Ledoit–Wolf-Schrumpfung der Kovarianz: Formel, Zielmatrizen und Portfoliorisiko

Für \(T\) Renditebeobachtungen von \(N\) Vermögenswerten schätzt die Stichproben-Kovarianzmatrix \(S\) jede Varianz und jede paarweise Kovarianz aus derselben endlichen Historie. Die Zahl der unterschiedlichen Einträge wächst ungefähr mit \(N^2\). Ist die Zahl der Vermögenswerte im Verhältnis zur Beobachtungszahl nicht klein, enthalten viele einzelne Kovarianzschätzungen erhebliches Stichprobenrauschen.

Dieses Rauschen ist besonders wichtig, wenn ein Portfolioverfahren die Matrix invertiert. Die Inverse kann Schätzfehler verstärken: Schon kleine Änderungen der geschätzten Korrelationen können die optimierten Gewichte stark verändern. Bei der üblichen zentrierten Stichprobenkovarianz hat die Datenmatrix höchstens Rang \(T-1\); daher ist \(S\) singulär, wenn \(N\geq T\). Schon davor kann die Matrix schlecht konditioniert sein. Ledoit und Wolf erörtern diese hochdimensionale Schwierigkeit in ihrer Arbeit zu gut konditionierten Kovarianzschätzungen (200400096-4)).

Schrumpfung ergänzt den verrauschten Stichprobenschätzer um Struktur. Sie ist eine Regularisierungsentscheidung für eine Kovarianzeingabe, kein Beleg dafür, dass Vermögenswerte tatsächlich dem Zielmodell folgen, und keine Methode zur Schätzung erwarteter Renditen. Das breitere Problem, wie Stichproben-Eigenwerte das Portfoliorisiko beeinflussen, behandelt der Beitrag zu Eigenwerten und Finanzrisiko.

Eine gängige lineare Form lautet

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

wobei \(S\) die Stichprobenkovarianz, \(F\) eine strukturierte Zielmatrix und \(\widehat{\delta}\) die geschätzte Schrumpfungsintensität ist. Bei null entspricht der Schätzer der Stichprobenmatrix, bei eins der Zielmatrix. Dazwischen liegt eine konvexe Kombination.

Die Wahl von \(F\) legt fest, welche Muster der Schätzer als stabil genug betrachtet, um sie beizubehalten. Die Intensität bestimmt, wie stark diese Struktur gegenüber der Stichprobe gewichtet wird. Für eine festgelegte Zielmatrix und Verlustfunktion schätzen Ledoit–Wolf-Verfahren die Intensität aus den Daten, statt eine beliebige Mischung vorzugeben. Die genauen Plug-in-Formeln unterscheiden sich nach Zielmatrix und Annahmen. Es gibt kein einziges zielunabhängiges \(\widehat{\delta}\), das jede als „Ledoit–Wolf“ bezeichnete Methode definiert.

Das ursprüngliche Ergebnis zur hochdimensionalen Einheitsmatrix als Ziel ist eine asymptotisch optimale konvexe Kombination unter einer bestimmten quadratischen Verlustfunktion und einem festgelegten asymptotischen Regime, keine universelle Garantie für jede Stichprobe und jedes Ziel (Ledoit und Wolf, 200400096-4)). Verlustfunktion und Zielmatrix gehören daher zur Beschreibung des Schätzers.

Mehrere verwandte Schätzer nutzen dieselbe Mischidee, bilden aber unterschiedliche Kovarianzstrukturen ab.

• Ein-Faktor-Zielmatrix: Ein Marktfaktor erklärt die gemeinsame Bewegung; die verbleibende Struktur wird vom Modell erfasst. Ledoit und Wolf schlugen für die Schätzung der Aktienrendite-Kovarianz eine optimal gewichtete Kombination aus Stichprobe und Ein-Faktor-Kovarianz vor (200300007-0)).
• Skalierte Einheitsmatrix als Ziel: Auf der Diagonale steht ein gemeinsames Varianzniveau, außerhalb der Diagonale stehen Nullen. Das zieht die Eigenwerte zu einem gemeinsamen Zentrum und kann die Konditionierung verbessern. Es unterstellt gleiche Varianzen und keine Kovarianzen und ist damit restriktiver als eine Konstantkorrelations-Zielmatrix.
• Konstantkorrelations-Zielmatrix: Jede Stichprobenvarianz bleibt erhalten, während alle paarweisen Korrelationen durch eine durchschnittliche Korrelation ersetzt werden. Unterschiedliche Volatilitäten der Vermögenswerte bleiben möglich, die Abhängigkeitsstruktur wird jedoch vereinfacht. Der Praxisbeitrag von 2004 entwickelt die Schrumpfung zu dieser Zielmatrix (Ledoit und Wolf, 2004).

Diese Ansätze sollten nicht zu der Aussage verkürzt werden, „Ledoit–Wolf schrumpft Korrelationen gegen null“. Je nach \(F\) kann die Zielmatrix gemeinsame Faktor-Kovarianzen bewahren, Eigenwerte in Richtung eines Mittelwerts verschieben oder paarweise Korrelationen zum Querschnittsmittel bewegen. Eine anschließende Regularisierung der Kovarianzmatrix, etwa nach der Kombination paarweiser Schätzungen in einem Verfahren für asynchrone Kovarianzen, ist eine separate Modellentscheidung.

Sei \(S_{ii}\) die Stichprobenvarianz von Vermögenswert \(i\) und \(s_i=\sqrt{S_{ii}}\). Für \(N\) Vermögenswerte berechnet man zunächst jede Stichprobenkorrelation \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\) und bildet dann den Mittelwert der eindeutigen Korrelationen außerhalb der Diagonale:

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

Die Konstantkorrelations-Zielmatrix setzt

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

Die Zielmatrix übernimmt also die Stichprobenvarianzen auf der Diagonale und weist jedem Vermögenswertpaar dieselbe Korrelation \(\bar{\rho}\) zu. Die endgültige Kovarianzschätzung kombiniert diese Zielmatrix mit der ursprünglichen Stichprobenmatrix; sie ersetzt nicht sämtliche Volatilitäten durch denselben Wert. Konstruktion der Zielmatrix und Schrumpfungsintensität unterscheiden sich vom Einheitsmatrix-Schätzer. Die Referenzimplementierung der Autoren beschreibt eine Zielmatrix, die Stichprobenvarianzen bewahrt und eine gemeinsame Korrelation zuweist (Implementierung).

<!-- learn:illustration --> <!-- Textfreie konzeptionelle Illustration: Drei symmetrische 3×3-Kovarianzmatrizen behalten dieselben Diagonaleinträge; unterschiedliche Stichprobenbeziehungen außerhalb der Diagonale bewegen sich auf eine gemeinsame Konstantkorrelations-Zielmatrix zu. Keine Daten und keine Schätzung. -->

Angenommen, eine hypothetische Stichproben-Kovarianzmatrix lautet in quadrierten Prozentpunkten

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

Die Stichproben-Standardabweichungen betragen \(2\%\), \(3\%\) und \(4\%\). Die paarweisen Korrelationen sind \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) und \(6/(3\cdot4)=0.50\). Ihr Durchschnitt ist

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

Damit ergibt sich die Zielmatrix

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

Nur zur Veranschaulichung der Rechnung wählen wir \(\delta=0.40\). Dieser Lehrwert ist nicht die für diese erfundenen Beobachtungen geschätzte Ledoit–Wolf-Intensität:

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

Die Diagonale bleibt (4,9,16). Die Kovarianz an Position ((1,3)) verschiebt sich von (-2) zu ihrem Zielwert (2); Schrumpfung bedeutet also nicht, dass jede Kovarianz gegen null geht. Beide gezeigten Matrizen sind positiv semidefinit, daher ist auch ihre konvexe Kombination positiv semidefinit. Das Beispiel ist hypothetisch und veranschaulicht nur die Rechnung, nicht eine empfohlene Zielmatrix oder eine beobachtete Marktbeziehung.

Für gleiche Gewichte \(w=(1/3,1/3,1/3)^\top\) beträgt die modellierte Varianz \(w^\top\Sigma w\). Die Summe aller neun Einträge der Stichprobenmatrix ist (43), also

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

Für die veranschaulichende geschrumpfte Matrix beträgt die Summe (42.6), somit

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

Dieser kleine Unterschied ergibt sich mechanisch aus der geänderten Kovarianzeingabe. Er belegt nicht, dass der geschrumpfte Schätzer die realisierte Varianz besser vorhersagt. Ein Minimum-Varianz-Optimierer kann ebenfalls andere Gewichte liefern, weil er Kovarianzwerte und oft ihre Inverse verwendet. In geeigneten Situationen kann Schrumpfung diese Eingaben weniger empfindlich gegenüber Stichprobenrauschen machen, während sich Engagements und Umschlagshäufigkeit dennoch ändern.

Bei risikoparitätischen Portfolios beeinflusst die Kovarianz nicht nur die Gesamtvarianz, sondern auch den Risikobeitrag jedes Vermögenswerts; siehe den Beitrag zu Equal Risk Contribution. Wird eine Risikoschätzung später zur Positionsgrößenbestimmung genutzt, etwa bei Volatilitätssteuerung, müssen Prognosehorizont und die Unterscheidung zwischen realisiertem und prognostiziertem Risiko weiterhin separat behandelt werden.

Die lineare Schrumpfung nutzt einen einzigen Skalar, um die gesamte Stichprobenmatrix mit einer gewählten Zielmatrix zu verbinden. Bei einer Einheitsmatrix als Ziel lässt sich dies über die Eigenwerte verstehen: Die Stichproben-Eigenwerte werden zu einem gemeinsamen Zentrum gezogen, während die Stichproben-Eigenvektoren erhalten bleiben. Das kann ein verrauschtes Spektrum stabilisieren, beschränkt aber die unterschiedlichen Anpassungen der einzelnen Eigenwerte durch dasselbe Mischgewicht.

Die nichtlineare Schrumpfung transformiert stattdessen die Stichproben-Eigenwerte einzeln und behält bei einem rotationsäquivarianten Schätzer typischerweise die Stichproben-Eigenvektoren bei. Ledoit und Wolfs Arbeit von 2012 entwickelt nichtlineare Eigenwerttransformationen für die hochdimensionale Kovarianzschätzung (2012). Ihre Studie zur Portfolioauswahl betrachtet einen auf dieses Ziel abgestimmten Schätzer (2017). Diese Verfahren sind nicht die oben gezeigte skalare lineare Mischung und sollten nicht so beschrieben werden.

Ein flexiblerer Schätzer kann die Kovarianzstruktur unter seinen Annahmen genauer behandeln, ist aber nicht automatisch für jedes Anlageuniversum und jedes Zeitfenster vorzuziehen. Vergleichen Sie den konkreten Schätzer, seine Annahmen, Berechnung und Leistung außerhalb der Stichprobe. Eine Eigenwerttransformation ist auch keine Prognose für ein künftiges Korrelationsregime.

Schrumpfung senkt die Varianz, indem sie Struktur hinzufügt; diese Struktur kann jedoch falsch sein. Ein Ein-Faktor-Ziel kann Branchen- oder Stilbeziehungen verfehlen, eine Konstantkorrelations-Zielmatrix Cluster übersehen und eine skalierte Einheitsmatrix echte Kovarianzen unterdrücken. Ein Regimewechsel, veränderte Faktorengagements oder nicht synchrone Beobachtungen können ein Ziel aus einem historischen Fenster zu einer schlechten Beschreibung des nächsten Fensters machen. Die Methode macht Renditen weder unabhängig noch stationär.

Die Aussage zur positiven Semidefinitheit gilt unter Bedingungen. Sind \(S\) und \(F\) beide positiv semidefinit und gilt \(0\leq\delta\leq1\), ist ihre konvexe Kombination ebenfalls positiv semidefinit. Das garantiert für sich genommen keine positive Definitheit: Eine Zielmatrix kann Nulleigenwerte haben oder ihr Gewicht kann null sein. Auch die paarweise Löschung von Beobachtungen aus unterschiedlichen Zeiträumen kann eine Stichprobenmatrix \(S\) erzeugen, die nicht positiv semidefinit ist. Dann gilt das Konvexitätsargument nicht, solange diese Eingabe nicht korrigiert oder ersetzt wird.

Dokumentieren Sie Renditedefinition, Stichprobenfrequenz, Beobachtungsfenster, Umgang mit fehlenden Werten, Mittelwertbehandlung, Zielmatrix und Verfahren zur Intensitätsschätzung. Richten Sie alle Vermögenswerte, soweit angemessen, an einem gemeinsamen Beobachtungsschema aus. Wählen Sie die Zielmatrix nicht deshalb, weil sie im selben Datensatz den attraktivsten Backtest liefert; Zielwahl und Portfoliodesign sind selbst Forschungsentscheidungen.

Eine sinnvolle Auswertung legt Anlageuniversum, Renditehorizont, Rebalancing-Regel und Informationsstichtag fest und vergleicht dann Stichprobenmatrix, gewählten Schrumpfungsschätzer und einen passenden Benchmark auf denselben Trainingsfenstern. Kovarianzprognosen können mit einer späteren realisierten Messgröße verglichen oder Portfolio-Prognosen auf zurückgehaltenen Zeiträumen bewertet werden. Geben Sie die Verlustfunktion an und erläutern Sie, wie sie Fehler bei Varianzen und Kovarianzen gewichtet. Ein kleinerer In-Sample-Matrixfehler unter einer Verlustfunktion bedeutet nicht notwendigerweise bessere künftige Portfoliorisikowerte unter einer anderen.

Für eine Portfolioanwendung berichten Sie außerdem die Auswirkungen auf Gewichte, Konzentration, Umschlag, Nebenbedingungen und geschätzte Transaktionskosten. Die Kovarianzmatrix ist nur eine Eingabe der Entscheidung: Erwartete Renditen, Finanzierung, Risikogrenzen und Ausführungsannahmen können das resultierende Portfolio ändern. Eine niedrigere Konditionszahl ist eine Matrixeigenschaft und keine Garantie für realisierte Rendite oder Risiko.

Matrix-Schätzfehler und Fehler bei der Portfolioentscheidung werden zudem nicht durch dieselbe Verlustfunktion bewertet. Ein Verlust aus quadrierten Fehlern aller Matrixeinträge behandelt Vermögenspaare gleich; die Varianz eines bestimmten Portfolios, \(w^\top\Sigma w\), gewichtet dagegen jeden Varianz- und Kovarianzterm entsprechend den tatsächlichen Engagements. Legen Sie zuerst fest, ob die Matrix selbst oder die Prognose eines bestimmten Risikobudgets das Forschungsziel ist, und veröffentlichen Sie eine dazu passende Bewertungsregel. Eine unter einem Ziel gewählte Schrumpfungsintensität ist nicht automatisch für ein anderes Ziel optimal.

Prüfen Sie bei zeitlich getrennten Auswertungen auch, ob die Daten zur Schätzung der Schrumpfungsintensität, des Anlageuniversums und der Hyperparameter ausschließlich vor dem jeweiligen Bewertungsstichtag verfügbar waren. Wird die Intensität mit der gesamten Stichprobe festgelegt und die historische Wertentwicklung anschließend auf einem früheren Zeitraum gemessen, kann Zukunftsinformation in die Auswahl einfließen. Berechnen Sie die Schätzer bei rollierenden Auswertungen an jedem Stichtag nur mit den bis dahin verfügbaren Daten neu und dokumentieren Sie Fensterlänge und Rebalancing-Abstand. Bei einer realisierten Kovarianz als Referenzwert ist ebenfalls offenzulegen, ob der Prognosehorizont überlappt oder dieselben Daten wiederverwendet.

Die belastbare Interpretation bleibt begrenzt: Ledoit–Wolf-Verfahren bieten datenbasierte Möglichkeiten, eine verrauschte Stichprobenkovarianz mit einem gewählten Ziel oder einer Transformation zu verbinden. Ihr Nutzen hängt davon ab, wie gut Ziel, Stichprobenannahmen und Auswertung zum beabsichtigten Risikoproblem passen. Es handelt sich um eine Schätzung der Kovarianzstruktur, nicht um ein eigenständiges Handelssignal oder ein Versprechen auf Überrendite.