Shrinkage macierzy kowariancji Ledoit–Wolf: wzór, targety i ryzyko portfela

Dla \(T\) obserwacji stóp zwrotu \(N\) aktywów macierz kowariancji z próby \(S\) szacuje wariancję każdego aktywa i kowariancję każdej pary na podstawie tej samej, skończonej historii. Liczba różnych elementów rośnie w przybliżeniu jak \(N^2\). Jeśli liczba aktywów nie jest mała w porównaniu z liczbą obserwacji, wiele indywidualnych szacunków kowariancji może zawierać znaczny szum próbkowania.

Szum ten ma szczególne znaczenie, gdy procedura portfelowa odwraca macierz. Macierz odwrotna może wzmacniać błędy estymacji: niewielkie zmiany szacowanych korelacji mogą powodować duże zmiany zoptymalizowanych wag. Przy standardowej macierzy kowariancji z próby po odjęciu średniej rząd macierzy danych wynosi najwyżej \(T-1\), więc \(S\) jest osobliwa, gdy \(N\geq T\). Zanim stanie się osobliwa, może mieć również złe uwarunkowanie. Ledoit i Wolf omawiają ten problem wysokiego wymiaru w pracy o dobrze uwarunkowanym estymowaniu kowariancji (200400096-4)).

Shrinkage dodaje strukturę do zaszumionego estymatora z próby. Jest wyborem regularyzacji danych wejściowych dotyczących kowariancji, a nie dowodem, że aktywa rzeczywiście podlegają modelowi targetu ani metodą szacowania oczekiwanych stóp zwrotu. Szerszy problem wpływu wartości własnych kowariancji z próby na ryzyko portfela łączy się z poradnikiem o wartościach własnych i ryzyku finansowym.

Typowa postać liniowa to

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

gdzie \(S\) oznacza kowariancję z próby, \(F\) — target strukturalny, a \(\widehat{\delta}\) — estymowaną intensywność shrinkage. Przy zerowej intensywności wynikiem jest macierz z próby, a przy wartości jeden — target. Wartości pośrednie tworzą kombinację wypukłą.

Wybór \(F\) określa, które wzorce estymator uznaje za wystarczająco stabilne, by je zachować. Intensywność określa, ile wagi nadać tej strukturze w porównaniu z danymi z próby. Dla określonego targetu i funkcji straty procedury Ledoit–Wolf estymują intensywność z danych, zamiast wymagać arbitralnie wybranej proporcji mieszania. Dokładne wzory typu plug-in różnią się zależnie od targetu i założeń; nie istnieje jedno \(\widehat{\delta}\), niezależne od targetu, które definiowałoby każdą metodę nazywaną „Ledoit–Wolf”.

Pierwotny wynik dla wysokowymiarowego targetu macierzy jednostkowej pokazuje asymptotyczną optymalność kombinacji wypukłej przy określonej kwadratowej funkcji straty i reżimie asymptotycznym. Nie jest to uniwersalna gwarancja dla każdej próby ani celu (Ledoit i Wolf, 200400096-4)). Dlatego opis estymatora powinien wskazywać zarówno funkcję straty, jak i target.

Kilka powiązanych estymatorów korzysta z tej samej idei mieszania, ale koduje inną strukturę kowariancji.

• Target single-index: Czynnik rynkowy wyjaśnia wspólny ruch, a model uwzględnia pozostałą strukturę. Ledoit i Wolf zaproponowali optymalnie ważoną kombinację kowariancji z próby i kowariancji modelu single-index do szacowania kowariancji stóp zwrotu z akcji (200300007-0)).
• Skalowany target macierzy jednostkowej: Na przekątnej znajduje się wspólny poziom wariancji, a poza nią — zerowa kowariancja. Target przyciąga wartości własne do wspólnego środka i może poprawić uwarunkowanie; narzuca jednak silniejsze założenia o równych wariancjach i braku kowariancji niż target stałej korelacji.
• Target stałej korelacji: Zachowuje każdą wariancję z próby, a korelacje parami zastępuje jedną średnią korelacją. Zmienność poszczególnych aktywów może być różna, a struktura zależności zostaje uproszczona. Artykuł praktyczny z 2004 r. opisuje shrinkage w kierunku tego targetu (Ledoit i Wolf, 2004).

Nie należy sprowadzać tych wariantów do twierdzenia, że „Ledoit–Wolf sprowadza wszystkie korelacje do zera”. Zależnie od \(F\) target może zachować kowariancję wspólnego czynnika, przyciągać wartości własne do średniej albo przesuwać korelacje parami w kierunku ich średniej przekrojowej. Regularyzacja kowariancji po połączeniu estymat dla par aktywów, na przykład w procedurze kowariancji dla niesynchronicznych danych, jest odrębną decyzją modelową.

Niech \(S_{ii}\) oznacza wariancję z próby aktywa \(i\), a \(s_i=\sqrt{S_{ii}}\). Dla \(N\) aktywów oblicz każdą korelację z próby \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\), a następnie uśrednij wszystkie różne korelacje poza przekątną:

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

Target stałej korelacji definiuje się następująco:

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

Target zachowuje więc wariancje z próby na przekątnej i przypisuje tę samą korelację \(\bar{\rho}\) każdej parze aktywów. Końcowy estymator kowariancji łączy ten target z pierwotną macierzą z próby; nie zastępuje wszystkich zmienności jedną wspólną wartością. Konstrukcja targetu i jego intensywność różnią się od estymatora z targetem macierzy jednostkowej. Implementacja autorów także opisuje target jako zachowujący wariancje z próby i przypisujący wspólną korelację (implementacja referencyjna).

<!-- learn:illustration --> <!-- Ilustracja pojęciowa bez tekstu: trzy symetryczne macierze kowariancji 3×3 zachowują te same komórki na przekątnej, a różne relacje z próby poza przekątną przesuwają się w kierunku jednego wspólnego targetu stałej korelacji; nie są to dane ani estymata. -->

Załóżmy, że hipotetyczna macierz kowariancji z próby, w jednostkach kwadratów punktów procentowych, ma postać

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

Odchylenia standardowe z próby wynoszą \(2\%\), \(3\%\) i \(4\%\). Korelacje parami to \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) i \(6/(3\cdot4)=0.50\). Ich średnia wynosi

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

Otrzymany target to

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

Wyłącznie na potrzeby rachunku przyjmijmy \(\delta=0.40\). To wartość dydaktyczna, a nie estymowana intensywność Ledoit–Wolf dla tych wymyślonych obserwacji:

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

Elementy na przekątnej pozostają równe \(4,9,16\). Kowariancja \((1,3)\) przesuwa się z \(-2\) w kierunku wartości targetu, czyli \(2\), więc shrinkage nie oznacza, że każda kowariancja przesuwa się w kierunku zera. Obie pokazane macierze są dodatnio półokreślone, dlatego ich kombinacja wypukła również jest dodatnio półokreślona. Przykład jest hipotetyczny i obrazuje obliczenia, a nie zalecany target czy zaobserwowaną relację rynkową.

Przy równych wagach \(w=(1/3,1/3,1/3)^\top\) modelowana wariancja wynosi \(w^\top\Sigma w\). Suma wszystkich dziewięciu elementów powyższej macierzy z próby wynosi \(43\), zatem

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

W przykładowej macierzy po shrinkage suma elementów wynosi \(42.6\), co daje

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

Ta niewielka różnica wynika mechanicznie ze zmiany kowariancji wejściowej. Nie dowodzi, że estymator po shrinkage lepiej prognozuje zrealizowaną wariancję. Optymalizator portfela minimalnej wariancji może też wyznaczyć inne wagi, ponieważ wykorzystuje wartości kowariancji, a często również macierz odwrotną. W odpowiednich warunkach shrinkage może ograniczyć wrażliwość danych wejściowych na szum próbkowania, a jednocześnie zmienić ekspozycje i obrót.

W portfelach risk parity kowariancja wpływa na wkład każdego aktywa w całkowite ryzyko portfela, a nie tylko na jego wariancję łączną; zobacz poradnik o równym wkładzie do ryzyka. Jeśli później szacunek ryzyka skaluje wielkość pozycji, jak przy volatility targetingu, osobnego omówienia wymagają horyzont docelowy i różnica między wartością zrealizowaną a prognozą.

Liniowy shrinkage używa jednej skalarnej intensywności, by połączyć całą macierz z próby z wybranym targetem. W przypadku targetu macierzy jednostkowej ma interpretację przez wartości własne: przesuwa wartości własne z próby w kierunku wspólnego środka, zachowując wektory własne z próby. Może to stabilizować zaszumione spektrum, ale ten sam współczynnik mieszania ogranicza zakres zmian poszczególnych wartości własnych.

Nieliniowy shrinkage przekształca poszczególne wartości własne z próby, zazwyczaj zachowując wektory własne w estymatorze równoważnym względem obrotu. Artykuł Ledoit i Wolf z 2012 r. przedstawia nieliniowe transformacje wartości własnych na potrzeby estymacji kowariancji wysokowymiarowej (2012). Ich badanie doboru portfela z 2017 r. analizuje estymator dostosowany do tego celu (2017). Metody te nie są opisanym wyżej skalarnym liniowym mieszaniem i nie należy ich tak przedstawiać.

Bardziej elastyczny estymator może dokładniej dopasować strukturę kowariancji przy swoich założeniach, ale większa elastyczność nie czyni go automatycznie lepszym dla każdego uniwersum czy okna. Porównuj konkretny estymator, jego założenia, obliczenia i wyniki out-of-sample. Transformacja wartości własnych również nie prognozuje przyszłego reżimu korelacji.

Shrinkage zmniejsza wariancję przez dodanie struktury, ale ta struktura może być błędna. Target single-index może pominąć zależności sektorowe lub stylowe, target stałej korelacji może nie uchwycić klastrów, a skalowana macierz jednostkowa może stłumić rzeczywistą kowariancję. Zmiana reżimu, zmienne ekspozycje na czynniki lub niesynchroniczne obserwacje mogą sprawić, że target oparty na jednym historycznym oknie słabo opisuje następne okno. Metoda nie czyni obserwacji stóp zwrotu niezależnymi ani stacjonarnymi.

Twierdzenie o dodatniej półokreśloności jest warunkowe. Jeśli \(S\) i \(F\) są dodatnio półokreślone i \(0\leq\delta\leq1\), ich kombinacja wypukła jest dodatnio półokreślona. Samo to nie gwarantuje ścisłej dodatniej określoności: target może mieć zerowe wartości własne albo jego waga może wynosić zero. Usuwanie braków parami przy użyciu różnych dat dla różnych par aktywów może również doprowadzić do macierzy \(S\), która nie jest dodatnio półokreślona. Wtedy argument z kombinacją wypukłą nie obowiązuje, dopóki takie dane wejściowe nie zostaną skorygowane lub zastąpione.

Podaj definicję stóp zwrotu, częstotliwość próbkowania, okno obserwacji, regułę obsługi brakujących danych, sposób traktowania średniej, target i procedurę wyznaczania intensywności. Gdy to właściwe, ujednolić schemat obserwacji dla wszystkich aktywów. Nie wybieraj targetu dlatego, że zapewnia najbardziej atrakcyjny backtest na tych samych danych, które służą do oceny; wybór targetu i projekt portfela to również decyzje badawcze.

Rzetelna ocena ustala uniwersum aktywów, horyzont stóp zwrotu, regułę rebalansowania oraz granicę dostępnej informacji, a następnie porównuje na tych samych oknach uczących macierz z próby, wybrany estymator shrinkage i odpowiedni benchmark. Prognozy kowariancji można punktować względem późniejszej miary zrealizowanej albo oceniać prognozy portfela w okresach odłożonych poza próbę. Podaj funkcję straty i sposób traktowania błędów wariancji w porównaniu z błędami kowariancji. Mniejszy błąd macierzy in-sample przy jednej funkcji straty nie musi oznaczać lepszego przyszłego oszacowania ryzyka portfela dla innego celu.

W zastosowaniu portfelowym raportuj także wpływ na wagi, koncentrację, obrót, ograniczenia i szacowane koszty transakcyjne. Macierz kowariancji jest tylko jednym z wejść do decyzji: oczekiwane stopy zwrotu, finansowanie, limity ryzyka i założenia wykonania mogą zmienić portfel wynikowy. Niższy wskaźnik uwarunkowania to cecha macierzy, a nie gwarancja zrealizowanego zwrotu ani ryzyka.

Strata z estymacji macierzy i strata związana z decyzją portfelową nie są zamienne. Funkcja straty sumująca kwadraty błędów wszystkich elementów macierzy ocenia błędy w całej sieci par aktywów, natomiast \(w^\top\Sigma w\) waży składniki wariancji i kowariancji zgodnie z konkretnym portfelem. Podaj, czy badanie ocenia rekonstrukcję samej macierzy, czy prognozy ryzyka dla określonej ekspozycji, a następnie wybierz i ujawnij odpowiadające temu kryterium. Intensywność shrinkage wybrana dla jednego celu nie jest automatycznie optymalna dla drugiego.

Zachowaj zgodność oceny z upływem czasu. W każdym dniu prognozy estymuj intensywność shrinkage, dobieraj uniwersum aktywów i dostrajaj pozostałe parametry wyłącznie na podstawie informacji dostępnych do tego dnia. Estymacja intensywności na pełnej próbie, a następnie punktowanie wcześniejszych okresów wprowadza przyszłą informację do wyboru. W ocenie kroczącej obliczaj estymator ponownie dla każdego początku, używając wyłącznie dostępnych wtedy stóp zwrotu. Zapisuj długość okna i odstęp między rebalansowaniami oraz informuj, czy używany wskaźnik zrealizowanej kowariancji nakłada się na horyzont prognozy albo ponownie wykorzystuje te same stopy zwrotu.

Najbardziej uzasadniona interpretacja ma ograniczony zakres: metody Ledoit–Wolf oferują oparte na danych sposoby łączenia zaszumionej kowariancji z próby z wybranym targetem lub transformacją. Użyteczność wyniku zależy od tego, czy target, założenia dotyczące próbkowania i sposób oceny pasują do rozpatrywanego problemu ryzyka. To estymata struktury kowariancji, a nie samodzielny sygnał transakcyjny ani obietnica ponadprzeciętnej stopy zwrotu.