[论文解读] Levy Matrices and Financial Covariances

Z. Burda, J. Jurkiewicz+3 more|arXiv (Cornell University)|Mar 5, 2001

Random Matrices and Applications参考文献 2被引用 8

一句话总结

本文提出，基于S&P500日收益率并以初始股价归一化的金融协方差矩阵表现出Lévy稳定重尾分布，其谱特性与随机Lévy矩阵理论相符。协方差矩阵在重排后仍保持鲁棒性，表明其大特征值和局域化特征向量源于收益的Lévy特性，而非股票间的相关性，为非高斯市场中的风险评估提供了新框架。

ABSTRACT

In a given market, financial covariances capture the intra-stock correlations and can be used to address statistically the bulk nature of the market as a complex system. We provide a statistical analysis of three SP500 covariances with evidence for raw tail distributions. We study the stability of these tails against reshuffling for the SP500 data and show that the covariance with the strongest tails is robust, with a spectral density in remarkable agreement with random Levy matrix theory. We study the inverse participation ratio for the three covariances. The strong localization observed at both ends of the spectral density is analogous to the localization exhibited in the random Levy matrix ensemble. We discuss two competitive mechanisms responsible for the occurrence of an extensive and delocalized eigenvalue at the edge of the spectrum: (a) the Levy character of the entries of the correlation matrix and (b) a sort of off-diagonal order induced by underlying inter-stock correlations. (b) can be destroyed by reshuffling, while (a) cannot. We show that the stocks with the largest scattering are the least susceptible to correlations, and likely candidates for the localized states. We introduce a simple model for price fluctuations which captures behavior of the SP500 covariances. It may be of importance for assets diversification.

研究动机与目标

• 分析由归一化日收益率构建的S&P500协方差矩阵的统计特性。
• 研究金融协方差中的重尾分布是否对价格数据的重排具有鲁棒性。
• 确定真实市场数据中的谱密度与特征向量局域化是否与随机Lévy矩阵理论的预测一致。
• 评估Lévy分布收益对投资组合风险管理与分散化的影响，尤其是在非高斯市场中。
• 构建一个最小化的随机模型，以再现S&P500协方差的关键经验特征。

提出的方法

• 使用1991–1996年间406只股票的S&P500数据（共1309天），构建三个协方差矩阵：C（以初始股价归一化）、G（以局部波动率归一化）、J（以价格区间归一化）。
• 通过幂律拟合分析矩阵元素的尾部分布，以确定重尾在重排下的稳定性。
• 对收益率数据进行重排，以检验谱特征与特征向量局域化的鲁棒性，并与随机矩阵理论进行比较。
• 计算逆参与比（IPR）以量化特征向量局域化，并识别纯态与混合态。
• 将经验协方差的谱密度与同尺寸和不对称性的随机Lévy矩阵系综的谱密度进行比较。
• 提出一个随机模型，其中收益被建模为符号与Lévy分布的波动：$ M_{ti} = \text{sgn}_{ti} \cdot \xi_{it} $，其中 $ \xi_{it} $ 为独立同分布的Lévy分布随机变量。

实验结果

研究问题

• RQ1 以初始股价归一化的S&P500协方差矩阵是否表现出稳定的Lévy型重尾？
• RQ2 价格数据的重排如何影响金融协方差矩阵的谱密度与特征向量局域化？
• RQ3 最鲁棒协方差矩阵的谱特性在多大程度上与随机Lévy矩阵理论的预测一致？
• RQ4 收益的Lévy特性在谱边缘出现广泛、非局域化特征值的过程中起什么作用？
• RQ5 基于Lévy分布波动的简单随机模型能否再现S&P500协方差的关键经验特征？

主要发现

• 由初始股价归一化收益率构建的协方差矩阵C表现出幂律尾部，具有稳定指数，其谱密度与随机Lévy矩阵理论的预测惊人地吻合。
• 对价格数据的重排并未改变矩阵C的谱密度或最大特征值，表明其鲁棒性源于条目本身的Lévy特性。
• 逆参与比（IPR）显示，矩阵C在谱的两端均存在强局域化，对应于纯局域化状态的特征向量。
• 相比之下，以波动率和价格区间归一化的矩阵G和J表现出较弱的局域化，且对重排更敏感，表明其大特征值源于股票间相关性。
• 局域化特征向量的股票散射在极端波动时最高，表明最波动的股票相关性最低，最可能形成局域化状态。
• 一个简单模型 $ M_{ti} = \text{sgn}_{ti} \cdot \xi_{it} $，其中 $ \xi_{it} $ 为独立同分布的Lévy分布随机变量，能够再现经验C矩阵的谱特征与局域化特性，表明Lévy噪声是市场协方差结构的主要决定因素。