Ledoit–Wolf-shrinkage van de covariantiematrix: formule, targets en portefeuillerisico

Voor \(T\) rendementswaarnemingen van \(N\) activa schat de steekproefcovariantiematrix \(S\) de variantie van elk actief en de covariantie van elk paar uit dezelfde eindige historie. Het aantal unieke elementen groeit ruwweg evenredig met \(N^2\). Als het aantal activa niet klein is ten opzichte van het aantal waarnemingen, bevatten veel afzonderlijke covariantie-inschattingen aanzienlijke steekproefruis.

Die ruis is vooral van belang wanneer een portefeuilleprocedure de matrix inverteert. De inverse kan schattingsfouten versterken: kleine veranderingen in geschatte correlaties kunnen grote veranderingen in geoptimaliseerde gewichten veroorzaken. Bij de gebruikelijke steekproefcovariantie na aftrek van het gemiddelde heeft de datamatrix rang hoogstens \(T-1\), waardoor \(S\) singulier is als \(N\geq T\). Ook voordat de matrix singulier wordt, kan de conditie slecht zijn. Ledoit en Wolf bespreken dit probleem met veel dimensies in hun werk over goed geconditioneerde covariantiematrices (200400096-4)).

Shrinkage voegt structuur toe aan de ruisachtige steekproefschatting. Het is een regularisatiekeuze voor een covariantie-input, geen bewijs dat activa het targetmodel werkelijk volgen en evenmin een methode om verwachte rendementen te schatten. Het bredere vraagstuk van de invloed van eigenwaarden van de steekproefcovariantie op portefeuillerisico sluit aan bij de gids over eigenwaarden en financieel risico.

Een veelgebruikte lineaire vorm is

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

waarbij \(S\) de steekproefcovariantie is, \(F\) een gestructureerd target en \(\widehat{\delta}\) de geschatte shrinkage-intensiteit. Bij nul is de schatting de steekproefmatrix; bij één is zij het target. Tussenliggende waarden vormen een convex mengsel.

De keuze van \(F\) bepaalt welke patronen de schatter stabiel genoeg vindt om te behouden. De intensiteit bepaalt hoeveel gewicht dat structuurpatroon krijgt ten opzichte van de steekproef. Voor een opgegeven target en verliesfunctie schatten Ledoit–Wolf-procedures de intensiteit uit de data, in plaats van een willekeurig gekozen mengverhouding te vereisen. Exacte plug-informules verschillen per target en aannames; er bestaat geen targetonafhankelijke \(\widehat{\delta}\) die elke methode met de naam “Ledoit–Wolf” definieert.

Het oorspronkelijke resultaat met een identiteitsmatrix als target in hoge dimensies toont een asymptotisch optimale convexe combinatie onder een opgegeven kwadratische verliesfunctie en asymptotisch regime. Het is geen universele garantie voor iedere steekproef of doelstelling (Ledoit en Wolf, 200400096-4)). De verliesfunctie en het target horen daarom in de beschrijving van de schatter.

Verschillende verwante schatters gebruiken hetzelfde mengprincipe, maar leggen verschillende covariantiestructuren vast.

• Single-indextarget: Een marktfactor verklaart de gemeenschappelijke beweging; het model verwerkt de resterende structuur. Ledoit en Wolf stelden een optimaal gewogen combinatie van steekproefcovariantie en single-indexcovariantie voor om de covariantie van aandelenrendementen te schatten (200300007-0)).
• Geschaald identiteitsmatrix-target: Op de diagonaal staat één gemeenschappelijk variantieniveau en buiten de diagonaal staat nulcovariantie. Dit trekt eigenwaarden naar een gemeenschappelijk middelpunt en kan de conditie verbeteren. Het legt sterkere aannames op van gelijke varianties en afwezige covariantie dan een target met constante correlatie.
• Target met constante correlatie: Elke steekproefvariantie blijft behouden, terwijl paarsgewijze correlaties worden vervangen door één gemiddelde correlatie. Volatiliteiten mogen zo per actief verschillen, terwijl het afhankelijkheidspatroon wordt vereenvoudigd. Het praktijkartikel van 2004 werkt shrinkage naar dit target uit (Ledoit en Wolf, 2004).

Vat deze varianten niet samen als de bewering dat “Ledoit–Wolf correlaties naar nul shrinkt”. Afhankelijk van \(F\) kan het target covariantie door een gemeenschappelijke factor behouden, eigenwaarden naar een gemiddelde trekken of paarsgewijze correlaties naar hun dwarsdoorsnedegemiddelde verplaatsen. Ook covariantieregularisatie na het combineren van paarsgewijze schattingen, bijvoorbeeld in een workflow voor niet-gelijktijdige covariantie, is een afzonderlijke modelkeuze.

Laat \(S_{ii}\) de steekproefvariantie van actief \(i\) zijn en \(s_i=\sqrt{S_{ii}}\). Bereken voor \(N\) activa elke steekproefcorrelatie \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\) en neem vervolgens het gemiddelde van alle unieke correlaties buiten de diagonaal:

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

Het target met constante correlatie is

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

Het target behoudt dus de steekproefvarianties op de diagonaal en kent dezelfde correlatie \(\bar{\rho}\) toe aan elk paar activa. De uiteindelijke covariantie-inschatting combineert dit target met de oorspronkelijke steekproefmatrix; zij vervangt niet alle volatiliteiten door één gemeenschappelijke waarde. De targetconstructie en de bijbehorende intensiteit verschillen van de schatter met een identiteitsmatrix als target. Ook de implementatie van de auteurs omschrijft het target als een constructie die steekproefvarianties behoudt en een gemeenschappelijke correlatie toekent (referentie-implementatie).

<!-- learn:illustration --> <!-- Tekstloze conceptuele illustratie: drie symmetrische 3×3-covariantiematrices behouden dezelfde diagonaalcellen, terwijl verschillende steekproefrelaties buiten de diagonaal naar één gedeeld target met constante correlatie bewegen; dit zijn geen data of schattingen. -->

Stel dat een hypothetische steekproefcovariantiematrix, uitgedrukt in kwadraten van procentpunten, als volgt is:

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

De steekproefstandaarddeviaties zijn \(2\%\), \(3\%\) en \(4\%\). De paarsgewijze correlaties zijn \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) en \(6/(3\cdot4)=0.50\). Hun gemiddelde is

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

Het resulterende target is

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

Kies voor de rekenkundige uitleg \(\delta=0.40\). Dit is een onderwijswaarde, niet de geschatte Ledoit–Wolf-intensiteit voor deze verzonnen waarnemingen:

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

De diagonaal blijft \(4,9,16\). De covariantie op positie \((1,3)\) beweegt van \(-2\) naar het target van \(2\). Shrinkage betekent dus niet dat elke covariantie naar nul beweegt. Beide getoonde matrices zijn positief semidefiniet; daarom is dit convexe mengsel dat ook. Het voorbeeld is hypothetisch en illustreert alleen de berekening, geen aanbevolen target of waargenomen marktverband.

Bij gelijke gewichten \(w=(1/3,1/3,1/3)^\top\) is de gemodelleerde variantie \(w^\top\Sigma w\). De som van alle negen elementen van de steekproefmatrix hierboven is \(43\), dus

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

Voor de ter illustratie gekrompen matrix is de som van de elementen \(42.6\), zodat

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

Dit kleine verschil volgt rekenkundig uit de gewijzigde covariantie-input. Het bewijst niet dat de gekrompen schatting de gerealiseerde variantie beter voorspelt. Een minimumvariantie-optimalisator kan ook andere gewichten opleveren, omdat die de covariantiewaarden en vaak ook hun inverse gebruikt. Onder geschikte omstandigheden kan shrinkage de inputs minder gevoelig maken voor steekproefruis, terwijl blootstellingen en omzet toch veranderen.

Bij portefeuilles met risicopariteit beïnvloedt covariantie de bijdrage van elk actief aan het totale portefeuillerisico, niet alleen de totale variantie. Zie de gids over gelijke risicobijdrage. Als een risicoschatting later de positiegrootte bepaalt, zoals bij volatility targeting, moeten de doelhorizon en het onderscheid tussen gerealiseerde waarden en voorspellingen apart worden behandeld.

Lineaire shrinkage gebruikt één scalaire intensiteit om de volledige steekproefmatrix met een gekozen target te mengen. Bij een identiteitsmatrix als target heeft dit een interpretatie in termen van eigenwaarden: de steekproefeigenwaarden worden naar een gemeenschappelijk middelpunt getrokken, terwijl de steekproefeigenvectoren behouden blijven. Dit kan een ruisachtig spectrum stabiliseren, maar dezelfde mengfactor beperkt hoeveel afzonderlijke eigenwaarden kunnen veranderen.

Niet-lineaire shrinkage transformeert steekproefeigenwaarden afzonderlijk en behoudt doorgaans de steekproefeigenvectoren in een rotatie-equivariënte schatter. Het artikel van Ledoit en Wolf uit 2012 ontwikkelt niet-lineaire eigenwaardetransformaties voor covariantie-inschatting in hoge dimensies (2012). Hun onderzoek naar portefeuillekeuze uit 2017 behandelt een schatter die op dat doel is afgestemd (2017). Deze methoden zijn niet de scalaire lineaire mengvorm hierboven en moeten niet zo worden beschreven.

Een flexibelere schatter kan de covariantiestructuur onder zijn aannames nauwkeuriger modelleren, maar extra flexibiliteit maakt hem niet automatisch beter voor elk universum of venster. Vergelijk de specifieke schatter, aannames, berekeningen en prestaties buiten de steekproef. Een eigenwaardetransformatie voorspelt evenmin een toekomstige correlatieregime.

Shrinkage verlaagt variantie door structuur toe te voegen, maar die structuur kan onjuist zijn. Een single-indextarget kan sector- of stijlrelaties missen; een target met constante correlatie kan clusters missen; een geschaalde identiteitsmatrix kan echte covariantie onderdrukken. Een regimeverschuiving, veranderende factorblootstellingen of niet-gelijktijdige waarnemingen kunnen een target uit één historisch venster een slechte beschrijving van het volgende venster maken. De methode maakt rendementen niet onafhankelijk of stationair.

De uitspraak over positieve semidefinietheid geldt onder voorwaarden. Als \(S\) en \(F\) beide positief semidefiniet zijn en \(0\leq\delta\leq1\), dan is hun convexe combinatie positief semidefiniet. Dat garandeert op zichzelf geen strikte positief-definietheid: het target kan nul-eigenwaarden hebben of het gewicht ervoor kan nul zijn. Paarsgewijze verwijdering van ontbrekende waarden op verschillende datums per activapaar kan bovendien een steekproefmatrix \(S\) opleveren die niet positief semidefiniet is. Dan geldt het convexiteitsargument niet, tenzij die input wordt hersteld of vervangen.

Vermeld de rendementsdefinitie, steekproeffrequentie, observatieperiode, regel voor ontbrekende gegevens, behandeling van het gemiddelde, het target en de procedure voor de intensiteit. Stem waar passend alle activa af op een gemeenschappelijk waarnemingsschema. Kies het target niet omdat het de aantrekkelijkste backtest oplevert op dezelfde data waarmee het wordt geëvalueerd; ook targetkeuze en portefeuilleontwerp zijn onderzoekskeuzes.

Een bruikbare evaluatie legt het universum van activa, de rendementsperiode, herbalanceringsregel en informatiegrens vast. Vergelijk vervolgens op dezelfde trainingsvensters de steekproefmatrix, de gekozen shrinkageschatter en een relevante benchmark. Beoordeel covariantievoorspellingen aan de hand van een latere gerealiseerde maatstaf of toets portefeuillevoorspellingen op perioden die buiten de steekproef zijn gehouden. Rapporteer de verliesfunctie en hoe die fouten in varianties tegenover fouten in covarianties weegt. Een kleinere in-sample matrixfout onder één verliesfunctie betekent niet noodzakelijk betere toekomstige schattingen van portefeuillerisico onder een andere doelstelling.

Rapporteer voor een portefeuilletoepassing ook het effect op gewichten, concentratie, omzet, beperkingen en geschatte transactiekosten. De covariantiematrix is slechts één input voor een beslissing: verwachte rendementen, financiering, risicolimieten en uitvoeringsaannames kunnen de resulterende portefeuille veranderen. Een lagere conditiegetal is een eigenschap van de matrix, geen garantie voor gerealiseerd rendement of risico.

Verlies bij matrixschatting en verlies bij portefeuillebeslissingen zijn niet uitwisselbaar. Een verliesfunctie die de gekwadrateerde fouten van alle matrixelementen optelt, beoordeelt de schatting over alle activaparen; \(w^\top\Sigma w\) weegt variantie- en covariantietermen volgens een bepaalde portefeuille. Vermeld of het onderzoek de reconstructie van de matrix zelf beoordeelt of risicovoorspellingen voor een specifieke blootstelling. Kies en rapporteer vervolgens een passend criterium. Een shrinkage-intensiteit die voor één doel is gekozen, is niet automatisch optimaal voor het andere.

Houd de evaluatie tijdzuiver. Schat op elke voorspeldatum de shrinkage-intensiteit, kies het universum en stem andere parameters uitsluitend af op informatie die op die datum beschikbaar was. De intensiteit op de volledige steekproef schatten en vervolgens eerdere perioden beoordelen, laat toekomstige informatie in de keuze lekken. Bereken de schatter in een rollende evaluatie op elk startpunt opnieuw met alleen beschikbare rendementen. Noteer de vensterlengte en herbalanceringsinterval en vermeld of de gerealiseerde covariantieproxy overlapt met de voorspelhorizon of rendementen hergebruikt.

De best verdedigbare interpretatie is begrensd: Ledoit–Wolf-methoden bieden datagedreven manieren om een ruisachtige steekproefcovariantie met een gekozen target of transformatie te combineren. Het resultaat is alleen bruikbaar voor zover het target, de steekproefaannames en de evaluatie passen bij het beoogde risicovraagstuk. Het is een schatting van de covariantiestructuur, geen zelfstandig handelssignaal of belofte van outperformance.