Ledoit–Wolf কোভারিয়েন্স শ্রিঙ্কেজ: সূত্র, টার্গেট ও পোর্টফোলিও ঝুঁকি

\(N\)টি সম্পদের \(T\)টি রিটার্ন পর্যবেক্ষণ থেকে নমুনা কোভারিয়েন্স ম্যাট্রিক্স \(S\) একই সীমিত ইতিহাস ব্যবহার করে প্রতিটি সম্পদের variance এবং প্রতিটি জোড়ার covariance অনুমান করে। স্বতন্ত্র উপাদানের সংখ্যা মোটামুটিভাবে \(N^2\)-এর সঙ্গে বাড়ে। পর্যবেক্ষণের তুলনায় সম্পদের সংখ্যা ছোট না হলে অনেক পৃথক covariance অনুমানে উল্লেখযোগ্য sampling noise থাকতে পারে।

পোর্টফোলিও পদ্ধতি যখন ম্যাট্রিক্সটির inverse নেয়, তখন এই noise বিশেষভাবে গুরুত্বপূর্ণ। Inverse estimation error বাড়িয়ে দিতে পারে: অনুমিত correlation সামান্য বদলালেও optimized weight অনেকটা বদলে যেতে পারে। প্রচলিত mean-adjusted sample covariance-এ ডেটা ম্যাট্রিক্সের rank সর্বোচ্চ \(T-1\), তাই \(N\geq T\) হলে \(S\) singular হয়। Singular হওয়ার আগেও এটি poorly conditioned হতে পারে। ভালোভাবে conditioned covariance estimation নিয়ে কাজ করতে গিয়ে Ledoit ও Wolf এই উচ্চ-মাত্রিক সমস্যাটি আলোচনা করেছেন (২০০৪00096-4))।

শ্রিঙ্কেজ noisy sample estimate-এ কাঠামো যোগ করে। এটি covariance input-এর জন্য একটি regularization choice—সম্পদগুলো সত্যিই target model অনুসরণ করে তার প্রমাণ নয়, এবং expected return অনুমানের পদ্ধতিও নয়। Sample covariance-এর eigenvalue কীভাবে portfolio risk-এ প্রভাব ফেলে, সে বৃহত্তর প্রশ্নটি eigenvalue ও financial risk গাইডে আলোচিত।

একটি প্রচলিত লিনিয়ার রূপ হলো

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

এখানে \(S\) হলো নমুনা কোভারিয়েন্স, \(F\) একটি কাঠামোবদ্ধ টার্গেট, আর \(\widehat{\delta}\) হলো অনুমিত shrinkage intensity। মান শূন্য হলে estimate নমুনা ম্যাট্রিক্স; এক হলে টার্গেট। মাঝের মানগুলো একটি convex blend তৈরি করে।

\(F\)-এর পছন্দ বলে দেয় কোন pattern-কে estimator যথেষ্ট স্থিতিশীল ধরে ধরে রাখতে চায়। Intensity বলে নমুনার তুলনায় সেই কাঠামোকে কতটা ওজন দেওয়া হবে। নির্দিষ্ট target ও loss function-এর জন্য Ledoit–Wolf পদ্ধতি ইচ্ছেমতো বেছে নেওয়া blend-এর বদলে ডেটা থেকে intensity অনুমান করে। Target ও assumption অনুযায়ী সুনির্দিষ্ট plug-in সূত্র বদলে যায়; সব “Ledoit–Wolf” পদ্ধতির জন্য প্রযোজ্য target-independent একটিমাত্র \(\widehat{\delta}\) নেই।

উচ্চ-মাত্রিক identity-target-এর মূল ফলটি নির্দিষ্ট quadratic loss ও asymptotic regime-এর অধীনে asymptotically optimal convex combination; এটি প্রতিটি sample বা objective-এর জন্য সর্বজনীন নিশ্চয়তা নয় (Ledoit ও Wolf, ২০০৪00096-4))। তাই estimator-এর বর্ণনায় loss function ও target-ও উল্লেখ করা দরকার।

একই blend ধারণা ব্যবহার করলেও সংশ্লিষ্ট estimator-গুলো ভিন্ন covariance structure প্রকাশ করে।

• Single-index target: একটি market factor সাধারণ সহ-চলন ব্যাখ্যা করে, আর বাকি কাঠামো model সামলায়। Stock-return covariance অনুমানে sample ও single-index covariance-এর optimally weighted combination প্রস্তাব করেছিলেন Ledoit ও Wolf (২০০৩00007-0))।
• Scaled-identity target: diagonal-এ একটি common variance level এবং diagonal-এর বাইরে শূন্য covariance থাকে। এটি eigenvalue-গুলোকে একটি common center-এর দিকে টেনে conditioning উন্নত করতে পারে; তবে constant-correlation target-এর তুলনায় equal-variance ও no-covariance-এর বেশি কঠোর কাঠামো আরোপ করে।
• Constant-correlation target: প্রতিটি sample variance অক্ষুণ্ণ থাকে, কিন্তু pairwise correlation-গুলো একটি average correlation দিয়ে প্রতিস্থাপিত হয়। এতে asset-গুলোর volatility আলাদা থাকতে পারে, অথচ dependence pattern সহজ হয়। ২০০৪ সালের practitioner paper এই target-এর দিকে shrinkage নিয়ে আলোচনা করে (Ledoit ও Wolf, ২০০৪)।

এগুলোকে “Ledoit–Wolf সব correlation-কে শূন্যের দিকে টানে” বলে এক করে ফেলা ঠিক নয়। \(F\)-এর ওপর নির্ভর করে target common-factor covariance ধরে রাখতে পারে, eigenvalue-কে গড়ের দিকে টানতে পারে, অথবা pairwise correlation-কে cross-sectional mean-এর দিকে সরাতে পারে। Pairwise estimate একত্র করার পর covariance regularize করা—যেমন asynchronous covariance পদ্ধতিতে—আলাদা modeling choice।

ধরা যাক, \(S_{ii}\) হলো asset \(i\)-এর sample variance এবং \(s_i=\sqrt{S_{ii}}\)। \(N\)টি asset-এর জন্য প্রতিটি sample correlation \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\) হিসাব করে diagonal-এর বাইরের স্বতন্ত্র correlation-গুলোর গড় নিন:

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

Constant-correlation target নির্ধারণ করে

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

অতএব, target diagonal-এ sample variance ধরে রাখে এবং প্রতিটি asset pair-কে একই \(\bar{\rho}\) correlation দেয়। চূড়ান্ত covariance estimate এই target-কে মূল sample matrix-এর সঙ্গে মেশায়; সব volatility-কে এক common মানে বদলে দেয় না। Target construction ও তার intensity identity-target estimator থেকে আলাদা। লেখকদের reference implementation-এ sample variance অক্ষুণ্ণ রেখে common correlation দেওয়ার target বর্ণনা করা হয়েছে (reference implementation)।

<!-- learn:illustration --> <!-- লেখাবিহীন ধারণামূলক চিত্র: তিনটি symmetric 3×3 covariance matrix-এ diagonal cell একই থাকে, আর diagonal-এর বাইরের ভিন্ন sample relationship একটি shared constant-correlation target-এর দিকে সরে যায়। এটি data বা estimate নয়। -->

ধরা যাক, squared percentage-point এককে একটি কাল্পনিক sample covariance matrix হলো

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

Sample standard deviation যথাক্রমে \(2\%\), \(3\%\), এবং \(4\%\)। Pairwise correlation হলো \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\), এবং \(6/(3\cdot4)=0.50\)। এদের average:

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

ফলে target matrix হয়

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

শুধু হিসাব বোঝানোর জন্য \(\delta=0.40\) বেছে নিই। এটি শিক্ষামূলক মান; এই বানানো observation থেকে অনুমিত Ledoit–Wolf intensity নয়:

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

Diagonal \(4,9,16\) অপরিবর্তিত থাকে। \((1,3)\) covariance \(-2\) থেকে target value \(2\)-এর দিকে যায়; তাই shrinkage মানে সব covariance শূন্যের দিকে যায় না। দেখানো দুই matrix-ই positive semidefinite, ফলে তাদের convex blend-ও positive semidefinite। উদাহরণটি কাল্পনিক এবং কেবল হিসাব বোঝায়; এটি কোনো target সুপারিশ করে না বা বাস্তব বাজার-সম্পর্ক দেখায় না।

সমান weight \(w=(1/3,1/3,1/3)^\top\) হলে modeled variance হলো \(w^\top\Sigma w\)। Sample matrix-এর নয়টি উপাদানের যোগফল \(43\), তাই

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

উদাহরণের shrunk matrix-এর উপাদানগুলোর যোগফল \(42.6\), তাই

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

Covariance input বদলানোর ফলে এই ছোট পার্থক্যটি যান্ত্রিকভাবে এসেছে। এটি প্রমাণ করে না যে shrunk estimate realized variance ভালোভাবে forecast করে। Minimum-variance optimizer-ও ভিন্ন weight দিতে পারে, কারণ সেটি covariance value এবং অনেক সময় তাদের inverse ব্যবহার করে। উপযুক্ত পরিস্থিতিতে shrinkage এই input-কে sample noise-এর প্রতি কম সংবেদনশীল করতে পারে, যদিও exposure ও turnover-ও বদলাতে পারে।

Risk-parity portfolio-তে covariance শুধু aggregate variance নয়, প্রতিটি asset-এর total-risk contribution-কেও প্রভাবিত করে; equal risk contribution গাইড দেখুন। পরে risk estimate দিয়ে position size নির্ধারণ করলে, যেমন volatility targeting-এ, target horizon এবং realized বনাম forecast-এর পার্থক্যও আলাদাভাবে বিবেচনা করতে হবে।

Linear shrinkage একটি scalar intensity দিয়ে পুরো sample matrix-কে নির্বাচিত target-এর সঙ্গে মেশায়। Identity-target ক্ষেত্রে eigenvalue-এর ভাষায় বলা যায়: sample eigenvector রেখে sample eigenvalue-গুলোকে একটি common center-এর দিকে টানা হয়। এতে noisy spectrum স্থিতিশীল হতে পারে, তবে একই blend weight প্রতিটি eigenvalue-এর আলাদা adjustment সীমিত করে।

Nonlinear shrinkage sample eigenvalue-গুলোকে আলাদাভাবে রূপান্তর করে; rotation-equivariant estimator-এ সাধারণত sample eigenvector ধরে রাখে। Ledoit ও Wolf-এর ২০১২ সালের paper high-dimensional covariance estimation-এর জন্য nonlinear eigenvalue transformation তৈরি করেছে (২০১২)। তাঁদের portfolio-selection গবেষণা সেই objective-এর জন্য তৈরি estimator বিবেচনা করে (২০১৭)। এই পদ্ধতিগুলো উপরের scalar linear blend নয়; সেভাবে বর্ণনা করা উচিত নয়।

আরও flexible estimator assumption-এর অধীনে covariance structure আরও সূক্ষ্মভাবে ধরতে পারে, কিন্তু প্রতিটি universe বা window-তে সেটিই স্বয়ংক্রিয়ভাবে ভালো নয়। নির্দিষ্ট estimator, তার assumption, computation এবং out-of-sample performance তুলনা করুন। Eigenvalue transformation ভবিষ্যৎ correlation regime-এর forecast-ও নয়।

কাঠামো যোগ করে shrinkage estimation variance কমায়, কিন্তু সেই কাঠামো ভুলও হতে পারে। Single-index target sector বা style relationship মিস করতে পারে; constant-correlation target cluster ধরতে নাও পারে; scaled identity সত্যিকারের covariance চাপা দিতে পারে। Regime shift, factor exposure-এর পরিবর্তন, বা অসামঞ্জস্যপূর্ণ সময়ের observation-এর কারণে এক historical window-এর target পরের window-কে খারাপভাবে উপস্থাপন করতে পারে। পদ্ধতিটি return-কে independent বা stationary করে না।

Positive-semidefinite দাবিটির শর্ত আছে। \(S\) ও \(F\) উভয়ই positive semidefinite এবং \(0\leq\delta\leq1\) হলে তাদের convex combination-ও positive semidefinite। এতে positive definite হওয়া নিশ্চিত হয় না: target-এর zero eigenvalue থাকতে পারে, অথবা target-এর weight শূন্য হতে পারে। প্রতিটি asset pair-এর জন্য আলাদা তারিখ রেখে pairwise deletion করলেও sample matrix \(S\) positive semidefinite নাও হতে পারে; এমন input ঠিক বা প্রতিস্থাপন না করলে convexity যুক্তি প্রযোজ্য নয়।

Return definition, sampling frequency, observation window, missing-data rule, mean treatment, target এবং intensity estimation procedure জানান। প্রাসঙ্গিক ক্ষেত্রে সব asset-কে একই observation scheme-এ align করুন। মূল্যায়নের একই data-তে সবচেয়ে আকর্ষণীয় backtest দিয়েছে বলে target বেছে নেবেন না; target নির্বাচন ও portfolio design নিজেরাই research choice।

একটি উপযোগী evaluation-এ asset universe, return horizon, rebalancing rule ও information cutoff স্থির করে একই training window-তে sample matrix, বেছে নেওয়া shrinkage estimator এবং প্রাসঙ্গিক benchmark তুলনা করা হয়। Covariance forecast পরবর্তী realized measure-এর সঙ্গে তুলনা করা যায়, অথবা portfolio forecast held-out period-এ score করা যায়। Loss function জানিয়ে দিন এবং variance ও covariance error কীভাবে এতে ওজন পায় তা ব্যাখ্যা করুন। একটি loss-এর অধীনে in-sample matrix error কম হওয়া অন্য loss-এর অধীনে ভবিষ্যৎ portfolio risk estimate উন্নত হওয়ার সমান নয়।

Portfolio application হলে weight, concentration, turnover, constraint এবং estimated transaction cost-এর পরিবর্তনও জানান। Covariance matrix সিদ্ধান্তের একটি মাত্র input: expected return, financing, risk limit ও execution assumption চূড়ান্ত portfolio বদলাতে পারে। Condition number কম হওয়া matrix-এর বৈশিষ্ট্য, realized return বা risk-এর নিশ্চয়তা নয়।

Matrix estimation error ও portfolio decision error-ও একই loss দিয়ে মূল্যায়িত হয় না। সব matrix element-এর squared error যোগ করা loss প্রতিটি asset pair-কে সমান ধরে; নির্দিষ্ট portfolio-র variance \(w^\top\Sigma w\) বরং বাস্তব exposure অনুযায়ী প্রতিটি variance ও covariance term-কে ওজন দেয়। গবেষণার লক্ষ্য matrix পুনরুদ্ধার, নাকি নির্দিষ্ট risk budget forecast—আগে ঠিক করুন, তারপর তার উপযোগী evaluation criterion প্রকাশ করুন। একটি উদ্দেশ্যে বাছা shrinkage intensity অন্য উদ্দেশ্যেও স্বয়ংক্রিয়ভাবে optimal নয়।

Evaluation period ভাগ করলে প্রতিটি মূল্যায়ন তারিখের আগে shrinkage intensity, asset universe ও hyperparameter অনুমানে ব্যবহৃত data পাওয়া যেত কি না সেটিও যাচাই করুন। পুরো sample দিয়ে intensity স্থির করে আগের সময়ের historical performance মাপলে নির্বাচনে ভবিষ্যৎ তথ্য ঢুকে যেতে পারে। Rolling evaluation-এ প্রতিটি তারিখে তখন পর্যন্ত পাওয়া data দিয়েই estimator নতুন করে হিসাব করুন; window length ও rebalancing interval নথিবদ্ধ করুন। Realized covariance benchmark হলে forecast horizon অন্যটির সঙ্গে overlap করে কি না বা একই data পুনর্ব্যবহার করে কি না সেটিও জানান।

সবচেয়ে যুক্তিসঙ্গত ব্যাখ্যা সীমিত: Ledoit–Wolf পদ্ধতি noisy sample covariance-কে নির্বাচিত target বা transformation-এর সঙ্গে data-driven উপায়ে মেশায়। এর উপযোগিতা নির্ভর করে target, sampling assumption এবং evaluation নির্দিষ্ট risk problem-এর সঙ্গে কতটা মেলে তার ওপর। এটি covariance structure-এর estimate—স্বতন্ত্র trading signal বা outperformance-এর প্রতিশ্রুতি নয়।