[论文解读] A Simple Method for Predicting Covariance Matrices of Financial Returns

Kasper Johansson, Mehmet Giray Ogut+3 more|arXiv (Cornell University)|May 31, 2023

Financial Markets and Investment StrategiesEconomics, Econometrics and Finance被引用 3

一句话总结

本文提出了一种简单且可解释的方法，通过凸优化框架结合指数加权移动平均（EWMA）对波动率和相关性进行时间变化的协方差矩阵预测。该方法所需调参极少，在对数似然遗憾方面优于标准EWMA，并在性能上匹配或超过更复杂的MGARCH模型，同时支持高效的组合优化与收益模拟。

ABSTRACT

We consider the well-studied problem of predicting the time-varying covariance matrix of a vector of financial returns. Popular methods range from simple predictors like rolling window or exponentially weighted moving average (EWMA) to more sophisticated predictors such as generalized autoregressive conditional heteroscedastic (GARCH) type methods. Building on a specific covariance estimator suggested by Engle in 2002, we propose a relatively simple extension that requires little or no tuning or fitting, is interpretable, and produces results at least as good as MGARCH, a popular extension of GARCH that handles multiple assets. To evaluate predictors we introduce a novel approach, evaluating the regret of the log-likelihood over a time period such as a quarter. This metric allows us to see not only how well a covariance predictor does over all, but also how quickly it reacts to changes in market conditions. Our simple predictor outperforms MGARCH in terms of regret. We also test covariance predictors on downstream applications such as portfolio optimization methods that depend on the covariance matrix. For these applications our simple covariance predictor and MGARCH perform similarly.

研究动机与目标

• 开发一种实用且可解释的时间变化金融收益协方差矩阵预测方法，避免高维模型的复杂性。
• 解决在波动性环境中对市场状态转变及时响应的协方差预测挑战。
• 使用一种新颖的基于遗憾的度量标准评估协方差预测器，以同时捕捉准确性和对市场变化的响应能力。
• 在统计和组合优化背景下，将所提方法与EWMA和MGARCH等成熟模型进行基准对比。
• 展示该方法在情景分析和风险管理中生成真实模拟收益路径的实用性。

提出的方法

• 通过资产收益平方的指数加权移动平均（EWMA）估计资产波动率。
• 采用类似EWMA方法对标准化收益估计时变相关性，确保正定性。
• 求解一个凸优化问题，将不同衰减因子下的多个EWMA预测组合起来，以最小化时间上的对数似然遗憾。
• 通过一个小型、快速且可靠的凸优化求解最优组合权重，实现实时更新。
• 最终协方差估计由不同衰减率下各协方差矩阵的加权平均构成。
• 通过第8章所述的因子模型将该方法扩展至大型投资组合。

实验结果

研究问题

• RQ1 是否一种简单且可解释的方法能够优于复杂的多变量GARCH模型，在预测金融协方差矩阵方面表现更优？
• RQ2 协方差预测器对突发市场状态转变的适应速度有多快？何种度量标准最能体现这种响应能力？
• RQ3 基于遗憾的评估度量是否能比标准的QLIKE或对数似然度量提供更深入的预测性能洞察？
• RQ4 尽管响应能力降低，为何对协方差更新频率进行平滑处理（如每数月一次）能提升投资组合表现？
• RQ5 所提方法能否生成可用于情景分析和风险评估的真实模拟收益路径？

主要发现

• 所提方法在对数似然遗憾方面优于MGARCH，表明其具有更优的预测性能，并能更快适应市场变化。
• 即使调参极少，该方法在遗憾度量下仍优于标准EWMA和滚动窗口估计器。
• 在组合优化中应用时，该方法性能与MGARCH相当，但计算成本显著降低。
• 对协方差更新频率进行平滑处理——特别是每数月更新一次——可降低换手率并提升投资组合表现，且主要的权重调整与金融危机时期（如2008年、2020年）相吻合。
• 该方法成功生成了样本外期间的真实模拟收益路径，其边缘分布与观测数据高度一致，如Fama-French因子的模拟结果所示。
• 用于组合预测的凸优化框架速度快、可靠性高，支持无需大量校准的实时实现。