分散化投资的时间视野结构：2020年后各市场体制下的有效维度

《Finance Research Letters》：The horizon structure of diversification: Effective dimension across post-2020 market regimes

　　

**摘要**
标准分散化分析用一个相关系数矩阵概括投资组合，将两个截然不同的属性折叠在一起：测量相关性的宏观体制，以及承担风险的期限。使用2015至2026年间覆盖股票风格和跨资产敞口的九个流动性ETF代理的日收益率数据，我采用极大重叠离散小波变换（MODWT）将每个序列分解为六个期限尺度，并使用保持体制的块自助法推断估计体制条件下的尺度相关系数。最稳健的发现与股票和长期国债的协同运动有关：相对于疫情前基准，在2022至23年加息期间及其后的增长/AI叙事期间，SPY-TLT和QQQ-TLT的尺度相关系数上升，在2至16和32至64个交易日尺度上，差异通过了错误发现率（FDR）调整，且在替代的自助法块长度和体制边界扰动下，点估计值仍保持为正。对完整相关系数矩阵的互补性特征值分散摘要——给定所选ETF集合的条件有效维度——提供了较为有限的证据：一个经调整显著性对比表明，相比疫情前，加息后期间短期限有效维度更高。半导体与成长股的相关性在所有体制和所有尺度上均高于0.8。研究结果表明，分散化同时具有体制特异性和期限特异性，应当在风险实际承担的期限上进行测量。

**引言**
分散化通常被视为资产列表的属性：持有足够多的资产，投资组合即为分散化。但在实践中，分散化也是风险所衡量的期限和体制的属性。短期风险团队、战术配置者和长期资产所有者可能持有相同的ETF，却面临不同的相关结构。2020年之后，随着股票、长期国债敞口、大宗商品、美元、增长叙事反复围绕宏观和主题力量重新组织，这一区分变得尤为重要。

一个静态的相关系数矩阵无法回答一个固定的多资产投资组合在所有期限上是否包含相同的分散化程度。已有研究表明，资产协同运动和分散化随投资期限而变化（Gen?ay等，2001；In和Kim，2013；Rua和Nunes，2009；Aguiar-Conraria和Soares，2014），包括最近关于投资组合分散化的证据（Ben Ameur等，2024）。另一条关于股票与债券的文献记录了大量时间变化和符号切换的协同运动，对投资组合权重和风险具有直接影响（Baele等，2010；McMillan，2026）。成对小波研究解决了期限问题，但未能解决完整矩阵问题；吸收比研究总结了特征值集中度，但未涉及投资期限（Kritzman等，2011）；连通性和溢出方法衡量的是方向性传递而非对称的分散化结构（Diebold和Yilmaz，2009；Diebold和Yilmaz，2012；Billio等，2012）；DCC类模型虽然是时变的，但并非期限特定的。本文通过在每个体制-期限交叉点总结完整的跨资产相关系数矩阵，填补了这一测量空白。

该统计量为特征值参与比有效维度。它与Kritzman等（2011）的吸收比传统相关，但不报告前导成分吸收的方差份额，而是将完整的特征值分散转化为有效相关维度。它是给定所选ETF集合的条件特征值分散摘要，而非基于投资组合权重的有效下注数量（Meucci，2009）。本研究的贡献刻意保守：我不估计因果溢出效应，不预测收益率，也不检验交易策略。我衡量的是同一ETF集合在不同投资者期限下具有不同的相关性广度。

**章节摘要**

**数据与体制设计**
核心矩阵包含九个流动性ETF代理：SPY、RSP、QQQ、IWD、TLT、DBC、GLD、EFA和UUP。表1将每个代理映射到其代表的敞口和主要风险。资产集合有意固定且部分重叠：风格和市值敞口在可执行的配置菜单中是常见的，一个问题在于额外的标签是否真正增加了独立的相关维度。半导体敞口（SMH）被排除在核心矩阵之外，仅用于成对分析。

**方法论**
我对每个完整的日收益率序列应用使用LA(8)滤波器的极大重叠离散小波变换（MODWT），然后在分配内部系数到体制之前进行处理（Percival和Walden，2000）。使用MODWT而非DWT，是因为它具有平移不变性，保持了与日历体制的时间对齐，且不需要二元样本长度。对于此设计，它优于连续小波表面，因为研究对象是一组离散的体制条件相关系数矩阵，而非……

**结果**
体制是描述性的日历划分，而非估计的结构性断点。以下所有推断性陈述均使用直接配对自助法对比；所绘制的置信区间为描述性的，D6为探索性的。

**稳健性与范围**
体制边界扰动直接处理了2020年1月至3月的排除问题。我将疫情前结束时间向前推迟一两个月；将远程办公的开始时间设为2020年2月、3月、5月和6月，其中2月变体将COVID崩溃纳入远程办公；并将加息和后加息开始日期前后移动±1和±2个月。D1后加息相对于疫情前的有效维度对比在所有15种规格下保持显著，点估计值在0.50至0.53之间。跨……

**结论**
本文按强度对两个发现进行排序。更稳健的金融学结论是：在加息期间和后加息增长/AI叙事期间，股票与长期国债以及成长股与长期国债的相关性在2020年后上升，在2至16和32至64个交易日期限上具有通过FDR调整的证据，并在最小方差国债权重中产生直接的套期保值含义。较为有限的矩阵级结论是：后加息增长/AI叙事期间具有更高的短期限……

**声明在稿件准备过程中使用生成式AI及AI辅助技术的情况**
在准备本作品期间，作者使用了AI辅助工具来帮助编辑语言、精炼措辞以及改善稿件结构和清晰度。作者审阅并编辑了所有输出，独立完成了所有分析，并对稿件内容承担全部责任。

**资金**
本研究未获得公共、商业或非营利部门资助机构的任何专门拨款。

**利益冲突声明**
作者声明没有已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

Payam Mehr
美国加州大学洛杉矶分校