Ledoit–Wolf Kovaryans Küçültmesi: Formül, Hedefler ve Portföy Riski

\(N\) varlık için \(T\) getiri gözlemi bulunduğunda örneklem kovaryans matrisi \(S\), sonlu uzunluktaki aynı geçmişi kullanarak her varlığın varyansını ve her varlık çiftinin kovaryansını tahmin eder. Birbirinden farklı matris girdilerinin sayısı yaklaşık \(N^2\) oranında artar. Varlık sayısı gözlem sayısına kıyasla küçük değilse, birçok ayrı kovaryans tahmini önemli ölçüde örneklem gürültüsü taşır.

Bu gürültü, özellikle bir portföy prosedürü matrisi tersine çevirdiğinde önem kazanır. Ters alma, tahmin hatalarını büyütebilir: tahmin edilen korelasyonlardaki küçük değişiklikler optimize edilmiş ağırlıklarda büyük değişikliklere yol açabilir. Ortalamaları çıkarılmış standart örneklem kovaryansında veri matrisi en fazla \(T-1\) rankına sahiptir; dolayısıyla \(N\geq T\) olduğunda \(S\) tekildir. Tekil hâle gelmeden önce de kötü koşullandırılmış olabilir. Ledoit ve Wolf, iyi koşullandırılmış kovaryans tahmini çalışmalarında bu yüksek boyut sorununu ele alır (200400096-4)).

Küçültme, gürültülü örneklem tahminine yapı ekler. Bu, kovaryans girdisi için bir düzenlileştirme tercihidir; varlıkların gerçekten hedef modele uyduğunun kanıtı ya da beklenen getirileri tahmin etme yöntemi değildir. Örneklem kovaryansı özdeğerlerinin portföy riskini nasıl etkilediğine ilişkin daha geniş konu, özdeğerler ve finansal risk rehberiyle bağlantılıdır.

Yaygın bir doğrusal biçim şöyledir:

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

Burada \(S\) örneklem kovaryansı, \(F\) yapılandırılmış bir hedef, \(\widehat{\delta}\) ise tahmin edilen küçültme yoğunluğudur. Değer sıfırken tahmin örneklem matrisidir; bir olduğunda hedeftir. Ara değerler konveks bir birleşim oluşturur.

\(F\) seçimi, tahmin edicinin hangi örüntüleri koruyacak kadar istikrarlı kabul ettiğini belirtir. Yoğunluk, örnekleme kıyasla bu yapıya ne kadar ağırlık verileceğini söyler. Belirli bir hedef ve kayıp fonksiyonu için Ledoit–Wolf prosedürleri yoğunluğu veriden tahmin eder; böylece elle keyfî bir karışım seçmek gerekmez. Tam ikame formülleri hedefe ve varsayımlara göre farklılaşır; “Ledoit–Wolf” adıyla anılan her yöntemi tanımlayan, hedeften bağımsız tek bir \(\widehat{\delta}\) yoktur.

Birim matris hedefli özgün yüksek boyut sonucu, belirli bir karesel kayıp fonksiyonu ve asimptotik rejim altında asimptotik olarak en iyi konveks birleşimdir; her örneklem veya amaç için geçerli evrensel bir garanti değildir (Ledoit ve Wolf, 200400096-4)). Bu nedenle kayıp fonksiyonu ve hedef, tahmin edicinin açıklamasında yer almalıdır.

Birbiriyle ilişkili çeşitli tahmin ediciler aynı birleştirme fikrini kullanır, ancak farklı kovaryans yapıları kodlar.

• Tek endeks hedefi: Bir piyasa faktörü ortak hareketi açıklar, kalan yapı ise model tarafından ele alınır. Ledoit ve Wolf, hisse senedi getirilerinin kovaryansını tahmin etmek üzere örneklem ve tek endeks kovaryanslarını en iyi ağırlıklarla birleştirmeyi önermiştir (200300007-0)).
• Ölçeklenmiş birim matris hedefi: Hedefin köşegeninde ortak bir varyans seviyesi, köşegen dışında sıfır kovaryans vardır. Bu, özdeğerleri ortak bir merkeze çeker ve koşullandırmayı iyileştirebilir; sabit korelasyon hedefine göre eşit varyans ve kovaryans yokluğu konusunda daha güçlü varsayımlar getirir.
• Sabit korelasyon hedefi: Her örneklem varyansı korunur; çiftler arasındaki korelasyonlar tek bir ortalama korelasyonla değiştirilir. Böylece varlık oynaklıkları farklı kalırken bağımlılık örüntüsü sadeleşir. 2004 tarihli uygulama makalesi bu hedefe doğru küçültmeyi geliştirir (Ledoit ve Wolf, 2004).

Bu sürümler, “Ledoit–Wolf korelasyonları sıfıra küçültür” şeklindeki tek bir iddiada birleştirilmemelidir. \(F\)'ye bağlı olarak hedef ortak faktör kovaryansını koruyabilir, özdeğerleri ortalamaya çekebilir veya çift korelasyonlarını kesitsel ortalamalarına yaklaştırabilir. Eşzamansız kovaryans iş akışında olduğu gibi, çift bazlı tahminleri birleştirdikten sonra uygulanan kovaryans düzenlileştirme adımı da ayrı bir modelleme tercihidir.

\(S_{ii}\), \(i\) varlığının örneklem varyansı; \(s_i=\sqrt{S_{ii}}\) olsun. \(N\) varlık için her örneklem korelasyonunu \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\) hesaplayın, ardından köşegen dışındaki birbirinden farklı korelasyonların ortalamasını alın:

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

Sabit korelasyon hedefi şu değerleri belirler:

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

Böylece hedef, köşegenindeki örneklem varyanslarını korur ve her varlık çiftine aynı \(\bar{\rho}\) korelasyonunu atar. Nihai kovaryans tahmini bu hedefle özgün örneklem matrisini birleştirir; tüm oynaklıkları tek bir ortak değerle değiştirmez. Hedefin kurulması ve yoğunluğu, birim matris hedefli tahmin ediciden farklıdır; yazarların uygulaması hedefi örneklem varyanslarını koruyup ortak bir korelasyon atayan yapı olarak tanımlar (referans uygulama).

<!-- learn:illustration --> <!-- Yazısız kavramsal görsel: Üç simetrik 3×3 kovaryans matrisi aynı köşegen hücrelerini korurken, farklı örneklem köşegen dışı ilişkileri ortak bir sabit korelasyon hedefine yaklaşır; görsel veri veya tahmin değildir. -->

Kare yüzde puan birimleriyle ifade edilen varsayımsal bir örneklem kovaryans matrisi düşünelim:

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

Örneklem standart sapmaları \(2\%\), \(3\%\) ve \(4\%\)'tür. Çift korelasyonları \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) ve \(6/(3\cdot4)=0.50\) olur. Ortalamaları

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

Ortaya çıkan hedef şöyledir:

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

Yalnızca aritmetiği göstermek için \(\delta=0.40\) seçelim. Bu, uydurulmuş gözlemler için tahmin edilmiş Ledoit–Wolf yoğunluğu değil, öğretici bir değerdir:

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

Köşegen \(4,9,16\) olarak kalır. \((1,3)\) kovaryansı \(-2\)'den hedefi olan \(2\)'ye doğru ilerler; dolayısıyla küçültme tüm kovaryansların sıfıra yaklaşması demek değildir. Gösterilen iki matris de pozitif yarı tanımlıdır; bu nedenle konveks birleşimleri de pozitif yarı tanımlıdır. Örnek varsayımsaldır ve aritmetiği gösterir; önerilen bir hedef veya gözlemlenmiş piyasa ilişkisi değildir.

Eşit ağırlıklar \(w=(1/3,1/3,1/3)^\top\) için modellenen varyans \(w^\top\Sigma w\)'dir. Yukarıdaki örneklem matrisindeki dokuz girdinin toplamı \(43\) olduğundan

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

Örnek amaçlı küçültülmüş matriste toplam \(42.6\)'dır ve

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

Bu küçük fark, kovaryans girdisinin değişmesinden mekanik olarak kaynaklanır. Küçültülmüş tahminin gerçekleşen varyansı daha iyi öngördüğüne kanıt değildir. Minimum varyans optimizasyonu, kovaryans değerlerini ve çoğu zaman bu değerlerin tersini kullandığı için farklı ağırlıklar da üretebilir. Uygun koşullarda küçültme, bu girdilerin örneklem gürültüsüne duyarlılığını azaltabilir; yine de risk maruziyetlerini ve portföy devir hızını değiştirebilir.

Risk-paritesi portföylerinde kovaryans yalnızca toplam varyansı değil, her varlığın toplam portföy riskine katkısını da etkiler; eşit risk katkısı rehberine bakın. Bir risk tahmini daha sonra oynaklık hedefleme gibi bir uygulamada pozisyon boyutunu ölçeklendiriyorsa, hedef ufku ve gerçekleşen değer ile tahmin arasındaki fark yine ayrıca ele alınmalıdır.

Doğrusal küçültme, örneklem matrisinin tamamını seçilen bir hedefle birleştirmek için tek bir skaler yoğunluk kullanır. Birim matris hedefi durumunda bunun özdeğer yorumu vardır: örneklem özvektörleri korunurken örneklem özdeğerleri ortak bir merkeze çekilir. Bu, gürültülü spektrumu istikrarlı hâle getirebilir; ancak aynı birleşim ağırlığı tek tek özdeğerlerin ne ölçüde farklı hareket edebileceğini sınırlar.

Doğrusal olmayan küçültme ise örneklem özdeğerlerini tek tek dönüştürür ve genellikle dönme eşdeğişimli bir tahmin edicide örneklem özvektörlerini korur. Ledoit ve Wolf'un 2012 tarihli makalesi, büyük boyutlu kovaryans tahmini için doğrusal olmayan özdeğer dönüşümlerini geliştirir (2012). Portföy seçimi çalışmaları, bu amaca göre ayarlanmış bir tahmin ediciyi ele alır (2017). Bu yöntemler yukarıda gösterilen skaler doğrusal birleşim değildir ve öyle tanımlanmamalıdır.

Daha esnek bir tahmin edici, varsayımları altında kovaryans yapısına daha dikkatli uyum sağlayabilir; ancak ek esneklik her varlık evreni veya pencere için onu otomatik olarak tercih edilir kılmaz. Belirli tahmin ediciyi, varsayımlarını, hesaplama maliyetini ve örneklem dışı performansını karşılaştırın. Özdeğer dönüşümü aynı zamanda gelecekteki korelasyon rejiminin tahmini değildir.

Küçültme yapı ekleyerek varyansı azaltır, ancak eklenen yapı yanlış olabilir. Tek endeks hedefi sektör veya tarz ilişkilerini kaçırabilir; sabit korelasyon hedefi kümeleri gözden kaçırabilir; ölçeklenmiş birim matris gerçek kovaryansı bastırabilir. Rejim değişikliği, faktör maruziyetlerinin değişmesi veya eşzamanlı olmayan gözlemler, tek bir tarihsel pencereye dayalı hedefi sonraki dönemi kötü açıklayan bir hâle getirebilir. Bu yöntem getiri gözlemlerini bağımsız veya durağan yapmaz.

Pozitif yarı tanımlılık iddiasının koşulları vardır. \(S\) ve \(F\) pozitif yarı tanımlıysa ve \(0\leq\delta\leq1\) ise, bunların konveks birleşimi de pozitif yarı tanımlıdır. Ancak bu, matrisin kesin pozitif tanımlı olduğunu tek başına garanti etmez: hedefin sıfır özdeğerleri olabilir veya hedefin ağırlığı sıfır olabilir. Her varlık çifti için farklı tarihler kullanarak çift bazında eksik veri silmek de pozitif yarı tanımlı olmayan bir örneklem matrisi \(S\) üretebilir; bu durumda girdi onarılmadığı veya değiştirilmediği sürece konveks birleşim gerekçesi geçerli olmaz.

Getiri tanımını, örnekleme sıklığını, gözlem penceresini, eksik veri kuralını, ortalama alma yaklaşımını, hedefi ve yoğunluk prosedürünü belirtin. Uygun olduğunda tüm varlıkları ortak bir gözlem şemasında hizalayın. Hedefi, yalnızca değerlendirmede kullandığınız aynı veriler üzerinde en çekici geriye dönük testi verdiği için seçmeyin; hedef seçimi ve portföy tasarımı da araştırma tercihleridir.

Yararlı bir değerlendirme; varlık evrenini, getiri ufkunu, yeniden dengeleme kuralını ve bilgi kesim zamanını sabitler, ardından aynı eğitim pencerelerinde örneklem matrisini, seçilen küçültme tahmin edicisini ve uygun bir karşılaştırma ölçütünü kıyaslar. Kovaryans tahminlerini daha sonraki gerçekleşmiş bir ölçüye göre puanlayın veya portföy tahminlerini ayrılmış dönemlerde değerlendirin. Kayıp fonksiyonunu ve varyans hatalarıyla kovaryans hatalarını nasıl ele aldığını bildirin. Bir kayıp fonksiyonunda örneklem içi matris hatasının daha düşük olması, başka bir kayıp altında gelecekteki portföy riskinin daha iyi tahmin edileceği anlamına gelmez.

Portföy uygulamasında ağırlıklar, yoğunlaşma, devir hızı, kısıtlar ve tahmini işlem maliyetleri üzerindeki etkiyi de raporlayın. Kovaryans matrisi kararın girdilerinden yalnızca biridir: beklenen getiriler, finansman, risk limitleri ve işlem gerçekleştirme varsayımları ortaya çıkan portföyü değiştirebilir. Daha düşük koşul sayısı matrisin bir özelliğidir; gerçekleşen getiri veya risk garantisi değildir.

Matris tahmin kaybı ile portföy kararı kaybı birbirinin yerine kullanılamaz. Matris girdileri arasındaki kareli hataları toplayan bir kayıp, varlık çiftlerini geniş ölçüde ağırlıklandırırken \(w^\top\Sigma w\), varyans ve kovaryans terimlerini belirli bir portföye göre ağırlıklandırır. Çalışmanın matrisin kendisini yeniden oluşturmayı mı yoksa belirli bir maruziyetin riskini tahmin etmeyi mi değerlendirdiğini belirtin; ardından buna uygun bir ölçüt seçip açıklayın. Bir amaç için seçilen küçültme yoğunluğu diğer amaç için otomatik olarak en iyi değildir.

Değerlendirmeyi zaman açısından güvenli tutun. Her tahmin tarihinde küçültme yoğunluğunu tahmin edin, varlık evrenini seçin ve diğer parametreleri yalnızca o tarihte mevcut olan bilgilerle ayarlayın. Tüm örneklem üzerinden yoğunluğu tahmin edip önceki dönemleri puanlamak, seçime gelecek bilgisi sızdırır. Hareketli değerlendirmede tahmin ediciyi her başlangıç tarihinde yalnızca o zamana kadar mevcut getirilerle yeniden hesaplayın; pencere uzunluğunu ve yeniden dengeleme aralığını kaydedin, ayrıca gerçekleşmiş kovaryans göstergesinin tahmin ufkuyla çakışıp çakışmadığını veya getirileri yeniden kullanıp kullanmadığını açıklayın.

En savunulabilir yorumun sınırları bellidir: Ledoit–Wolf yöntemleri, gürültülü örneklem kovaryansını seçilen bir hedef veya dönüşümle veriye dayalı biçimde birleştirme yolları sunar. Sonuç yalnızca hedef, örnekleme varsayımları ve değerlendirme amaçlanan risk problemiyle uyuştuğu ölçüde yararlıdır. Bu, kovaryans yapısının tahminidir; tek başına bir işlem sinyali veya daha iyi performans vaadi değildir.