Eigenwerte, Eigenvektoren und finanzielle Risikofaktoren
Verstehen Sie Eigenwerte, Eigenvektoren, die Eigenwertzerlegung der Kovarianz, Risikokonzentration, effektive Dimension und Instabilität durch Stichprobenfehler
Kurzantwort
Ein Eigenvektor ist eine Richtung, die durch eine lineare Transformation erhalten bleibt, und sein Eigenwert ist der Maßstab, der entlang dieser Richtung angewendet wird. Für eine Kovarianzmatrix von Renditen stellen Eigenvektoren Richtungen gemeinsamer Bewegung dar, und ihre Eigenwerte messen die Varianz entlang dieser Richtungen. Wenn einige wenige große Eigenwerte den größten Teil der Gesamtsumme enthalten, kann ein Portfolio viele Positionen haben, während sein Risiko auf wenige gemeinsame Achsen konzentriert bleibt. Eigenvektoren, die zu ähnlichen Eigenwerten gehören, können sehr empfindlich auf die Stichprobe reagieren. Analysten sollten daher Unterräume, erklärte Varianz und Stabilität außerhalb der Stichprobe beurteilen, statt einzelne Achsen übermäßig zu benennen
Einige Richtungen überstehen eine Transformation
Eine Matrix verändert im Allgemeinen sowohl Länge als auch Richtung eines Vektors. Ein Eigenvektor ist eine besondere Richtung, die danach auf derselben Geraden bleibt
Sein Eigenwert gibt an, wie stark diese Richtung skaliert wird. Ein negativer Wert kehrt zusätzlich die Orientierung um, obwohl Kovarianz-Eigenwerte nicht negativ sein können
Die Länge eines Eigenvektors ist beliebig und wird daher gewöhnlich auf eins normiert. Der Vektor und sein Negativ repräsentieren dieselbe Achse
Eine Kovarianzmatrix speichert gemeinsame Bewegung
Diagonaleinträge sind die individuellen Asset-Varianzen, während Nebendiagonaleinträge Kovarianzen sind, die paarweise gemeinsame Bewegung beschreiben
Eine Kovarianzmatrix ist symmetrisch und positiv semidefinit. Daher besitzt sie reelle Eigenwerte und ein orthogonales System von Eigenvektoren
Die Stichprobenkovarianz wird aus Beobachtungen geschätzt. Ihre Eigenwerte und Eigenvektoren enthalten daher Stichprobenfehler und sind keine feststehenden Tatsachen
Ein Eigenwert ist die Varianz entlang einer Richtung
Projizieren Sie Renditen auf einen normierten Kovarianz-Eigenvektor, entspricht die Stichprobenvarianz dieser projizierten Rendite dem zugehörigen Eigenwert
Die Summe aller Eigenwerte entspricht der Spur der Matrix, also auch der Summe der individuellen Variablenvarianzen
Wenn Sie einen Eigenwert durch diese Summe teilen, erhalten Sie seinen Anteil an der erklärten Varianz. Die Sortierung ordnet die angepassten Risikorichtungen nach ihrer Größe
Die orthogonale Zerlegung baut das Risiko wieder auf
Die Spektralzerlegung stellt die Kovarianz als Summe von Eigenvektorrichtungen dar, die mit ihren Eigenwerten gewichtet werden
Da diese Achsen unkorreliert sind, zerfällt die Portfoliovarianz in das jeweilige quadrierte Achsen-Exposure multipliziert mit dem Eigenwert der Achse
Dies ist ein Wechsel der Koordinaten. Unkorrelierte angepasste Achsen beweisen nicht, dass die zugrunde liegenden wirtschaftlichen Schocks unabhängig sind
Nahe Eigenwerte machen Richtungen instabil
Wenn Eigenwerte nahe beieinander liegen, kann eine kleine Datenänderung die zugehörigen Eigenvektoren erheblich drehen
Sind Eigenwerte exakt gleich, liefert jede orthogonale Basis innerhalb ihres gemeinsamen Unterraums dieselbe Kovarianz. Einzelne Vektoren sind nicht eindeutig
Vorzeichenabgleich, Vektorwinkel, Unterraumabstand und Bootstrap-Ergebnisse bieten bessere Stabilitätsprüfungen als ein visueller Vergleich allein
Große Eigenwerte zeigen Risikokonzentration
Ein dominanter erster Eigenwert bedeutet, dass viele Assets eine starke gemeinsame Richtung teilen. Die effektive Diversifikation kann daher hinter der nominalen Zahl der Positionen zurückbleiben
Die effektive Dimension fasst zusammen, wie gleichmäßig die Varianz über die Eigenwerte verteilt ist. Portfolios mit derselben Zahl von Assets können sehr unterschiedliche Dimensionen haben
Korrelationen können in Stressphasen steigen und den Anteil der führenden Richtung vergrößern. Eine Kovarianzschätzung aus einer ruhigen Phase kann die Diversifikation in einer Krise überschätzen
Verbinden Sie PCA und Faktorrisiko mit Bedacht
PCA-Ladungen sind Eigenvektoren einer Kovarianz- oder Korrelationsmatrix, und die erklärte Varianz stammt aus den zugehörigen Eigenwerten
Einige wenige große Eigenwerte können eine angenäherte statistische Faktorstruktur stützen, ohne die wirtschaftliche Quelle dieser Faktoren zu identifizieren
Faktormodelle spezifizieren gemeinsame Struktur und Residuen; die Eigenwertzerlegung beschreibt die Geometrie der Kovarianz. Ihre Anwendungen überschneiden sich, aber ihre Annahmen unterscheiden sich
Schätzung und Unsicherheit offenlegen
Berichten Sie Renditedefinition, Frequenz, Zeitraum, fehlende Werte, Ausreißer, Skalierungswahl und Kovarianzschätzer
Zeigen Sie das vollständige Eigenwertspektrum, kumulative Anteile, führende Vektoren und die Regel für den Vorzeichenabgleich, ohne den Achsen mehr Identität zuzuschreiben, als die Evidenz trägt
Vergleichen Sie rollierende Zeitfenster, geschrumpfte Kovarianz und Risikoprognosen außerhalb der Stichprobe. Ein klares Spektrumdiagramm beseitigt keinen Schätzfehler
Häufige Fragen
Warum sind Kovarianz-Eigenwerte nicht negativ?
Varianz kann in keiner Portfoliorichtung negativ sein, wodurch eine Kovarianzmatrix positiv semidefinit ist
Ist der größte Eigenvektor immer der Marktfaktor?
Er kann einem ähneln, aber diese Identität erfordert eine Validierung anhand von Zusammensetzung, Stichprobendesign und einer externen Marktrendite
Wie ist das Vorzeichen eines Eigenvektors zu interpretieren?
Der Vektor und sein Negativ definieren dieselbe Achse. Richten Sie Vorzeichen an einem Referenz-Asset oder dem vorherigen Zeitfenster aus, bevor Sie vergleichen
Ist eine Richtung mit kleinem Eigenwert irrelevant?
Nicht unbedingt. Sie kann für Hedge-Beschränkungen, Relative-Value-Beziehungen oder Prognosen wichtig sein, obwohl sie wenig zeitgleiche Varianz trägt