Semua panduan opsyen
Baca saiz dan arah risiko dalam kovariansbacaan 18 minit

Nilai Eigen, Vektor Eigen, dan Faktor Risiko Kewangan

Fahami nilai eigen, vektor eigen, penguraian eigen kovarians, kepekatan risiko, dimensi berkesan, dan ketidakstabilan daripada ralat pensampelan.

Disediakan oleh Mark · Sumber utama di bawah

Jawapan terus

Vektor eigen ialah arah yang dikekalkan oleh transformasi linear, dan nilai eigennya ialah skala yang digunakan sepanjang arah itu. Bagi matriks kovarians pulangan, vektor eigen mewakili arah pergerakan bersama dan nilai eigennya mengukur varians sepanjang arah tersebut. Jika beberapa nilai eigen besar mengandungi sebahagian besar jumlah keseluruhan, portfolio boleh mempunyai banyak pegangan tetapi risikonya kekal tertumpu pada beberapa paksi bersama. Vektor eigen yang dipadankan dengan nilai eigen yang serupa boleh sangat sensitif kepada sampel, jadi penganalisis patut menilai subruang, varians yang dijelaskan, dan kestabilan luar sampel dan bukannya memberikan nama berlebihan kepada paksi individu.

Sesetengah arah bertahan melalui transformasi

Matriks biasanya mengubah kedua-dua panjang dan arah vektor. Vektor eigen ialah arah khas yang kekal pada garis yang sama selepas itu.

Nilai eigennya menyatakan sejauh mana arah itu diskalakan. Nilai negatif turut membalikkan orientasi, walaupun nilai eigen kovarians tidak boleh negatif.

Panjang vektor eigen adalah arbitrari, jadi ia biasanya dinormalkan kepada satu. Vektor dan negatifnya mewakili paksi yang sama.

Matriks kovarians menyimpan pergerakan bersama

Entri pepenjuru ialah varians aset individu, manakala entri luar pepenjuru ialah kovarians yang menerangkan pergerakan bersama berpasangan.

Matriks kovarians adalah simetri dan semidefinit positif, jadi ia mempunyai nilai eigen nyata dan satu set vektor eigen ortogonal.

Kovarians sampel dianggarkan daripada pemerhatian. Oleh itu, nilai eigen dan vektor eigennya membawa ralat pensampelan dan bukannya fakta tetap.

Nilai eigen ialah varians sepanjang satu arah

Unjurkan pulangan kepada vektor eigen kovarians unit, maka varians sampel pulangan yang diunjurkan itu sama dengan nilai eigen yang sepadan.

Jumlah semua nilai eigen sama dengan jejak matriks, yang juga merupakan jumlah varians pemboleh ubah individu.

Membahagi satu nilai eigen dengan jumlah itu memberikan bahagian varians yang dijelaskan. Menyusun nilai mengikut kedudukan mengatur arah risiko terlaras mengikut saiz.

Penguraian ortogon membina semula risiko

Penguraian spektrum menyatakan kovarians sebagai jumlah arah vektor eigen yang ditimbang oleh nilai eigennya.

Oleh sebab paksi itu tidak berkorelasi, varians portfolio berpisah kepada setiap pendedahan paksi kuasa dua yang didarabkan dengan nilai eigen paksi.

Ini ialah perubahan koordinat. Paksi terlaras yang tidak berkorelasi tidak membuktikan bahawa kejutan ekonomi asas adalah bebas.

Nilai eigen yang berdekatan menjadikan arah tidak stabil

Apabila nilai eigen hampir sama, perubahan kecil pada data boleh memutar vektor eigen yang berkaitan dengan ketara.

Jika nilai eigen sama tepat, mana-mana asas ortogonal dalam subruang bersama menghasilkan kovarians yang sama. Vektor individu tidak unik.

Penjajaran tanda, sudut vektor, jarak subruang, dan hasil bootstrap memberikan semakan kestabilan yang lebih baik daripada perbandingan visual semata-mata.

Nilai eigen besar mendedahkan kepekatan risiko

Nilai eigen pertama yang dominan bermakna banyak aset berkongsi satu arah yang kuat, jadi kepelbagaian berkesan boleh ketinggalan daripada bilangan pegangan nominal.

Dimensi berkesan meringkaskan sejauh mana varians tersebar secara sekata merentas nilai eigen. Portfolio dengan bilangan aset yang sama boleh mempunyai dimensi yang sangat berbeza.

Korelasi mungkin meningkat ketika tekanan dan membesarkan bahagian utama. Anggaran kovarians tempoh tenang boleh melebihkan kepelbagaian ketika krisis.

Hubungkan PCA dengan risiko faktor secara berhati-hati

Pemuatan PCA ialah vektor eigen matriks kovarians atau korelasi, dan varians yang dijelaskan datang daripada nilai eigen yang sepadan.

Beberapa nilai eigen besar boleh menyokong struktur faktor statistik anggaran tanpa mengenal pasti sumber ekonomi faktor tersebut.

Model faktor menyatakan struktur bersama dan baki; penguraian eigen menerangkan geometri kovarians. Kegunaan kedua-duanya bertindih, tetapi andaian berbeza.

Dedahkan anggaran dan ketidakpastian

Laporkan takrif pulangan, kekerapan, jendela, nilai hilang, pencilan, pilihan penskalaan, dan penganggar kovarians.

Tunjukkan spektrum nilai eigen penuh, bahagian terkumpul, vektor utama, dan peraturan penjajaran tanda tanpa memberikan identiti yang lebih besar daripada yang disokong oleh bukti.

Bandingkan jendela bergerak, kovarians pengecutan, dan ramalan risiko luar sampel. Carta spektrum yang jelas tidak menghapuskan ralat anggaran.

Soalan lazim

Mengapa nilai eigen kovarians tidak negatif?

Varians tidak boleh negatif dalam mana-mana arah portfolio, yang menjadikan matriks kovarians semidefinit positif.

Adakah vektor eigen terbesar sentiasa faktor pasaran?

Ia mungkin menyerupainya, tetapi identiti itu memerlukan pengesahan terhadap komposisi, reka bentuk sampel, dan pulangan pasaran luaran.

Bagaimanakah tanda vektor eigen patut ditafsirkan?

Vektor dan negatifnya mentakrifkan paksi yang sama. Selaraskan tanda kepada aset rujukan atau jendela sebelumnya sebelum membuat perbandingan.

Adakah arah nilai eigen kecil tidak relevan?

Tidak semestinya. Ia boleh penting untuk kekangan lindung nilai, hubungan nilai relatif, atau ramalan walaupun membawa sedikit varians serentak.

Sumber dan bacaan lanjut

Semakan pantas

Sudah membaca panduan? Uji diri dengan 3 soalan

1 / 3

Soalan 01

Pernyataan manakah yang paling tepat untuk panduan ini — Sesetengah arah bertahan melalui transformasi?

Pilih jawapan untuk melihat penjelasan

Glosari opsyen