20171116-天风证券-协方差矩阵的常用估计和评价方法_21页_1mb

报告摘要

金融工程：协方差矩阵的常用估计和评价方法总结

核心内容

协方差矩阵在量化投资中具有广泛的应用，特别是在多因子选股和组合优化中。由于样本协方差矩阵在高维资产数据中存在不可逆性与高估计误差的问题，本文系统梳理了常见的协方差估计方法，并提出了一种基于特征距离的评价体系，以更准确地衡量不同估计方法的效果。

主要观点

样本协方差矩阵虽然直观，但在高维数据中存在估计误差大和不可逆的问题。
为改善协方差估计，常用方法包括因子模型、压缩估计、随机矩阵理论模型等。
本文提出了一种基于组合风险的特征距离作为协方差估计量的评价指标，具有明确的统计和经济意义。
实证结果显示，Ledoit & Wolf压缩估计和包含风格及行业因子的多因子模型表现较好，其中以固定相关系数或对角阵为压缩目标的压缩估计量更为推荐。

关键信息

1. 样本协方差存在的问题

在资产数量大于样本数量的情况下，样本协方差矩阵不可逆，且估计误差较大。
样本协方差矩阵的秩最多为 $T - 1$，当 $N > T - 1$ 时，秩不足。

2. 常见协方差估计方法

(1) 因子模型

市场模型：假设资产收益率仅由市场因子驱动，如无调整 Beta 模型、Blume 调整 Beta 模型、Vasicek 调整 Beta 模型。
多因子模型：考虑多个因子，如行业因子、风格因子等，通过时间序列回归或横截面回归估计因子暴露和因子收益。
主成分模型：通过主成分分析发现隐含因子，减少维度。

(2) 压缩估计

Ledoit & Wolf压缩估计：通过损失函数确定压缩强度，将样本协方差矩阵与一个先验结构（如固定相关系数、行业因子模型等）进行加权平均。
估计量组合：对多个协方差估计量进行等权平均，避免因子选择问题。

(3) 随机矩阵理论模型

通过调整相关系数矩阵的特征根，过滤掉噪声，保留信息部分。
对于完全随机收益序列，其特征根服从特定分布，可据此识别噪声。

(4) 其他方法

固定相关系数模型：假设所有资产相关系数相同，使用平均相关系数进行估计。
时变模型：如RiskMetrics模型，使用指数加权移动平均，对近期数据赋予更高权重。
合成聚类模型：根据资产间的相似性进行聚类，构建相关系数矩阵。

3. 协方差矩阵估计量的评价指标

统计类指标：如均方根误差（RMSE）和平均绝对误差（MAE），直接比较协方差矩阵元素的差距。
经济类指标：基于组合风险评估，如最小方差组合（MVP）的波动性。
基于特征距离的评价方法：衡量两个协方差矩阵下组合风险的最大差异，公式为：

$$
d(V_{1}, V_{2}) = \log\left(\frac{\lambda_{\max}}{\lambda_{\min}}\right)
$$

其中，$\lambda_{\max}$ 和 $\lambda_{\min}$ 分别为两个协方差矩阵的最大和最小特征值。

4. 实证结果分析

表现较好的估计量：Ledoit & Wolf压缩估计、包含风格及行业因子的多因子模型、随机矩阵理论模型。
表现较差的估计量：样本协方差矩阵、RiskMetrics模型。
推荐方法：以固定相关系数或对角阵为压缩目标的Ledoit & Wolf压缩估计，以及包含风格及行业因子的多因子模型。

协方差估计量排序

最优：Ledoit & Wolf压缩估计（以风格及行业因子模型为压缩目标）
次优：估计量组合 ≈ 多因子模型（横截面回归）
中等：随机矩阵理论模型 ≈ 行业因子模型（时间序列估计）
较差：市场模型 ≈ 样本协方差矩阵 ≈ RiskMetrics

风险提示

市场环境变动可能导致模型失效。
协方差估计方法的选择需考虑模型设定偏差与估计误差之间的权衡。

图表说明

图1：协方差矩阵估计方法梳理。
图2：压缩估计量几何图示。
图3：协方差估计量与下期实际协方差矩阵的特征距离。
图4：协方差矩阵估计量的成对比较。

表格说明

表1：协方差矩阵估计量说明。
表2：风格因子列表。
表3：协方差估计量与下期实际协方差之间特征距离的均值。

作者信息

吴先兴：分析师，SAC执业证书编号：S1110516120001，联系方式：wuxianxing@tfzq.com，18616029821。
张欣慰：分析师，SAC执业证书编号：S1110517010003，联系方式：zhangxinwei@tfzq.com。
韩谨阳：联系人，联系方式：hanjinyang@tfzq.com。