KR20110100188A - 투자 트랙킹을 위한 시스템 및 방법 - Google Patents

투자 트랙킹을 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20110100188A
KR20110100188A KR1020117008558A KR20117008558A KR20110100188A KR 20110100188 A KR20110100188 A KR 20110100188A KR 1020117008558 A KR1020117008558 A KR 1020117008558A KR 20117008558 A KR20117008558 A KR 20117008558A KR 20110100188 A KR20110100188 A KR 20110100188A
Authority
KR
South Korea
Prior art keywords
asset
investment portfolio
assets
candidate
weighting
Prior art date
Application number
KR1020117008558A
Other languages
English (en)
Inventor
리차드 비. 스퍼긴
토마스 알. 슈니위스
호세인 비. 카제미
Original Assignee
에스 캐피탈 매니지먼트, 엘엘씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에스 캐피탈 매니지먼트, 엘엘씨 filed Critical 에스 캐피탈 매니지먼트, 엘엘씨
Publication of KR20110100188A publication Critical patent/KR20110100188A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Abstract

투자 트랙킹을 위한 시스템 및 방법이 개시되었다. 예를 들면, 투자 트랙킹을 위한 적어도 하나의 방법은 복수의 펀드를 설명하는 정보를 수신하고, 투자 포트폴리오에 대한 벤치마크의 선택을 수신하고, 투자 포트폴리오에 대한 자산들의 후보 세트를 식별하고, 투자의 상기 후보 세트는 복수의 자산 클래스를 포함하고, 복수의 자산 클래스 중 적어도 하나와 연관시키기 위해 후보 가중 요소의 세트를 식별하는 단계들을 포함한다. 방법은 단계식 절차에 기초하여 복수의 자산 클래스로부터 적어도 하나의 자산 클래스를 선택하여 적어도 하나의 가중 요소를 적어도 하나의 자산 클래스와 연관시키는 단계, 적어도 하나의 가중 요소에 기초하여 투자 포트폴리오를 구성하는 단계, 투자 포트폴리오에 대응하여 자산을 매입하는 단계를 포함할 수 있다.

Description

투자 트랙킹을 위한 시스템 및 방법{SYSTEMS AND METHODS FOR INVESTMENT TRACKING}
관련 출원 상호 참조
본 출원은 그 전체가 참조로써 본원에 통합된 2008년 9월 15일 제출된 미국 가특허 출원 제61/097,102호 표제 "Systems and Methods for investment Tracking"에 우선권을 주장한다.
기술 분야
본 출원은 일반적으로 투자 트랙킹에 관한 것이고 더 구체적으로는 투자 포트폴리오 할당을 트랙킹하는 것에 관한 것이다.
금융 시장에서, 리스크를 막지만, 여전히 합리적인 수익률을 얻게 하는 분산 투자 포트폴리오를 유지하기 위해 혼합 자산을 매입하는 것이 투자가들에게는 일반적이다. 예를 들면, 투자가들은 특정 유형의 자산에 초점을 맞추거나 하나 이상의 주식 시장 지수를 트랙킹(track)하는 투자 펀드에 자금을 투자할 수 있다. 거대한 자산을 가진 더 능숙한 투자가들은 또한 더 큰 수익률을 얻기 위해 헤지 펀드에 투자할 수 있다. 그러나, 투자 포트폴리오를 위한 적절한 혼합 자산을 고르는 것은, 특히 투자가가 헤지 펀드 또는 인덱스 펀드와 같은 펀드에 투자하기를 바랄 때 어려울 수 있다. 더욱이, 포트폴리오 내의 자산 균형에 영향을 미칠 수 있는, 시간이 흐름에 따라 투자가의 보유 주의 일부가 값이 변할 때, 투자 자산의 원하는 혼합을 유지하는 것은 어려울 수 있다.
본 발명의 실시예들은 투자 트랙킹을 위한 시스템 및 방법들을 제공한다. 다른 실시예는 그러한 방법을 실행하는 프로그램 코드를 포함하는 컴퓨터-판독가능한 매체를 포함한다.
이러한 예시적인 실시예들은 본 발명을 제한하거나 한정하지 않고, 그것의 이해를 돕기 위한 예들을 제공하기 위해 언급되었다. 예시적인 실시예들은 상세한 설명에서 논의되며, 본 발명의 더 자세한 설명은 거기에서 제공된다. 본 발명의 다양한 실시예들에 의해 제공되는 이점들은 본원 명세서를 검토함으로써 더 이해될 수 있다.
본 발명의 이러한 그리고 다른 특징들, 양태들 및 이점들은 첨부한 도면들을 참조하여 다음의 상세한 설명을 읽을 때 더 잘 이해된다.
도 1은 본 발명의 일 실시예에 따른 투자 트랙킹을 위한 시스템을 도시한다.
도 2는 본 발명의 일 실시예에 따른 투자 트랙킹을 위한 방법을 도시한다.
본 발명의 실시예들은 투자 트랙킹을 위한 시스템 및 방법을 제공한다. 예를 들면, 예시적인 일 실시예에서, 투자 트랙킹을 위한 시스템은 벤치마크 수익률, 트랙킹되는 하나 이상의 펀드에 관한 정보, 및 투자 포트폴리오 내에 포함된 자산들의 유형에 기초하여 투자 포트폴리오를 생성하도록 구성된다. 적합한 펀드는 헤지 펀드, 투자가능 지수(investable indices), 투자불가능 지수(uninvestable indices), 및 뮤추얼 펀드를 포함할 수 있다. 펀드는 상장지수펀드(Exchange Traded Fund; ETF), 상장지수채권(Exchange Tradeable Notes; ETN), 선물 계약(futures contracts), 또는 다른 적합한 투자 대상과 같은 다양한 자산을 보유할 수 있다. 그러한 자산은 부동산, 상품(commodities), 파생 상품, 주식, 또는 채권과 같은 유형 또는 무형 상품에의 투자를 나타낼 수 있다. 본 발명의 일 실시예에 따른 투자 포트폴리오는 하나 이상의 펀드에 대한 정보의 분석에 따라 할당되는 자산을 포함한다.
일반적으로, 투자 및 투자 활동은 경제 및 경제 체제의 중요한 특징이다. 공기업 및 사기업은 자본 설비 및/또는 자산의 매입을 위한 자금, 건설을 위한 자금, 인사 채용 및/또는 연구 및 개발 활동을 위한 자금을 포함하지만 이에 제한되지는 않는 많은 목적을 위해 투자로부터의 수익(수입)을 사용할 수 있다. 각각의 목적은 궁극적으로 회사가 상용 제품(예를 들면, 하드 또는 소프트 물품, 제약, 장치, 상품 등)을 생산하거나 서비스를 제공하는 것을 돕는다. 따라서, 투자는 오늘날의 경제에 있어서 유용하고 필수적이며 상용 제품의 생산이나 서비스 제공과 연계되어 있다.
이러한 예시적인 실시예에서, 시스템은 자산 및 펀드 정보를 수신하기 위해 네트워크와 통신하는 컴퓨터를 포함한다. 시스템은 네트워크 인터페이스를 통해 네트워크로부터, 투자 할당, 투자 전략 및 과거 펀드 실적과 같은 하나 이상의 펀드를 설명하는 정보를 수신한다. 펀드 정보를 수신한 후에, 시스템은 생성될 투자 포트폴리오의 실적에 대한 벤치마크의 선택을 수신한다. 그 후 시스템은 사용가능한 자산 클래스들의 세트로부터 포트폴리오를 위한 자산 클래스들의 후보 세트를 식별한다. 적합한 자산 클래스들은 ETF, ETN, 또는 선물 계약(예를 들면, 상품 선물)을 포함할 수 있다. 시스템은 최소 트랙 레코드를 갖거나 수용가능한 임계값보다 더 큰 최소 주가를 갖는 자산 클래스들을 식별함으로써 적합한 자산 클래스들을 식별할 수 있다. 자산 클래스들의 후보 세트를 식별한 후에, 시스템은 투자 포트폴리오를 구축할 때 사용하는 하나 이상의 가중 요소들을 결정한다. 예시적인 실시예에서의 가중 요소는 특정한 자산 클래스에 의해 구성되는 포트폴리오의 퍼센티지에 영향을 미칠 수 있다.
사용할 가중 요소들을 결정한 후에, 시스템은 GARCH 분석에 기초하여 자산 클래스들의 후보 세트로부터 투자 포트폴리오 내에 포함시킬 하나 이상의 자산 클래스들을 선택한다. 가중 요소들 및 자산 클래스들이 결정된 후에, 시스템은 가중 요소들에 기초하여 자산 클래스들로부터 투자 포트폴리오를 구성한다. 포트폴리오가 선택되고 나면, 시스템은 자산을 매입하고 자산에 대한 시장 변동성에 적어도 부분적으로 기초하여 포트폴리오의 레버리지를 조정한다.
동일한 참조번호가 다수의 도면을 통해 동일한 구성요소를 가리키는 도면들을 이제 참조하여, 도 1은 본 발명의 일 실시예에 따른 투자 트랙킹을 위한 시스템(100)을 도시한다. 시스템(100)은 프로세서(120), 메모리(130), 및 인터페이스 디바이스(160)를 갖는 컴퓨터(110)를 포함한다. 프로세서(120)는 메모리(130) 및 인터페이스 디바이스(160)와 통신한다. 메모리(130)는 본 발명의 일 실시예에 따른 투자 트랙킹을 위한 방법을 수행하는 프로그램 코드(140)를 포함한다. 덧붙여, 메모리(130)는 수익 및 볼륨 데이터, 트랙 레코드 정보, 이전 달에 대한 평균 일별 볼륨, 가장 최근 가격, 또는 평균 일별 볼륨의 달러 값과 같은 하나 이상의 펀드를 설명하는 정보(150)를 포함한다. 프로세서(120)는 메모리(130) 내에 저장된 애플리케이션(140)을 실행하고 메모리(130) 내에 저장된 정보(150)에 액세스하고 사용하도록 구성된다.
도 1에 도시된 실시예에서, 프로세서는 인터페이스 디바이스(160)로부터 복수의 펀드에 대한 정보를 수신하도록 구성되었다. 인터페이스 디바이스(160)는 이더넷 인터페이스 디바이스와 같은 네트워크 인터페이스 디바이스를 포함한다. 인터페이스 디바이스(160)는 네트워크(180)와 통신하고, 네트워크로부터 복수의 펀드에 대한 정보를 수신하고 메모리에 정보를 저장하도록 구성된 프로세서(120)에 정보를 보내도록 구성된다. 일부 실시예들에서, 인터페이스 디바이스(160)는 802.11 인터페이스 디바이스, WiFi 인터페이스 디바이스, 또는 셀룰러 인터페이스 디바이스와 같은 무선 인터페이스 디바이스(160)를 포함한다. 다른 실시예들에서, 인터페이스 디바이스는 복수의 펀드에 대한 정보의 수동 입력을 위한 키보드 또는 마우스와 같은 사용자 인터페이스 디바이스를 포함할 수 있다.
도 2를 참조하여, 도 2는 본 발명의 일 실시예를 따른 투자 트랙킹을 위한 방법을 도시한다. 도 2에 도시된 방법(200)은 도 1에 도시된 시스템을 참조하여 설명될 것이다.
방법(200)은 복수의 펀드에 대한 정보를 수신함으로써 단계 205에서 시작한다. 예를 들면, 일 실시예에서, 프로세서(120)는 인터페이스 디바이스(160)로부터 복수의 펀드에 대한 정보를 수신하도록 구성된다. 예를 들면, 인터페이스 디바이스(160)는 네트워크(180)를 사용하여 주식 거래 정보 또는 상품 거래 정보에 액세스할 수 있다. 인터페이스 디바이스(160)는 프로세서(120)에 수신한 정보를 제공하고, 이는 메모리(130)에 수신된 정보를 저장할 수 있다. 복수의 펀드에 대한 정보를 수신한 후에, 방법은 단계(210)로 진행한다.
단계(210)에서, 벤치마크가 선택된다. 벤치마크는 하나 이상의 헤지 펀드 매니저에 기초한 분산의 포트폴리오에 대한 원하는 수익을 포함할 수 있다. 예를 들면, 일 실시예에서, 프로세서(120)는 Credit Agricol Structured Asset Management(예를 들면, CASAM-CISDM), HFR 자산 관리 및/또는 기타에 의해 제공되는 것들과 같은, 공식적으로 사용가능한 투자불가능 지수에 적어도 부분적으로 기초하여 벤치마크를 선택할 수 있다. 일부 실시예에서, 프로세서(120)는 다우 존스 지수, HFR 지수, 및/또는 기타와 같은 공식적으로 사용가능한 투자가능 지수에 적어도 부분적으로 기초하여 벤치마크를 선택할 수 있다. 더욱이, 일부 실시예들은 벤치마크를 선택하기 위해 하나 이상의 필터들을 사용할 수 있다.
하나 이상의 필터들을 사용하는 실시예에서, 프로세서(120)는 벤치마크를 식별하기 위해, 헤지 펀드 매니저들에 의해 보고된 공식적으로 사용가능한 정보로부터의 데이터와 같은, 하나 이상의 헤지 펀드 매니저와 연관된 데이터를 필터링할 수 있다. 그러한 실시예에서, 제1 필터는 헤지 펀드 매니저에 의해 사용되는 전략을 결정하는 것을 포함한다. 예를 들면, 프로세서(120)는 헤지 펀드 매니저에 의해 공표된 전략을 사용함으로써, 또는 샤프(Sharpe)-스타일 분석 또는 클러스터 분석과 같은 하나 이상의 통계 방법을 사용함으로써 전략을 결정할 수 있다. 도 1에 도시된 실시예에서, 프로세서는 헤지 펀드 매니저의 공식적으로 공표된 전략에 기초하여 헤지 펀드 매니저의 전략을 결정한다.
일부 실시예들은 추가적인 또는 대안적인 필터들을 적용할 수 있다. 예를 들면, 본 발명의 일 실시예에서, 프로세서(120)는 최소 트랙 레코드를 갖는 헤지 펀드 매니저를 선택하는 제2 필터를 사용한다. 예를 들면, 제2 필터는 적어도 3년 트랙 레코드를 갖는 헤지 펀드 매니저들을 식별할 수 있다. 제2 필터에 더하여, 프로세서(120)는 헤지 펀드 매니저의 상위 1%의 샘플과 헤지 펀드 매니저의 하위 25%의 샘플 사이에서 투자가 성공한 헤지 펀드 매니저들만을 선택하는 제3 필터를 적용할 수 있다. 프로세서(120)는 헤지 펀드 매니저에 의해 관리되는 자산의 크기, 헤지 펀드 매니저에 의해 관리되는 자산의 변동성, 및/또는 헤지 펀드 매니저들에게 노출된 요소에 기초하는 필터들과 같은 필터들을 추가로, 또는 대안적으로 사용할 수 있다.
커스텀 벤치마크를 사용하는 실시예에서, 프로세서(120)는 헤지 펀드 매니저들의 실적에서의 지속성의 존재를 이용할 수 있다. 학술 및 산업 연구는 일부 헤지 펀드 매니저들이 사분기 기반으로 그들의 실적에서의 지속성을 보여준다는 것을 증명해왔다. 즉, 이전 사분기의 승자들/패자들은 다음 사분기 동안에도 승자들/패자들이기를 반복하기 쉽다는 것이다. 게다가, 이러한 지속성은 부진한 펀드의 경우일수록 통상적으로 더 강하게 나타난다. 그러므로, 프로세서(120)는 부진한 펀드에 더 낮은 가중치를 할당하는 방법으로, 예를 들면 사분기 기반으로, 벤치마크를 재균형화 시킬 수 있다. 그러한 실시예는 모든 펀드들에 동일한 가중치를 주는 지수보다 우수한 실적을 낼 수 있다. 그러므로, 본 발명의 실시예들은 재균형 포트폴리오를 트랙킹하도록 조정될 수 있고 향상된 실적을 보일 수 있다.
벤치마크가 선택되면, 방법은 단계(215)로 진행한다. 단계(215)에서, 프로세서(120)는 포트폴리오에 대한 자산 클래스들의 잠재적 세트를 식별한다. 일반적으로, 포트폴리오에 대해 선택되는 자산들은 임의의 수의 자산 유형들로부터 선택될 수 있다. 예를 들면, 도 2에 도시된 실시예에서, 다음 자산들의 풀(pool)로부터 선택된 ETF, ETN, 및 선물 계약을 우선적으로 포함한다:
Figure pct00001
도 2에 도시된 실시예에서, 자산 클래스들의 세트를 선택하는 것은 복수의 ETF 또는 상장지수채권 및 선물 계약과 같은 다른 자산들의 수익 및 볼륨 데이터를 수집하는 것을 포함한다. 이 실시예에서, 단계(215)는 복수의 ETF 또는 다른 자산들로부터 적어도 4년의 데이터, 적어도 100,000 주의 가장 최근 한 달 동안의 평균 일별 볼륨, 적어도 ＄10의 주당 가격 및 평균 일별 볼륨의 달러 값이 관리 하의 자산의 20% 보다더 큰 경우를 갖는 ETF 또는 다른 자산들을 선택하는 것을 더 포함한다. 본 발명의 일부 실시예들에서, 방법은 주기적으로 단계(215)로 돌아갈 수 있다. 예를 들면, 본 발명의 일 실시예에서, 단계(215)는 포트폴리오 내에 포함된 자산이 포함을 위한 요건들을 충족하는 것을 확인하도록 사분기별로 또는 반기별로 반복될 수 있다. 추가적으로, 자산 선택을 주기적으로 재액세스함으로써, 충분히 긴 주기의 기록 데이터를 이전에 갖지 않았던 자산과 같은 새로운 자산이 포함될 수 있다.
단계(220)에서, 프로세서(120)는 포트폴리오 내에 하나 이상의 자산의 가중치를 최적화하는데에 사용되는 요소들을 선택한다. 예를 들면, 학술 연구는 특정한 경제적 변수들이 특정한 자산 클래스의 상대적인 실적을 예측할 수 있다는 것을 증명해왔다. 단계(220)에서 프로세서(120)에 의해 선택되는 요소들은 시장 변동성, 신용 위험 프리미엄, 기간 구조의 기울기, 단기 비율의 레벨 및/또는 기타와 같은 통상적으로 비 거래(non-traded) 요소들이다. 헤지 펀드 매니저들은 그들의 투자 전략을 설계함에 있어서 이러한 경제적 변수들의 일부를 사용할 수 있다. 그러므로, 동일한 경제적 변수들은 본 발명의 일부 실시예들의 각각의 자산 클래스의 최적 가중의 변화를 예측하는 데에 유용할 수 있다.
도 2에 도시된 실시예에서, 프로세서(120)는 지분의 수익 및 고정된 수입 투자의 예측성에 대한 이전 학술 및 산업 연구와 관련하여 데이터를 분석함으로써 후보 요소들을 식별한다. 예를 들면, 일 실시예에서, 프로세서(120)는 후보 변수들의 예측력을 결정하는 다변수 회귀 모델들을 사용하여 후보 요소들의 샘플외(out-of-sample) 예측력을 사용할 수 있다. 따라서, 프로세서(120)는 다양한 자산 클래스의 상대적인 실적을 예상하는 데에 유용하다고 증명된 후보 요소들을 식별할 수 있다. 후보 요소들의 그룹이 식별된 후에, 프로세서(120)는 그들의 예측력이 결정될 수 있는지 결정하는 테스트를 한다. 예를 들면, 일 실시예에서, 프로세서(120)는 후보 요소들의 예측력을 추정하는 다변수 회귀 모델을 사용하여 후보 요소들의 샘플의 예측력을 사용한다. 상당한 예측력을 갖는 후보 요소들은 포트폴리오를 최적화시키는 것에서의 사용을 고려할 수 있다. 마지막으로, 후보 요소들의 각각은 단계(225)에서 보다 구체적으로 분석된다.
후보 요소들의 세트가 식별된 후에, 단계(225)에서, 프로세서(120)는 포트폴리오 모델에 대한 자산 클래스들을 선택하는 단계식 절차를 사용한다. 프로세서(120)는 총 수익을 추정하는 수수료(fee)에 대해 벤치마크 상의 순수익(net returns)을 조정함으로써 시작한다. 이러한 실시예에서 그렇게 하기 위해, 높은 워터마크 대 현재 순 자산 가치(Net Asset Value; NAV)의 비율로 ht을 규정하고, 여기서 높은 워터마크는 NAV의 이전 가장 높은 값으로 규정된다. 다음으로, 관리 수수료의 현재 주기의 순수익이 (ht-1)보다 크다면, 매니저가 실적 수수료를 수집할 것으로 가정된다. 도 2에 도시된 실시예에서, 프로세서(120)는 다음 공식을 사용하여 벤치마크에 대한 추정되는 총 수익을 계산한다:
Figure pct00002
상기의 공식에서,
Figure pct00003
는 순 수수료 수익, inc는 월별 실적 수수료, 그리고 mgt는 월별 관리 수수료이다. 프로세서(120)가 추정된 총 수익을 계산한 후에, 자기상관(autocorrelation)의 존재를 위해 정정된다. 도 2에 도시된 실시예에서, 변수
Figure pct00004
은 자동상관관계의 추정된 값을 나타내는 데에 사용되고 "스무딩되지 않은(unsmoothed)" 수익은 다음 공식에 의해 계산된다:
Figure pct00005
스무딩되지 않은 수익을 계산한 후에, 프로세서(120)는 가중 요소들을 식별하는 단계식 회귀를 사용한다.
단계식 회귀는 회귀시 그것들의 통계적 의의에 기초하여 다중-선형 모델로부터 항을 더하고 제하는 규칙적인 방법이다. 프로세서(120)는 초기 모델로 시작하고 추가적으로 더 크고 더 작은 모델들의 설명 능력을 비교한다. 각각의 단계에서, 프로세서(120)는 잠재적인 항을 더하거나 더하지 않은 모델들을 테스트하도록 F-통계(statistic)의 P-값을 연산한다. 항이 현재 모델에 있지 않다면, 널(null) 가정은 항이 모델에 더해진다면 0 계수(coefficient)를 갖는 것이다. 널 가정을 거절할만한 증거가 충분한 증거가 있다면, 항은 모델에 더해진다. 반대로, 항이 현재 모델에 있다면, 널 가정은 항이 0 계수를 갖는 것이다. 널 가정을 거절하기 위한 증거가 충분하지 않다면, 항이 모델로부터 삭제된다.
후보 요소들에 단계식 회귀를 적용하기 위해, 도 2에 도시된 실시예에서, 프로세서(120)는 가장 중요한 요소를 사용하여 초기 모델에 맞는 GARCH 분산-공분산 행렬을 사용한다. 프로세서(120)는 다른 요소가 더해져야 하는지 테스트하는 데에 BIC(Baysian Information Criterion)를 사용한다. 추가적인 요소들이 더해지면, GARCH 분석 및 BIC는 가장 낮은 BIC를 갖는 모델이 선택될 때까지 재수행된다. 게다가, 일부 실시예들은 포트폴리오가 잘 분산되었다는 것을 확인하도록 최소 수의 자산이 포함되는 것을 요구할 수 있다. 일부 실시예들에서, 최대 수의 자산이 강요될 수 있다.
도 2에 도시된 실시예에서, BIC는 다음 식에 따라 결정된다:
Figure pct00006
n은 관찰된 자산의 수이고, k는 포트폴리오에 포함될 모델에 의해 선택된 자산의 수이고 RSS는 현재 포트폴리오의 제곱된 트랙킹 오차들의 합이다. 하나의 자산, k=1 로부터 시작하여 BIC의 가장 낮은 값이 얻어질 때까지 추가적인 자산들이 더해진다. k의 최종 값이 최소값보다 크고 최대값보다 작도록 요구된다. 도 2에 도시된 실시예에서, 최소값은 5이고 최대 값은 10이지만, 다른 적절한 값들이 관리 하의 자산의 값에 기초하여 사용될 수 있다. 예를 들면, 관리 하의 자산의 값이 증가하면 최소 및/또는 최대값 또한 증가한다.
다른 실시예에서, 단계식 회귀를 수행하기 위해, 프로세서(120)는 다음 세 가지 단계를 수행한다. 제1 단계에서, 프로세서(120)는 최초 모델에 맞춘다. 제2 단계에서, 모델에 있는 어떠한 항도 진입 공차(entrance tolerance)보다 작은 p-값을 갖지 않다면, 프로세서(120)는 모델에 가장 작은 p-값을 갖는 항을 더하고 제2 단계를 반복한다. 예를 들면, 모델에 더해진다면 0 계수를 가질 것 같지 않은 항이 이 단계에서 모델에 더해질 수 있다. 마지막으로, 제3 단계에서, 모델 내의 임의의 항이 출구 공차보다 큰 p-값들을 갖는다면, 프로세서(120)는 가장 큰 p-값을 갖는 항을 제하고 제2 단계로 돌아간다. 예를 들면, 0-계수의 가정이 항에 대해 거절될 수 없어 보인다면, 그것은 제해져야 한다. 출구 공차보다 큰 p-값들을 갖는 항이 없다면, 절차는 완료된다. 일부 실시예들에서, 잘 분산된 포트폴리오를 확인할 수 있는 제한이 단계식 절차에 부가될 수 있다. 그러한 제한은 선택된 자산들의 수가 적어도 포트폴리오에 포함된 자산들의 최소값 만큼 커질 때까지 p-값을 조정할 수 있다.
단계(230)에서, 프로세서(120)는 자산 수익의 분산-공분산, 벤치마크의 분산, 자산 수익 및 벤치마크의 공분산 벡터, 및 자산의 예상 수익을 추정하는 GARCH 분석을 수행한다. GARCH 분석은 일반화된 자동회귀적 조건부 이분산(heteroscedasticity) 분석이고, 변동에 연속적인 의존성을 모델링하는 데에 사용될 수 있는 기술이다. 임의의 적절한 GARCH 모델은 본 발명의 상이한 실시예들에서 사용될 수 있지만, 도 2에 도시된 실시예에서는, GARCH 모델은 다음 공식을 포함한다:
Figure pct00007
상기의 모델에서, i=1,2에 대한 ai는 모델의 파라미터들이고, mt는 추정된 평균치이고, yt는 예상치 못한 수익이고, st는 분산-공분산 행렬이다. 프로세서(120)는 예측 변수들의 평균 제곱 오차(mean squared error)를 최소화함으로써 2개의 파라미터 ai를 추정한다. 예측 변수들은 분산 및 공분산의 추정된 값들을 지칭하고 오차들은 이러한 분산 및 공분산의 추정된 값들과 인지된 값들 사이의 차를 지칭한다. 프로세서(120)가 GARCH 모델을 적용한 후에, 다음의 모델을 사용하여 추정 분산-공분산 행렬의 견고함을 향상할 수 있는 축소 방식이 사용된다.
Figure pct00008
상기의 모델에서,
Figure pct00009
은 모든 비대각(off-diagonal) 상호관계가 평균 비대각 상관관계와 동일할 것으로 가정되는 st로부터 얻어지는 분산-공분산 행렬이다. GARCH 분석을 완료한 후에, 방법은 단계(160)로 진행한다.
단계(235)에서, 프로세서(120)는 최적화 절차를 사용하여 포트폴리오를 구성한다. 도 2에 도시된 실시예에서, 프로세서(120)는 통상의 평균-분산 최적화를 수행한다. 상기에서 추정되는 조건부 분산-공분산 행렬을 사용함으로써, 실시예는 다음의 추정을 해결하며, 여기서 자산 가중치의 벡터는 wt로 명시된다:
Figure pct00010
이 실시예에서,
Figure pct00011
은 자산 수익의 분산-공분산이고,
Figure pct00012
은 벤치마크를 갖는 자산 수익의 분산 벡터이고
Figure pct00013
은 벤치마크의 분산이다. 게다가, 파라미터
Figure pct00014
은 자산 수익의 모멘텀에 할당되는 가중치를 결정한다. 그것의 값이 0에 동일하게 설정된다면, 모멘텀은 무시된다. 파라미터
Figure pct00015
은 트랙킹 오차를 최소화하기 위해 주어지는 가중치를 결정한다. 그것의 값이 1 보다 작다면, 최적화는 포트폴리오의 변동성을 최소화하기 위해 주어진 추가 가중치일 것이다.
단계(240)에서, 프로세서(120)는 포트폴리오에 대응하여 자산을 매입한다. 예를 들어, 일 실시예에서 프로세서(120)는 인터페이스 디바이스로 하여금 네트워크(180)를 통해 신호를 전송하여 자산이 매입되게 할 수 있거나 자산이 매도되게 할 수 있다. 이러한 실시예에서, 프로세서(120)는 투자 계좌 정보 및 지불 정보 뿐만 아니라 지정한 양의 지정한 자산을 매입 또는 매도하는 명령어를 제공할 수 있다.
단계(245)에서, 프로세서(120)는 시장 변동성에 적어도 부분적으로 기초하여 포트폴리오의 레버리지를 조정한다. 예를 들면, 시장의 변동성은 매일 액세스될 수 있다. 시장 변동성을 모니터하기 위해, 프로세서(120)는 현금으로 투자되는 포트폴리오의 퍼센티지에 기초하여 절차를 따른다. 일 실시예에서, 포트폴리오는 포트폴리오의 예상 변동성이 미리 지정된 대역 내에 유지되도록 조정된다. 이러한 실시예에서, 변동성 대역의 하한은
Figure pct00016
으로 나타내며, 변동성 대역의 상한은
Figure pct00017
으로 나타낸다. 현금으로 투자되는 포트폴리오의 퍼센티지를 결정하기 위해, 단계(235)에서 결정되는 최적의 가중치에 대응하는 다음의 식이 사용될 수 있다.
Figure pct00018
프로세서(120)는 모든 다른 위험 자산들에 투자되는 포트폴리오의 퍼센티지를 또한 고려하며, 이는 다음의 식으로 나타낸다:
Figure pct00019
프로세서(120)는 일 실시예에 이전의 기간 동안 실제 포트폴리오의 변동성을 추정한다. 예를 들면,
Figure pct00020
가 추정 변동성의 값을 명시하고, 추정 변동성이
Figure pct00021
보다 작다면, 모든 가중치
Figure pct00022
은 다음에 의해 곱해진다.
Figure pct00023
이러한 실시예에서, 추정 변동성이
Figure pct00024
보다 크다면, 모든 가중치들
Figure pct00025
은 다음에 의해 곱해진다.
Figure pct00026
이러한 실시예는 미리 지정된 대역 내에 포트폴리오의 변동성이 유지되는 것을 확인하기를 도울 수 있다.
일 실시예에서, 프로세서(120)는 포트폴리오의 레버리지를 증가 또는 감소시키는 위험 중복 방식을 또한 사용한다. 이러한 실시예에서, 지수-스무딩(exponentially-smoothing) 방식은 VIX와 같은 위험 요소의 평균을 추정하는 데에 사용된다. 지수-스무딩된 평균의 추정치로 보았을 때, 가중 요소들은 포트폴리오의 변동성을 지정된 대역 내에 유지되는 것을 확인하기를 돕도록 조정될 수 있다.
프로세서(120)는 포트폴리오에서 각각의 자산의 적절한 최종 가중치를 계산한다.
Figure pct00027
상기의 실시예에서,
Figure pct00028
은 포트폴리오의 자산 i의 최종 가중치를 명시한다. 이러한 식은 함축된 변동성 지수, VIX의 현제 레벨이 VIX의 평균 레벨보다 높으면, mvixt로 명시되며, 포트폴리오는 시장 노출을 감소하기 위해 디-레버리지(de-levered)될 것이다. 반면에, VIX의 현재 값이 상대적으로 낮다면, 펀드의 레버리지는 레버리지가 MaxL을 초과할 수 없는 제한의 증가한 대상일 수 있다. 게다가, 레버리지의 최소 양은 MinL에 의해 제한된다. 상기의 실시예에서, MaxL = 1.15이고 MinL = 0.85이며, 일부 실시예들을 통해, 다른 최소값 및 최대값도 사용될 수 있다.
단계(250)에서, 프로세서(120)는 주기적으로 포트폴리오의 자산 할당을 모니터하고 예측 요소들의 변화에 기초하여 포트폴리오를 조정한다. 반면에, 도 2에 도시된 실시예에서, 벤치마크에 관련된 포트폴리오의 실적은 월별로 모니터되며, 일부 실시예들에서, 프로세서(120)는 매일 포트폴리오의 자산 할당을 모니터할 수 있다. 예측 요소에서의 변화가 발행함에 따라, 포트폴리오 내의 각각의 자산에 대한 최적 할당 가중치 또한 변할 수 있다. 게다가, 전술된 VIX의 값은 또한 매일 변할 수 있다. 이러한 값들이 변함에 따라, 그것은 포트폴리오 내의 최적의 자산 할당에 영향을 미칠 수 있다. 그러나, 일부 경우들에서 자산 할당을 변화시키는 것이 바람직하지 않을 수 있다. 도 2에 도시된 실시예에서, 자산들은 자산 할당의 가중치가 이전 할당에 비해 크게 변한다면 포트폴리오에 또는 포트폴리오로부터 거래된다. 예를 들면, 이 실시예에서,
Figure pct00029
로 주어진, 새로운 최적 가중치의 평균이 q보다 더 상이할 때에만 위치들이 조정될 것이다.
Figure pct00030
전술된 바와 같이, 프로세서(120)는 적절한 레버리지 비율 및 자산 할당 비율을 유지하기 위해 주기적으로 단계(245, 250)들을 수행하기를 계속할 수 있다. 추가적으로, 방법은 포트폴리오 내에 포함할 적절한 자산을 재-평가하기 위해 단계(215)에 주기적으로 돌아갈 수 있다.
본원에서의 방법 및 시스템이 다양한 머신 상에서 실행되는 소프트웨어의 관점으로 설명되었지만, 방법 및 시스템은 특별히 다양한 방법을 실행하기 위한 FPGA(field-programmable gate array)와 같은 특별히 구성되는 하드웨어로 구현될 수 있다. 예를 들면, 도 1 및 도 2를 다시 참조하여, 실시예들은 디지털 전자 회로로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 또는 그들의 조합으로 구현될 수 있다. 일 실시예에서, 컴퓨터는 프로세서 또는 프로세서들을 포함할 수 있다. 프로세서는 프로세서에 결합된 RAM(random access memory)과 같이, 컴퓨터-판독가능한 매체를 포함한다. 프로세서는 이미지를 편집하기 위한 하나 이상의 컴퓨터 프로그램을 실행하는 것과 같은, 메모리에 저장된 컴퓨터-실행가능한 프로그램 명령어를 실행한다. 그러한 프로세서들은 마이크로프로세서, DSP(digital signal processor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 및 상태 머신을 포함할 수 있다. 그러한 프로세서들은 PLC, PIC(programmable interrupt controller), PLD(programmable logic device), PROM(programmable read-only memory), EPROM(electronically programmable read-only memory) 또는 EEPROM, 또는 다른 유사한 디바이스들과 같은 프로그램가능한 전자 디바이스들을 더 포함할 수 있다.
그러한 프로세서들은 예를 들면 컴퓨터-판독가능한 매체인 프로세서에 의해 실행되었을 때 프로세서로 하여금 본원에서 설명된 단계들을 수행하게 하는 명령어들을 저장할 수 있는 매체와 통신할 수 있거나 포함할 수 있다. 컴퓨터-판독가능한 매체의 실시예들은 컴퓨터-판독가능한 명령어들을 갖는 웹 서버의 프로세서와 같은, 프로세서를 제공할 수 있는 전자, 광, 자기, 또는 다른 저장 디바이스를 포함하지만, 이에 제한되지 않을 수 있다. 매체의 다른 예들은 플로피 디스크, CD-ROM, 자기 디스크, 메모리 칩, ROM, RAM, ASIC, 구성된 프로세서, 모든 광 매체, 모든 자기 테이프 또는 다른 자기 매체, 또는 컴퓨터가 다른 임의의 매체 형식을 포함하지만 이에 제한되지는 않는다. 설명된 프로세서 및 프로세싱은 하나 이상의 구조일 수 있고, 하나 이상의 구조를 통해 분산될 수 있다. 프로세서는 본원에서 설명된 하나 이상의 방법들(또는 방법들의 일부)을 수행하는 코드를 포함할 수 있다.
본 발명의 일부 실시예의 전술한 설명은 도시 및 설명의 목적으로만 나타내었으며 개시된 세부적인 형태로 본 발명을 제한하거나 철저히 하려고 하는 것이 아니다. 그것들의 다수의 수정 및 적용은 당업자들에게 본 발명의 사상 및 범위를 떠나지 않으며 명확할 것이다.

Claims (17)

  1. 복수의 펀드를 설명하는 정보를 수신하는 단계,
    투자 포트폴리오에 대한 벤치마크의 선택을 수신하는 단계,
    상기 투자 포트폴리오에 대한 자산들의 후보 세트를 식별하는 단계 - 투자의 상기 후보 세트는 복수의 자산 클래스를 포함함 -,
    상기 복수의 자산 클래스 중 적어도 하나와 연관시키기 위해 후보 가중 요소들의 세트를 식별하는 단계,
    후보 가중 요소들의 상기 세트로부터 적어도 하나의 가중 요소를 선택하는 단계,
    단계식 절차에 기초하여 상기 복수의 자산 클래스로부터 적어도 하나의 자산 클래스를 선택하고 상기 적어도 하나의 가중 요소를 적어도 하나의 자산 클래스와 연관시키는 단계,
    상기 적어도 하나의 가중 요소의 가중 값을 결정하는 단계,
    GARCH 분석에 기초하여, 자산 수익의 분산/공분산, 상기 벤치마크의 분산, 자산 수익의 공분산 벡터, 및 자산의 예상 수익을 추정하는 단계,
    상기 적어도 하나의 가중 요소에 기초하여 자산들의 상기 후보 세트들 중 적어도 하나로부터 상기 투자 포트폴리오를 구성하는 단계, 및
    상기 투자 포트폴리오에 대응하여 자산들을 매입하는 단계
    를 포함하는 컴퓨터로 구현되는 방법.
  2. 제1항에 있어서,
    시장 변동성에 적어도 부분적으로 기초하여 상기 투자 포트폴리오의 레버리지를 조정하는 단계를 더 포함하는 컴퓨터로 구현되는 방법.
  3. 제1항에 있어서,
    상기 자산 클래스들 중 적어도 하나는 상품(commodity)에 대응하는 컴퓨터로 구현되는 방법.
  4. 제1항에 있어서,
    상기 복수의 펀드는 헤지 펀드, 투자불가능 지수(uninvestable index), 또는 투자가능 지수(investable index) 중 적어도 하나를 포함하는 컴퓨터로 구현되는 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 가중 요소에 기초하여 상기 투자 포트폴리오를 모니터하는 단계를 더 포함하는 컴퓨터로 구현되는 방법.
  6. 제2항에 있어서,
    상기 투자 포트폴리오를 모니터하는 단계는 상기 적어도 하나의 가중 요소에 기초하여 상기 투자 포트폴리오로부터 또는 투자 포트폴리오에 자산을 거래하는 단계를 포함하는 컴퓨터로 구현되는 방법.
  7. 제2항에 있어서,
    상기 투자 포트폴리오를 모니터하는 단계는 상기 가중 값을 조정하는 단계를 포함하는 컴퓨터로 구현되는 방법.
  8. 제1항에 있어서,
    상기 적어도 하나의 가중 요소에 기초하여 상기 투자 포트폴리오를 모니터하는 단계를 더 포함하는 컴퓨터로 구현되는 방법.
  9. 제1항에 있어서,
    상기 벤치마크는 적어도 하나의 헤지 펀드 매니저에 기초하여 상기 투자 포트폴리오에 대한 원하는 수익을 포함하는 컴퓨터로 구현되는 방법.
  10. 제3항에 있어서,
    상기 벤치마크는 공식적으로 사용가능한 투자불가능 지수에 기초하는 컴퓨터로 구현되는 방법.
  11. 제1항에 있어서,
    하나 이상의 헤지 펀드 매니저들과 연관된 데이터를 필터링하는 단계를 더 포함하는 컴퓨터로 구현되는 방법.
  12. 제5항에 있어서,
    하나 이상의 헤지 펀드 매니저들과 연관된 데이터를 필터링하는 단계는 하나 이상의 헤지 펀드 매니저들의 각각에 의해 사용되는 전략을 결정하는 단계를 포함하는 컴퓨터로 구현되는 방법.
  13. 제1항에 있어서,
    상기 자산 클래스들은 상장지수펀드(Exchange Traded Fund), 상장지수채권(Exchange Traded Note) 또는 선물 계약(futures contract) 중 적어도 하나를 포함하는 컴퓨터로 구현되는 방법.
  14. 제1항에 있어서,
    상기 적어도 하나의 후보 가중 요소는 시장 변동성, 신용 위험 프리미엄, 기간 구조의 기울기, 또는 단기 비율의 레벨 중 적어도 하나를 포함하는 컴퓨터로 구현되는 방법.
  15. 제1항에 있어서,
    상기 레버리지를 조정하는 단계는 매일 수행되는 컴퓨터로 구현되는 방법.
  16. 컴퓨터로 구현되는 방법을 수행하기 위한 프로그램 코드를 포함하는 컴퓨터-판독가능한 매체로서, 상기 프로그램 코드는
    복수의 펀드를 설명하는 정보를 수신하는 프로그램 코드,
    투자 포트폴리오에 대한 벤치마크의 선택을 수신하는 프로그램 코드,
    상기 투자 포트폴리오에 대한 자산들의 후보 세트를 식별하는 프로그램 코드 - 투자의 상기 후보 세트는 복수의 자산 클래스를 포함함 -,
    상기 복수의 자산 클래스 중 적어도 하나와 연관시키기 위해 후보 가중 요소들의 세트를 식별하는 프로그램 코드,
    후보 가중 요소들의 상기 세트로부터 적어도 하나의 가중 요소를 선택하는 프로그램 코드,
    단계식 절차에 기초하여 상기 복수의 자산 클래스로부터 적어도 하나의 자산 클래스를 선택하고 상기 적어도 하나의 가중 요소를 적어도 하나의 자산 클래스와 연관시키는 프로그램 코드,
    상기 적어도 하나의 가중 요소의 가중 값을 결정하는 프로그램 코드,
    GARCH 분석에 기초하여, 자산 수익의 분산/공분산, 상기 벤치마크의 분산, 자산 수익의 공분산 벡터, 및 자산의 예상 수익을 추정하는 프로그램 코드,
    상기 적어도 하나의 가중 요소에 기초하여 자산들의 상기 후보 세트들 중 적어도 하나로부터 상기 투자 포트폴리오를 구성하는 프로그램 코드, 및
    상기 투자 포트폴리오에 대응하여 자산들을 매입하는 프로그램 코드
    를 포함하는 컴퓨터-판독가능한 매체.
  17. 복수의 펀드를 설명하는 정보를 수신하기 위한 인터페이스 디바이스,
    메모리, 및
    상기 메모리 및 상기 인터페이스 디바이스와 통신하는 프로세서
    를 포함하고,
    상기 프로세서는,
    복수의 펀드를 설명하는 정보를 수신하고,
    투자 포트폴리오에 대한 벤치마크의 선택을 수신하고,
    상기 투자 포트폴리오에 대한 자산들의 후보 세트를 식별하고 - 투자의 상기 후보 세트는 복수의 자산 클래스를 포함함 -,
    상기 복수의 자산 클래스 중 적어도 하나와 연관시키기 위해 후보 가중 요소들의 세트를 식별하고,
    후보 가중 요소들의 상기 세트로부터 적어도 하나의 가중 요소를 선택하고,
    단계식 절차에 기초하여 상기 복수의 자산 클래스로부터 적어도 하나의 자산 클래스를 선택하여 상기 적어도 하나의 가중 요소를 적어도 하나의 자산 클래스와 연관시키고,
    상기 적어도 하나의 가중 요소의 가중 값을 결정하고,
    GARCH 분석에 기초하여, 자산 수익의 분산/공분산, 상기 벤치마크의 분산, 자산 수익의 공분산 벡터, 및 자산의 예상 수익을 추정하고,
    상기 적어도 하나의 가중 요소에 기초하여 자산들의 상기 후보 세트들 중 적어도 하나로부터 상기 투자 포트폴리오를 구성하고,
    상기 투자 포트폴리오에 대응하여 자산들을 매입하도록
    구성된 시스템.
KR1020117008558A 2008-09-15 2009-09-15 투자 트랙킹을 위한 시스템 및 방법 KR20110100188A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US9710208P 2008-09-15 2008-09-15
US61/097,102 2008-09-15

Publications (1)

Publication Number Publication Date
KR20110100188A true KR20110100188A (ko) 2011-09-09

Family

ID=42005539

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020117008558A KR20110100188A (ko) 2008-09-15 2009-09-15 투자 트랙킹을 위한 시스템 및 방법

Country Status (3)

Country Link
US (1) US20100070429A1 (ko)
KR (1) KR20110100188A (ko)
WO (1) WO2010031053A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8374951B2 (en) * 2002-04-10 2013-02-12 Research Affiliates, Llc System, method, and computer program product for managing a virtual portfolio of financial objects
US7747502B2 (en) 2002-06-03 2010-06-29 Research Affiliates, Llc Using accounting data based indexing to create a portfolio of assets
US8005740B2 (en) 2002-06-03 2011-08-23 Research Affiliates, Llc Using accounting data based indexing to create a portfolio of financial objects
US8374937B2 (en) * 2002-04-10 2013-02-12 Research Affiliates, Llc Non-capitalization weighted indexing system, method and computer program product
US8589276B2 (en) 2002-06-03 2013-11-19 Research Afiliates, LLC Using accounting data based indexing to create a portfolio of financial objects
US8306892B1 (en) 2007-11-15 2012-11-06 Pacific Investment Management Company LLC Fixed income securities index
US20100287113A1 (en) * 2009-05-08 2010-11-11 Lo Andrew W System and process for managing beta-controlled porfolios
US10387957B2 (en) * 2009-09-02 2019-08-20 Nyse Group, Inc. Structured futures products
US8306895B1 (en) * 2009-11-23 2012-11-06 Morgan Stanley Fund Services, Inc. Portfolio confirmation and certification platform
US20120221376A1 (en) * 2011-02-25 2012-08-30 Intuitive Allocations Llc System and method for optimization of data sets

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7020629B1 (en) * 1999-10-26 2006-03-28 John Kihn Momentum investment system, process and product
US20020123951A1 (en) * 2000-10-18 2002-09-05 Olsen Richard B. System and method for portfolio allocation
US7085738B2 (en) * 2002-03-05 2006-08-01 Protégé Partners LLC Method and system for creating and operating an investable hedge fund index fund
US8005740B2 (en) * 2002-06-03 2011-08-23 Research Affiliates, Llc Using accounting data based indexing to create a portfolio of financial objects
WO2005008424A2 (en) * 2003-07-11 2005-01-27 Finanalytica, Inc. Providing optimization of a financial portfolio using a parametric leptokurtic distribution
JP2009528634A (ja) * 2006-03-01 2009-08-06 タウンセンド・アナリティクス・リミテッド リスク管理のための方法およびシステム

Also Published As

Publication number Publication date
US20100070429A1 (en) 2010-03-18
WO2010031053A1 (en) 2010-03-18

Similar Documents

Publication Publication Date Title
Cavallino Capital flows and foreign exchange intervention
KR20110100188A (ko) 투자 트랙킹을 위한 시스템 및 방법
US8180695B2 (en) Method of administering an investment fund that seeks to provide regular monthly payments without consuming principal
KR101136696B1 (ko) 기업성장단계를 표시하고, 이를 이용하여 주식의 저평가/고평가를 산출하는 주식정보 제공 방법 및 시스템
US8229834B2 (en) System, method and program for agency cost estimation
Gallmeyer et al. Tax management strategies with multiple risky assets
US20020007329A1 (en) Method and system for generating an index of investment returns
WO2009047638A2 (en) System and method for calculating a foreign exchange index
KR101004375B1 (ko) Ｐｓｒ 분석을 이용한 펀드 관리 방법 및 시스템
US20090070274A1 (en) Method and system for identification and analysis of investment assets
CA2689491A1 (en) System, method and program for agency cost estimation
US20130173496A1 (en) Multicap value investment methodology
Schnorrenberger Fixed-income portfolio optimization based on dynamic Nelson-Siegel models with macroeconomic factors for the Brazilian yield curve
Burger An analysis of the risk free rate in the South African capital market
WO2009017564A1 (en) Equity/interest rate hybrid hedging system and method
Kling et al. Guaranteed minimum surrender benefits in variable annuities: the impact of regulator-imposed guarantees
Monteiro et al. Prediction and Allocation of Stocks, Bonds, and REITs in the US Market
Eltahir et al. Does Volatility Generate Major and Minor Stocks in Saudi Stocks Market?
Consigli et al. Asset liability management under sequential stochastic dominance constraints
Irell Fridlund et al. Dispersion Trading: A Way to Hedge Vega Risk in Index Options
Vervuurt Business Cycle Based Portfolio Optimisation
Look Under the Microscope: Fixed-Indexed Annuities with Guaranteed Lifetime Withdrawal Benefits
Giesecke et al. Fixed-income portfolio selection
Fraenkle et al. algorithmic trading
KEPLER Hedging with Commodity Futures and the End of Normal Backwardation

Legal Events

Date Code Title Description
N231 Notification of change of applicant
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid