Analisi delle componenti principali (PCA) spiegata
Scopri centratura, scalatura, covarianza, punteggi e loadings delle componenti, varianza spiegata, selezione delle componenti e limiti della PCA nella finanza.
Risposta diretta
L'analisi delle componenti principali (PCA) trasforma variabili correlate in un insieme più piccolo di assi ortogonali che conserva la massima quantità possibile della varianza campionaria. La prima componente cattura la varianza maggiore e ogni componente successiva cattura la maggiore varianza rimanente restando ortogonale agli assi precedenti. La PCA può riassumere il rischio e creare predittori, ma non individua automaticamente fattori economici. I risultati dipendono da unità, date del campione, stima della covarianza e selezione delle componenti, quindi punteggi, loadings, varianza spiegata e stabilità fuori campione appartengono alla stessa analisi.
Porta i dati su una base deliberata
La PCA si applica a dati centrati dopo aver sottratto a ogni variabile la propria media campionaria. Altrimenti i livelli medi possono dominare ciò che dovrebbe essere una direzione di variazione.
Scegli trasformazioni significative prima del calcolo. Una tendenza comune nei livelli dei prezzi non stazionari può mascherarsi da utile segnale di rischio condiviso.
Valori mancanti, outlier, frequenza e finestra campionaria modificano tutti la covarianza. La progettazione dei dati prima della PCA conta più del nome assegnato dopo.
Covarianza e correlazione rispondono a domande diverse
La PCA sulla matrice di covarianza conserva le unità originali, quindi una variabile con maggiore volatilità può esercitare più influenza sulle direzioni principali.
La PCA sulla matrice di correlazione scala prima ogni variabile alla varianza unitaria. Limita gli effetti delle unità ma può eliminare differenze di ampiezza economicamente significative.
L'obiettivo determina la scelta. Variazioni dei rendimenti in unità simili e un insieme misto di indicatori non richiedono necessariamente la stessa matrice.
Le componenti massimizzano la varianza in sequenza
La prima componente principale è la direzione unitaria le cui osservazioni proiettate hanno la massima varianza campionaria possibile.
Ogni componente successiva massimizza la varianza proiettata rimanente, a condizione di essere ortogonale a tutte le componenti selezionate prima.
L'ortogonalità rende i punteggi delle componenti non correlati nel campione stimato. Non dimostra che gli shock economici sottostanti siano indipendenti.
Loadings e punteggi svolgono compiti diversi
I loadings sono i pesi che combinano le variabili originali in una componente. Mostrano quali variabili puntano nella stessa direzione o in direzione opposta rispetto a un determinato asse.
I punteggi sono le coordinate ottenute proiettando ogni osservazione su quell'asse. I loadings definiscono una direzione; i punteggi si muovono nel tempo lungo di essa.
Un autovettore può essere moltiplicato per meno uno senza cambiare il suo asse. Un semplice cambio di segno non dimostra che una relazione economica si sia invertita.
La varianza spiegata è un obiettivo incompleto
L'autovalore di una componente equivale alla sua varianza campionaria. Dividendolo per la somma di tutti gli autovalori si ottiene il suo rapporto di varianza spiegata.
Un grafico scree e la varianza spiegata cumulativa sono punti di partenza per scegliere la dimensionalità. Una soglia fissa come 80% non è ottimale in modo universale.
Una direzione a bassa varianza può comunque contenere informazione predittiva o una relazione di copertura vincolante. La varianza spiegata non equivale alla prevedibilità del rendimento.
Seleziona la dimensionalità fuori dal campione stimato
Troppe poche componenti omettono struttura, mentre troppe ne conservano il rumore campionario insieme al movimento comune persistente.
Confronta errore di ricostruzione, validazione incrociata specifica per il compito, differenze tra autovalori e stabilità bootstrap in base all'uso previsto.
Ristima loadings e varianza spiegata con campioni mobili. Usare assi dell'intero campione in una previsione storica introduce informazioni future.
La finanza usa la PCA per riassumere il movimento comune
Le variazioni della curva dei rendimenti possono comprimersi in assi simili a livello, pendenza e curvatura, mentre i rendimenti azionari possono rivelare direzioni ampie e specifiche dei gruppi.
Per i portafogli, gli assi principali mostrano se il rischio è concentrato nonostante un numero nominale elevato di posizioni.
Chiamare un asse statistico “crescita” o “liquidità” richiede variabili esterne, ragionamento economico e validazione in un altro campione.
Riporta le scelte che rendono il risultato riproducibile
Rendi noti variabili, trasformazioni, valute, unità, centratura, scalatura, trattamento dei valori mancanti, outlier e finestra di stima.
Indica matrice, autovalori, varianza spiegata, loadings, regola di scoring e criterio dimensionale, così un altro analista può ricostruire il risultato.
Mostra performance fuori campione e stabilità mobile. La PCA è un sistema di coordinate stimato per dati scelti, non una mappa fissa della realtà.
Domande frequenti
PCA e analisi fattoriale sono la stessa cosa?
No. La PCA riscrive la varianza totale, mentre un modello a fattori comuni separa la covarianza comune dalla varianza specifica della variabile.
Ogni variabile deve sempre essere standardizzata?
No. La standardizzazione controlla le differenze di unità ma rimuove anche differenze potenzialmente significative nell'ampiezza della volatilità.
Un cambio di segno di un loading significa che la struttura è cambiata?
Non necessariamente. Un autovettore e il suo negativo definiscono lo stesso asse, quindi i segni vanno allineati prima di confrontare le finestre.
Una componente con alta varianza spiegata è un buon segnale di trading?
No. La varianza spiegata misura il movimento contemporaneo; il potere predittivo richiede un test separato fuori campione.