基于矩阵值因子模型的高维已实现协方差矩阵建模

随着大数据时代的来临,待分析数据维度越来越高,高维协方差矩阵的估计与建模已经成为统计学领域的一个基本问题。本文提出基于Cholesky分解的可预测矩阵值因子模型,对高维已实现协方差矩阵进行了建模及预测。模型有效地降低了矩阵维度,显著减少了待估参数数目,有效地避免了估计误差的累积,且因子分析降维使得协方差矩阵元素之间的相依关系更加清晰。实际建模结果表明,模型与VAR-LASSO方法预测误差较为接近,但是降维效果更加明显,待估参数数目大大减少,更加具备应用价值。基于矩阵值因子模型构建的投资组合收益更加贴近真实投资组合收益,而且比VAR-LASSO方法更加稳健。

稳健高维协方差矩阵估计及其投资组合应用——基于中心正则化算法

高维协方差矩阵的估计问题现已成为大数据统计分析中的基本问题,传统方法要求数据满足正态分布假定且未考虑异常值影响,当前已无法满足应用需要,更加稳健的估计方法亟待被提出。针对高维协方差矩阵,一种稳健的基于子样本分组的均值-中位数估计方法被提出且简单易行,然而此方法估计的矩阵并不具备正定稀疏特性。基于此问题,本文引进一种中心正则化算法,弥补了原始方法的缺陷,通过在求解过程中对估计矩阵的非对角元素施加L1范数惩罚,使估计的矩阵具备正定稀疏的特性,显著提高了其应用价值。在数值模拟中,本文所提出的中心正则稳健估计有着更高的估计精度,同时更加贴近真实设定矩阵的稀疏结构。在后续的投资组合实证分析中,与传统样本协方差矩阵估计方法、均值-中位数估计方法和RA-LASSO方法相比,基于中心正则稳健估计构造的最小方差投资组合收益率有着更低的波动表现。