Co rút hiệp phương sai Ledoit–Wolf: Công thức, ma trận đích và rủi ro danh mục

Với \(T\) quan sát lợi suất của \(N\) tài sản, ma trận hiệp phương sai mẫu \(S\) ước lượng phương sai của từng tài sản và hiệp phương sai của mọi cặp tài sản từ cùng một lịch sử hữu hạn. Số phần tử riêng biệt cần ước lượng tăng xấp xỉ theo \(N^2\). Nếu số tài sản không nhỏ so với số quan sát, nhiều ước lượng hiệp phương sai riêng lẻ có thể chứa sai số lấy mẫu đáng kể.

Nhiễu này đặc biệt quan trọng khi quy trình danh mục lấy nghịch đảo của ma trận. Phép nghịch đảo có thể khuếch đại sai số ước lượng: những thay đổi nhỏ trong tương quan ước lượng đôi khi khiến trọng số tối ưu biến động mạnh. Với hiệp phương sai mẫu thông thường sau khi trừ trung bình, ma trận dữ liệu có hạng tối đa \(T-1\), vì vậy \(S\) suy biến khi \(N\geq T\). Ngay cả trước khi suy biến, ma trận cũng có thể có điều kiện số cao. Ledoit và Wolf thảo luận bài toán khi số chiều lớn này trong nghiên cứu về ước lượng hiệp phương sai có điều kiện tốt (200400096-4)).

Co rút bổ sung cấu trúc vào ước lượng mẫu nhiễu. Đây là một lựa chọn chính quy hóa cho đầu vào hiệp phương sai, chứ không phải bằng chứng rằng tài sản thực sự tuân theo mô hình mục tiêu hay một cách ước lượng lợi suất kỳ vọng. Vấn đề rộng hơn về ảnh hưởng của trị riêng hiệp phương sai mẫu đến rủi ro danh mục được nối tiếp trong hướng dẫn về trị riêng và rủi ro tài chính.

Một dạng tuyến tính thường gặp là

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

trong đó \(S\) là hiệp phương sai mẫu, \(F\) là ma trận đích có cấu trúc, còn \(\widehat{\delta}\) là cường độ co rút được ước lượng. Khi bằng 0, kết quả là ma trận mẫu; khi bằng 1, kết quả là ma trận đích. Các giá trị ở giữa tạo thành tổ hợp lồi.

Việc chọn \(F\) cho biết phương pháp xem những mẫu hình nào đủ ổn định để giữ lại. Cường độ cho biết nên đặt bao nhiêu trọng số lên cấu trúc đó so với dữ liệu mẫu. Với một ma trận đích và hàm tổn thất đã xác định, các thủ tục Ledoit–Wolf ước lượng cường độ từ dữ liệu thay vì yêu cầu chọn tùy ý một tỷ lệ pha trộn. Công thức plug-in cụ thể khác nhau theo ma trận đích và giả định; không có một \(\widehat{\delta}\) độc lập với ma trận đích áp dụng cho mọi phương pháp được gọi là “Ledoit–Wolf”.

Kết quả ban đầu về ma trận đơn vị trong bối cảnh số chiều lớn là tổ hợp lồi tối ưu tiệm cận theo một hàm tổn thất bậc hai và chế độ tiệm cận cụ thể, không phải bảo đảm phổ quát cho mọi mẫu hay mục tiêu (Ledoit và Wolf, 200400096-4)). Vì vậy, hàm tổn thất và ma trận đích phải được nêu khi mô tả bộ ước lượng.

Một số bộ ước lượng liên quan dùng cùng ý tưởng pha trộn nhưng mã hóa các cấu trúc hiệp phương sai khác nhau.

• Mục tiêu chỉ số đơn: Một nhân tố thị trường giải thích biến động chung, còn phần cấu trúc còn lại được xử lý theo mô hình. Ledoit và Wolf đề xuất tổ hợp có trọng số tối ưu giữa hiệp phương sai mẫu và hiệp phương sai chỉ số đơn để ước lượng hiệp phương sai lợi suất cổ phiếu (200300007-0)).
• Mục tiêu ma trận đơn vị co giãn: Đường chéo có cùng một mức phương sai chung và các phần tử ngoài đường chéo bằng không. Mục tiêu này kéo trị riêng về một tâm chung và có thể cải thiện điều kiện số; nó áp đặt giả định phương sai bằng nhau và không có hiệp phương sai mạnh hơn mục tiêu tương quan không đổi.
• Mục tiêu tương quan không đổi: Giữ phương sai mẫu của từng tài sản, nhưng thay các tương quan theo cặp bằng một tương quan trung bình. Cách này cho phép độ biến động của mỗi tài sản khác nhau, đồng thời đơn giản hóa cấu trúc phụ thuộc. Bài viết thực hành năm 2004 trình bày phương pháp co rút về mục tiêu này (Ledoit và Wolf, 2004).

Không nên gộp các phiên bản này thành một tuyên bố rằng “Ledoit–Wolf co mọi tương quan về 0”. Tùy theo \(F\), mục tiêu có thể giữ lại hiệp phương sai từ nhân tố chung, kéo trị riêng về giá trị trung bình, hoặc đưa tương quan theo cặp về trung bình chéo của chúng. Bước chính quy hóa hiệp phương sai sau khi kết hợp các ước lượng theo cặp, chẳng hạn trong quy trình hiệp phương sai không đồng bộ, cũng là một lựa chọn mô hình riêng.

Gọi \(S_{ii}\) là phương sai mẫu của tài sản \(i\), và \(s_i=\sqrt{S_{ii}}\). Với \(N\) tài sản, tính tương quan mẫu \(\widehat{\rho}_{ij}=S_{ij}/(s_is_j)\), rồi lấy trung bình các tương quan ngoài đường chéo không trùng lặp:

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

Mục tiêu tương quan không đổi được xác định bởi

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

Như vậy, ma trận đích giữ nguyên phương sai mẫu trên đường chéo và gán cùng một tương quan \(\bar{\rho}\) cho mọi cặp tài sản. Ước lượng hiệp phương sai cuối cùng pha trộn mục tiêu này với ma trận mẫu ban đầu; nó không thay mọi độ biến động bằng cùng một giá trị. Cấu tạo mục tiêu và cường độ co rút của nó khác với bộ ước lượng dùng ma trận đơn vị; phần triển khai của các tác giả mô tả mục tiêu này là giữ phương sai mẫu và gán một tương quan chung (mã tham khảo).

<!-- learn:illustration --> <!-- Hình minh họa khái niệm không chữ: ba ma trận hiệp phương sai đối xứng 3×3 giữ nguyên các ô trên đường chéo, trong khi các quan hệ mẫu ngoài đường chéo khác nhau dịch chuyển về một mục tiêu tương quan không đổi chung; không phải dữ liệu hay kết quả ước lượng. -->

Giả sử ma trận hiệp phương sai mẫu giả định, tính theo bình phương điểm phần trăm, là

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

Độ lệch chuẩn mẫu lần lượt là \(2\%\), \(3\%\) và \(4\%\). Tương quan theo cặp là \(3/(2\cdot3)=0.50\), \(-2/(2\cdot4)=-0.25\) và \(6/(3\cdot4)=0.50\). Trung bình của chúng là

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

Ma trận đích tương ứng là

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

Chỉ để minh họa phép tính, chọn \(\delta=0.40\). Đây là giá trị dùng trong bài giảng, không phải cường độ Ledoit–Wolf được ước lượng từ các quan sát giả định này:

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

Đường chéo vẫn là \(4,9,16\). Hiệp phương sai ở vị trí \((1,3)\) dịch chuyển từ \(-2\) về mục tiêu \(2\), nên co rút không có nghĩa là mọi hiệp phương sai đều tiến về 0. Hai ma trận được trình bày đều nửa xác định dương, vì vậy tổ hợp lồi của chúng cũng nửa xác định dương. Ví dụ giả định này chỉ minh họa phép tính, không phải mục tiêu được khuyến nghị hay mối quan hệ thị trường quan sát được.

Với trọng số bằng nhau \(w=(1/3,1/3,1/3)^\top\), phương sai theo mô hình là \(w^\top\Sigma w\). Tổng chín phần tử của ma trận mẫu phía trên bằng \(43\), do đó

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

Tổng các phần tử của ma trận co rút minh họa là \(42.6\), nên

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

Chênh lệch nhỏ này chỉ là hệ quả số học của việc thay đổi đầu vào hiệp phương sai. Nó không chứng minh ước lượng co rút dự báo phương sai thực tế tốt hơn. Bộ tối ưu hóa phương sai tối thiểu cũng có thể tạo ra trọng số khác vì nó dùng cả các giá trị hiệp phương sai và, thường là, nghịch đảo của chúng. Trong bối cảnh phù hợp, co rút có thể làm đầu vào ít nhạy với nhiễu lấy mẫu hơn, nhưng vẫn có thể thay đổi mức phơi nhiễm và vòng quay danh mục.

Với danh mục cân bằng rủi ro, hiệp phương sai ảnh hưởng đến đóng góp rủi ro của từng tài sản chứ không chỉ phương sai tổng; xem hướng dẫn về đóng góp rủi ro bằng nhau. Nếu ước lượng rủi ro sau đó dùng để điều chỉnh quy mô vị thế như trong mục tiêu hóa biến động, vẫn cần xử lý riêng chân trời mục tiêu và phân biệt đại lượng thực hiện với dự báo.

Co rút tuyến tính dùng một cường độ vô hướng để pha trộn toàn bộ ma trận mẫu với một ma trận đích đã chọn. Trong trường hợp mục tiêu ma trận đơn vị, có thể diễn giải theo trị riêng: kéo các trị riêng mẫu về một tâm chung trong khi giữ lại các vectơ riêng mẫu. Cách này có thể ổn định phổ nhiễu, nhưng cùng một trọng số pha trộn giới hạn mức dịch chuyển khác nhau của từng trị riêng.

Co rút phi tuyến thay đổi riêng từng trị riêng mẫu, thường giữ các vectơ riêng mẫu trong bộ ước lượng bất biến theo phép quay. Bài báo năm 2012 của Ledoit và Wolf phát triển các phép biến đổi trị riêng phi tuyến để ước lượng hiệp phương sai trong không gian nhiều chiều (2012). Nghiên cứu lựa chọn danh mục năm 2017 của họ xét một bộ ước lượng được điều chỉnh cho mục tiêu đó (2017). Những phương pháp này không phải phép pha trộn tuyến tính vô hướng ở trên và không nên được mô tả như vậy.

Một bộ ước lượng linh hoạt hơn có thể khớp cấu trúc hiệp phương sai kỹ hơn theo các giả định của nó, nhưng sự linh hoạt đó không khiến nó tự động phù hợp hơn với mọi tập tài sản hay cửa sổ quan sát. Hãy so sánh bộ ước lượng cụ thể, giả định, chi phí tính toán và kết quả ngoài mẫu. Phép biến đổi trị riêng cũng không dự báo một chế độ tương quan trong tương lai.

Co rút giảm phương sai bằng cách bổ sung cấu trúc, nhưng cấu trúc ấy có thể sai. Mục tiêu chỉ số đơn có thể bỏ sót quan hệ theo ngành hoặc phong cách; mục tiêu tương quan không đổi có thể bỏ sót các cụm; ma trận đơn vị co giãn có thể loại bỏ hiệp phương sai thực. Thay đổi chế độ, mức phơi nhiễm nhân tố biến động hoặc quan sát không đồng bộ có thể khiến mục tiêu dựa trên một cửa sổ lịch sử mô tả kém giai đoạn tiếp theo. Phương pháp này không làm các quan sát lợi suất trở nên độc lập hay dừng.

Khẳng định nửa xác định dương đi kèm điều kiện. Nếu cả \(S\) và \(F\) đều nửa xác định dương, đồng thời \(0\leq\delta\leq1\), tổ hợp lồi của chúng cũng nửa xác định dương. Điều đó tự nó không bảo đảm xác định dương nghiêm ngặt: ma trận đích có thể có trị riêng bằng 0 hoặc trọng số dành cho nó bằng 0. Việc loại bỏ dữ liệu thiếu theo từng cặp, với ngày quan sát khác nhau cho mỗi cặp tài sản, cũng có thể tạo ra ma trận mẫu \(S\) không nửa xác định dương. Khi đó, lập luận về tổ hợp lồi không còn áp dụng trừ khi đầu vào được sửa chữa hoặc thay thế.

Hãy nêu định nghĩa lợi suất, tần suất lấy mẫu, cửa sổ quan sát, cách xử lý dữ liệu thiếu, cách xử lý trung bình, ma trận đích và thủ tục ước lượng cường độ. Khi phù hợp, hãy căn chỉnh mọi tài sản theo cùng một quy tắc quan sát. Đừng chọn ma trận đích chỉ vì nó cho kết quả backtest hấp dẫn nhất trên chính dữ liệu dùng để đánh giá; chọn mục tiêu và thiết kế danh mục cũng là quyết định nghiên cứu.

Một đánh giá hữu ích xác định trước tập tài sản, chân trời lợi suất, quy tắc tái cân bằng và mốc thông tin, rồi so sánh ma trận mẫu, bộ ước lượng co rút được chọn và một chuẩn phù hợp trên cùng cửa sổ huấn luyện. Có thể chấm dự báo hiệp phương sai bằng đại lượng thực hiện về sau hoặc đánh giá dự báo danh mục trong giai đoạn giữ lại. Hãy báo cáo hàm tổn thất và cách nó xử lý sai số phương sai so với hiệp phương sai. Sai số ma trận trong mẫu thấp hơn theo một hàm tổn thất không nhất thiết đồng nghĩa dự báo rủi ro danh mục tương lai tốt hơn theo một mục tiêu khác.

Với ứng dụng danh mục, cũng cần báo cáo tác động lên trọng số, mức tập trung, vòng quay, các ràng buộc và chi phí giao dịch ước tính. Ma trận hiệp phương sai chỉ là một đầu vào quyết định: lợi suất kỳ vọng, tài trợ, giới hạn rủi ro và giả định thực thi cũng có thể làm thay đổi danh mục kết quả. Số điều kiện thấp hơn là một thuộc tính của ma trận, không phải bảo đảm lợi nhuận hay rủi ro thực tế.

Tổn thất khi ước lượng ma trận và tổn thất khi ra quyết định danh mục không thể thay thế cho nhau. Hàm tổn thất cộng bình phương sai số trên các phần tử ma trận coi trọng rộng các cặp tài sản, trong khi \(w^\top\Sigma w\) phân bổ trọng số cho các thành phần phương sai và hiệp phương sai theo một danh mục xác định. Hãy nêu nghiên cứu đánh giá khả năng tái dựng chính ma trận hay dự báo rủi ro cho một mức phơi nhiễm cụ thể, rồi chọn và công bố tiêu chí tương ứng. Cường độ co rút được chọn cho một mục tiêu không tự động tối ưu cho mục tiêu còn lại.

Hãy bảo đảm đánh giá an toàn theo thời gian. Ở mỗi ngày dự báo, chỉ dùng thông tin đã có đến ngày đó để ước lượng cường độ co rút, chọn tập tài sản và điều chỉnh tham số khác. Ước lượng cường độ bằng toàn bộ mẫu rồi chấm điểm các giai đoạn trước sẽ làm rò rỉ thông tin tương lai vào lựa chọn. Trong đánh giá cuốn chiếu, hãy tính lại bộ ước lượng tại mỗi mốc bằng những lợi suất đã quan sát đến lúc đó, ghi rõ độ dài cửa sổ và khoảng tái cân bằng, đồng thời cho biết đại lượng hiệp phương sai thực hiện làm chuẩn có chồng lấn chân trời dự báo hay dùng lại lợi suất hay không.

Cách diễn giải vững chắc nhất vẫn có giới hạn: các phương pháp Ledoit–Wolf cung cấp cách dựa trên dữ liệu để kết hợp hiệp phương sai mẫu nhiễu với một ma trận đích hoặc phép biến đổi được chọn. Kết quả hữu ích đến đâu phụ thuộc vào mức độ phù hợp giữa ma trận đích, giả định lấy mẫu, cách đánh giá và bài toán rủi ro dự định giải quyết. Đây là ước lượng cấu trúc hiệp phương sai, không phải tín hiệu giao dịch độc lập hay lời hứa vượt trội.