhor conhecimento, não houve análise estatística formal desses estilos qualitativos pouco definidos, nem temos fontes bem estabelecidas, como a Morningstar para referência, como no caso de estilos de fundos mútuos. Na verdade, várias fontes da indústria freqüentemente publicam uma gama muito maior de "classificações de estilo". Muitas vezes, os retornos relatados para a mesma categoria de estilo serão diferentes em todas as fontes e o mesmo gerente pode aparecer em diferentes categorias de estilo dependendo da fonte. Os fornecedores de dados freqüentemente consideram a informação sobre estilos de hedge fund para ser proprietária. Um dos objetivos deste artigo é ver se há realmente categorias de estilo que são consistentes com os dados de retorno. Nós somos de opinião que é o que os gestores de fundos fazem, não o que eles dizem que fazem, que determina diferenças estilísticas. No entanto, para fins de rotulagem, é útil aderir geralmente às convenções da indústria sempre que possível. O termo "comerciantes de sistemas" é usado para descrever os gerentes que usam regras comerciais comerciais. Assim, "Sistemas / Tendências" refere-se a comerciantes que usam regras de negociação técnica e são principalmente seguidores de tendências, enquanto "Sistemas / Oportunistas" se referem a comerciantes tecnicamente impulsionados que também fazem apostas ocasionais em eventos de mercado baseados em modelos baseados em regras. "Global / Macro" refere-se a gerentes que comercializam principalmente os mercados mais líquidos do mundo, como moedas e títulos do governo, geralmente apostam em eventos macroeconômicos, como mudanças nas políticas de taxa de juros e desvalorizações cambiais e dependem principalmente de suas avaliações de economia fundamentos. "Valor" refere-se a comerciantes que compram títulos de empresas que percebem serem subvalorizados com base em sua microanálise dos fundamentos. "Distressed" refere-se a gerentes que investem em empresas próximas, em, ou emergiram recentemente de reestruturação de falências / empresas.9 O portfólio ótimo de rastreamento de variância média, porque os componentes principais e os fatores girados são baseados em retornos padronizados, enquanto o fator de estilo as carteiras são baseadas nos retornos reais. 9 Nós investigamos a estacionariedade desses fatores de estilo dividindo os dados em dois subperíodos. Para determinar se os cinco fatores de estilo são opções de localização ou estratégias de negociação dinâmicas, aplicamos a regressão de estilo de Sharpe nas oito classes de ativos originais, além de títulos de alto rendimento para os cinco fatores de estilo. Dois fatores de estilo estão cada um correlacionados com uma única classe de ativos. O estilo Value tem um R 2 de 70% em relação às oito classes de ativos mais obrigações corporativas de alto rendimento e está fortemente correlacionado com as ações dos EUA (com um coeficiente de 0,95 e uma estatística t de 7,73). Isso se deve ao fato de que a maioria dos gerentes de valor tem uma tendência longa nas ações dos EUA. O estilo Distressed tem um R 2 de 56% e está fortemente correlacionado com títulos corporativos de alto rendimento (com um coeficiente de 0,89 e uma estatística t de 6,06). Isso não é surpreendente, uma vez que os gerentes aflitos e os fundos de títulos corporativos de alto rendimento investem em empresas com baixas ou nulas notações de crédito. Além disso, é uma prática comum o preço de títulos não cotados e não cotados em um spread para os títulos negociados e de alto rendimento, o que explica a correlação entre o estilo afligido e os títulos corporativos de alto rendimento. Os dois fatores de estilo de Sistemas (Sistemas / Oportunidades e Sistemas / Tendências) têm R 2 s baixos (29% e 17%, respectivamente) e não estão correlacionados com nenhuma das classes de ativos. O estilo Global / Macro é difícil de interpretar. Tem um R 2 de 55% e está correlacionado com os títulos dos EUA (coeficiente: 0,84, t-statistic: 3,47), o dólar dos EUA (coeficiente: 0,46, t-statistic: 2,43) e o índice de mercado emergente da IFC (coefi - ciente: 0,15, t-statistic: 2,90). A correlação com os títulos dos EUA e o dólar não é surpreendente, dado os relatórios altamente divulgados sobre as negociações de títulos e moedas dos gerentes globais / macro em 1993 e 1994. No entanto, a correlação com o índice de mercado emergente da IFC poderia ser uma conseqüência de falsos correlações cruzadas com outras classes importantes de ativos. Um problema com a abordagem de regressão é que os resultados são muito sensíveis a outliers. O fato de o estilo Global / Macro estar correlacionado estatisticamente com três mercados de ativos não significa necessariamente que esteja usando uma estratégia de compra e retenção nesses mercados. Uma estratégia de compra e retenção gera retornos que têm uma relação linear com os de uma classe de ativos, enquanto uma estratégia de negociação dinâmica não. Recorremos a uma técnica diferente, semelhante às regressões não paramétricas, para distinguir essas duas estratégias de negociação. In Table 1 we divide the monthly returns of each asset class (excluding cash) into five “states” or “environments” of the world, ranging from severe declines to sharp rallies, by sorting the monthly returns into five quintiles. The average returns (and the associated standard errors) of that asset class, as well as those of the five style factors, are computed in each state of the world. Basically the principal components are unaffected. However, the style factors are somewhat affected, perhaps because traders have changed styles, or perhaps because of statistical variations. 286 Empirical Characteristics of Dynamic Trading Strategies Table 1 Returns of hedge fund style factors across different market environments: January 1991–December 1995 (in percent per month) Environment Mean|S. D. Sys/Opp Mean|S. D. Global/Mac Mean|S. D. Value Mean|S. D. Sys/Trend Mean|S. D. Distressed Mean|S. D. Environment: US Eqty 1 −2.82|0.29 1.62|0.99 2 −0.05|0.19 0.21|1.08 3 1.59|0.11 1.56|1.09 4 3.04|0.12 0.31|1.36 5 5.13|0.59 1.51|1.91 −0.82|0.62 2.14|0.42 1.87|0.69 1.42|0.29 1.67|0.44 −1.98|0.61 0.17|0.54 1.58|0.51 3.74|0.88 5.19|0.80 1.45|1.26 1.71|0.82 −0.77|0.51 1.91|1.70 0.50|1.55 1.56|0.38 2.08|0.72 1.72|0.47 1.56|0.36 1.86|0.53 Environment: Non-US Equity 1 −5.16|0.42 1.60|1.29 2 −1.77|0.22 1.05|1.29 3 0.81|0.15 −0.82|0.89 4 3.35|0.19 1.49|1.25 5 6.99|0.50 2.28|1.73 0.50|0.55 1.25|0.75 0.90|0.42 1.85|0.54 1.93|0.66 −0.92|1.02 1.84|0.70 1.88|0.70 2.42|0.81 3.43|1.17 2.45|1.59 −1.19|0.93 0.00|0.70 −0.40|0.56 3.82|1.58 1.52|0.45 1.51|0.31 2.33|0.62 0.96|0.34 2.36|0.58 Environment: US Bond 1 −0.95|0.18 0.07|0.96 2 0.21|0.07 0.03|1.04 3 0.79|0.05 2.07|1.19 4 1.36|0.05 0.21|1.37 5 2.25|0.16 3.72|1.61 −0.49|0.66 1.42|0.67 1.62|0.49 2.02|0.36 1.80|0.57 1.11|1.13 1.95|1.10 2.31|1.01 1.11|0.73 2.31|0.96 −1.18|0.70 −0.14|0.61 2.75|1.75 1.08|0.85 2.14|1.59 1.00|0 .42 2.09|0.64 2.26|0.73 1.57|0.25 1.90|0.36 Environment: Non-US Bond 1 −2.89|0.52 0.99|1.26 2 −0.11|0.11 −1.09|0.81 3 1.05|0.07 0.84|1.34 4 2.12|0.11 1.96|1.13 5 4.52|0.49 3.39|1.61 1.61|0.43 0.92|0.78 1.14|0.60 1.07|0.67 1.63|0.54 1.31|1.12 2.54|0.94 0.90|0.91 1.37|0.73 2.67|1.17 0.77|1.73 −1.24|0.29 0.27|0.40 0.46|0.88 4.40|1.60 1.77|0.50 1.72|0.55 2.38|0.76 1.62|0.42 1.33|0.20 Environment: US Dollar 1 −3.33|0.27 3.55|1.61 2 −1.53|0.10 −0.69|1.26 3 −0.34|0.08 0.57|1.04 4 1.26|0.16 0.68|1.25 5 4.48|0.58 1.26|1.18 0.81|0.50 0.14|0.81 0.95|0.40 2.24|0.59 2.29|0.43 1.53|1.14 1.85|1.00 1.94|0.73 0.98|0.72 2.34|1.22 5.58|1.28 −0.46|0.79 −0.75|0.44 −1.04|0.49 1.47|1.73 1.35|0.20 1.56|0.42 1.19|0.43 2.63|0.60 2.14|0.66 Environment: Gold 1 −4.06|0.45 2 −1.20|0.11 3 0.03|0.08 4 1.33|0.20 5 4.27|0.38 1.27|0.63 1.40|0.22 1.20|0.41 0.37|0.88 2.15|0.62 2.44|1.10 3.52|1.04 0.29|0.62 1.35|1.05 1.31|0.82 0.74|1.60 1.03|1.57 0.44|0.93 0.39|0.95 2.00|1.04 0.86|0.35 2.61|0.64 1 .32|0.33 2.17|0.66 1.89|0.36 Environment: IFC Emerging Markets 1 −4.80|0.71 1.29|1.32 0.38|0.82 2 −1.59|0.19 1.77|0.77 0.81|0.55 3 0.56|0.14 1.14|1.02 1.17|0.42 4 2.76|0.22 0.70|1.48 1.47|0.41 5 8.52|1.33 0.37|1.84 2.56|0.59 0.34|0.94 1.01|1.07 2.23|0.77 1.57|0.74 3.45|1.12 1.25|0.95 2.42|1.22 1.46|1.40 −0.27|0.46 −0.42|1.61 0.55|0.18 1.44|0.33 2.08|0.41 2.26|0.72 2.38|0.55 −0.09|0.83 1.63|0.81 2.16|1.25 1.47|1.01 3.63|0.74 −0.22|0.63 −0.11|0.72 3.67|1.57 1.27|0.84 0.05|1.74 0.36|0.22 1.38|0.18 1.61|0.24 1.57|0.44 3.90|0.70 Environment: High 1 −0.49|0.30 2 0.80|0.05 3 1.24|0.03 4 1.80|0.08 5 3.55|0.49 0.16|1.49 0.38|1.56 0.09|1.08 1.23|1.16 3.58|1.04 Yield Corporate Bonds 1.19|0.96 −0.98|0.58 0.47|1.05 2.17|0.58 1.81|1.71 1.71|0.49 1.84|1.34 1.83|0.51 0.80|1.38 1.64|0.46 287 The Review of Financial Studies / v 10 n 2 1997 If a style uses a buy-and-hold strategy in a given asset class, then its return in the five states of the world should align with those in the asse t class in a straight line. Using this method we identified that the Value style is akin to a buy-and-hold strategy in U. S. equities. The other four styles do not use buy-and-hold strategies in any of the asset classes. In particular, the Distressed style is not quite a buy-and-hold strategy in high yield corporate bonds, because its returns in states 4 and 5 for high yield corporates are out of line with those of the other states. For the same reason, the Global/Macro style does not use buy-and-hold strategies in U. S. bonds, currencies, or emerging market equities. If a style uses a dynamic trading strategy in a given asset class, then its return should be large (positive or negative) when the underlying asset returns are at extremes (i. e., states 1 and 5). In the case of the Systems/Opportunistic style, it is most profitable during rallies in U. S. bonds, non-U. S. bonds, and gold, and during declines in the U. S. dollar. The Systems/Trend Following style is most profitable during rallies in non-U. S. equities and bonds, and during declines in the U. S. dollar. The Global/Macro style is most profitable during rallies in gold, the U. S. dollar, and emerging markets. The locations we have identified are consistent with the disclosure information provided by the traders. It is important to point out that this type of nonlinear, statedependent return tabulation is helpful only to infer the “location” of a trading style, but it is not very informative on the nature of the trading strategies employed. Based on the evidence, it is reasonable to conclude that the Value style is highly sensitive to the movements of the overall U. S. equity market. The Distressed style is also quite sensitive to the performance of the high yield corporate bond market. The other three styles are dynamic trading strategies in a variety of markets. They are not sensitive to the asset markets in the normal states (i. e., 2, 3, and 4), but can be sensitive to selective markets during extreme states. Given that we are measuring extreme or tail events, there is little hope of attaching statistical significance. Indeed, we are making a much weaker statement. Table 1 shows that there exist nonlinear correlations between three style factors and some of the standard asset classes, which can give rise to optionlike payouts. Figures 3, 4, and 5 illustrate three of the most dramatic examples of optionlike payouts. Figure 3 shows that the Systems/Trend Following style has a return profile similar to a straddle (i. e., long a put and a call) on U. S. equities. Figure 4 shows that the Systems/Opportunistic style is like a call option on gold. Figure 5 shows that the Global/Macro style behaves like a straddle on the U. S. dollar. 288 Empirical Characteristics of Dynamic Trading Strategies Figure 3 Systems/trend following style versus U. S. equity Figure 4 Systems/opportunistic style versus gold 289 The Review of Financial Studies / v 10 n 2 1997 Figure 5 Global/macro style versus dollar A few remarks are appropriate here. The terms “Systems,” “Value,” “Global/Macro,” and “Distressed” are qualitative descriptors used by the hedge fund industry to describe the investment styles of hedge fund managers based on their disclosure documents. Here we are able to quantify the actual returns of these investment styles using factor analysis. It is important to remark that we are not advocating that it takes only five style factors to completely characterize the myriad of strategies deployed by hedge fund managers. Contrary to the case of mutual funds where the statistically identified styles account for the lion share of performance variation, here the five style factors can only account for 43% of the return variance of hedge funds. In the world of private investments, it is quite common to have a few “niche” arbitrageurs operating in illiquid markets where large hedge funds would find it unsuitable given their size. Therefore the style factors represent the most “popular” trading strategies that can operate in asset markets with adequate depth and liquidity. Indeed, the lack of dominant style factors attests to the wealth of performance diversity available among these managers.10 10 We are aware of a number of trading strategies that are not captured by the five dominant style factors. There are short sellers who only short equities. There are also traders who specialize in spread trading, such as (1) warrants versus stocks, (2) convertible securities versus stocks, (3) the short end versus the long end of the yield curve, (4) mortgage securities versus government securities, and (5) interbank swaps versus government securities. These are typically arbitrage 290 Empirical Characteristics of Dynamic Trading Strategies Lastly, a brief remark on what has come to be known as “market neutral” strategies is in order. There is a growing literature on what constitutes a market neutral strategy, its attractive characteristics and its potential pitfalls [e. g., Lederman and Klein (1996)]. A detailed analysis of this category of trading styles, which often includes the Distressed style, is beyond the scope of this article. However, we note that return orthogonality to the traditional asset classes is a poor screening device for market neutral funds. As our example in Section 4 shows, a market timing strategy can appear to be uncorrelated to the very asset class it has directional exposure to, yet market timing strategies are generally not regarded as “market neutral.” A better screening criterion is to require a market neutral fund to be orthogonal to the five hedge fund styles as well as the traditional asset classes. Our analysis shows that three hedge fund style factors (i. e., Systems/Opportunistic, Systems/Trend Following, and Global/Macro) appear to use market timing strategies in various asset classes, so that they have directional exposure even if they are uncorrelated to the asset classes on average. Hedge funds correlated to these styles are not market neutral. In addition, two other hedge fund styles (Value and Distressed) are correlated to U. S. equity and high yield corporate bonds, respectively. Hedge funds correlated to these styles are also not market neutral. Beyond using correlation as a screening device, truly market neutral funds should not have excessive exposures to traditional asset classes in extreme moves. For example, a typical “duration neutral” fixed income strategy may have no correlation to normal movements in interest rates, yet may have directional exposure to extreme movements [see Fung and Hsieh (1996) for details]. Limiting the amount of tail exposure, as is done in Table 1, is also a good device to screen for market neutral funds. 6. Insights on Performance Evaluation and Survivorship Bias for Hedge Funds Of the many differences between traditionally managed funds and hedge funds, two issues stand out: performance evaluation and survivorship bias, respectively. In this section, we contrast our findings with the literature on these two important issues reported on mutual fund managers. In a simplistic setting, performance attribution and evaluation involve decomposing a manager’s returns into the part that can be replistrategies that have gained popularity over the last few years. The limited history, together with the diversity in the strategies employed, makes it less likely for their return characteristics to converge into identifiable factors. 291 The Review of Financial Studies / v 10 n 2 1997 cated by standard asset baskets, or market indices, and the residual that is attributed to the manager’s “skill.” The purpose of this decomposition rests on the assumption that investors are only willing to reward a manager for superior performance that cannot be easily replicated. Applying this concept to mutual funds, Jensen (1968) used a single-factor model, regressing a stock mutual fund’s returns (Rt ) on market returns (Rmt ) with α being the constant term: Rt = α + bRmt + ut . (5) Sharpe (1992) extended this to a multiple-factor model for the general mutual fund: Rt = α + bk Fkt + ut . (6) k The slope coefficients of the regression tell us the replicating static mix of asset classes that would capture the fund’s performance. The constant term is used to measure the manager’s average ability to generate returns beyond this static mix of assets. In this decomposition, k bk Fkt was referred to as “style,” and α + ut as “skill.” The evidence in Figure 1, consistent with the mutual fund literature, shows that this regression works well for mutual funds, as indicated by the high R 2 values. However, this regression works very poorly for hedge funds because the R 2 values are very low. In the present context this would imply that mutual fund returns are generated primarily from static asset mix decisions, while hedge fund returns are generated primarily from “skill.” It is common practice to go beyond static asset class mixes in order to analyze the performance of mutual fund managers using simple trading strategies. This is achieved by further decomposing [α + ut ] in Equation (5) into “selectivity” (which has its genesis from the equity world for describing the ability to pick stocks) and “market timing” (the ability to predict market direction). The identifying assumption is that “selectivity” consists of idiosyncratic, diversifiable risks of individual stocks, while “market timing” consists of nondiversifiable, nonlinear payouts of asset class returns based on trading strategies. Empirically the decomposition is implemented by adding proxies for market timing strategies to Equation (5). For example, Treynor and Mazuy (1966) used the square of the market return to proxy for market timing ability, while Merton and Henriksson (1981) used an option payout on the market return. Glosten and Jagannathan (1994) also provided some justification for using selected option-index portfolios as additional factors to proxy for dynamic trading strategies. The jury on the success of using a small number of proxies to pick up market timing abilities for mutual funds is still out. Jagannathan 292 Empirical Characteristics of Dynamic Trading Strategies and Korajczyk (1986) pointed out that a separation between selectivity and market timing is not in general possible when managers can follow dynamic trading strategies or use options. While this problem of identification may not be too severe in mutual funds, because managers do not use dynamic trading strategies or options extensively, it is likely to be very severe in hedge funds. Furthermore, with the flexibility available to hedge fund managers, it is unclear whether the choice to bet on the currency market instead of stocks is to be interpreted as a “selection” decision or as a “market timing” decision. The only conclusive evidence we have is that the static asset mix component plays only a minor role in hedge fund performance in general. Consequently the important component of hedge fund performance is “skill.” In a sense, our model proposes a more detailed decomposition of the “skill” set to further characterize performance differences among hedge funds. A simplistic way of summarizing the difference between a manager that draws most of his return from the asset mix decision (the location decision) versus one that relies heavily on dynamic trading strategies is to think in terms of the intertemporal “deltas” to any given market. A manager that depends critically on the right location decision will have a slow-moving delta within a limited range (most mutual funds are limited in their use of short sales and leverage.) In contrast, a hedge fund manager can and will have deltas in orders of magnitude greater that can shift dramatically over very short intervals of time. A case in point is George Soros’s Quantum Fund. It is well known that Quantum gained 25.5% in September 1992 by betting on the devaluation of the British pound. Using monthly returns, the regression of Quantum against the pound has an R 2 of only 23%. Using daily returns for the month of September 1992, the R 2 is only 10%! The bet appeared to have been put on around September 11 and taken off around September 22. This can be seen from Figure 6, which plots Quantum’s daily net asset value per share versus the British pound/U. S. dollar exchange rate (measured in pounds per U. S. dollar). The inability of simple statistical procedures in picking up the correlation between Quantum and the pound means that the number of proxies needed to pick up very short-term dynamic trading strategies is virtually infinite. In the spirit of the present discussion, it is unclear whether this type of “event” return should be classified as “selectivity” or “market timing.” On the face of it, it appears to be market timing, but then why not bet on the other currencies? Simply put, hedge fund returns are much harder to “explain” or replicate using simple trading rules. It is the recognition of these difficulties that led us to add hedge fund styles to Sharpe’s asset class factor model. These new styles are 293 The Review of Financial Studies / v 10 n 2 1997 Figure 6 Quantum net asset value versus GBP/USD exchange rate, September 1992 analogous to the “market timing” proxies in the mutual fund performance evaluation literature. The good news is that these new styles are uncorrelated to asset class returns. The bad news is that they are correlated with market returns during extreme moves or tail events.11 The exposure to tail events in asset markets is not diversifiable, which substantially complicates risk management. Furthermore, we emphasize the limitations in using these new styles in performance attribution. The factor analysis indicates that there are many niche styles in the hedge fund universe still unaccounted for. It is conceivable that, with such a heterogeneous population, performance attribution may ultimately require in-depth due diligence on a case-by-case basis. Next we turn to the effect of survivorship bias on our empirical results. Here we need an estimate of the attrition rate in hedge funds. This turns out to be an exceedingly difficult task. Unlike mutual funds, hedge funds need not register with the Securities and Exchange Commission, nor does a hedge fund industry association exist that can document the entry and exit of funds. In short, it is almost impossible to know exactly how many funds existed as of a given point in time. Given that the population of hedge funds is unknown, there are two ways to estimate an attrition rate. The first method takes a sample 11 Some of the more dramatic losses in the so-called market neutral funds occurred during large “event” moves in the asset markets. This can be attributed partially to a failure of their risk management system to cope with the abrupt increase in the correlation between their positions in the market. 294 Empirical Characteristics of Dynamic Trading Strategies of currently existing hedge funds and tracks them going forward in time. This prospective method of estimating attrition rate can only be done as a future research project. The second method to estimate the attrition rate is to go back in time to find all funds that existed at a given point in time, say December 1994, and determine how many did not survive until a later point in time, say December 1995. This retrospective method of determining the attrition rate is appropriate in mutual funds, since the population of mutual funds on both dates is known. As the population of hedge funds at any given date is unknown, one is tempted to estimate a retrospective attrition rate by taking the funds in a database with returns in December 1994 and see how many of them dropped out by December 1995. This procedure would yield a downward bias in the attrition rate. To understand the bias of the retrospective attrition rate in a hedge fund database, one must understand the process and objectives in creating and maintaining a hedge fund database. Suppose there are N funds in the hedge fund population on December 1994 and A funds are in our database. Assume that there are no new funds coming into the population. The attrition rate is d per year. At the end of 1995, N d funds have exited the population and Ad funds have exited our database. If no funds were added into the database during 1995, the retrospective attrition rate would have been d = (Ad)/A. However, database vendors have an incentive to add “quality” funds into the database. In 1995 there are still (N − A)(1 − d) funds which were not in the database. Suppose B of them are added to the database, along with their past returns. At the end of 1995, there are A + B funds in the database with returns in December 1994, but Ad of them had dropped out by December 1995. The retrospective attrition rate would be given by (Ad)/(A + B), which is a downward biased estimate of d by the factor A/(A + B). If we multiply the retrospective attrition rate by the adjustment factor (A+B)/A, we will have an unbiased estimate of the true attrition rate. Unfortunately we cannot calculate the adjustment factor (A + B)/A because we do not know when a given fund was added to the database. But we can obtain an upper bound for the adjustment factor. It is reasonable to assume that the sampling rate of the surviving funds in 1995 is the same as that of the original sample in 1994, that is, B/[(N − A)(1 − d)] = A/N . This means B = (N − A)(1 − d)(A/N ). The adjustment factor, (A+B)/A, now becomes 1+(1-A/N)(1-d). As the adjustment factor is decreasing in A/N and d, its maximum is two, when A/N = 0 and d = 0. Thus doubling the retrospective attrition rate gives an upper bound of the true attrition rate. 295 The Review of Financial Studies / v 10 n 2 1997 A further complication arises when new hedge funds enter the population. Unlike the mutual fund industry, in which new “entrants” arrive without return histories, it is common practice in the hedge fund industry to expect new funds to come with a “track record” accumulated either over an incubation period prior to launching the fund or from their previous trading history with a financial institution. Typically, new funds are added to a database with a performance history. This will further bias downward the retrospective attrition rate. In estimating the retrospective attrition rate, we define the population of hedge funds to be those that have operated for at least 3 years to avoid picking up new funds whose incubation period is typically less than 3 years. We examined 139 funds in the Paradigm database with returns in December 1994. To the best of our knowledge, at most, six funds had ceased operation by the end of 1995.12 That represents a retrospective attrition rate of 4.3% in 1 year and a maximum upper bound of 8.6% for the true attrition rate.13 This estimate of the attrition rate in hedge funds is comparable to that in mutual funds. Grinblatt and Titman (1989) found an average attrition rate of 4.3% per year between 1974 and 1984 for mutual funds. Brown et al. (1992) found the average attrition rate to be 4.8% between 1977 and 1985, ranging from 2.6% in 1985 to 8.5% in 1977. The low attrition rate in hedge funds means that survivorship bias is unlikely to affect the result that hedge fund returns are uncorrelated with those of asset classes. Even if we added back the 8.6% of hedge funds that had exited the sample, and even if their style regression R 2 ’s were 1.00, it would not dramatically change the distribution graphed in Figure 1. Survivorship bias is unlikely to impact the number of hedge fund styles in the factor analysis. It is conceivable that survivorship bias in funds can result in survivorship bias in our style estimates, if the funds that exited the sample had the same style and no surviving funds had that style. We were able to determine that this did not occur by examining the funds that ceased operation in 1995. Based on their returns and their disclosure documents, we determined that the exiting funds did not come from the same style. Some were “systems” traders, while others were “niche” funds that fell outside the five dominant styles. The broader and more interesting question is to what extent survivorship biases the returns of the styles extracted from factor analysis based on a sample of surviving funds. Grinblatt and Titman (1989) 12 Four have ceased operations and the status of two more are unknown. 13 The authors are pursuing a project with Tass Management to study entry and exit in the Tass databases in conjunction with the behavior of assets under management going back a few years. Preliminary results on CTA funds indicate that the survivorship bias is similar to that in mutual funds. 296 Empirical Characteristics of Dynamic Trading Strategies found that survivorship biased upward mutual fund returns by 0.50% per year. For hedge funds, it is unclear if survivorship biases their returns upward or downward. The reason has to do with the “life cycle” of hedge funds when assets under management interact with performance. A small fund that has good performance attracts assets. Unlike mutual funds, hedge fund strategies have limited capacity. This means that, over any given time period, performance may well decline when a fund’s size gets too large. If it subsequently experiences poor performance, assets begin to flow out. In some cases the fund can return to some equilibrium level of assets under management and the fund “survives.” However, there will be other cases where assets shrink so much that it is no longer economical to cover the fund’s fixed overhead and the manager closes it down and the fund “exits.” This can occur even if the returns during the latter stage are above the surviving funds’ average, but compares poorly to its peers in the same trading style. In other words, funds exiting the sample can easily have returns higher than the population average of the survivors. There are less common, but nonetheless anecdotal, examples where an exiting fund has better performance than the population average. It is frequently the case that with private investment pools like hedge funds, acceptable performing funds can go unnoticed for prolonged periods of time. After all, one would hardly expect marketing to be high on these traders’ list of skills. In these cases the managers can get impatient and simply close down the business and return to trade for a financial institution. Another example is with successful funds. There are successful funds that have reached their perceived capacity and have stopped accepting new investments.14 At this stage, there is no incentive to report their performance to third parties outside of their own investor base. In other words, funds can drop out of a data vendor’s universe simply because they have chosen not to report their otherwise stellar performance. Other reasons unrelated to poor performance may cause a data vendor to cease reporting a fund’s performance. Tass Management, for example, delists a fund to avoid any liability in potential reporting errors. This can happen to funds with above average returns as well as below average returns. Ultimately one must recognize that hedge fund managers are a heterogeneous lot, thus survivorship bias needs careful interpretation. It is unclear to us that survivorship necessarily puts an upward bias on observed mean returns. More carefully conducted empirical work is needed. 14 The fact that George Soros’s Quantum Fund is closed to new investors and has been distributing assets to investors since 1992 illustrates our point that even large macro funds must limit their size in order to continue to turn in a good performance. 297 The Review of Financial Studies / v 10 n 2 1997 7. Implications In this article we analyze investment styles using mutual fund returns from Morningstar and hedge fund returns from a dataset that has never been subjected to formal analysis. We have shown that there are 12 important investment styles — buy-and-hold in nine asset classes (our eight original asset classes plus high yield corporate bonds) and three dynamic trading strategies. There are a number of implications. In terms of performance attribution and style analysis, we provide an extension to Sharpe’s style factor model. A style regression using these 12 variables should produce reasonably high R 2 values in at least 85% of mutual funds and perhaps 40% of hedge funds. We believe that this provides a good starting point in performance attribution and style analysis that can cope with both relative as well as absolute return managers.15 The results of our article also have implications for portfolio construction. An investor can now allocate across both location choices and trading strategies. There are, however, complications arising from the use of dynamic trading strategies that do not exist under a static buy-and-hold type of trading strategy. For the portfolio that includes dynamic trading strategies, portfolio construction and risk management are potentially more complex, depending on the investor’s risk preferences. Suppose an investor has quadratic preferences. Here, standard mean-variance tools are appropriate for asset allocation and risk management. We can show that the dynamic trading strategies can improve the performance of a traditional stock-bond portfolio without substantially increasing its risk. For example, a portfolio of 60% U. S. equities and 40% U. S. bonds has an annualized mean return of 11.55% and an annualized standard deviation of 7.97% between 1990 and 1995. By shifting 50% of the portfolio into the three dynamic trading strategies with equal weights, the annualized mean return increases to 15.92% and the annualized standard deviation decreases to 7.10%. This is an economically significant benefit. For investors with nonquadratic preferences, it is unclear whether mean-variance tools are appropriate for portfolio construction and 15 Since the three dynamic trading strategies exhibit nonlinear correlation with the eight noncash asset classes, it is picking up some of the Jensen’s alphas when only the buy-and-hold strategies are used. See, for example, Glosten and Jagannathan (1994). The main difference between our approach and that of Glosten and Jagannathan (1994) is that the factor analysis does not prespecify the underlying assets to which the dynamic trading strategies are related. The factor analysis could have picked up an important hedge fund/CTA investment style using an asset class that is statistically independent of the eight noncash asset classes. The fact that the important hedge fund styles are either linearly or nonlinearly correlated to the eight noncash assets indicates that this is not so. We could not have known this before the factor analysis was performed. 298 Empirical Characteristics of Dynamic Trading Strategies risk management because some of the style factors involving dynamic trading strategies exhibit nonnormal distributions.16 Furthermore, they may have nonlinear correlation with those of the nine buy-and-hold styles. Portfolio construction and risk management must take into account investor preferences and the joint distribution of the 12 investment styles. The proper technique for portfolio construction when investors have nonquadratic preferences is a subject beyond the scope of this article.17 We can, however, illustrate how it may differ from the meanvariance approach. Suppose an investor is willing to give up some of the gains in a strongly rising stock market in order to reduce the downside risk in a rapidly falling one. This type of optionlike payout profile (similar to that of a “portfolio insurance” strategy) is generally not available from traditional managers. For example, consider Table 1 under the column “Systems/Opportunistic.” This particular style underperformed seven of the eight noncash asset classes during major rallies or extreme positive states. However, it delivered positive performance in the states when extreme negative outcomes were recorded in equities and bonds, which constitute the core of most institutional portfolios. An equally weighted portfolio of the three dynamic trading strategies can deliver superior performance in the states when extreme negative outcomes were recorded in the four equity and bond asset classes. Thus blending the three dynamic trading strategies to traditional managers can provide some downside protection. For example, take an investor who is highly averse to negative returns. The traditional 60% stock/40% bond portfolio suffered a maximum monthly loss of 5.93% during the 1990–1995 period. If 50% of that portfolio is replaced by an equally weighted portfolio of the three dynamic trading strategies, the maximum monthly loss would be reduced to 2.87%. For this investor, the latter portfolio would strongly dominate the traditional 60% stock/40% bond portfolio. In other words, it is possible to achieve an optionlike return profile (relative to standard bench marks) with direct investment into existing hedge funds. Risk management in the presence of dynamic trading strategies is also more complex. Hedge fund managers have a great deal of 16 The five hedge fund style factors have kurtosis of 3.22, 4.29, 2.64, 6.66, and 7.32, with a standard error of 0.63. This indicates that at least three of the five style factors are not normally distributed. 17 In a recent article Hlawitschka (1996) extended the Levy and Markowitz (1979) article to examine the use of mean-variance models when options are present in the opportunity set. Although the results generally favor the mean variance approximation, the dataset used is limited. Given that historical returns from a wide cross section of dynamically managed portfolios were generally unavailable to these previous studies, the present dataset could provide useful input to address the question of portfolio selection with nonquadratic preferences. 299 The Review of Financial Studies / v 10 n 2 1997 freedom to generate returns that are uncorrelated with those of asset classes and traditional fund managers. This style diversification comes at a cost. Care must be taken to ensure that proper infrastructure is in place to operate broad investment mandates involving a wide range of financial instruments. Another important element of risk is that periodically the portfolio can become overly concentrated in a small number of markets. As an example, take a portfolio with exposure in three markets: U. S. equities, U. S. bonds, and non-U. S. bonds. A part of the portfolio is managed traditionally, using buy-and-hold strategies. The remainder is in hedge funds allocated in the three styles with dynamic trading strategies. Suppose a steady trend develops in the international bond markets, as was the case in 1993. The Global/Macro traders would have been long and leveraged. The Systems/Trend Following and Systems/Opportunistic traders would have been long as well, to take advantage of the trend. By December 1993 the portfolio could have been highly concentrated in non-U. S. bonds. It would have made a lot of money in 1993. But when the world bond market declined sharply in 1994, the portfolio would have lost a lot of money. We refer to this phenomenon as “diversification implosion.” The intuition here is that, although style exposures are still diverse, market exposures can converge. Overall the empirical results show that style diversification can be achieved by blending the traditional “relative return” investment approach to the “absolute return” investment styles. However, there is also an implicit cost. Conceptually it is the flexibility in the absolute return managers’ investment mandate that allows them to deliver an uncorrelated set of returns. But “freedom” has its price. It is important for an investor using managers with dynamic trading strategies to take extra steps to reduce the chance of diversification implosion and exposure to extreme or tail events. This calls for greater efforts in due diligence, portfolio construction, and risk monitoring. In this article we outlined some tools to extend traditional “style” analysis to alternative managers employing dynamic trading strategies. Hopefully this will provide an analytical framework for managing portfolios with a better diversity of styles.18 18 A diskette containing the monthly returns of the 409 hedge funds used in this study will be made available for academic research purposes for a nominal fee of $15.00 U. S. from Duke University. Please send all requests to David A. Hsieh. Each academic researcher should write, on the letterhead of his/her academic institution, a statement stating that the data will be used only for academic purposes, that the data will not be redistributed to other parties, and that the work will acknowledge The Review of Financial Studies, AIG, Tass, and Paradigm LDC for making the data available. Updates of the data, which came from Tass Management, can be purchased 300 Empirical Characteristics of Dynamic Trading Strategies Data Appendix Generally hedge funds are private investment pools structured in such a way as to minimize regulatory and tax impediments in operating the strategy. Consistent with this objective, most funds have adopted a low profile and often secretive posture. This is especially so with some of the offshore funds catering to non-U. S. domiciled investors. Not only are performance statistics not readily given out, periodic returns are only legally released via the offshore administrators, even for investors in the funds. Similarly, marketing materials are only available on a very restricted basis. This is particularly so because some of the largest fund managers have no interest in increasing the assets under management. In contrast, data on CTAs who are regulated by the CFTC are much more readily available. Unfortunately pools of capital managed by CTAs are much smaller in comparison to hedge funds. For example, one of the largest CTA’s is John W. Henry & Co., managing a little under $2 billion. In comparison, George Soros’s Quantum Fund controls well over $8 billion in assets. The hedge fund universe is where a much wider range of dynamic trading strategies are used, as opposed to the CTA universe which mostly consists of technical traders operating in the commodity and financial futures markets. Consequently the more interesting set of the data is also the harder set to assemble. Our universe of hedge funds and CTA pools consists of 250 hedge funds from Paradigm LDC (with assets under management of $44.6 billion), 451 hedge funds from Tass Management (with assets under management of $27.7 billion), and 239 CTA pools from Tass Management (with assets under management of $6.7 billion). Paradigm LDC is the general partner to Paradigm LP, a Cayman Island–based consulting firm specializing in hedge fund portfolios. Paradigm’s database has been assembled through information on investments made by its clients, as well as direct contacts with hedge fund managers it follows as potential investments. Tass Management is one of the few database vendors specializing in supplying data on hedge funds and CTAs. Tass obtains its data directly from fund managers. To construct the universe of funds used in this article we carefully excluded similar funds offered by the same management company. Some of these are created for regulatory reasons, while others are created because of investor demand. Most of these funds within the same family are based on similar strategies with highly correlated returns. Without filtering out such duplications, they would overweigh directly from Tass. However, Paradigm LDC will not be able to supply updates. 301 The Review of Financial Studies / v 10 n 2 1997 certain style participation and bias our analysis. Excluded also are funds of funds, which invest in other hedge funds and are not central to our style analysis. From this universe we extracted funds that have at least 3 years of monthly returns and at least $5 million in assets under management. Excluding the small funds is important. Frequently CTA databases include funds that manage as little as a few hundred thousand dollars employing very high leverage with wildly volatile returns. These funds are, for all practical purposes, not viable investment targets for professional investors. As a result, the usable database has 409 funds consisting of 168 hedge funds and 89 CTA pools from Tass and 152 hedge funds from Paradigm LDC. Each fund is identified by a fund number, followed by its latest 36 monthly returns. Another point to note is that nearly all of these returns are adjusted for ex post audit changes. Frequently a fund’s monthly returns are revised after yearend audit. We have made all of the adjustments known to us to date. References Brown, S. J., W. Goetzmann, R. G. Ibbotson, and S. A. Ross, 1992, “Survivorship Bias in Performance Studies,” Review of Financial Studies, 5, 553–580. Fung, W., and D. Hsieh, 1996, “Global Yield Curve Risk,” Journal of Fixed Income, 6, 37–48. Glosten, L., and R. Jagannathan, 1994, “A Contingent Claim Approach to Performance Evaluation,” Journal of Empirical Finance, 1, 133–160. Grinblatt, M., and S. Titman, 1989, “Mutual Fund Performance: An Analysis of Quarterly Portfolio Holdings,” Journal of Business, 62, 393–416. Hlawitschka, W., 1996, “The Empirical Nature of Taylor-Series Approximations to Expected Utility,” working paper, School of Business, Fairfield University; forthcoming in American Economic Review. Jagannathan, R., and R. A. Korajczyk, 1986, “Assessing the Market Timing Performance of Managed Portfolios,” Journal of Business, 59, 217–236. Jensen, M. C., 1968, “The Performance of Mutual Funds in the Period 1945–1964,” Journal of Finance, 23, 389–416. Lederman, J., and R. A. Klein, 1996, Market Neutral: State of the Art Strategies for Every Market Environment, Irwin Professional Publishing, Chicago. Levy, H., and H. M. Markowitz, 1979, “Approximating Expected Utility by a Function of Mean and Variance,” American Economic Review, 69, 308–317. Merton, R. C., and R. D. Henriksson, 1981, “On Market Timing and Investment Performance II: Statistical Procedures for Evaluating Forecasting Skills,” Journal of Business, 41, 867–887. Sharpe, W. F., 1992, “Asset Allocation: Management Style and Performance Measurement,” Journal of Portfolio Management, 18, 7–19. Treynor, J., and K. Mazuy, 1966, “Can Mutual Funds Outguess the Market?” Harvard Business Review, 44, 131–136. 302 .
TERM Winter '13 PROFESSOR blimma TAGS The Land, dynamic trading strategies.
Clique para editar os detalhes do documento.
Compartilhe este link com um amigo:
Bookmarked Docs.
Fung and Hsieh Document (1997)
Marque-o para ver mais tarde.
Bookmark Fung and Hsieh Document (1997) .
Não há documentos marcados.
Marque este documento.
Visto recentemente.
Most Popular Documents for FINA 410.
Introduction to Basic Options 2 Concordia Canada FINA 410 - Winter 2015 W_.sn. d.-ia. ua_umgaamwwm. * > C H A PE R 1 INTRODUCTION In the last 20 years deriv.
Introduction to Basic Options 2.
Joenvääräa Document (2012) Concordia Canada FINA 410 - Winter 2015 New Stylized facts about Hedge Funds and Database Selection Bias* Juha Joenvra, Rober.
Joenvääräa Document (2012)
4. Hedge Funds Concordia Canada FINA 410 - Winter 2015 Investment Analysis 4. Hedge Funds Dr. Juliane Proelss Assistant Professor of Finance.
Introdcution to Options Concordia Canada FINA 410 - Winter 2015.
Introdcution to Options.
Assignment 1 solution published Concordia Canada FINA 410 - Winter 2015 Assignment 1 Time: Starting at 1 p. m. on February 1st, 2015 (Sunday) until 9 p. m. em.
Assignment 1 solution published.
Porsche versus VW Lecutre Concordia Canada FINA 410 - Winter 2015 Investment Analysis Case Study: Porsche vs. VW Why short sellers made VW the world's.
Porsche versus VW Lecutre.
Estude sobre a viagem.
Outros Materiais Relacionados.
allocation model that is flexible enough to incorporate return characteristics Concordia Canada FINA 410 - Winter 2015 Optimal Mixed-Asset Portfolios Juliane Proelss* Denis Schweizer May 2008 ABSTRACT Mon.
Proelss and Schweizer Document (2010)
The typical result is that the R 2 of the regression increases and the alpha of University of Colorado Denver FNCE 6300 - Fall 2012 The Research Foundation of CFA Institute Literature Review Investing in Hedge Funds:
1. French (2008) Concordia Canada FINA 412 - Fall 2015 THE JOURNAL OF FINANCE VOL. LXIII, NO. 4 AUGUST 2008 Presidential Address: The Cost o.
this the growth of the futures markets globally has pushed futures contracts Carleton CA ECON ECON 1000 - Summer 2015 A Primer on Hedge Funds by William Fung* David A. Hsieh* August 1999 * Principal, Par.
etudes_0407 Stanford FINANCE 1 - Spring 2014 Hedge funds, credit risk transfer and nancial stability ROGER T. COLE GREG FELDBERG D.
erformance and extent of derivative usage Performance and extent of derivative University of Sydney FINC 3017 - Fall 2013 Hedge Funds Lecture 12 FINC3017 INVESTMENTS AND PORTFOLIO MANAGEMENT Dr Danika Wright.
Obter Course Hero.
Legal.
Conecte-se conosco.
Copyright © 2018. Termos de Privacidade do Course Hero, Inc.
O Curso Herói não é patrocinado ou aprovado por qualquer faculdade ou universidade.

Características empíricas das estratégias de negociação dinâmicas: o caso dos fundos de hedge.
William Fung, David A. Hsieh; Características empíricas das estratégias de negociação dinâmicas: The Case of Hedge Funds, The Review of Financial Studies, Volume 10, Edição 2, 1 de abril de 1997, Páginas 275-302, doi / 10.1093 / rfs / 10.2.275.
Baixar arquivo de citações:
& # 169; 2018 Oxford University Press.
Este artigo apresenta alguns novos resultados em um conjunto de dados inexplorado sobre o desempenho dos fundos de hedge. Os resultados indicam que os fundos de hedge seguem estratégias que são dramaticamente diferentes dos fundos mútuos e apoiam a afirmação de que essas estratégias são altamente dinâmicas. O artigo encontra cinco estilos de investimento dominantes em hedge funds, que, quando adicionados ao modelo de fator de classe de ativos da Sharpe (1992), podem fornecer uma estrutura integrada para análise de estilo de estratégias de negociação de compra e retenção.
Oxford Academic account.
Endereço de e-mail / nome de usuário.
A maioria dos usuários deve fazer login com seu endereço de e-mail. Se você se registrou originalmente com um nome de usuário, use isso para fazer login.
Faça login na sua Instituição.
Acesso a curto prazo.
Para comprar acesso de curto prazo, faça login na sua conta Oxford Academic acima.
Don? Já tem uma conta Oxford Academic? Registo.
Alertas de E-mail.
Artigos relacionados em.
Citando artigos via.
Online ISSN 1465-7368 Imprimir ISSN 0893-9454 Copyright & # 169; 2018 Society for Financial Studies.
Recursos.
Oxford University Press é um departamento da Universidade de Oxford. Promove o objetivo da Universidade de excelência em pesquisas, bolsas e educação através da publicação em todo o mundo.
Direitos autorais e cópia; 2018 Oxford University Press Política de Privacidade Política de Cookies Avisos Legais Mapa do Site Acessibilidade Obter Adobe Reader.
Este recurso está disponível apenas para assinantes.
Este PDF está disponível apenas para Assinantes.
Para acesso total a este pdf, faça login em uma conta existente ou compre uma assinatura anual.

Hedge Fund Research Summary - David A. Hsieh.
Publications on Hedge Funds.
Peer-Reviewed Journal Articles:
[1] "Empirical Characteristics of Dynamic Trading Strategies: The Case of Hedge Funds," with William Fung, Review of Financial Studies , 10 (1997), 275-302. Summary, Abstract, PDF file.
[Summary: This is the first article on hedge funds published in a refereed academic journal. In this article, we show that hedge fund returns are very different from mutual fund returns. In addition, hedge fund returns are very heterogeneous--the first five principal components can explain rougly 45% of the cross-sectional variation.]
[Summary: In this article, we find that the attrition rate of funds operated by commodity trading advisors (CTAs) are higher than those of mutual funds. However, both suriving and dissolved funds show similar option-like return patterns with respect to global equity markets.]
[Summary: While hedge fund returns have non-normal distributions, so the standard mean-variance framework are not applicable. However, we show that mean-variance analysis approximately preserves the rankings of hedge funds based on standard utility functions.]
[Summary: The article proposes a business model for hedge funds to explain their desire for secrecy and the risk-sharing features between managers and investors. We also discuss how to employ statistical methods to model the risk factors in different hedge fund strategies.]
[5] "Performance Characteristics of Hedge Funds and CTA Funds: Natural Versus Spurious Biases," with William Fung, Journal of Financial and Quantitative Analysis , 35 (2000), 291-307. PDF file (last version before publication).
[Summary: This article examines different biases in hedge fund databases, and proposes to use funds-of-funds as a more accurate measure of aggregate hedge fund performance.]
[Summary: This article estimates hedge fund exposures during a number of market events, from the October 1987 stock market crash until the Asian Currency Crisis of 1997. We find little evidence that hedge funds systematically caused market prices to deviate from economic fundamentals.]
[7] "The Risk in Hedge Fund Strategies: Theory and Evidence from Trend Followers," with William Fung, Review of Financial Studies , 14 (2001), 313-341. PDF file. Winner of the Fischer Black Memorial Foundation1999 Robert J. Schwartz Memorial Prize for the best paper on hedge funds. [Earlier versions of this paper were titled: "A Risk Neutral Approach to Valuing Trend Following Strategies", "Nonlinear Dynamics of Trend Following Strategies".]
[Summary: This article models the trend-following strategy of many commodity funds and managed futures funds using lookback straddles. We show that portfolios of lookback straddles can explain trend-following funds' returns better than standard asset indices.]
[8] "Benchmarks of Hedge Fund Performance: Information Content and Measurement Biases," with William Fung, Financial Analyst Journal , 58 (2002), 22-34. PDF file (last version before publication).
[Summary: This article updates the estimates of biases in hedge fund databases, and shows how to use funds-of-funds to measure more accurately the returns of hedge funds.]
[Summary: This is the first article to propose to use market prices of traded securities to create "asset-based" benchmarks for hedge funds. We show that Small Cap Stocks, High Yield Bonds, and Emerging Market Stocks can explain a significant amount of return variation in many hedge fund strategies.]
[Summary: This article shows that fixed income hedge funds typically have exposure to interest rate spreads, such as credit spreads, mortgage spreads, etc. By linking fixed income hedge fund strategies to interest rate spreads, we can model the performance of these strategies when spreads are more volatile, as in the 1970s. This cannot be done using the short history of hedge funds in the 1990s, when spread volatility is much lower.]
[11] "Hedge Fund Benchmarks: A Risk Based Approach," with William Fung, Financial Analyst Journal , 60 (2004), 65-80. PDF file (last version before publication). [This paper received a CFA Institute Graham and Dodd Award of Excellence for 2004.]
[Summary: The article proposes a seven-factor model for hedge funds. We use two equity factors (from research on equity hedge funds), two bond factors (from research on fixed income hedge funds), and three trend-following factors (from research on commodity funds and managed futures funds). These seven factors can explain up to 80% of the return variation of funds-of-funds and various hedge fund indices.]
[12] "Extracting Portable Alphas from Equity Long-Short Hedge Funds," with William Fung, Journal of Investment Management , 2 (2004), 57- 75. PDF file (last version before publication). Reprinted in H. Gifford Fong (ed.), The World of Hedge Funds: Characteristics and Analysis , New Jersey: World Scientific, 2005, 161-180.
[Summary: This article shows that long-short equity hedge funds have significant alpha relative to conventional factors (e. g. S&P 500) as well as alternative factors (e. g. small cap-large cap stocks). These alternative alphas can be extracting by hedging out the main risk factors.]
Conference Volumes, Book Chapters, Invited Papers:
[13] "Do Hedge Funds Disrupt Emerging Markets?," with William Fung and Konstantinos Tsatsaronis, Brookings-Wharton Papers on Financial Services , 2000, 377-421. PDF file (last version before publcation).
[Summary: This paper provides detailed quantitative estimates of hedge fund exposures during the Asian Currency Crisis of 1997. We show that hedge fund positions are only a small part of much larger speculative bets taken by investors in this episode. By themselves, hedge fund positions could not have overwhelmed the ability of Asian central banks to maintain their exchange rate regime.]
[14] "The Risks in Hedge Fund Strategies: Alternative Alphas and Alternative Betas," with William Fung, in Lars Jaeger (ed), The New Generation of Risk Management for Hedge Funds and Private Equity Funds , London: Euromoney Institutional Investors PLC, 2003, 72-87. PDF file (last version before publication).
[15] "Hedge Funds: An Industry in Its Adolescence," with William Fung. PDF file. Federal Reserve Bank of Atlanta Economic Review, 2006 (Fourth Quarter), 91, 1-33.
"Performance Attribution and Style Analysis: From Mutual Funds to Hedge Funds," with William Fung, 1996. PDF file.
Plan Sponsor Magazine, Jul-Aug 1998, Q&A: Hedging for Diversification, by Gregory J. Millman.
Click here to send email to David A. Hsieh.
Go to Adobe Reader Download Site for free software to read PDF files.

Características empíricas das estratégias de negociação dinâmicas: o caso dos fundos de hedge.
William Fung e David A Hsieh.
Resumo: Este artigo apresenta alguns novos resultados em um conjunto de dados inexplorado sobre o desempenho dos fundos de hedge. Os resultados indicam que os fundos de hedge seguem estratégias que são dramaticamente diferentes dos fundos mútuos e apoiam a afirmação de que essas estratégias são altamente dinâmicas. O artigo encontra cinco estilos de investimento dominantes em hedge funds, que, quando adicionados ao modelo de fator de classe de ativos da Sharpe (1992), podem fornecer uma estrutura integrada para análise de estilo de estratégias de negociação de compra e retenção. Artigo publicado pela Oxford University Press em nome da Society for Financial Studies em seu periódico, The Review of Financial Studies.
Não há downloads para este item, consulte as FAQs do EconPapers para obter dicas sobre como obtê-lo.
Este item pode estar disponível em outros lugares no EconPapers: procure itens com o mesmo título.
Referência de exportação: BibTeX RIS (EndNote, ProCite, RefMan) HTML / Texto.
Informações de pedidos: este artigo de revista pode ser encomendado a partir de.
A revisão de Estudos Financeiros atualmente é editada por Maureen O'Hara.
Mais artigos em Revisão de Estudos Financeiros da Sociedade para Estudos Financeiros Oxford University Press, Departamento de Revistas, 2001 Evans Road, Cary, NC 27513 EUA .. Informações de contato na EDIRC.
Dados da série mantidos pela Oxford University Press ().
O seu trabalho está faltando no RePEc? Aqui está como contribuir.
Perguntas ou problemas? Verifique as perguntas frequentes do EconPapers ou envie um e-mail para.