Eigenvalues, Eigenvectors और Financial Risk Factors
Eigenvalues, eigenvectors, covariance eigendecomposition, risk concentration, effective dimension और sampling error से instability समझें
सीधा जवाब
Eigenvector वह direction है जिसे linear transformation preserve करता है और eigenvalue उस direction पर लगाया गया scale है। Return covariance matrix के लिए eigenvectors joint movement की directions और उनके eigenvalues उन directions की variance मापते हैं। यदि कुछ बड़े eigenvalues total variance का अधिकांश हिस्सा रखें, तो portfolio में कई holdings होने के बावजूद risk कुछ common axes में concentrated रह सकता है। समान eigenvalues के पास वाले eigenvectors sample के प्रति बहुत sensitive हो सकते हैं, इसलिए individual axes को जरूरत से अधिक नाम देने के बजाय subspaces, explained variance और out-of-sample stability assess करें।
कुछ directions transformation से बची रहती हैं
Matrix सामान्यतः vector की length और direction दोनों बदलती है। Eigenvector ऐसी special direction है जो transformation के बाद भी उसी line पर रहती है।
उसका eigenvalue बताता है कि direction कितनी scale होती है। Negative value orientation reverse भी करती है, हालांकि covariance eigenvalues negative नहीं हो सकतीं।
Eigenvector की length arbitrary है, इसलिए उसे सामान्यतः one पर normalize किया जाता है। Vector और उसका negative same axis represent करते हैं।
Covariance matrix joint movement store करती है
Diagonal entries individual asset variances हैं, जबकि off-diagonal entries pairwise co-movement बताने वाली covariances हैं।
Covariance matrix symmetric और positive semidefinite होती है, इसलिए उसमें real eigenvalues और orthogonal eigenvectors का set होता है।
Sample covariance observations से estimate होती है। इसलिए उसके eigenvalues और eigenvectors fixed facts नहीं, sampling error रखते हैं।
Eigenvalue एक direction की variance है
Returns को unit covariance eigenvector पर project करें तो projected return की sample variance corresponding eigenvalue के बराबर होती है।
सभी eigenvalues का योग matrix trace के बराबर है, जो individual variable variances का योग भी है।
एक eigenvalue को उस total से divide करने पर उसका explained-variance share मिलता है। Values को rank करने से fitted risk directions size के क्रम में आती हैं।
Orthogonal decomposition risk को फिर से बनाती है
Spectral decomposition covariance को eigenvector directions के sum के रूप में express करती है, जिसे eigenvalues weight करते हैं।
क्योंकि axes uncorrelated हैं, portfolio variance प्रत्येक squared axis exposure multiplied by axis eigenvalue में अलग हो जाती है।
यह coordinates का change है। Uncorrelated fitted axes यह साबित नहीं करतीं कि underlying economic shocks independent हैं।
पास-पास eigenvalues directions को unstable बनाते हैं
जब eigenvalues करीब हों, data में छोटा बदलाव उनके corresponding eigenvectors को काफी rotate कर सकता है।
यदि eigenvalues exactly equal हों, तो shared subspace के भीतर कोई भी orthogonal basis same covariance देती है। Individual vectors unique नहीं हैं।
Sign alignment, vector angles, subspace distance और bootstrap results केवल visual comparison से बेहतर stability checks देते हैं।
बड़े eigenvalues risk concentration दिखाते हैं
Dominant first eigenvalue का अर्थ है कि कई assets one strong direction share करते हैं, इसलिए effective diversification nominal holding count से पीछे रह सकती है।
Effective dimension बताती है कि variance eigenvalues में कितनी evenly spread है। Same asset count वाले portfolios की dimensions बहुत अलग हो सकती हैं।
Stress में correlations बढ़कर leading share को बड़ा कर सकती हैं। Calm-period covariance estimate crisis diversification को अधिक दिखा सकती है।
PCA को factor risk से सावधानी से जोड़ें
PCA loadings covariance या correlation matrix के eigenvectors हैं और explained variance corresponding eigenvalues से आती है।
कुछ बड़े eigenvalues approximate statistical factor structure support कर सकते हैं, पर factors का economic source identify नहीं करते।
Factor models common structure और residuals specify करते हैं; eigendecomposition covariance geometry describe करती है। Uses overlap करते हैं, assumptions अलग हैं।
Estimation और uncertainty disclose करें
Return definition, frequency, window, missing values, outliers, scaling choice और covariance estimator report करें।
Full eigenvalue spectrum, cumulative shares, leading vectors और sign-alignment rule दिखाएं, evidence से अधिक identity assign न करें।
Rolling windows, shrinkage covariance और out-of-sample risk forecasts compare करें। Crisp spectrum chart estimation error नहीं हटाती।
आम सवाल
Covariance eigenvalues nonnegative क्यों होती हैं?
किसी भी portfolio direction में variance negative नहीं हो सकती, जिससे covariance matrix positive semidefinite बनती है।
क्या largest eigenvector हमेशा market factor होती है?
यह market factor जैसी दिख सकती है, लेकिन उस identity के लिए composition, sample design और external market return से validation चाहिए।
Eigenvector के sign को कैसे interpret करें?
Vector और उसका negative same axis define करते हैं। Comparison से पहले signs को reference asset या preceding window से align करें।
क्या small-eigenvalue direction irrelevant है?
जरूरी नहीं। कम contemporaneous variance होने पर भी hedge constraints, relative-value relations या prediction में यह महत्वपूर्ण हो सकती है।