[论文解读] Zero Variance Portfolio

Jinyuan Chang, Yi Ding+2 more|arXiv (Cornell University)|Feb 23, 2026

Advanced Bandit Algorithms Research被引用 0

一句话总结

本论文提出 Ridgelet 与改进的 Ridgelet 估计量，在高维 MVP 问题（N>>T）中构建零方差投资组合，显示 Ridgelet 能进行样本外泛化而 Ridgeless 失败，并提供理论与经验支持。

ABSTRACT

When the number of assets is larger than the sample size, the minimum variance portfolio interpolates the training data, delivering pathological zero in-sample variance. We show that if the weights of the zero variance portfolio are learned by a novel ``Ridgelet'' estimator, in a new test data this portfolio enjoys out-of-sample generalizability. It exhibits the double descent phenomenon and can achieve optimal risk in the overparametrized regime when the number of assets dominates the sample size. In contrast, a ``Ridgeless'' estimator which invokes the pseudoinverse fails in-sample interpolation and diverges away from out-of-sample optimality. Extensive simulations and empirical studies demonstrate that the Ridgelet method performs competitively in high-dimensional portfolio optimization.

研究动机与目标

• 在高维、样本稀缺 regime（N>>T）下，动机化并分析最小方差投资组合（MVP）。
• 提出 Ridgelet 估计量，在样本协方差上添加微小的脊进入，以获得稳定、可泛化的 ZVP。
• 通过随机矩阵理论与因子模型假设，展示理论性质。
• 通过仿真与实证数据比较 Ridgelet、Ridgeless 与标准估计量。

提出的方法

• 定义 ZVP 及其通过线性约束和样本协方差的精确可解性。
• 提出 Ridgelet1：τ 惩罚下的 MVP 解 ω_hat_tau = (1^T S_tau^{-1} 1)^{-1} S_tau^{-1} 1，S_tau = S_0 + τ I_N。
• 证明 Ridgelet1 近似最小 L2 范数的 ZVP；对比 Ridgeless 使用 S_0^+ 且并非 ZVP 解的情形。
• 通过因子模型，将 I_N 替换为一致的特异性协方差估计，扩展到 Ridgelet2。
• 给出不同 regime（N/T）下的样本外方差渐近结果，基于随机矩阵理论。
• 讨论在超参数化 regime（N>>T）中的二次下降现象与最优性。

Figure 1: Risk curve of the MVP estimated with Ridgelet (left) and Ridgeless (right). The oracle minimum risk is a benchmark. The returns are generated from a factor model described in Section 3.1 .

实验结果

研究问题

• RQ1 在高维 MVP 设置中，简单的带脊增广协方差估计（Ridgelet）是否能产生样本内方差为零且样本外泛化良好的投资组合？
• RQ2 在因子模型协方差结构下，随着 N 相对 T 增大，Ridgelet 与 Ridgeless 的样本外表现如何比较？
• RQ3 在 N>>T 时，若引入一致的特异性协方差估计（Ridgelet2），是否实现接近总体最优的性质？
• RQ4 在 Ridgelet 与 Ridgeless 的 MVP 风险中，有哪些理论机制解释“双下降”现象？
• RQ5 在真实市场数据（如标普500、日经225）上的表现相对于标准收缩方法如何？

主要发现

• Ridgelet1 能在数值误差范围内近似精确的零方差投资组合解（ZVP），而 Ridgeless 不是 ZVP 解。
• 在 N/T regime 下，Ridgelet 呈现双降风险模式，并在某些条件下实现接近 oracle 的样本外表现。
• 在 N>>T regime 下，Ridgelet2 使用一致的特异性协方差估计，在因子模型下实现接近总体 oracle 的样本外风险（最优性）。
• Ridgeless 的方差在 N>>T 时发散，表现低于等权或基于 Ridgelet 的方法。
• 对标普500 与日经225 的实证研究表明，Ridgelet 在高维情境下相对 LS 与 FNLS 具有竞争力。
• 理论结果依赖随机矩阵理论来刻画特征值行为与 Stieltjes 变换的渐近分析。

Figure 2: Scree plot of daily returns of S&P 500 Index Constituent stocks. We compute the sample covariance matrix of daily returns of S&P 500 Index stocks between 2020 and 2023. The Y-axis shows the ratios of its principal eigenvalues over the sum of all eigenvalues.