Valeurs propres, vecteurs propres et facteurs de risque financier
Comprenez les valeurs propres, les vecteurs propres, la décomposition en valeurs propres de la covariance, la concentration du risque, la dimension effective et l'instabilité due à l'erreur d'échantillonnage
Réponse directe
Un vecteur propre est une direction préservée par une transformation linéaire, et sa valeur propre est l'échelle appliquée dans cette direction. Pour une matrice de covariance des rendements, les vecteurs propres représentent les directions du mouvement conjoint et leurs valeurs propres mesurent la variance dans ces directions. Si quelques grandes valeurs propres contiennent la majeure partie du total, un portefeuille peut avoir de nombreuses positions alors que son risque reste concentré sur quelques axes communs. Les vecteurs propres associés à des valeurs propres proches peuvent être très sensibles à l'échantillon ; les analystes doivent donc évaluer les sous-espaces, la variance expliquée et la stabilité hors échantillon plutôt que de donner un nom excessif à des axes individuels
Certaines directions survivent à une transformation
Une matrice modifie généralement à la fois la longueur et la direction d'un vecteur. Un vecteur propre est une direction particulière qui reste sur la même droite ensuite
Sa valeur propre indique de combien cette direction est mise à l'échelle. Une valeur négative inverse également l'orientation, même si les valeurs propres d'une covariance ne peuvent pas être négatives
La longueur d'un vecteur propre est arbitraire ; on le normalise donc généralement à un. Le vecteur et son opposé représentent le même axe
Une matrice de covariance conserve le mouvement conjoint
Les termes diagonaux sont les variances des actifs individuels, tandis que les termes hors diagonale sont les covariances qui décrivent le mouvement conjoint par paire
Une matrice de covariance est symétrique et semi-définie positive ; elle admet donc des valeurs propres réelles et un ensemble orthogonal de vecteurs propres
La covariance d'échantillon est estimée à partir des observations. Ses valeurs propres et ses vecteurs propres portent donc une erreur d'échantillonnage plutôt que des faits fixes
Une valeur propre est une variance dans une direction
Projetez les rendements sur un vecteur propre de covariance unitaire, et la variance d'échantillon de ce rendement projeté égale la valeur propre correspondante
La somme de toutes les valeurs propres égale la trace de la matrice, qui est aussi la somme des variances des variables individuelles
Diviser une valeur propre par ce total donne sa part de variance expliquée. Classer les valeurs ordonne les directions de risque ajustées par taille
La décomposition orthogonale reconstruit le risque
La décomposition spectrale exprime la covariance comme une somme de directions de vecteurs propres pondérées par leurs valeurs propres
Comme ces axes sont non corrélés, la variance du portefeuille se sépare en chaque exposition d'axe au carré multipliée par la valeur propre de l'axe
Il s'agit d'un changement de coordonnées. Des axes ajustés non corrélés ne prouvent pas que les chocs économiques sous-jacents sont indépendants
Des valeurs propres proches rendent les directions instables
Lorsque les valeurs propres sont proches, une petite modification des données peut faire tourner fortement les vecteurs propres correspondants
Si les valeurs propres sont exactement égales, toute base orthogonale dans leur sous-espace commun donne la même covariance. Les vecteurs individuels ne sont pas uniques
L'alignement des signes, les angles entre vecteurs, la distance entre sous-espaces et les résultats bootstrap fournissent de meilleurs contrôles de stabilité qu'une simple comparaison visuelle
Les grandes valeurs propres révèlent une concentration du risque
Une première valeur propre dominante signifie que de nombreux actifs partagent une direction forte, de sorte que la diversification effective peut être inférieure au nombre nominal de positions
La dimension effective résume la manière dont la variance est répartie entre les valeurs propres. Des portefeuilles ayant le même nombre d'actifs peuvent avoir des dimensions très différentes
Les corrélations peuvent augmenter en période de stress et accroître la part dominante. Une covariance estimée sur une période calme peut surestimer la diversification en crise
Reliez prudemment l'ACP au risque factoriel
Les loadings de l'ACP sont les vecteurs propres d'une matrice de covariance ou de corrélation, et la variance expliquée provient des valeurs propres correspondantes
Quelques grandes valeurs propres peuvent étayer une structure factorielle statistique approximative sans identifier la source économique de ces facteurs
Les modèles factoriels spécifient une structure commune et des résidus ; la décomposition en valeurs propres décrit la géométrie de la covariance. Leurs usages se recoupent, mais leurs hypothèses diffèrent
Déclarez l'estimation et l'incertitude
Indiquez la définition du rendement, la fréquence, la fenêtre, les valeurs manquantes, les valeurs aberrantes, le choix d'échelle et l'estimateur de covariance
Montrez tout le spectre des valeurs propres, les parts cumulées, les vecteurs principaux et la règle d'alignement des signes sans attribuer une identité supérieure à ce que les éléments permettent
Comparez les fenêtres glissantes, la covariance avec shrinkage et les prévisions de risque hors échantillon. Un graphique spectral net ne supprime pas l'erreur d'estimation
Questions fréquentes
Pourquoi les valeurs propres d'une covariance sont-elles non négatives ?
La variance ne peut pas être négative dans une direction quelconque du portefeuille, ce qui rend une matrice de covariance semi-définie positive
Le plus grand vecteur propre est-il toujours le facteur de marché ?
Il peut lui ressembler, mais cette identité exige une validation par rapport à la composition, à la conception de l'échantillon et à un rendement de marché externe
Comment interpréter le signe d'un vecteur propre ?
Le vecteur et son opposé définissent le même axe. Alignez les signes sur un actif de référence ou sur la fenêtre précédente avant de les comparer
Une direction de petite valeur propre est-elle sans importance ?
Pas nécessairement. Elle peut compter pour les contraintes de couverture, les relations de valeur relative ou la prévision malgré une faible variance contemporaine