[论文解读] Spectral Portfolio Theory: From SGD Weight Matrices to Wealth Dynamics

A. G. Frøseth|arXiv (Cornell University)|Mar 9, 2026

Stochastic Gradient Optimization Techniques被引用 0

一句话总结

本文建立了在随机过程上训练的神经网络权重矩阵与投资组合分配之间的直接识别，显示它们的谱结构如何编码因子分解和在短期与长期情境下的财富动态。引入谱不变性定理，并通过谱分析将横截面财富模型、组合内动态与标量Fokker–Planck框架统一起来。

ABSTRACT

We develop spectral portfolio theory by establishing a direct identification: neural network weight matrices trained on stochastic processes are portfolio allocation matrices, and their spectral structure encodes factor decompositions and wealth concentration patterns. The three forces governing stochastic gradient descent (SGD) -- gradient signal, dimensional regularisation, and eigenvalue repulsion -- translate directly into portfolio dynamics: smart money, survival constraint, and endogenous diversification. The spectral properties of SGD weight matrices transition from Marchenko-Pastur statistics (additive regime, short horizon) to inverse-Wishart via the free log-normal (multiplicative regime, long horizon), mirroring the transition from daily returns to long-run wealth compounding. We unify the cross-sectional wealth dynamics of Bouchaud and Mezard (2000), the within-portfolio dynamics of Olsen et al. (2025), and the scalar Fokker-Planck framework via a common spectral foundation. A central result is the Spectral Invariance Theorem: any isotropic perturbation to the portfolio objective preserves the singular-value distribution up to scale and shift, while anisotropic perturbations produce spectral distortion proportional to their cross-asset variance. We develop applications to portfolio design, wealth inequality measurement, tax policy, and neural network diagnostics. In the tax context, the invariance result recovers and generalises the neutrality conditions of Frøseth (2026).

研究动机与目标

• 激励并形式化在对随机过程训练时将神经网络权重矩阵识别为投资组合分配矩阵的过程。
• 表征权重矩阵的平稳谱分布及由此得到的核心–卫星投资组合结构。
• 解释谱动态的加法与乘法情景及其与短期与长期财富过程的关系。
• 通过谱分解统一 Bouchaud–Mézard 财富动态、Olsen 等的组合内动态与标量 Fokker–Planck 框架。
• 开发应用于投资组合设计、财富不平等测量、税收政策与神经网络诊断的工具。

提出的方法

• 将权重矩阵 W 建模为投资组合分配矩阵，行表示状态、列表示资产。
• 应用奇异值分解 W = U Σ V^T，获得特征组合和因子结构。
• 使用由 SGD 驱动的奇异值演化 dσ_k，包含三股力（梯度信号、存活约束、特征值排斥），并将其解读为聪明资金、存活约束和内生多样化。
• 推导 平稳谱分布 p(σ) ∝ σ^{m−n+1} exp(−(β1/4ηD) σ^2) 并定义核心–卫星结构。
• 证明谱不变性定理：各向同性扰动在尺度和移位上保持谱形；各向异性扰动使谱按跨资产方差成比例失真。
• 将矩阵层级动力学通过 Itô 投影到 x = ||W||_F，将其与径向 Fokker–Planck 框架联系起来，从而连接到标量财富过程。

实验结果

研究问题

• RQ1 如何将对随机过程训练的神经网络权重矩阵解释为投资组合分配矩阵？
• RQ2 SGD 权重矩阵的平稳谱分布是什么，它如何暗示核心–卫星投资组合结构？
• RQ3 短期的加法与长期的乘法谱属性如何在权重矩阵的谱特性和财富分布中体现？
• RQ4 谱不变性定理是什么，等向扰动与各向异性扰动如何影响谱？
• RQ5 如何通过谱框架统一横截面财富动态、组合内动态与标量财富过程，以及对政策与诊断的实际含义？

主要发现

• 三股 SGD 力量映射到投资组合概念：梯度信号为聪明资金、存活约束为内生保护、特征值排斥为内生多样化。
• 平稳谱密度具有伽玛型主体并带有幂律尾部，产生核心–卫星投资组合结构。
• 存在从加法（Marchenko–Pastur）到乘法（逆 Wishart）情形的谱跃迁，由自由对数正态分布和矩阵 Kesten 问题所支配。
• 通过 Itô 投影将矩阵谱与标量财富过程联系起来，产生与径向漂移和有效扩散相关的 Pareto 尾部。
• 谱不变性定理显示等向扰动在尺度/移位上保持谱形，而各向异性扰动使谱按跨资产方差成比例失真。
• 应用涵盖投资组合设计、财富不平等测量、税收政策与神经网络诊断，并在各模型之间提供统一的谱基础。