《Finance Research Letters》：Physics-informed singular-value learning for cross-covariances forecasting in financial markets
编辑推荐：
近期非线性收缩方法的进展为大型协方差矩阵提供了渐近最优的清洁器，并已通过奇异值收缩扩展到经验互协方差矩阵。然而，这些方法依赖于平稳性和有界谱假设，而实际股票收益违反了这些假设，表现出依赖漂移和宏观共同模式。研究人员提出了一种物理信息神经估计器，该估计器在经验奇
近期非线性收缩方法的进展为大型协方差矩阵提供了渐近最优的清洁器，并已通过奇异值收缩扩展到经验互协方差矩阵。然而，这些方法依赖于平稳性和有界谱假设，而实际股票收益违反了这些假设，表现出依赖漂移和宏观共同模式。研究人员提出了一种物理信息神经估计器，该估计器在经验奇异向量基中对清洁后的互协方差矩阵进行参数化，并学习从经验奇异值和边际投影到清洁奇异值的非线性映射，将解析解的清洁性能作为极限情况恢复。在美国股票数据上，学习到的修正不仅改善了样本外互协方差预测，还将这些统计增益转化为更好的投资组合复制跟踪误差最小化。此外，在解析互协方差估计随宇宙规模恶化的情况下，该估计器保持稳定，表明其在样本量去噪与非平稳依赖下的学习预测修正之间进行了插值。
**论文解读：物理信息奇异值学习在金融市场互协方差预测中的应用**
**研究背景与问题**
在金融市场中，互协方差矩阵（cross-covariance matrix）用于总结两组变量之间的线性协同运动，例如投资组合复制中目标资产组合与复制资产组合之间的共变关系。当变量数量与观测窗口长度相当时，样本估计受到噪声的强烈影响，产生虚假关系并削弱样本外（OOS）性能。对于方协方差矩阵，谱清洗（spectral cleaning）方法已较为成熟，但对于矩形互协方差矩阵（维度不相等），需采用奇异值分解（SVD）和奇异值收缩。Benaych-Georges、Bouchaud和Potters（BBP）提出了一个渐近最优的旋转不变估计器，通过保留经验奇异向量并收缩奇异值来最小化渐近均方误差（MSE），该估计器依赖于平稳性和有界谱假设。然而，实际股票收益存在时变依赖和宏观市场模式（如共同因子），这些假设往往被违反，导致BBP估计器性能下降。此外，非平稳性改变了清洁（cleaning）的实质：在平稳模拟中，样本内估计与样本外目标的差异仅由有限样本噪声引起，属于去噪（denoising）；而在真实市场数据中，依赖的持续变化引入了预测成分。因此，需要一种能够同时处理有限样本去噪和未来依赖结构预测的方法。
**研究内容与意义**
研究人员基于BBP理论，提出了一种物理信息神经估计器（physics-informed neural estimator），该估计器在经验奇异向量基中对清洁后的互协方差矩阵进行参数化，学习一个维度无关的非线性映射，从经验奇异值和边际投影到清洁奇异值，并将BBP解析解作为极限情况包含在内。该模型在合成基准、美国股票数据（1995-2024年，前1000只股票）以及投资组合复制任务中进行了评估。结果表明，该神经估计器在平稳条件下接近BBP性能，在存在宏观市场模式时显著优于BBP，并在样本外互协方差预测和投资组合跟踪误差最小化方面持续取得最佳表现。论文发表在《Finance Research Letters》，为处理非平稳金融时间序列的互协方差估计提供了新的框架，桥接了随机矩阵理论（RMT）与机器学习方法的鸿沟。
**主要技术方法**
研究人员采用双流神经网络架构，输入包括经验奇异值、边际投影（来自两个边际协方差矩阵）以及纵横比。编码器为两层MLP（16隐藏单元），融合后由双向LSTM（隐含层大小128和64）提供全局谱上下文，再通过逐点MLP（252隐藏单元）输出加性修正项。模型在经验奇异向量基中保持旋转不变性，训练时最小化BBP对齐的样本外Frobenius损失。样本数据来自美国股票市场，使用日度调整后收盘价，从1995年至2024年，宇宙包含市值前1000只股票，过滤后排除ETF、基金、非运营工具等，保留具有稳定交易历史的普通股，并通过随机分割生成互协方差块。训练采用滚动窗口方案，每次在可用数据上训练，在后续日历年份测试。
**研究结果**
**1. 合成数据验证**
在平稳合成基准（有限秩信号、重尾噪声）中，神经估计器（NN）与BBP解析估计器性能接近，表明网络在假设满足时不会产生人为增益。当注入宏观单因子模式（违反有界性条件）时，BBP性能显著恶化，而NN保持稳定。在基于Fama-French风格条件因子DCC-GARCH模型的多因子基准中，NN在所有条件下均取得最低平均MSE。
**2. 美国股票数据上的互协方差预测**
在2017-2024年期间，NN在样本外MSE方面始终优于MLE、Fama-French三/五因子模型、BBP及交叉验证BBP（CV）。随着资产数量n从250增加到1000，NN的误差保持稳定，而BBP在n>500时恶化，甚至低于MLE。去除市场模式（日度截面平均收益）后，BBP的劣势基本消失，说明宏观市场模式是关键因素。当日期被随机打乱以抑制时间非平稳性时，BBP仍不稳定，而CV与NN性能接近。
**3. 投资组合复制中的跟踪误差最小化**
在投资组合复制任务中，目标组合为等权重（EW），复制组合通过最小化跟踪误差方差得到。NN在2017-2024年每年均实现最低的年度样本外跟踪误差，平均比最佳非神经基准低约10%，尤其在2020年COVID-19市场压力期间优势显著。其他基于MSE导向清洁的混合估计器（如QIS+CV/BBP）在跟踪误差上甚至不如等权重基准，表明改善辅助矩阵损失不足以提升下游任务，而直接针对跟踪误差目标训练NN的清洁块在映射到更严格的多头约束后仍有效。
**讨论与结论**
讨论部分指出，结果将平稳去噪与非平稳依赖下的预测区分开来：在合成和打乱数据中，NN表现为RMT一致的去噪器；在真实时间序列数据中，NN保持稳定，而BBP因宏观市场模式而恶化。在投资组合复制中，NN持续取得最低跟踪误差，表明结构化神经映射保留了有利条件下的解析行为，并在时变依赖时添加了有用修正。研究结论部分（翻译）：这些发现表明，结构化神经映射在有利条件下保留了解析行为，并在依赖结构随时间变化时添加了有用的修正。研究人员在同步互协方差和投资组合复制上验证了该方法。同一矩形对象还可支持跨资产信号或alpha转移，当信息在一个块上测量并通过另一个块实现时。未来工作可将对称性保持的构造扩展到领先-滞后矩阵，并与最终交易问题匹配的决策感知目标进行训练。
