Ledoit–Wolf 공분산 수축: 공식, 표적과 포트폴리오 위험

자산 \(N\)개의 수익률 \(T\)개 관측값으로 만든 표본 공분산 행렬 \(S\)는 각 자산의 분산과 모든 자산 쌍의 공분산을 유한한 과거 표본에서 추정합니다. 자산이 늘수록 추정할 서로 다른 행렬 원소는 대략 \(N^2\)에 비례해 증가합니다. 관측 기간에 비해 자산 수가 작지 않으면 개별 공분산 추정치 상당수가 큰 표본오차를 가질 수 있습니다.

이 잡음은 행렬을 역행렬로 사용하는 포트폴리오 절차에서 특히 중요합니다. 역행렬이 추정오차를 증폭할 수 있기 때문입니다. 추정 상관관계가 조금 변해도 최적화 가중치는 크게 움직일 수 있습니다. 평균을 뺀 표준 표본 공분산에서 중심화된 자료 행렬의 랭크는 최대 \(T-1\)이므로 \(N\geq T\)이면 \(S\)가 특이행렬이 됩니다. 특이해지기 전에도 조건수가 나빠질 수 있습니다. Ledoit와 Wolf는 잘 조건화된 공분산 추정량에 관한 논문에서 이 고차원 문제를 다룹니다(2004년 논문00096-4)).

수축은 구조적 정보를 더해 표본 추정치를 안정화하는 정규화 선택입니다. 자산이 실제로 표적 모형을 따른다는 증거는 아니며 기대수익률을 추정하는 방법도 아닙니다. 표본 공분산의 고유값이 포트폴리오 위험에 미치는 더 넓은 문제는 고유값과 금융 위험 가이드와 연결됩니다.

선형 수축의 일반형 하나는 다음과 같습니다.

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

여기서 \(S\)는 표본 공분산, \(F\)는 구조적 표적, \(\widehat{\delta}\)는 추정된 수축 강도입니다. 강도가 0이면 결과는 표본 행렬이고, 1이면 표적 행렬입니다. 그 사이는 두 행렬의 볼록결합입니다.

\(F\)의 선택은 어떤 공분산 패턴을 표본에서 안정적으로 유지할 구조라고 보는지 정합니다. 수축 강도는 표본 정보와 그 구조에 각각 어느 정도 비중을 둘지 정합니다. 지정된 표적과 손실함수에 대한 Ledoit–Wolf 절차는 임의로 골라 넣은 혼합 비율 대신 데이터에서 강도를 추정합니다. 정확한 플러그인 공식은 표적과 가정에 따라 달라지므로, 모든 “Ledoit–Wolf” 방법에 공통으로 적용되는 표적 독립적 \(\widehat{\delta}\) 하나가 있는 것은 아닙니다.

고차원 항등행렬 표적에 관한 원 연구는 명시된 이차 손실과 점근적 조건에서 표본 행렬과 항등행렬을 결합한 추정량의 점근적 최적성을 다룹니다. 모든 표본과 목적함수에서 보장되는 보편적 우월성을 뜻하지는 않습니다(Ledoit와 Wolf, 200400096-4)). 따라서 추정량을 설명할 때 손실함수와 표적을 함께 밝혀야 합니다.

관련 추정량은 선형 결합이라는 생각을 공유하지만, 각각 다른 공분산 구조를 가정합니다.

• 단일 지수 표적: 시장 요인이 공통 변동을 설명하고, 나머지 구조는 모형이 처리합니다. Ledoit와 Wolf는 주식 수익률 공분산 추정을 위해 표본 공분산과 단일 지수 모형 공분산의 가중결합을 제안했습니다(2003년 논문00007-0)).
• 스케일 조정 항등행렬 표적: 대각에 공통 분산 수준을, 비대각에 0을 둡니다. 표본 고유값을 공통 중심 쪽으로 당겨 조건화를 개선할 수 있지만, 상관계수 일정 표적보다 같은 분산·무공분산이라는 강한 구조를 부과합니다.
• 상관계수 일정 표적: 각 자산의 표본 분산은 유지하고 자산 쌍의 상관계수는 하나의 평균값으로 대체합니다. 자산별 변동성은 다르게 두면서 의존 구조를 단순화합니다. 2004년 실무 논문은 이 표적을 향한 수축을 다룹니다(Ledoit와 Wolf, 2004).

이들을 “Ledoit–Wolf 수축은 모든 상관관계를 0으로 줄인다”는 하나의 설명으로 뭉뚱그려서는 안 됩니다. \(F\)에 따라 목표는 공통요인 공분산을 유지하거나, 고유값을 평균 쪽으로 당기거나, 각 쌍의 상관을 횡단면 평균으로 이동시킬 수 있습니다. 비동시 공분산 추정 절차에서 쌍별 추정치를 모은 뒤 적용하는 공분산 정규화도 별도의 모형 선택입니다.

\(S_{ii}\)를 자산 \(i\)의 표본 분산, \(s_i=\sqrt{S_{ii}}\)를 표준편차라고 하겠습니다. 자산이 \(N\)개라면 표본 상관계수 \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\)를 계산하고 서로 다른 자산 쌍의 평균을 구합니다.

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

상관계수 일정 표적은 다음과 같이 둡니다.

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

따라서 표적은 대각의 표본 분산을 그대로 유지하면서 모든 자산 쌍에 동일한 \(\bar{\rho}\)를 부여합니다. 최종 추정치는 이 표적과 원래 표본 행렬을 결합합니다. 각 자산의 변동성을 같은 수치로 바꾸는 방식이 아닙니다. 이 표적의 구성과 그에 맞는 수축 강도는 항등행렬 표적 추정과 구분됩니다. 저자들의 구현 역시 표본 분산을 보존하고 공통 상관계수를 부여하는 표적이라고 명시합니다(참고 구현).

<!-- learn:illustration --> <!-- 글자 없는 개념도: 대각 칸을 동일하게 유지한 대칭 3×3 공분산 행렬 세 개에서 서로 다른 비대각 표본 관계가 하나의 상관계수 일정 표적으로 이동하는 모습입니다. 실제 자료나 추정 결과가 아닙니다. -->

설명용으로 만든 가상 표본 공분산 행렬이 제곱 퍼센트포인트 단위로 다음과 같다고 하겠습니다.

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

표본 표준편차는 각각 \(2\%\), \(3\%\), \(4\%\)입니다. 자산 쌍의 상관계수는 \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\), \(6/(3\cdot4)=0.50\)입니다. 이 세 값을 평균하면 다음과 같습니다.

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

따라서 표적 행렬은

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

입니다. 계산을 설명하기 위해서만 \(\delta=0.40\)을 택하겠습니다. 이는 이 가상 관측값에서 추정한 Ledoit–Wolf 강도가 아닙니다.

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

대각 원소 \(4,9,16\)은 유지됩니다. \((1,3)\) 원소는 \(-2\)에서 표적값 \(2\) 쪽으로 이동하므로 수축이 모든 공분산을 0으로 당긴다는 뜻은 아닙니다. 여기서 예시로 든 두 행렬은 양의 준정부호이므로 두 행렬의 볼록결합인 혼합 행렬도 양의 준정부호입니다. 이 예시는 계산 방식만 보여주며 권장 표적이나 관측된 시장 관계를 나타내지 않습니다.

동일가중치 \(w=(1/3,1/3,1/3)^\top\)에서 모형상 분산은 \(w^\top\Sigma w\)입니다. 위 표본 행렬의 아홉 원소 합은 \(43\)이므로

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

입니다. 설명용 수축 행렬의 원소 합은 \(42.6\)이며 다음 결과가 나옵니다.

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

이 작은 차이는 공분산 입력값을 바꿨을 때 산술적으로 생긴 결과입니다. 수축 추정치가 실현 분산을 더 잘 예측한다는 증거는 아닙니다. 최소분산 최적화기는 공분산 값뿐 아니라 행렬의 역행렬을 사용하는 경우가 많으므로 가중치도 달라질 수 있습니다. 적절한 조건에서는 수축이 입력값의 표본 잡음 민감도를 줄일 수 있지만, 익스포저와 회전율도 바뀔 수 있습니다.

위험균형 포트폴리오에서는 공분산이 전체 분산뿐 아니라 각 자산의 위험 기여도에도 영향을 줍니다. 동일 위험 기여 가이드를 참고하세요. 추정 위험으로 포지션 크기를 조절하는 변동성 목표화에서도 목표 시간 범위와 실현값·예측값의 구분은 별도로 다뤄야 합니다.

선형 수축은 스칼라 강도 하나로 전체 표본 행렬을 선택한 표적과 결합합니다. 항등행렬 표적의 경우 고유값 관점에서 표본 고유값을 공통 중심 쪽으로 당기면서 표본 고유벡터는 유지하는 방식으로 볼 수 있습니다. 잡음이 있는 스펙트럼을 안정시킬 수 있지만, 모든 고유값의 이동 정도가 같은 혼합 강도에 묶입니다.

비선형 수축은 일반적으로 표본 고유벡터를 유지하면서 고유값을 각각 변환합니다. Ledoit와 Wolf의 2012년 논문은 고차원 공분산 추정을 위한 비선형 고유값 변환을 전개합니다(2012년 논문). 두 저자의 2017년 포트폴리오 선택 연구는 그 목적에 맞춘 추정량을 다룹니다(2017년 논문). 이 방법들은 위의 스칼라 선형 결합과 같지 않으므로 그렇게 설명하면 안 됩니다.

더 유연한 추정량은 가정 아래 공분산 구조를 세밀하게 다룰 수 있지만, 모든 자산군과 표본 구간에서 자동으로 더 낫다는 뜻은 아닙니다. 구체적 추정량과 가정, 계산 방법, 표본 밖 성능을 비교해야 합니다. 고유값 변환도 미래 상관관계 국면에 대한 예측은 아닙니다.

수축은 구조를 더해 분산을 줄이는 대신 그 구조가 틀릴 수 있습니다. 단일 지수 표적은 업종·스타일 관계를 놓칠 수 있고, 상관계수 일정 표적은 군집별 관계를 놓칠 수 있습니다. 스케일 조정 항등행렬은 실제 공분산을 없앨 수 있습니다. 국면 변화나 요인 노출 변화, 비동시 관측은 과거 구간의 표적이 다음 구간을 잘 표현하지 못하게 만들 수 있습니다. 이 방법은 관측 수익률을 독립·정상 시계열로 바꾸지 않습니다.

양의 준정부호에 관한 주장은 조건이 있습니다. \(S\)와 \(F\)가 모두 양의 준정부호이고 \(0\leq\delta\leq1\)이면 볼록결합도 양의 준정부호입니다. 하지만 이것만으로 양의 정부호, 즉 모든 고유값이 양수임이 보장되지는 않습니다. 표적에 영 고유값이 있거나 표적 가중치가 0일 수 있습니다. 자산 쌍마다 다른 날짜를 사용해 결측치를 쌍별 제거한 경우에는 표본 행렬 \(S\)부터 양의 준정부호가 아닐 수 있어, 입력을 보정하거나 대체하지 않는 한 볼록성 논리를 적용할 수 없습니다.

수익률 정의, 표본 빈도, 관측 구간, 결측치 처리, 평균 제거 방식, 표적, 수축 강도 추정 절차를 밝혀야 합니다. 적절한 경우 모든 자산에 공통된 관측 방식을 사용해 자료를 정렬하세요. 같은 자료로 평가한 백테스트에서 가장 좋아 보이는 결과가 나온다는 이유로 표적을 선택해서는 안 됩니다. 표적 선택과 포트폴리오 설계 자체가 연구 선택입니다.

유용한 평가는 자산군, 수익률 시간 범위, 리밸런싱 규칙, 정보 이용 시점을 정한 뒤 같은 학습 구간에서 표본 행렬, 수축 추정량, 적절한 기준 추정량을 비교합니다. 공분산 예측은 이후 실현값과 비교하거나 보류 표본의 포트폴리오 예측을 평가할 수 있습니다. 오차에서 분산과 공분산을 어떻게 반영하는지 손실함수를 밝히세요. 한 손실에서 표본 내 행렬 오차가 작아도 다른 목적의 미래 포트폴리오 위험 추정까지 나아진다는 뜻은 아닙니다.

포트폴리오에 적용했다면 가중치, 집중도, 회전율, 제약조건과 추정 거래비용에 미친 영향도 보고합니다. 공분산은 의사결정 입력값 중 하나입니다. 기대수익률, 자금 조달, 위험 한도와 체결 가정도 결과 포트폴리오를 바꿀 수 있습니다. 조건수가 작다는 것은 행렬의 성질이지 실현 수익이나 위험을 보장하는 결과가 아닙니다.

행렬 추정 오차와 포트폴리오 의사결정 오차도 같은 점수로 평가되지 않습니다. 모든 행렬 원소의 제곱오차를 합하는 손실은 자산 쌍을 고르게 다루지만, 특정 가중치의 분산 \(w^\top\Sigma w\)는 그 포트폴리오가 가진 노출에 따라 각 분산·공분산 항을 다르게 반영합니다. 연구 목적이 행렬 자체의 복원인지, 특정 위험예산의 예측인지 먼저 정하고 그에 맞는 평가 기준을 공개해야 합니다. 한 목적의 기준에서 선택된 수축 강도가 다른 목적에도 최적이라는 뜻은 아닙니다.

평가 구간을 나눌 때는 수축 강도, 자산군, 하이퍼파라미터를 추정하는 데 사용한 자료가 평가일 이전에만 존재했는지도 확인합니다. 전체 표본으로 강도를 정한 뒤 과거 구간에서 성과를 재면 미래 정보가 선택에 섞일 수 있습니다. 롤링 평가에서는 매 시점에 그때까지의 자료만으로 추정량을 다시 계산하고, 표본 창 길이와 리밸런싱 간격을 함께 기록합니다. 실현 공분산 대리치를 쓸 때도 예측 구간과 겹치거나 같은 자료를 재사용하는지 밝혀야 합니다.

가장 정확한 해석은 범위가 제한적입니다. Ledoit–Wolf 방법은 표본 공분산과 지정된 표적 또는 변환을 결합하는 데이터 기반 추정 방법을 제공합니다. 그 결과의 유용성은 표적, 표본 가정, 평가 방식이 의도한 위험 문제에 얼마나 맞는지에 달려 있습니다. 공분산 구조의 추정치이지 독립적인 거래 신호나 초과성과 약속은 아닙니다.