[論文レビュー] Bounds on Portfolio Quality

Steven E. Pav|arXiv (Cornell University)|Sep 21, 2014

Complex Systems and Time Series Analysis参考文献 21被引用数 3

ひとこと要約

この論文は、期待リターンおよび共分散のノイズのある推定値から構築されたポートフォリオの期待信号対ノイズ比に対するCramér-Rao型の下界を確立し、ガウス型リターンのもとで、この比を最大化する際にはバイアス・バリアンスのトレードオフが存在しないことを示している。主な結果は、母集団の信号対ノイズ比が $ p^{1/4} $ よりも遅く成長する場合、より多くの資産を追加することは期待されるポートフォリオの品質を低下させることを示しており、これはマーケィッツ最適化が小規模な資産ユニバースに限られる実務的制限を説明している。

ABSTRACT

The signal-noise ratio of a portfolio of p assets, its expected return divided by its risk, is couched as an estimation problem on the sphere. When the portfolio is built using noisy data, the expected value of the signal-noise ratio is bounded from above via a Cramer-Rao bound, for the case of Gaussian returns. The bound holds for `biased' estimators, thus there appears to be no bias-variance tradeoff for the problem of maximizing the signal-noise ratio. An approximate distribution of the signal-noise ratio for the Markowitz portfolio is given, and shown to be fairly accurate via Monte Carlo simulations, for Gaussian returns as well as more exotic returns distributions. These findings imply that if the maximal population signal-noise ratio grows slower than the universe size to the 1/4 power, there may be no diversification benefit, rather expected signal-noise ratio can decrease with additional assets. As a practical matter, this may explain why the Markowitz portfolio is typically applied to small asset universes. Finally, the theorem is expanded to cover more general models of returns and trading schemes, including the conditional expectation case where mean returns are linear in some observable features, subspace constraints (i.e., dimensionality reduction), and hedging constraints.

研究の動機と目的

• ノイズのあるデータから推定された場合の実行可能ポートフォリオの期待信号対ノイズ比に対する上界を確立すること。
• 理論的に最適であるにもかかわらず、マーケィッツポートフォリオが大規模なユニバースではほとんど使われない理由を説明すること。
• 母集団の信号対ノイズ比の成長率がユニバースサイズ $ p $ に対してどのようにポートフォリオの品質に影響を与えるかを分析すること。
• 線形特徴、部分空間制約、ヘッジを含む一般化されたモデルへの境界の拡張。
• ポートフォリオ最適化における次元削減の理論的基盤を提供すること。

提案手法

• ポートフォリオ重量を最適マーケィッツ重量の推定器とみなして、信号対ノイズ比を単位球面 $ \mathcal{S}^{p-1} $ 上の推定問題として定式化する。
• Cramér-Rao不等式を適用して、バイアス付き推定器に対しても有効な期待信号対ノイズ比の上界を導出する。
• 漸近的およびシミュレーションによる妥当性確認を通じて、マーケィッツポートフォリオの有限標本における信号対ノイズ比の近似分布を導出する。
• 観測可能な特徴、線形制約、条件付き期待値を含むモデルへの境界の一般化。
• ガウス型および非ガウス型リターン分布下でのモンテカルロシミュレーションを通じて、境界および近似の妥当性を検証する。
• $ \Sigma^{1/2} $ を用いた幾何的変換を用いて、信号対ノイズ比を球面上の内積の形に再表現する。

実験結果

リサーチクエスチョン

• RQ1 資産数 $ p $ が増加する際、ポートフォリオの期待信号対ノイズ比が低下する条件は何か？
• RQ2 推定器がバイアスを持つ場合でも、ノイズのある推定値から構築されたポートフォリオの信号対ノイズ比にCramér-Rao型の下界を適用できるか？
• RQ3 母集団の信号対ノイズ比 $ \zeta_* $ の $ p $ に対する成長率が、実行可能ポートフォリオの期待的品質にどのように影響を与えるか？
• RQ4 観測可能な特徴、部分空間制約、またはヘッジを含むモデルへの境界の一般化の範囲はどの程度か？
• RQ5 マーケィッツポートフォリオの信号対ノイズ比の提案された近似分布は、有限標本においてどの程度正確か？

主な発見

• 期待信号対ノイズ比はCramér-Rao型の不等式による上界で抑えられ、この上界はバイアス付き推定器に対しても成立するため、シャープレート比の最大化においてバイアス・バリアンスのトレードオフは存在しない。
• 母集団の信号対ノイズ比 $ \zeta_* $ が $ p^{1/4} $ よりも遅く成長する場合、期待されるポートフォリオ品質の上界は $ p $ の増加とともに減少し、分散化の利点がないことを示唆する。
• マーケィッツポートフォリオの信号対ノイズ比の提案された近似分布は、ガウス型および非ガウス型リターン分布下のモンテカルロシミュレーションでも正確であることが示された。
• 境界は、信号強度が不十分な資産を追加すると期待性能が低下するため、ポートフォリオ最適化における次元削減を正当化する。
• 理論的境界はタイトであり、方程式 (19) の微分不等式のより深い解析、あるいは内在的Cramér-Rao境界の使用がなければ、著しく改善できない。
• 分析から、実務的なポートフォリオ構築が小規模なユニバースに限られる理由は計算コストではなく、$ \zeta_* \ll p^{1/4} $ の場合に高品質なポートフォリオを推定することが統計的に困難であるためであることが明らかになった。