正相关资产的协方差矩阵估计

《European Journal of Operational Research》:Covariance matrix estimation for positively correlated assets

【字体: 大 中 小 】 时间:2026年09月20日 来源:European Journal of Operational Research 7.0

编辑推荐:

   •在肯·弗伦奇网站上验证因子排序组合中的正相关性。 •提出针对正相关资产的特征向量旋转变换收缩估计器(ERSE)。 •ERSE 在不破坏正交性的前提下,对弱因子的特征向量进行微调。 •ERSE 执行重复线性收缩,计算复杂度可接受。 •对肯·弗伦奇组合的实证检验表明,ERSE

  

•在肯·弗伦奇网站上验证因子排序组合中的正相关性。
•提出针对正相关资产的特征向量旋转变换收缩估计器(ERSE)。
•ERSE 在不破坏正交性的前提下,对弱因子的特征向量进行微调。
•ERSE 执行重复线性收缩,计算复杂度可接受。
•对肯·弗伦奇组合的实证检验表明,ERSE 降低了样本外风险。

引言

资产收益间的正向联动是现代金融市场普遍存在的结构性特征。其成因多样,涵盖共同基本面、共同因子暴露以及机构投资者通过交易所交易基金和其他被动工具进行的集体资本流动,但其统计后果始终一致:处于此类环境中的资产表现出强烈的、系统性的且持久的正依赖性。现有研究记录了多种情形下的联动现象,包括小盘股、价值股、封闭式基金和债券(Barberis 等,2005)。另有证据显示,同一地区企业的股票之间(Pirinsky & Wang,2006)、价格相近的股票之间(Green & Hwang,2009)以及受监管行业内的股票之间(Blau 等,2023)存在较强的相关性。此外,交易机制和机构资本流动可能进一步增强了资产间的共同变动(Malceniece 等,2019)。这些观察促使我们在实践中研究正相关资产场景下的协方差估计问题。

我们的实证动机源于肯·弗伦奇数据库中的因子排序组合,这是一个展现出强烈结构性正依赖的典型场景:基于共同特征构建的组合具有主导性共同因子、均匀为正的两两相关性以及高度集中的样本谱。如第二节所述,我们分析了肯·弗伦奇数据库中的19个月度数据集,涵盖了多种分散化因子。结果显示,平均相关系数超过0.5,且最低的两两相关系数始终为正,在不同时间窗口中一致存在。这些实证发现促使我们将研究重点放在一个由非负两两相关性和正向平均联动所刻画总体设定上。我们提出了一种专门设计以利用该结构的协方差矩阵估计器,其贡献明确限定于此类环境。

协方差矩阵估计对于资产定价、风险管理和投资组合优化等金融决策任务至关重要。詹森不等式表明,样本协方差矩阵的最大特征值偏高,最小特征值偏低,当维度与样本量之比 c=n/L 不可忽略时,矩阵变得病态,其中 n 表示资产数量,L 表示估计窗口中的观测数量(Ledoit 和 Wolf,2004b;Vaart,1961)。Fan 等(2013)提出了普遍性(强因子)假设,该假设认为数据协方差矩阵前 K 个最大特征值发散,而其余特征值有界,从而在 K 与 K+1 最大的特征值之间形成显著差距。多项后续研究采用了这一强因子假设(Dai 等,2019;Ding 等,2021;Kim 和 Fan,2019)。Dai 等(2024)进一步证明,标准普尔500指数的样本协方差矩阵展现出单一主导因子,这一结构促使了本分析。

我们重新审视了正相关资产下的上述问题,重点关注相关矩阵估计。与 Dai 等(2024)的结果一致,我们的研究表明,样本相关矩阵存在一个主导特征值,强烈影响整个谱,而其余特征值则小得多。我们同样观察到样本特征向量的分布存在不对齐现象。对于逐元素为正的协方差矩阵,佩龙-弗罗贝尼乌斯定理保证主导特征向量可以选择为严格正分量。我们的有限样本结果刻画了与均匀向量零空间偏差的不平衡现象,而所选择的组合面板证据显示,主导特征向量与均匀方向高度对齐,弱特征向量的偏差则小得多。这种不平衡表明,在旋转变换等价的框架内增大所选弱特征向量的偏差,可以调整其对应的瑞利商。

一种共识认为,在高维资产场景中,减少样本特征值之间的离散度可以提供条件良好的协方差矩阵估计器(Bodnar 等,2018;Ledoit 和 Wolf,2012;Shi 等,2020)。然而,确定适当的收缩系数具有挑战性(Barroso 和 Saxena,2022;Ledoit 和 Wolf,2004b;Ledoit 和 Wolf,2012)。在旋转变换等价的框架内,Ledoit 和 Wolf(2017;2022a)提出了一种利用真实协方差矩阵 Σ 的近似最优估计器,其特征值构造为 λ??=q??Σq?,其中 q? 是对应的特征向量。在实践中,真实协方差矩阵被可用的目标矩阵替代(Ledoit 和 Wolf,2003;Ledoit 和 Wolf,2004a;Touloumis,2015)。DeMiguel、Garlappi、Nogales 等(2009)将特征向量与重组基金的组合向量联系起来。基于这一解释,我们证明,一个向量与均匀向量零空间的偏差与其单位成本组合的??范数负相关,这为通过工作向量几何结构正则化估计谱提供了一种途径。

我们提出特征向量旋转变换收缩估计器(ERSE),这是一种为正相关资产设计的新型协方差矩阵估计器。ERSE 对一组工作特征基反复应用配对特征向量旋转变换(PER)技术,增大弱工作方向的偏差程度同时保持正交性,并利用所得瑞利商构建其谱估计。在计算上,PER 技术的开销可控,所需迭代次数不超过 n?1 次。确定性有限样本结果刻画了每次 PER 旋转的效果与不变量:辅助工作方向决定旋转变换产生的谱,而最终估计器仍保持在规范样本特征基中重构。在正等相关尖峰基准下,下边缘匹配产生了一个由随机矩阵理论启发的阈值,该阈值在结构性偏离下的应用通过模拟进行了评估。理论上未建立普遍的最优组合风险排序,但模拟实验和所检验正联动环境下的观测数据分析显示,ERSE 相对所报告的竞争方法通常具有较好的样本外表现。

本文与最优组合模型的相关文献有关。Markowitz(1952)的开创性工作至今仍是投资组合管理理论与实践方面的基石。现有研究表明,均值向量的误差对样本外组合表现的不利影响大于协方差矩阵的误差,这导致最优组合模型因其不依赖预期收益即可实现风险最小化而受到青睐。DeMiguel、Garlappi、Nogales 等(2009)的实证证据表明,最优组合通常具有优于其他均值-方差模型的样本外夏普比率和更低的换手率。Fan 等(2012)提出假设所有资产预期收益为零,从而将最优组合定位为均值-方差框架中唯一的组合。Cai 等(2020)强调了最优组合模型在缓解高频资产收益中微观结构噪声挑战方面的作用。近期研究还提出在高维设置中直接预测最优组合权重(Bodnar 等,2017;Bodnar 等,2018;Bodnar 等,2023;Ding 等,2021;Reh 等,2023)。本文的贡献在于开发了一种专门针对具有强烈结构性正依赖性的风险资产设计的协方差矩阵估计器。

我们的工作建立在基于因子的协方差估计方法文献之上。Conlon 等(2025)提供了对比分析,表明因子模型可以改善最小方差组合的表现。Fan 等(2008)提出利用可观测因子构建协方差估计器,Fan 等(2013)将其扩展至不可观测因子,提出了主正交互补阈值化(POET)估计器。POET 已有多项扩展,包括针对重尾数据和椭圆因子模型的适配(Fan 等,2018)、针对大型动态协方差矩阵的核方法(Wang 等,2021),以及可观测与不可观测因子的混合结构(Dai 等,2024)。总体而言,POET 对样本协方差矩阵进行主成分分析,提取前几个主成分作为信号,并对剩余噪声进行阈值处理以创建稀疏估计器。与 POET 类似,我们的 ERSE 方法减轻了与弱因子相关的误差。对于正相关资产,我们观察到,弱因子对应的特征向量倾向于收敛至均匀向量的零空间。ERSE 对这些方向的副本进行适度旋转,并利用相关的瑞利商调整对应的谱。

我们的估计方法基于旋转变换等价框架,对协方差矩阵收缩估计文献有所贡献。Stein(1986)表明,可以通过对样本协方差矩阵的特征值进行收缩来构造更优的协方差估计器。Ledoit 和 Wolf(2004b)提出了一种将样本协方差矩阵与按平均特征值缩放的单位矩阵相结合的收缩估计器。其他收缩目标包括常数相关模型(Ledoit & Wolf,2004a)、单因子模型(Ledoit & Wolf,2003)以及样本特征值的对角矩阵(Touloumis,2015),为协方差矩阵估计提供了灵活方案。Ledoit 和 Wolf(2012)的非线性收缩估计器是一种自然扩展,它对特征值施加个体化的收缩强度,并展现出强大的样本外表现(Ledoit & Wolf,2017)。Ledoit 和 Wolf(2020)给出了非线性收缩估计的首个解析公式,其他非线性方法也在多种场景中得到探索(Abadir 等,2014;Lam,2016;M?rstedt 等,2024;Nguyen 等,2022;Won 等,2013)。Barroso 和 Saxena(2022)提出了基于样本外误差的收缩系数。除协方差矩阵收缩外,还有若干方法直接针对相关矩阵(Bailey 等,2019;Hafner 等,2020;Hediger 和 N?f,2024)。本文提出的 ERSE 方法在这些方法基础上进行扩展,对相关矩阵进行收缩,并根据对应特征向量的偏差对部分或全部特征值施加收缩修正。

本文结构如下:第二节介绍因子排序组合数据、正相关设定及相关谱几何。第三节提出所提估计器。第四节开发等相准模型与阈值校准。第五节报告关于有限样本相关符号和 ERSE 表现范围的蒙特卡洛证据。第六节报告主要月度评估以及补充的日度数据和个股级别稳健性分析,第七节为本文结论。补充推导、图示和稳健性结果收在随附补充材料中。

数据与正相关动机

本节考察来自知名肯·弗伦奇数据库的因子排序组合间的相关性。该数据库根据多种财务特征对公司进行排名,并按百分位断点分组。每组被视为可交易资产,其收益由其成分资产的市值加权收益表示。全文中,n 表示……

特征向量旋转变换收缩估计器

本节提出 ERSE 及其核心 PER 算子。PER 作用于辅助工作列,它们决定修正后的瑞利商谱,而最终的 ERSE 估计器则在规范样本特征基中重构。PER 技术迭代地旋转偏差程度差异最大的两个工作列,直到其偏差程度满足阈值。

等相准模型与随机矩阵理论启发的阈值校准

本节仅将正等相准尖峰模型用作阈值校准的示意性参考。由于阈值选择时总体弱谱不可观测,基准模型提供了一种可操作的尺度,用于匹配 PER 引起的特征值修正与 Marchenko-Pastur 下边缘偏差。所得分析提供了基准特异的高维校准,并未为 ERSE 建立普适的高维性能理论。

评估框架与蒙特卡洛分析

本节定义了通用比较集,并报告了三项分别受总体依赖性、样本相关符号和 ERSE 表现范围区别的启发而设计的模拟分析。第一项量化在弱正总体相关性下的有限样本符号反转。第二项比较正依赖动态下与保留谱的混合符号边界下的组合风险。第三项考察下边缘校准以及最优组合风险敏感性……

实证评估

为评估 ERSE 方法的样本外表现,我们使用第二节中的十个因子排序组合数据集,它们均显示出持续为正的相关矩阵。比较聚焦于不受约束的最优组合,仅由风险资产部分构成。在实践中,我们使用估计器替代真实协方差矩阵以构建可行组合,这是文献中评估协方差矩阵估计器质量的常用方法(Cui 等,2024)。

结论

本文针对正相关资产的协方差估计问题,其动机源于肯·弗伦奇因子排序组合的证据。ERSE 对规范样本特征向量的副本应用 PER 技术,利用所得瑞利商构建旋转变换产生的谱,并在规范样本特征基中重构估计器。

有限样本结果表征了 PER 的几何和谱效应;在正等等相关基准下,下边界匹配
CRediT 作者贡献声明
Weilong Liu:写作–审阅与编辑,写作–初稿,软件,资源,方法学,形式分析,数据管理,概念化。
Yanchu Liu:写作–审阅与编辑,写作–初稿,指导,方法学,经费获取,形式分析,概念化。
利益冲突声明
作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究受国家自然科学基金(项目编号:72401302、72573193 和 72271249)和中国博士后科学基金(项目编号:2024M753802)资助。
Weilong Liu|Yanchu Liu
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号