[논문 리뷰] Sparse Approximate Factor Estimation for High-Dimensional Covariance Matrices

Maurizio Daniele, Winfried Pohlmeier외 1명|arXiv (Cornell University)|2019. 06. 13.

Financial Markets and Investment Strategies참고 문헌 21인용 수 3

한 줄 요약

이 논문은 약한 요인을 가진 고차원 데이터를 다루기 위해 요인 하중에 l₁-정규화를 적용하는 희소 근사 요인(SAF) 공분산 추정기법을 제안한다. 이는 기존의 광범위한 요인 가정을 완화한다. 이 방법은 프로베니우스 노름 하에서 공분산 행렬, 요인, 하중의 일致 추정을 달성하며, 유한 표본 및 외부 표본 포트폴리오 예측에서 기존 방법보다 뛰어난 성능을 보인다.

ABSTRACT

We propose a novel estimation approach for the covariance matrix based on the $l_1$-regularized approximate factor model. Our sparse approximate factor (SAF) covariance estimator allows for the existence of weak factors and hence relaxes the pervasiveness assumption generally adopted for the standard approximate factor model. We prove consistency of the covariance matrix estimator under the Frobenius norm as well as the consistency of the factor loadings and the factors. Our Monte Carlo simulations reveal that the SAF covariance estimator has superior properties in finite samples for low and high dimensions and different designs of the covariance matrix. Moreover, in an out-of-sample portfolio forecasting application the estimator uniformly outperforms alternative portfolio strategies based on alternative covariance estimation approaches and modeling strategies including the $1/N$-strategy.

연구 동기 및 목표

• 기존의 광범위한 요인 가정을 내세우는 표준 근사 요인 모형의 한계를 해결하기 위해.
• 요인이 오직 일부 변수에만 영향을 주는 약한 요인 상황에서도 일致 추정이 가능하도록, 요인 하중에 희박성(sparsity)을 통합함으로써 공분산 추정기법을 개발하기 위해.
• 변수 수 N이 표본 크기 T와 유사하거나 이를 초월하는 고차원 설정에서 공분산 추정의 유한 표본 성능을 향상시키기 위해.
• 기존 방법(예: 1/N 전략 포함)보다 더 견고하고 정확한 공분산 추정기법을 구성함으로써 포트폴리오 할당 성능을 향상시키기 위해.
• 공분산 행렬에 직접 정규화를 적용하는 대신 요인 하중에 l₁-벌점 적용을 통해 요인 모델링과 정규화를 통합함으로써 더 나은 해석 가능성과 유연성을 확보하기 위해.

제안 방법

• 요인 하중 행렬에 l₁-정규화를 적용하여 희박성과 차원 축소를 유도하는 새로운 희소 근사 요인(SAF) 모델을 제안한다.
• 모델 적합도와 희박성의 균형을 맞추기 위해, 최대우도 또는 최적화 프레임워크를 통해 요인 하중과 공통 요인을 추정한다.
• N과 T가 모두 증가함에 따라 프로베니우스 노름 하에서 SAF 공분산 추정기의 일치성을 도출한다. 또한 추정된 요인 하중과 요인의 일치성도 확보한다.
• 이중 추정 절차에 의존한다: 첫째, 표본 공분산 행렬의 고유분해를 통해 요인 구조를 추정한다. 둘째, 수직화된 잔차를 사용하여 고유값 추정치를 보정한다.
• 유한 표본에서 편향과 분산의 최적 균형을 확보하기 위해 교차검증을 사용하여 최적의 l₁-정규화 파라미터를 선택한다.
• 공분산 행렬의 요소에 직접 정규화를 적용하는 대신 요인 하중에 희박성을 통합함으로써 POET(주성분 보완 임계처리) 프레임워크를 확장하여, 약한 요인과 더 유연한 공통 성분 모델링이 가능하도록 한다.

실험 결과

연구 질문

• RQ1 요인이 약하거나 광범위하지 않은 경우, 요인 하중에 대한 l₁-정규화가 고차원 공분산 추정의 유한 표본 성능을 향상시킬 수 있는가?
• RQ2 제안된 SAF 추정기법이 고차원 설정에서 프로베니우스 노름 하에서 공분산 행렬, 요인, 하중을 추정할 때 일치성을 확보하는가?
• RQ3 포트폴리오 리스크 예측 정확도 측면에서 SAF 추정기법은 임계처리 및 1/N 전략을 포함한 다른 공분산 추정기법과 비교해 어떻게 성과를 내는가?
• RQ4 요인 하중 행렬의 희박성은 얼마나 강하게 약한 요인을 모델링할 수 있게 해주며, 기존의 광범위한 요인 가정을 얼마나 효과적으로 완화할 수 있는가?
• RQ5 실제 고차원 데이터 기반 포트폴리오 할당 응용에서 SAF 접근법은 기존의 정규화 및 요인 기반 방법을 초월할 수 있는가?

주요 결과

• N과 T가 모두 무한대에 접근함에 따라 SAF 공분산 추정기법은 프로베니우스 노름 하에서 모집단 공분산 행렬의 일치 추정을 달성한다.
• 요인이 약하고 일부 변수에만 영향을 주는 경우에도, 요인 하중과 공통 요인의 추정치에 대해 일치성을 유지한다.
• 몬테카를로 시뮬레이션 결과, SAF 추정기법은 저차원 및 고차원 설정, 다양한 공분산 행렬 설계에서 임계처리, 1/N, POET 등 다른 방법들을 모두 능가하는 성능을 보였다.
• 외부 표본 포트폴리오 예측 응용에서, SAF 추정기법은 1/N 다각화 규칙을 포함한 모든 벤치마크 전략보다 포트폴리오 리스크와 샤프 지수 측면에서 균일하게 뛰어난 성능을 보였다.
• 요인 하중에 대한 l₁-정규화는 특히 기저 요인이 광범위하지 않은 경우 더 견고하고 해석 가능한 요인 구조를 제공한다.
• 요인 구조와 희박성을 조합함으로써 고차원 공분산 행렬의 추정 오차를 효과적으로 줄여, 더 나은 유한 표본 성능을 달성한다.