第五篇 【de Prado2020学习笔记】
协方差矩阵的除调,除噪、除调的结论与启示
·协方差矩阵的除调是什么?金融相关系数矩阵通常包含有市场成分(market component),市场成分是由第一个特征向量刻画出来的,所以会影响协方差矩阵的每一项,进而,我们可以用统计方法来检验是否存在市场成分的干扰。
举个例子,白天我们能看到星星吗?显然非常困难,因为太阳强大的光芒就让原本就相对黯淡的星光变得更加难以分辨。那我们在什么情况下可以看到星星呢?晚上。等到太阳落山,我们就能很清楚地看到星星了。
我们想通过市场数据探究某个金融工具的回报率、波动率等,就应该消除“太阳”对我们的干扰,透过市场因素看到更本质更清晰的问题。
在聚类应用的环境中,如果存在市场成分,那么将其消除是有用的。对于市场成分强的相关系数矩阵而言,我们的算法很难在不同的类别中寻找差异,这时候相关系数进行聚类分析就会变得更加困难了。通过去除市场成分,我们就可以让相关性中很大一部分比例由影响特定市场板块的成分来解释,这就是去掉干扰的过程,即”除调“。
除调是主成分分析,它类似于计算回归分析中计算β调整或市场调整的收益率。
使用除噪和除调的协方差矩阵会带来很多好处,这些好处来自于矩阵经过处理后所具有的数学性质,我们可以用蒙特卡洛实验来进行评估。
进行1,000次重复的蒙特卡罗模拟:
(1)绘制一个随机经验协方差矩阵(压缩率可以选择);
(2)对经验协方差矩阵进行除噪;
(3)使用函数导出最小方差组合。
使用函数将协方差矩阵压缩,计算在除噪和不除噪情况下估计最小方差组合中的误差,计算均方根误差(RMSE/root-mean-square errors)。下面的图表明除噪效果比压缩效果好得多:就RMSE这个指标而言,除噪后最小方差组合得到的RMSE只是不除噪的最小方差组合RMSE的40.15%。这样除噪就可以让RMSE减少59.85%,但是使用Ledoit-Wolf压缩法,就只能让RMSE减少30.22%。如果把除噪和压缩方法结合在一起,那么RMSE就会减少65.63%。这样看来,在除噪带来的好处之外,压缩方法额外产生的好处是非常小的。
我们再估计最大夏普比率组合,下图再次表明,除噪比压缩更有效:除噪后的最大夏普比率组合仅带来未除噪的最大夏普比率组合的RMSE的0.04%。单独除噪使RMSE降低了94.44%,而使用Ledoit-Wolf压缩则降低了70.77%。虽然在没有除噪的情况下,压缩有一定的帮助,但它与除噪结合起来没有带来更好的表现,这是因为压缩稀释了噪声,同时也稀释了一些信号。
END