[論文レビュー] Random matrix theory and robust covariance matrix estimation for financial data

Gabriel Frahm, Uwe Jaekel|ArXiv.org|Mar 1, 2005

Financial Risk and Volatility Modeling参考文献 20被引用数 12

ひとこと要約

本稿は、高次元の金融データにおける共分散行列推定のためのロバストなスペクトル推定量を提案する。この手法は、重い尾を持つ分布や径方向の非対称性を扱えるように、タイラーのM推定量を一般化された楕円分布へと拡張したものである。この方法により、固有値分布に対するマルチェンコ＝パストルの法則の有効性が回復され、信号と雑音の分離が信頼性を持って可能となり、非ガウス的で重い尾を持つ条件下でもポートフォリオリスク推定の精度が向上する。

ABSTRACT

The traditional class of elliptical distributions is extended to allow for asymmetries. A completely robust dispersion matrix estimator (the `spectral estimator') for the new class of `generalized elliptical distributions' is presented. It is shown that the spectral estimator corresponds to an M-estimator proposed by Tyler (1983) in the context of elliptical distributions. Both the generalization of elliptical distributions and the development of a robust dispersion matrix estimator are motivated by the stylized facts of empirical finance. Random matrix theory is used for analyzing the linear dependence structure of high-dimensional data. It is shown that the Marcenko-Pastur law fails if the sample covariance matrix is considered as a random matrix in the context of elliptically distributed and heavy tailed data. But substituting the sample covariance matrix by the spectral estimator resolves the problem and the Marcenko-Pastur law remains valid.

研究の動機と目的

• 高次元で非ガウス的、重い尾を持つ金融データにおいて、標本共分散行列の限界を解消すること。
• 楕円分布のクラスを一般化楕円分布へ拡張し、金融リターンのスタイリズドファクト（スタイリッシュな事実）をより正確にモデル化できるように径方向の非対称性と尾の依存性を許容すること。
• 特にリスク管理やポートフォリオ最適化に適した、一般化楕円分布下でも有効な分散行列推定量を開発すること。
• 標本共分散行列をスペクトル推定量に置き換えることで、金融データに応用した際のランダム行列理論におけるマルチェンコ＝パストルの法則の有効性を回復すること。
• 標本共分散行列の代わりにスペクトル推定量を用いることで、高次元金融データにおける真の信号固有値の特定と雑音のフィルタリングによる正確な信号-雑音分離を可能にすること。

提案手法

• 金融リターンの径方向非対称性と尾の依存性をモデル化できるように、楕円分布のクラスを一般化楕円分布へ拡張する。
• 楕円分布下でロバストであることが証明されたタイラーのM推定量を、スペクトル推定量として採用し、ここでは一般化楕円分布へと拡張する。
• ランダム行列理論（RMT）を用いて、スペクトル推定量の固有値分布を分析し、無相関で一般化楕円分布に従うデータにおいて、マルチェンコ＝パストルの法則と整合的であることを保証する。
• マルチェンコ＝パストルのバルクから逸脱する最大固有値を特定・除去することで信号-雑音分離を実施し、標本共分散行列の代わりにスペクトル推定量を用いる。
• 固有値ヒストограмの分析とマルチェンコ＝パストルの上限との比較を通じて、有意な成分の数を検証する。
• 共分散行列のスペクトル分解を用いて、高次元データにおける信号（大きな固有値）と雑音（小さなバルク固有値）を分離する。

実験結果

リサーチクエスチョン

• RQ1 標本共分散行列が一般化楕円分布に従う金融データに適用された場合、マルチェンコ＝パストルの法則は依然として有効であるか？
• RQ2 タイラーのM推定量は、非対称性と重い尾に対してもロバストであるように、一般化楕円分布へと拡張可能か？
• RQ3 スペクトル推定量は、標本共分散行列と比較して、高次元金融データにおける信号-雑音分離をどのように改善するか？
• RQ4 重い尾や非対称性を持つ分布は、金融リスクモデリングにおける主成分分析と固有値推定にどのような影響を与えるか？
• RQ5 スペクトル推定量は、非ガウス的データ下で主成分分析における信号成分の過大評価をどの程度是正するか？

主な発見

• 標本共分散行列が一般化楕円分布に従う金融データに適用された場合、重い尾と非対称性のため、マルチェンコ＝パストルの法則は成立しない。
• スペクトル推定量（タイラーのM推定量と同等）は、無相関で一般化楕円分布に従うデータにおいて、マルチェンコ＝パストルの法則の有効性を回復する。
• スペクトル推定量は径方向非対称性と外れ値に対してロバストであり、推定にあたってすべてのデータポイントを有効に活用できる。
• 信号-雑音分離において、d=500, n=1000, c=5, b=1, k=100 の条件下で、スペクトル推定量はノイズ固有値を397個（k̂=103）として正しく特定するが、標本共分散行列は信号成分を過大評価する。
• 標本共分散行列を用いた主成分分析は、重い尾を持つデータにおいて、大きな固有値の寄与度を系統的に過大評価するが、スペクトル推定量によりこのバイアスが是正される。
• スペクトル推定量は、現実的な分布仮定下での統計的整合性を保証するため、高次元金融データにおける信頼性の高いポートフォリオリスク最小化と次元削減を可能にする。