In this thesis we investigate how to build a multi-factor portfolio, constructed out of long- short factors, that outperforms the equally weighted portfolio as well as the individual long-only factors. This factor investing approach is based on our linear factor model, con- sisting of the seven factors market, high yield, value, momentum, small size, quality and minimum volatility. Our model is based on the CAPM and the Fama-French five-factor model and does a good job at capturing the variance of asset returns. The portfolios we build are based on the Markovitz-λ problem and the reward-to-risk timing strategy, for which we estimate the covariance matrix and the expected returns of the factors. To estimate the expected returns, we use three methods and compare the resulting portfo- lios: We use the sample mean, a linear regression, and a long short-term memory neural network. We find that even though the long short-term memory neural network has the lowest root mean squared error for the predictions, the portfolios based on the sample mean have higher returns and Sharpe-ratios for most portfolio strategies. Lastly, we find, that a well diversified portfolio like the equally weighted portfolio outperforms most of our constructed portfolios regarding the return and Sharpe-ratio.     «

In this thesis we investigate how to build a multi-factor portfolio, constructed out of long- short factors, that outperforms the equally weighted portfolio as well as the individual long-only factors. This factor investing approach is based on our linear factor model, con- sisting of the seven factors market, high yield, value, momentum, small size, quality and minimum volatility. Our model is based on the CAPM and the Fama-French five-factor model and does a good job at capturing the varia...     »

In dieser Arbeit untersuchen wir, wie man ein aus Long-Short-Faktoren konstruiertes Multi-Faktor-Portfolio bauen kann, dass sowohl die 1/N-Strategie als auch die einzel- nen Long-Only-Faktoren übertrifft. Dieser Factor-Investing-Ansatz basiert auf unserem linearen Faktormodell, das aus den sieben Faktoren Markt, High Yield, Value, Momen- tum, Small Size, Quality und Minimum Volatility besteht. Unser Modell basiert auf dem CAPM und dem Fama-French Fünf-Faktoren-Modell und leistet gute Arbeit bei der Er- fassung der Varianz von Anlagerenditen. Die Portfolios, die wir erstellen, basieren auf dem Markovitz-λ-Problem und der Reward-to-Risk-Timing-Strategie, für die wir die Ko- varianzmatrix und die erwarteten Renditen der Faktoren schätzen. Um die erwarteten Renditen zu schätzen, verwenden wir drei Methoden und vergleichen die resultierenden Portfolios: Wir verwenden den Stichprobenmittelwert, eine lineare Regression und ein neuronales Netzwerk mit Long Short-term Memory. Wir finden, dass, obwohl das neu- ronale Netzwerk mit Long Short-term Memory den niedrigsten RMSE (Wurzel der mit- tleren quadratischen Abweichungen) für die Vorhersagen hat, die Portfolios, die auf dem Stichprobenmittelwert basieren, höhere Renditen und Sharpe-Ratios für die meisten Port- foliostrategien haben. Zusätzlich finden wir, dass ein gut diversifiziertes Portfolio wie das 1/N-Portfolio die meisten unserer konstruierten Portfolios hinsichtlich der Rendite und der Sharpe-Ratios übertrifft.      «

In dieser Arbeit untersuchen wir, wie man ein aus Long-Short-Faktoren konstruiertes Multi-Faktor-Portfolio bauen kann, dass sowohl die 1/N-Strategie als auch die einzel- nen Long-Only-Faktoren übertrifft. Dieser Factor-Investing-Ansatz basiert auf unserem linearen Faktormodell, das aus den sieben Faktoren Markt, High Yield, Value, Momen- tum, Small Size, Quality und Minimum Volatility besteht. Unser Modell basiert auf dem CAPM und dem Fama-French Fünf-Faktoren-Modell und leistet gute Arbeit...     »