[论文解读] Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage

Rafael Alves, Diego S. de Brito+2 more|arXiv (Cornell University)|Mar 22, 2023

Complex Systems and Time Series Analysis被引用 4

一句话总结

本文提出一种基于因子的、收缩正则化的异质向量自回归（VHAR）模型，用于预测标普500股票的大样本实现协方差矩阵。通过利用公司层面的因子（规模、价值、盈利能力）对协方差进行分解，并对残差施加行业限制，再结合LASSO估计方法，该方法显著提升了预测精度及最小方差投资组合的表现，优于标准基准模型。

ABSTRACT

We propose a model to forecast large realized covariance matrices of returns, applying it to the constituents of the S\&P 500 daily. To address the curse of dimensionality, we decompose the return covariance matrix using standard firm-level factors (e.g., size, value, and profitability) and use sectoral restrictions in the residual covariance matrix. This restricted model is then estimated using vector heterogeneous autoregressive (VHAR) models with the least absolute shrinkage and selection operator (LASSO). Our methodology improves forecasting precision relative to standard benchmarks and leads to better estimates of minimum variance portfolios.

研究动机与目标

• 解决在预测金融资产大样本实现协方差矩阵时面临的维度灾难问题。
• 通过引入经济因子与收缩方法，提升高维环境下的预测精度与投资组合风险管理能力。
• 在无卖空和头寸限制等现实约束条件下，评估模型在条件均值-方差投资组合配置中的表现。
• 将所提方法与标准基准模型（包括随机游走、DCC、BEKK及非线性GARCH模型）进行对比。
• 证明将因子模型与LASSO正则化相结合，在处理高维、时变协方差矩阵方面具有显著有效性。

提出的方法

• 利用标准的公司层面因子（规模、价值、盈利能力）将实现协方差矩阵分解为因子成分。
• 对残差协方差矩阵施加行业限制，以降低维度并提升估计稳定性。
• 使用包含日度、周度与月度滞后项的向量异质自回归（VHAR）过程来建模残差协方差的动态特征。
• 采用最小绝对收缩与选择算子（LASSO）估计VHAR模型，以应对高维参数空间并促进稀疏性。
• 使用复合实现核估计器（Lunde et al., 2016）计算基于日内数据的实现协方差矩阵。
• 通过样本外预测精度及投资组合优化指标（如夏普比率与换手率）评估模型表现。

Figure 2 : Realized Residual Correlations

实验结果

研究问题

• RQ1 基于因子的分解结合LASSO正则化，能否提升大样本实现协方差矩阵的预测精度？
• RQ2 所提模型在预测大协方差矩阵方面，相较于随机游走、DCC-NL、BEKK-NL及AFM1-DCC-NL等标准基准模型表现如何？
• RQ3 在仅允许多头头寸及头寸约束条件下，该模型在最小方差投资组合中的表现提升程度如何？
• RQ4 在残差协方差矩阵中引入行业限制，是否能带来更稳定且更精确的预测？
• RQ5 使用不同数量的因子（1至7个）对预测与投资组合表现有何影响？

主要发现

• 通过LASSO估计的七因子VHAR模型在仅多头最小方差投资组合中实现了1.10的最高夏普比率，优于所有基准模型。
• 该模型将投资组合标准差降低至16.31%（相较随机游走模型的17.10%），并在样本外期间将累计收益率提升至37.38%。
• 七因子LASSO估计的VHAR模型实现了最低的下偏标准差（16.89%）与峰度（3.69），表明其风险控制能力更优。
• 在仅多头约束下，该模型在夏普比率、累计收益率与换手率方面显著优于随机游走与EWMA基准模型。
• 在残差协方差矩阵中引入行业限制，增强了预测稳定性，并促进了投资组合的分散化，降低了集中风险。
• 自适应LASSO在部分指标上略优于标准LASSO，但差异微小，表明LASSO方法具有较强的稳健性。

Figure 3 : Average Number of Selected Variables in FHAR Log-matrix LASSO models