[論文レビュー] Exponential Weighting and Random-Matrix-Theory-Based Filtering of Financial Covariance Matrices for Portfolio Optimization

Szilárd Pafka, Marc Potters+1 more|ArXiv.org|Feb 24, 2004

Stochastic processes and financial applications参考文献 7被引用数 44

ひとこと要約

本稿では、時間的に変化するボラティリティを捉えるために指数加重を組み合わせ、推定ノイズを低減するためのランダム行列理論（RMT）ベースのフィルタリングを統合した新規な共分散行列推定器を提案する。指数的加重ランダム行列の固有値スペクトルを解析的に導出することで、ノイズの含まれた固有値を最適にフィルタリング可能となり、特に非定常なリターンを示す大規模なポートフォリオにおいて、標準的な指数加重法や一様なRMTフィルタリングに比べて優れたポートフォリオリスク管理が実現される。

ABSTRACT

We introduce a covariance matrix estimator that both takes into account the heteroskedasticity of financial returns (by using an exponentially weighted moving average) and reduces the effective dimensionality of the estimation (and hence measurement noise) via techniques borrowed from random matrix theory. We calculate the spectrum of large exponentially weighted random matrices (whose upper band edge needs to be known for the implementation of the estimation) analytically, by a procedure analogous to that used for standard random matrices. Finally, we illustrate, on empirical data, the superiority of the newly introduced estimator in a portfolio optimization context over both the method of exponentially weighted moving averages and the uniformly-weighted random-matrix-theory-based filtering.

研究の動機と目的

• N 個の資産が O(N²) のパラメータを必要とするが、T < N の時系列観測値では推定ノイズが高くなるという次元の呪いを解消すること。
• 共分散行列における測定ノイズを低減することでポートフォリオ最適化を改善し、そうでない場合に最適なポートフォリオウェイトが歪み、リスクが増加することを防ぐこと。
• 時間的変動するボラティリティを捉えるための指数加重移動平均（EWMAs）と次元削減のためのRMTベースのフィルタリングという2つの強力な技術を統合し、解析的に取り扱える1つの推定器を構築すること。
• 提案手法が、標準的なEWMAs（例：α=0.94 を使用するRiskMetrics）や一様なRMTフィルタリングに比べて、実世界のポートフォリオリスクパフォーマンスにおいて優れていることを実証すること。

提案手法

• 時間的変動するボラティリティを反映させるために、最近のリターンに高い重みを割り当てる指数加重移動平均（EWMAs）を用いて共分散行列を推定する。
• ランダム行列理論（RMT）を用いて、実証的共分散行列スペクトルにおけるノイズ帯に対応する固有値および固有ベクトルを特定・フィルタリングする。
• 極限状態における大規模な指数加重ランダム行列のスペクトルを解析的に導出し、ノイズ帯の上端を正確に特定可能にする。
• フィルタリングプロセスでは、理論的なノイズ帯上端より低い固有値を除去し、真の相関に関連する信号成分のみを保持する。
• 最終的な推定器は、最適ウェイトの算出および事後的なポートフォリオボラティリティの評価を目的としたマークウィッツ型のポートフォリオ最適化フレームワークに使用される。
• 性能は、履歴的な日次リターンデータを用いたブートストラップシミュレーションにより検証され、本手法とEWMAs、RMTフィルタリング、マーケットモデル推定値とを比較する。

実験結果

リサーチクエスチョン

• RQ1 指数加重とRMTベースのフィルタリングを組み合わせることで、単独で用いる場合よりもより頑健な共分散行列推定器が得られるか？
• RQ2 RMTフィルタリングと組み合わせた指数加重共分散推定において、最適な減衰係数 α は何か？また、RiskMetricsで用いられる標準的な値 α=0.94 と比べてどう異なるか？
• RQ3 指数加重ランダム行列のスペクトルを解析的に導出できることにより、より良いフィルタリングと改善されたポートフォリオリスクパフォーマンスが達成可能か？
• RQ4 ハイブリッド推定器のパフォーマンスは、履歴的推定値、マーケットモデル推定値、一様なRMTフィルタリング推定値と比較して、事後的なポートフォリオボラティリティの観点でどのように異なるか？
• RQ5 大規模なNポートフォリオ（例：N=100）において、標準的なRiskMetrics（α=0.94）を用いたポートフォリオ最適化は、ノイズの増幅が著しく、根本的に不適切であるとされるか？

主な発見

• 提案されたハイブリッド推定器は、標準的なEWMAsや一様なRMTフィルタリングに比べ、特に大規模なポートフォリオ（N=100）において、事後的なポートフォリオボラティリティを顕著に低減している。
• 指数加重部の最適な減衰係数 α は約 0.996 であると判明し、これは約250日（1年）の有効時間窓に対応する。これは、標準的なRiskMetricsの値 α=0.94 よりも優れている。
• N=100 および1か月の投資期間において、ハイブリッド推定器が達成する最小の事後ボラティリティは、履歴的推定値やマーケットモデル推定値を含む、テストされた他のあらゆる手法よりも低い。
• RiskMetrics法（α=0.94）では、N=100 の場合、年間のポートフォリオボラティリティが約16％に達するが、最適なハイブリッド推定器では10–12％の範囲に収まる。これは、大規模ポートフォリオ最適化には不適切であることを示している。
• 250日分のデータしかなくとも、履歴的推定値は比較的うまく機能するが、Nの増加に伴いそのパフォーマンスは急激に低下する一方、ハイブリッド手法は安定性を維持する。
• 結果から、EWMAsによる時間的変動重み付けとRMTによるノイズフィルタリングを組み合わせることで、真の共分散構造のより正確な推定が可能となり、より安定的かつ低リスクのポートフォリオが得られることを示唆している。