Сжатие ковариационной матрицы Ledoit–Wolf: формула, целевые матрицы и риск портфеля

Для \(T\) наблюдений доходности \(N\) активов выборочная ковариационная матрица \(S\) оценивает дисперсию каждого актива и ковариацию каждой пары по одной и той же конечной истории. Число различных элементов растёт примерно пропорционально \(N^2\). Если активов не намного меньше, чем наблюдений, многие отдельные оценки ковариации несут значительный выборочный шум.

Этот шум особенно важен, когда процедура построения портфеля обращает матрицу. Обращение может усиливать ошибки оценивания: небольшое изменение оценённых корреляций способно сильно изменить оптимизированные веса. В обычной выборочной ковариации с вычтенными средними матрица данных имеет ранг не выше \(T-1\), поэтому \(S\) вырождена при \(N\geq T\). До вырождения она также может быть плохо обусловленной. Ledoit и Wolf рассматривают эту высокоразмерную проблему в работе об оценивании хорошо обусловленной ковариации (200400096-4)).

Сжатие добавляет структуру к шумной выборочной оценке. Это способ регуляризации входной ковариации, а не свидетельство того, что активы действительно следуют целевой модели, и не способ оценить ожидаемую доходность. Более широкий вопрос о влиянии собственных значений выборочной ковариации на риск портфеля связан с руководством о собственных значениях и финансовом риске.

Распространённая линейная форма имеет вид

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

где \(S\) — выборочная ковариация, \(F\) — структурированная целевая матрица, а \(\widehat{\delta}\) — оценённая интенсивность сжатия. При нулевом значении оценкой служит выборочная матрица, при единичном — цель. Промежуточные значения образуют выпуклую комбинацию.

Выбор \(F\) определяет, какие закономерности оцениватель считает достаточно устойчивыми, чтобы их сохранить. Интенсивность показывает, какой вес придать этой структуре относительно выборки. Для заданной цели и функции потерь процедуры Ledoit–Wolf оценивают интенсивность по данным, а не требуют произвольной комбинации, заданной вручную. Точные подстановочные формулы различаются в зависимости от цели и предпосылок; единого значения \(\widehat{\delta}\), независимого от цели и определяющего все методы под названием «Ledoit–Wolf», не существует.

Исходный высокоразмерный результат с единичной целевой матрицей даёт асимптотически оптимальную выпуклую комбинацию при заданной квадратичной функции потерь и определённом асимптотическом режиме, а не универсальную гарантию для любой выборки или задачи (Ledoit и Wolf, 200400096-4)). Поэтому при описании оценивателя следует указывать и функцию потерь, и цель.

Несколько родственных оценивателей используют одну идею смешивания, но кодируют разные структуры ковариации.

• Цель на основе однофакторной модели: Рыночный фактор объясняет общую совместную динамику, а оставшаяся структура задаётся моделью. Ledoit и Wolf предложили комбинацию выборочной ковариации и ковариации однофакторной модели с оптимальными весами для оценки ковариации доходностей акций (200300007-0)).
• Цель на основе масштабированной единичной матрицы: На диагонали цели стоит общий уровень дисперсии, а вне диагонали — нулевые ковариации. Это стягивает собственные значения к общему центру и может улучшить обусловленность; предпосылки о равенстве дисперсий и отсутствии ковариации здесь сильнее, чем у цели с постоянной корреляцией.
• Цель с постоянной корреляцией: Каждая выборочная дисперсия сохраняется, а корреляции между парами заменяются одной средней корреляцией. Волатильности активов при этом могут различаться, тогда как структура зависимостей упрощается. Прикладная статья 2004 года рассматривает сжатие к такой цели (Ledoit и Wolf, 2004).

Эти варианты нельзя сводить к единому утверждению, будто «Ledoit–Wolf сжимает корреляции к нулю». В зависимости от \(F\) цель может сохранять ковариацию общих факторов, стягивать собственные значения к среднему или приближать попарные корреляции к их среднему по выборке. Регуляризация ковариации после объединения попарных оценок, например в процедуре для асинхронной ковариации, также является отдельным решением по моделированию.

Пусть \(S_{ii}\) — выборочная дисперсия актива \(i\), а \(s_i=\sqrt{S_{ii}}\). Для \(N\) активов вычислите каждую выборочную корреляцию \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\), а затем усредните уникальные внедиагональные корреляции:

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

Целевая матрица с постоянной корреляцией задаётся формулами

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

Таким образом, цель сохраняет выборочные дисперсии на диагонали и задаёт одну и ту же корреляцию \(\bar{\rho}\) для каждой пары активов. Итоговая оценка ковариации смешивает эту цель с исходной выборочной матрицей; все волатильности не заменяются одним общим значением. Построение цели и её интенсивность отличаются от оценивателя с единичной целью; реализация авторов описывает эту цель как сохраняющую выборочные дисперсии и назначающую общую корреляцию (справочная реализация).

<!-- learn:illustration --> <!-- Концепция без текста: три симметричные матрицы ковариаций 3×3 сохраняют одни и те же диагональные ячейки, а различные выборочные внедиагональные связи приближаются к одной общей цели с постоянной корреляцией; это не данные и не оценка. -->

Пусть гипотетическая выборочная ковариационная матрица задана в квадрате процентных пунктов:

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

Выборочные стандартные отклонения равны \(2\%\), \(3\%\) и \(4\%\). Попарные корреляции составляют \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) и \(6/(3\cdot4)=0.50\). Их среднее равно

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

Получаем целевую матрицу

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

Только для демонстрации арифметики возьмём \(\delta=0.40\). Это учебное значение, а не оценённая интенсивность Ledoit–Wolf для этих вымышленных наблюдений:

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

Диагональ остаётся равной \(4,9,16\). Ковариация \((1,3)\) перемещается от \(-2\) к целевому значению \(2\), поэтому сжатие не означает, что любая ковариация приближается к нулю. Обе показанные матрицы положительно полуопределены, а значит, их выпуклая комбинация также положительно полуопределена. Пример гипотетический: он иллюстрирует арифметику, но не рекомендует целевую матрицу и не описывает наблюдаемую рыночную зависимость.

Для равных весов \(w=(1/3,1/3,1/3)^\top\) моделируемая дисперсия равна \(w^\top\Sigma w\). Для приведённой выше выборочной матрицы сумма всех девяти элементов равна \(43\), поэтому

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

В иллюстративной сжатой матрице сумма равна \(42.6\), откуда

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

Небольшая разница механически следует из изменения входной ковариации. Она не доказывает, что сжатая оценка лучше предсказывает реализованную дисперсию. Оптимизатор минимальной дисперсии тоже может дать другие веса, поскольку использует значения ковариаций и часто их обратную матрицу. В подходящих условиях сжатие может уменьшить чувствительность входных данных к выборочному шуму, но при этом изменить экспозиции и оборот портфеля.

В портфелях с паритетом риска ковариация влияет на вклад каждого актива в общий риск портфеля, а не только на агрегированную дисперсию; см. руководство о равном вкладе в риск. Если оценка риска затем масштабирует размер позиции, как при таргетировании волатильности, горизонт цели и различие между реализованной и прогнозной величинами всё равно нужно рассматривать отдельно.

Линейное сжатие использует одну скалярную интенсивность, чтобы смешать всю выборочную матрицу с выбранной целью. В случае цели-единичной матрицы это можно интерпретировать через собственные значения: выборочные собственные значения стягиваются к общему центру, а выборочные собственные векторы сохраняются. Это может стабилизировать шумный спектр, но единый вес комбинации ограничивает то, насколько по-разному могут перемещаться отдельные собственные значения.

Нелинейное сжатие, напротив, преобразует выборочные собственные значения по отдельности и обычно сохраняет выборочные собственные векторы в оценивателе, эквивариантном относительно вращений. В статье Ledoit и Wolf 2012 года рассматриваются нелинейные преобразования собственных значений для высокоразмерного оценивания ковариации (2012). В их исследовании выбора портфеля оценивается метод, настроенный на эту задачу (2017). Это не скалярная линейная комбинация, показанная выше, и описывать их как таковую не следует.

Более гибкий оцениватель может точнее подстроиться к структуре ковариации при своих предпосылках, однако дополнительная гибкость не делает его автоматически предпочтительным для любого набора активов или окна. Сравните конкретный оцениватель, его предпосылки, вычислительные затраты и результаты вне выборки. Преобразование собственных значений также не является прогнозом будущего режима корреляций.

Сжатие снижает дисперсию оценок за счёт добавления структуры, но эта структура может быть неверной. Цель на основе однофакторной модели может не учитывать отраслевые или стилевые связи; цель с постоянной корреляцией — пропускать кластеры; масштабированная единичная матрица — подавлять реальные ковариации. Смена режима, изменение факторных экспозиций или несинхронные наблюдения могут сделать цель по одному историческому окну плохим описанием следующего. Метод не делает наблюдения доходности независимыми или стационарными.

Утверждение о положительной полуопределённости выполняется при определённых условиях. Если \(S\) и \(F\) положительно полуопределены и \(0\leq\delta\leq1\), их выпуклая комбинация тоже положительно полуопределена. Но это само по себе не гарантирует строгую положительную определённость: у цели могут быть нулевые собственные значения или её вес может равняться нулю. Исключение пропусков по каждой паре активов с разными датами также способно дать выборочную матрицу \(S\), которая не является положительно полуопределённой; тогда аргумент для выпуклой комбинации неприменим, пока входную матрицу не исправят или не заменят.

Укажите определение доходности, частоту выборки, окно наблюдений, правило обработки пропусков, способ учёта среднего, целевую матрицу и процедуру оценки интенсивности. По возможности согласуйте схему наблюдений для всех активов. Не выбирайте цель только потому, что она даёт самый привлекательный бэктест на тех же данных, на которых проводится оценка: выбор цели и построение портфеля сами по себе являются исследовательскими решениями.

При полезной оценке фиксируют набор активов, горизонт доходности, правило ребалансировки и информационную отсечку, а затем сравнивают выборочную матрицу, выбранный оцениватель сжатия и подходящий ориентир на одних и тех же обучающих окнах. Прогнозы ковариации можно сопоставить с более поздней реализованной мерой или оценить прогнозы портфеля на отложенных периодах. Укажите функцию потерь и то, как она учитывает ошибки дисперсий и ковариаций. Меньшая внутривыборочная ошибка матрицы при одной функции потерь не обязательно означает более точную будущую оценку риска портфеля при другой.

Для портфельного применения также следует сообщить влияние на веса, концентрацию, оборот, ограничения и расчётные транзакционные издержки. Ковариационная матрица — лишь один вход для принятия решения: ожидаемые доходности, финансирование, лимиты риска и предположения об исполнении могут изменить итоговый портфель. Меньшее число обусловленности — свойство матрицы, а не гарантия реализованной доходности или риска.

Функции потерь для оценки матрицы и для решения по портфелю не взаимозаменяемы. Потери, суммирующие квадраты ошибок элементов матрицы, широко учитывают пары активов, тогда как \(w^\top\Sigma w\) взвешивает дисперсии и ковариации с учётом конкретного портфеля. Укажите, оценивает ли исследование восстановление самой матрицы или прогноз риска для заданной экспозиции, а затем выберите и раскройте соответствующий критерий. Интенсивность сжатия, выбранная для одной цели, автоматически не оптимальна для другой.

Обеспечьте корректность оценки во времени. На каждую дату прогноза оценивайте интенсивность сжатия, выбирайте набор активов и настраивайте остальные параметры только по информации, доступной на эту дату. Если оценить интенсивность на всей выборке, а затем оценивать более ранние периоды, выбор уже использует будущую информацию. При скользящей оценке пересчитывайте метод в каждой точке прогноза только по доступным на тот момент доходностям, фиксируйте длину окна и интервал ребалансировки, а также указывайте, перекрывает ли прокси реализованной ковариации горизонт прогноза или повторно использует доходности.

Наиболее обоснованная интерпретация ограничена: методы Ledoit–Wolf предлагают основанные на данных способы объединить шумную выборочную ковариацию с выбранной целью или преобразованием. Результат полезен лишь настолько, насколько цель, предпосылки выборки и оценка соответствуют задаче анализа риска. Это оценка структуры ковариации, а не самостоятельный торговый сигнал и не обещание превосходящей доходности.