انكماش التغاير لدى Ledoit–Wolf: الصيغة والأهداف ومخاطر المحفظة

عند توافر \(T\) مشاهدة للعوائد على \(N\) أصول، تقدّر مصفوفة تغاير العينة \(S\) تباين كل أصل وتغاير كل زوج من التاريخ المحدود نفسه. ويزداد عدد العناصر المميزة تقريباً مع \(N^2\). إذا لم يكن عدد الأصول صغيراً مقارنة بعدد المشاهدات، فقد تحمل تقديرات كثيرة للتغاير الفردي قدراً كبيراً من ضوضاء العينة.

تزداد أهمية هذه الضوضاء عندما تعكس طريقة المحفظة المصفوفة. فقد يضخم المعكوس أخطاء التقدير: إذ يمكن لتغيرات صغيرة في الارتباطات المقدّرة أن تؤدي إلى تغيرات كبيرة في الأوزان المثلى. وفي مصفوفة تغاير العينة المعتادة بعد طرح المتوسط، لا تتجاوز رتبة مصفوفة البيانات \(T-1\)، ولذلك تصبح \(S\) مفردة عندما \(N\geq T\). وقد يكون تكييفها سيئاً حتى قبل أن تصبح مفردة. يناقش Ledoit وWolf هذه الصعوبة عالية الأبعاد في عملهما عن تقدير التغاير ذي التكييف الجيد (200400096-4)).

يضيف الانكماش بنية إلى تقدير العينة المشوش. وهو خيار تنظيم لمدخل التغاير، وليس دليلاً على أن الأصول تتبع نموذج الهدف فعلاً، كما أنه لا يقدّر العوائد المتوقعة. وترتبط المسألة الأوسع، وهي أثر القيم الذاتية لتغاير العينة في مخاطر المحفظة، بدليل القيم الذاتية والمخاطر المالية.

إحدى الصيغ الخطية الشائعة هي

\[ \widehat{\Sigma}_{\mathrm{lin}}=(1-\widehat{\delta})S+\widehat{\delta}F,\qquad 0\leq\widehat{\delta}\leq1, \]

حيث تمثل \(S\) تغاير العينة، وتمثل \(F\) هدفاً منظّماً، وتمثل \(\widehat{\delta}\) شدة الانكماش المقدّرة. عند الصفر يساوي التقدير مصفوفة العينة، وعند الواحد يساوي الهدف. أما القيم بينهما فتنتج مزيجاً محدباً.

يحدد اختيار \(F\) الأنماط التي يعدّها المقدّر مستقرة بما يكفي للاحتفاظ بها. وتحدد الشدة مقدار الوزن الذي تمنحه تلك البنية مقارنة بالعينة. عند تحديد الهدف ودالة الخسارة، تقدّر طرق Ledoit–Wolf الشدة من البيانات بدلاً من اشتراط مزيج اختير اعتباطياً. وتختلف صيغ التقدير التعويضي الدقيقة باختلاف الهدف والافتراضات؛ فلا توجد قيمة \(\widehat{\delta}\) واحدة مستقلة عن الهدف تعرّف كل طريقة تسمى «Ledoit–Wolf».

إن النتيجة الأصلية عالية الأبعاد لهدف مصفوفة الهوية هي مزيج محدب أمثل تقاربياً وفق دالة خسارة تربيعية ونظام تقاربي محددين، وليست ضماناً عاماً لكل عينة أو هدف (Ledoit وWolf، 200400096-4)). لذلك ينبغي أن تكون دالة الخسارة والهدف جزءاً من وصف المقدّر.

تستخدم عدة مقدّرات ذات صلة فكرة المزج نفسها، لكنها ترمز إلى بُنى مختلفة للتغاير.

• هدف المؤشر الواحد: يفسر عامل السوق الحركة المشتركة، ويتولى النموذج تمثيل البنية المتبقية. اقترح Ledoit وWolf مزيجاً ذا أوزان مثلى من تغاير العينة وتغاير نموذج المؤشر الواحد لتقدير تغاير عوائد الأسهم (200300007-0)).
• هدف الهوية المقيسة: يضع مستوى تباين مشتركاً على القطر وصفراً للتغاير خارج القطر. وهو يجذب القيم الذاتية نحو مركز مشترك وقد يحسّن التكييف، لكنه يفرض تساوي التباينات وانعدام التغاير، وهي بنية أشد تقييداً من هدف الارتباط الثابت.
• هدف الارتباط الثابت: يحتفظ بتباين العينة لكل أصل، ويستبدل الارتباطات الثنائية بمتوسط واحد. يسمح ذلك باختلاف تقلب الأصول مع تبسيط نمط الاعتماد بينها. وتعرض الورقة التطبيقية لعام 2004 الانكماش نحو هذا الهدف (Ledoit وWolf، 2004).

لا ينبغي اختزال هذه النسخ في عبارة «انكماش Ledoit–Wolf يدفع كل الارتباطات نحو الصفر». فبحسب \(F\)، قد يحتفظ الهدف بتغاير العامل المشترك، أو يقرب القيم الذاتية من متوسط، أو يدفع الارتباطات الثنائية نحو متوسطها المقطعي. كما أن تنظيم مصفوفة التغاير بعد جمع تقديرات الأزواج، كما في سير عمل التغاير غير المتزامن، خيار نمذجة منفصل.

لتكن \(S_{ii}\) تباين العينة للأصل \(i\)، وليكن \(s_i=\sqrt{S_{ii}}\). للأصول \(N\)، احسب ارتباط العينة لكل زوج \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\)، ثم خذ متوسط الارتباطات الفريدة خارج القطر:

\[ \bar{\rho}=\frac{2}{N(N-1)}\sum_{i<j}\widehat{\rho}_{ij}. \]

ويُعرّف هدف الارتباط الثابت كما يلي:

\[ F_{ii}=S_{ii},\qquad F_{ij}=\bar{\rho}\,s_is_j\quad(i\ne j). \]

وهكذا يحتفظ الهدف بتباينات العينة على القطر ويعيّن الارتباط نفسه \(\bar{\rho}\) لكل زوج من الأصول. يمزج تقدير التغاير النهائي هذا الهدف مع مصفوفة العينة الأصلية، ولا يستبدل جميع التقلبات بقيمة مشتركة. يختلف إنشاء الهدف وشدة الانكماش فيهما عن مقدّر هدف الهوية. ويصف التنفيذ المرجعي للمؤلفين هدفاً يحفظ تباينات العينة ويعيّن ارتباطاً مشتركاً (التنفيذ المرجعي).

<!-- learn:illustration --> <!-- رسم مفاهيمي بلا نص: ثلاث مصفوفات تغاير متناظرة 3×3 تحتفظ بخلايا القطر نفسها، بينما تتحرك علاقات العينة المختلفة خارج القطر باتجاه هدف واحد ذي ارتباط ثابت. الرسم ليس بيانات ولا تقديراً. -->

لنفترض أن مصفوفة تغاير عينة افتراضية، بوحدات مربعات النقاط المئوية، هي

\[ S=\begin{bmatrix} 4&3&-2\\ 3&9&6\\ -2&6&16 \end{bmatrix}\%^{2}. \]

الانحرافات المعيارية للعينة هي \(2\%\) و\(3\%\) و\(4\%\). والارتباطات الثنائية هي \(3/(2\cdot3)=0.50\)، و\(-2/(2\cdot4)=-0.25\)، و\(6/(3\cdot4)=0.50\). ومتوسطها

\[ \bar{\rho}=(0.50-0.25+0.50)/3=0.25. \]

ينتج عن ذلك الهدف

\[ F=\begin{bmatrix} 4&1.5&2\\ 1.5&9&3\\ 2&3&16 \end{bmatrix}\%^{2}. \]

لأغراض توضيح الحساب فقط، اختر \(\delta=0.40\). هذه قيمة تعليمية وليست شدة Ledoit–Wolf المقدّرة لهذه المشاهدات المختلقة:

\[ \widehat{\Sigma}=0.60S+0.40F= \begin{bmatrix} 4&2.4&-0.4\\ 2.4&9&4.8\\ -0.4&4.8&16 \end{bmatrix}\%^{2}. \]

يظل القطر \(4,9,16\). ويتحرك التغاير في الموضع \((1,3)\) من \(-2\) باتجاه قيمته المستهدفة \(2\)، لذا لا يعني الانكماش أن كل تغاير يتحرك نحو الصفر. المصفوفتان المعروضتان موجبتان شبه محددتين، ومن ثم يكون مزجهما المحدب موجباً شبه محدد أيضاً. المثال افتراضي ويوضح الحساب فقط، ولا يوصي بهدف أو يمثل علاقة سوق ملحوظة.

مع أوزان متساوية \(w=(1/3,1/3,1/3)^\top\)، يكون التباين في النموذج \(w^\top\Sigma w\). ومجموع عناصر مصفوفة العينة التسعة هو \(43\)، ولذلك

\[ w^\top S w=43/9\approx4.7778\ \%^{2}. \]

مجموع عناصر المصفوفة المنكمشة التوضيحية هو \(42.6\)، فيكون

\[ w^\top\widehat{\Sigma}w=42.6/9\approx4.7333\ \%^{2}. \]

ينشأ هذا الفرق الصغير حسابياً من تغيير مدخل التغاير. ولا يثبت أن التقدير المنكمش يتنبأ بالتباين المحقق على نحو أفضل. وقد ينتج عن مُحسّن الحد الأدنى للتباين أوزان مختلفة أيضاً لأنه يستخدم قيم التغاير، وغالباً معكوسها. في الظروف المناسبة، يمكن للانكماش أن يقلل حساسية هذه المدخلات لضوضاء العينة، مع أنه قد يغيّر التعرضات ومعدل دوران المحفظة.

في محافظ توازن المخاطر، يؤثر التغاير في مساهمة كل أصل بالمخاطر الإجمالية، لا في التباين التجميعي فقط؛ راجع دليل المساهمة المتساوية في المخاطر. وإذا استُخدم تقدير المخاطر لاحقاً لتحديد حجم المركز، كما في استهداف التقلب، فيلزم أيضاً التعامل على حدة مع الأفق المستهدف والتمييز بين المخاطر المحققة والمتوقعة.

يستخدم الانكماش الخطي شدة عددية واحدة لمزج المصفوفة كلها بهدف مختار. وفي حالة هدف الهوية، يمكن تفسيره من منظور القيم الذاتية: فهو يجذب قيم العينة الذاتية نحو مركز مشترك مع الإبقاء على متجهات العينة الذاتية. وقد يساعد ذلك على استقرار طيف مشوش، لكن وزن المزج نفسه يقيّد مقدار اختلاف التحويل بين القيم الذاتية.

أما الانكماش غير الخطي فيحوّل القيم الذاتية للعينة كلٌّ على حدة، مع الاحتفاظ عادة بمتجهاتها الذاتية في مقدّر متكافئ دورانياً. وتطوّر ورقة Ledoit وWolf لعام 2012 تحويلات غير خطية للقيم الذاتية لتقدير التغاير عالي الأبعاد (2012). كما تبحث دراسة اختيار المحافظ لهما في مقدّر مضبوط لهذا الهدف (2017). هذه الطرق ليست المزيج الخطي ذي الوزن الواحد المعروض أعلاه، ولا ينبغي وصفها بذلك.

قد يتمكن المقدّر الأكثر مرونة من تمثيل بنية التغاير بتفصيل أدق وفق افتراضاته، لكن هذا لا يجعله أفضل تلقائياً لكل مجموعة أصول أو نافذة زمنية. قارن المقدّر المحدد وافتراضاته وحسابه وأداءه خارج العينة. كما أن تحويل القيم الذاتية لا يتنبأ بنظام ارتباط مستقبلي.

يقلل الانكماش التباين بإضافة بنية، لكن قد تكون تلك البنية خاطئة. فقد يفوّت هدف المؤشر الواحد علاقات القطاعات أو الأساليب، وقد يفوّت هدف الارتباط الثابت التجمعات، وقد يحذف هدف الهوية المقيسة تغايرات حقيقية. ويمكن لتغير النظام أو التعرضات للعوامل أو المشاهدات غير المتزامنة أن تجعل هدف نافذة تاريخية وصفاً ضعيفاً للنافذة التالية. ولا تجعل الطريقة العوائد مستقلة أو ساكنة.

لادعاء الإيجابية شبه المحددة شروط. إذا كانت \(S\) و\(F\) موجبتين شبه محددتين و\(0\leq\delta\leq1\)، فسيكون مزجهما المحدب موجباً شبه محدد أيضاً. لكن ذلك لا يضمن وحده الإيجابية المحددة تماماً: فقد يكون للهدف قيم ذاتية صفرية، أو قد يكون وزنه صفراً. وقد يؤدي حذف البيانات لكل زوج باستخدام تواريخ مختلفة إلى مصفوفة عينة \(S\) غير موجبة شبه محددة؛ وعندئذ لا ينطبق استدلال التحدب ما لم يُصلح المدخل أو يُستبدل.

اذكر تعريف العائد، وتواتر المعاينة، ونافذة المشاهدات، وقاعدة معالجة القيم المفقودة، وطريقة معالجة المتوسط، والهدف، وإجراء تقدير الشدة. وحيثما كان ذلك مناسباً، وحّد جدول المشاهدات بين جميع الأصول. لا تختر الهدف لأنه أظهر أفضل نتيجة اختبار خلفي في البيانات نفسها المستخدمة للتقييم؛ فاختيار الهدف وتصميم المحفظة قراران بحثيان بحد ذاتهما.

يحدد التقييم المفيد مجموعة الأصول وأفق العائد وقاعدة إعادة الموازنة وموعد قطع المعلومات، ثم يقارن مصفوفة العينة ومقدّر الانكماش المختار وخط أساس مناسباً على نوافذ التدريب نفسها. يمكن تقييم توقعات التغاير بمقارنتها بقياس محقق لاحق، أو تقييم توقعات المحفظة في فترات محجوبة. اذكر دالة الخسارة وكيف توازن أخطاء التباين وأخطاء التغاير. ولا يعني انخفاض خطأ المصفوفة داخل العينة تحت خسارة معينة بالضرورة تحسن توقعات مخاطر المحفظة المستقبلية تحت خسارة أخرى.

في تطبيق المحفظة، أبلغ أيضاً عن أثر ذلك في الأوزان والتركيز ودوران المحفظة والقيود وتكاليف المعاملات المقدرة. مصفوفة التغاير مدخل واحد فقط للقرار؛ فالعوائد المتوقعة والتمويل وحدود المخاطر وافتراضات التنفيذ قد تغيّر المحفظة الناتجة. انخفاض رقم التكييف خاصية للمصفوفة، وليس ضماناً للعائد أو المخاطر المحققة.

كما أن خطأ تقدير المصفوفة وخطأ قرار المحفظة لا يُقيّمان بدالة الخسارة نفسها. فخسارة مجموع مربعات أخطاء كل عناصر المصفوفة تعامل أزواج الأصول بالتساوي، بينما يزن تباين محفظة محددة \(w^\top\Sigma w\) كل حد من حدود التباين والتغاير وفق التعرضات الفعلية. حدّد أولاً ما إذا كان هدف البحث استعادة المصفوفة ذاتها أم توقع ميزانية مخاطر معينة، ثم انشر معيار تقييم مناسباً. ولا تكون شدة الانكماش المختارة لهدف ما مثلى تلقائياً لهدف آخر.

عند فصل فترات التقييم، تحقّق أيضاً من أن البيانات المستخدمة لتقدير شدة الانكماش ومجموعة الأصول والمعلمات الفائقة كانت متاحة قبل كل تاريخ تقييم. فتقدير الشدة من كامل العينة ثم تقييم الأداء التاريخي على فترة أسبق قد يُدخل معلومات مستقبلية في الاختيار. وفي التقييم المتحرك، أعد حساب المقدّر في كل تاريخ باستخدام البيانات المتاحة حتى ذلك الوقت فقط، وسجّل طول النافذة والفاصل بين إعادة الموازنة. وإذا استُخدم تغاير محقق كمرجع، فبيّن أيضاً ما إذا كان أفق التوقع يتداخل مع آفاق أخرى أو يعيد استخدام البيانات نفسها.

التفسير الأكثر قابلية للدفاع محدود النطاق: تتيح طرق Ledoit–Wolf وسائل مستندة إلى البيانات لدمج تغاير عينة مشوش مع هدف أو تحويل مختار. وتتوقف فائدتها على مدى ملاءمة الهدف وافتراضات المعاينة والتقييم لمشكلة المخاطر المقصودة. إنها تقدير لبنية التغاير، وليست إشارة تداول مستقلة أو وعداً بتفوق الأداء.