Next, we calculated the out-of-samp

Next, we calculated the out-of-sample performance of the randomly selected portfolios according to equations (5) and (6), the averages of which are shown in the second
column of table 4.
We conclude that, roughly spoken, the optimal GA tracker, on average, performs almost four times better than a randomly selected portfolio with optimized stock weights.
We further selected the 10 highest, respectively lowest capitalized stocks in the AEX-index using equal weights,the tracking errors of which are shown in the fourth column
of table 4 and the tracking behaviors of which are shown in figure 2.
Actually, the tracking errors of the portfolio consisting of the 10 highest capitalized stocks appear to be quite small although the performance in terms of the value
of this portfolio is slightly worse than that of the index.
In addition we observe that the tracking errors of the lowest capitalized stocks in the AEX-index appear to be higher while the performance in terms of the value of this stock
is much better than the AEX-index.
Finally we applied full replication of the AEX-index, the performances of which are
shown in the last column.
As expected, these performances are very well although not 100% due to (small) intermediate changes of the composition of the AEX-index in the out-ofsample
test data.

ผลลัพธ์ (ไทย) 1:

ถัดไป เราได้ประสิทธิภาพออกของตัวอย่างของการสุ่มเลือกพอร์ตการลงทุนตามสมการ (5) และ (6), ค่าเฉลี่ยซึ่งจะแสดงในสอง
คอลัมน์ของตาราง 4
เราสรุปว่า พูดหยาบ ๆ tracker GA สูงสุด เฉลี่ย ทำเกือบสี่ครั้งดีกว่าผลงานสุ่มเลือกกับปรับน้ำหนักหุ้น.
เราเลือก 10 สูงสุด เพิ่มเติม ต่ำสุดตามลำดับบันทึกหุ้นในดัชนี AEX ที่ใช้น้ำหนักเท่ากัน การติดตามข้อผิดพลาดที่แสดงในคอลัมน์สี่
ตาราง 4 และติดตามพฤติกรรมที่จะแสดงในรูปที่ 2
จริง ติดตามข้อผิดพลาดของผลงานประกอบด้วยหุ้นบันทึกเป็นสินทรัพย์สูงสุด 10 จะ มีขนาดค่อนข้างเล็กแต่ประสิทธิภาพในค่า
ของผลงานนี้เป็นการเล็กน้อยยิ่งกว่าที่ดัชนี
นอกจากนี้เราสังเกตว่า ข้อผิดพลาดการติดตามที่ดีสุดบันทึกเป็นสินทรัพย์หุ้นในดัชนี AEX ปรากฏจะสูงในขณะที่ประสิทธิภาพในค่าของสินค้าคงคลังนี้
ดีกว่า AEX-ดัชนี.
ในที่สุด เราใช้การจำลองแบบเต็มของ AEX-ดัชนี การแสดงของที่อยู่
แสดงในคอลัมน์
ตามที่คาดไว้ เหล่านี้แสดงได้ดีมากแม้ว่าจะไม่ 100% เนื่องจากการเปลี่ยนแปลงระดับกลาง (เล็ก) ขององค์ประกอบของดัชนี AEX ใน ofsample ออก
ทดสอบข้อมูล

ผลลัพธ์ (ไทย) 2:

ต่อไปเราจะมีการคำนวณผลการดำเนินงานออกจากตัวอย่างของพอร์ตการลงทุนการสุ่มเลือกตามสมการ (5) และ (6) ค่าเฉลี่ยซึ่งจะแสดงในสอง
คอลัมน์ของตารางที่ 4
เราสรุปได้ว่าพูดประมาณที่เหมาะสม จอร์เจียติดตามเฉลี่ยดำเนินการเกือบสี่ครั้งดีกว่าผลงานที่สุ่มเลือกหุ้นที่มีน้ำหนักที่ดีที่สุด
เรายังเลือก 10 สูงสุดตามลำดับหุ้นทุนต่ำสุดใน AEX ดัชนีการใช้น้ำหนักเท่ากันข้อผิดพลาดในการติดตามซึ่งจะแสดงใน คอลัมน์ที่สี่
ของตาราง 4 และพฤติกรรมการติดตามซึ่งจะแสดงในรูปที่ 2
ที่จริงแล้วข้อผิดพลาดติดตามผลงานซึ่งประกอบด้วยหุ้นสูงสุด 10 ตัวพิมพ์ใหญ่ดูเหมือนจะเป็นขนาดเล็กมากถึงแม้ว่าผลการดำเนินงานในแง่ของมูลค่า
ของผลงานนี้เป็นเพียงเล็กน้อย เลวร้ายยิ่งกว่าที่ของดัชนี
นอกจากนี้เราสังเกตว่าข้อผิดพลาดในการติดตามของหุ้นทุนต่ำสุดใน AEX ดัชนีดูเหมือนจะสูงขึ้นในขณะที่ผลการดำเนินงานในแง่ของมูลค่าของหุ้นนี้
จะดีกว่า AEX ดัชนี
สุดท้าย เราใช้การจำลองแบบเต็มรูปแบบของ AEX ดัชนีการแสดงที่มีการ
แสดงในคอลัมน์สุดท้าย
ตามคาดการแสดงเหล่านี้เป็นอย่างดีถึงแม้จะไม่ 100% เนื่องจาก (เล็ก) การเปลี่ยนแปลงขององค์ประกอบกลางของ AEX ดัชนีใน ออก ofsample
ข้อมูลการทดสอบ

ผลลัพธ์ (ไทย) 3:

ต่อไป เราจะคำนวณจากตัวอย่างการทำงานของสุ่มพอร์ตตามสมการ ( 5 ) และ ( 6 ) , ค่าเฉลี่ยของซึ่งจะแสดงในคอลัมน์ที่สอง
โต๊ะ 4
เราสรุปได้ว่า ประมาณพูด , ติดตาม , GA ที่เหมาะสมโดยเฉลี่ยมีประสิทธิภาพดีกว่าการสุ่มเลือกผลงานที่ดีที่สุดกับหุ้นหนักเกือบสี่ครั้ง .
เราเพิ่มเติมเลือก 10 สูงสุดตามลำดับค่าหุ้นในดัชนีอุตสาหกรรมใหญ่ใช้น้ำหนักที่เท่ากัน การติดตามข้อผิดพลาดที่ปรากฏในคอลัมน์ของตารางที่ 4
4 และติดตามพฤติกรรมของซึ่งจะแสดงในรูปที่ 2
จริง , ติดตามข้อผิดพลาดของแฟ้มสะสมผลงาน ประกอบด้วย 10 สูงสุดหุ้นใหญ่ที่ปรากฏจะค่อนข้างเล็กแต่สมรรถนะในแง่ของค่า
ของผลงานนี้จะแย่ลงเล็กน้อยกว่าของดัชนี
นอกจากนี้ เราสังเกตว่า การติดตามข้อผิดพลาดของค่าหุ้นในดัชนีอุตสาหกรรมใหญ่ที่ปรากฏจะเพิ่มขึ้นประสิทธิภาพในแง่ของมูลค่าของหุ้น
ดีกว่าดัชนีอุตสาหกรรม .
ในที่สุดเราใช้งานเต็มรูปแบบของดัชนีอุตสาหกรรม , การแสดงที่
แสดงในคอลัมน์สุดท้าย .
ตามคาดการแสดงเหล่านี้เป็นอย่างดีแม้ว่าจะไม่ 100 % เนื่องจาก ( ขนาดเล็ก ) การเปลี่ยนแปลงระดับกลางขององค์ประกอบของดัชนีอุตสาหกรรมในข้อมูลการทดสอบตัวอย่าง