[論文レビュー] Zero Variance Portfolio

Jinyuan Chang, Yi Ding+2 more|arXiv (Cornell University)|Feb 23, 2026

Advanced Bandit Algorithms Research被引用数 0

ひとこと要約

この論文は Ridgelet と改良版 Ridgelet 推定量を導入し、次元が高くサンプル不足な MVP 問題（N>>T）において分散ゼロのポートフォリオを構築する。Ridgelet はアウト・オブ・サンプルで一般化可能だが Ridgeless は失敗する、理論と経験的根拠を提供。

ABSTRACT

When the number of assets is larger than the sample size, the minimum variance portfolio interpolates the training data, delivering pathological zero in-sample variance. We show that if the weights of the zero variance portfolio are learned by a novel ``Ridgelet'' estimator, in a new test data this portfolio enjoys out-of-sample generalizability. It exhibits the double descent phenomenon and can achieve optimal risk in the overparametrized regime when the number of assets dominates the sample size. In contrast, a ``Ridgeless'' estimator which invokes the pseudoinverse fails in-sample interpolation and diverges away from out-of-sample optimality. Extensive simulations and empirical studies demonstrate that the Ridgelet method performs competitively in high-dimensional portfolio optimization.

研究の動機と目的

• 高次元・サンプル乏しい regime（N>>T）における最小分散ポートフォリオ（MVP）の動機付けと分析。
• サンプル共分散に微小なリッジを足して安定で一般化可能な ZVP を得る Ridgelet 推定量の提案。
• ランダム行列理論と因子モデル仮定を通じた理論的性質の示唆。
• シミュレーションと実データを通じて Ridgelet と Ridgeless、標準推定量を比較。

提案手法

• ZVP とサンプル共分散による厳密解の定義。
• Ridgelet1: τ-正則化 MVP 解  ω_hat_tau = (1^T S_tau^{-1} 1)^{-1} S_tau^{-1} 1 with S_tau = S_0 + tau I_N.
• Ridgelet1 が最小 L2 ノルム ZVP に近似することを証明；Ridgeless は S_0^+ を用い ZVP 解ではないことを対比。
• Ridgelet2 へ拡張し、因子モデルの下で I_N を一貫した異質共分散推定量に置換。
• 異なる regime（N/T）でのアウト・オブ・サンプル分散の漸近的結果をランダム行列理論を用いて提供。
• 二重降下現象と過パラメータ化 regime（N>>T）における最適性について議論。

Figure 1: Risk curve of the MVP estimated with Ridgelet (left) and Ridgeless (right). The oracle minimum risk is a benchmark. The returns are generated from a factor model described in Section 3.1 .

実験結果

リサーチクエスチョン

• RQ1 高次元の MVP 設定で、リッジ追加共分散推定量（Ridgelet）は、アウト・オブ・サンプルで一般化可能な分散ゼロポートフォリオを得られるか。
• RQ2 因子モデル共分散構造の下で、N が T に対して増加する際に Ridgelet と Ridgeless の OOS 性能を比較できるか。
• RQ3 N>>T の場合、一貫した異質共分散推定量を組み込んだ Ridgelet2 は母集団のような最適性を達成できるか。
• RQ4 Ridgelet と Ridgeless の MVP リスクにおける二重降下を説明する理論的機構は何か。
• RQ5 実データ（例：S&P 500、日経225）におけるこれらの方法の標準的な縮小推定法と比較した性能はどうか。

主な発見

• Ridgelet1 は正確なゼロ分散ポートフォリオ解（ZVP）を数値誤差まで近似する一方、Ridgeless は ZVP 解ではない。
• N/T regime では Ridgelet は二重降下のリスクパターンを示し、特定条件下でオラクルに近い OOS 性能を達成できる。
• N>>T regime では Ridgelet2 は一貫した異質共分散推定量を用いることで、ファクターモデル下で OOS リスクが母集団オラクルに近づく（最適性）。
• Ridgeless の分散は N>>T で発散し、等分配や Ridgelet ベースのアプローチよりも性能が劣る。
• S&P 500 および日経225 の実証研究では、Ridgelet が高次元設定で LS や FNLS と比較して有利な競合能力を示す。
• 理論は漸近解析における固有値挙動と Stieltjes 変換を特徴づけるためにランダム行列理論に依存。

Figure 2: Scree plot of daily returns of S&P 500 Index Constituent stocks. We compute the sample covariance matrix of daily returns of S&P 500 Index stocks between 2020 and 2023. The Y-axis shows the ratios of its principal eigenvalues over the sum of all eigenvalues.