本文提出并系统分析了基于“各向同性”假设的股权收益相关性模型,认为资产间的相关系数趋于常数,导致投资组合的有效自由度有限。实证通过对标普500成分股的分析,发现有效自由度随组合规模增长趋于常数,支持各向同性模型而非线性因子模型,指出残余风险不可完全分散,提倡大规模组合应更注重相对α的选股策略,挑战传统资本资产定价模型假设
报告题目: ISOTROPIC CORRELATION MODELS FOR THE CROSS-SECTION OF EQUITY RETURNS
作者: Graham L. Giller
发布时间与背景: 截至2024年10月,依托最新的S&P 500成分股回报数据进行实证分析,研究股票收益截面协方差结构模型。
研究主题: 本文讨论基于“各向同性”(isotropic)假设的股票收益率协方差模型,特别关注全资产对间的相关系数均相等的简单协方差结构,及其对有效自由度、多因子模型的比较、投资组合风险分解及优化的影响。
核心论点总结:
整体上作者通过理论建模、谱分解、实证重采样检验及投资组合优化,强调股票截面回报的协方差结构更倾向各向同性而非因子驱动结构,残差风险具有系统性,投资策略应由此调整。,1,6,10,17]
报告开篇指出市场资产普遍表现出协同波动但非完全同步的事实,推动了对股票收益率协方差矩阵准确测度及其降维模型对均衡收益影响的研究。
文章引入简单的“各向同性同方差”协方差模型,假设所有资产对的相关系数均恒定为ρ,且单资产波动率为σi,股票收益协方差矩阵用如下形式表达:
[ \mathbb{V}[r_t] = S_N G_N S_N, \quad \text{其中} \quad G_N = \begin{pmatrix} 1 & \rho & \cdots & \rho \ \rho & 1 & \cdots & \rho \ \vdots & \vdots & \ddots & \vdots \ \rho & \rho & \cdots & 1 \ \end{pmatrix} ]
SN为资产波动率对角矩阵,GN为资产间相关结构矩阵。该模型时间点单期定义,不依赖随时间动态变化的波动率或相关假设。
该“玩具模型”意在简化论证复杂多因子模型的数学直觉,援引Grinold与Kahn[16]作为参考。
一般投资组合方差写为h⊤Σh。于等权重投资组合h=1/N,组合方差简化为协方差矩阵元素的平均:VP=N21∑i,jσij,其中σij=σiσjρij。
方差分解为独立部分VI(对角元素平均)和协方差部分VC(非对角元素部分),组合方差表达为:
[ V_P = \frac{\overline{\sigma^2}}{N}\left(1 + \frac{V_C}{V_I}\right), ]
定义“有效自由度”为
[ N^* = \frac{N}{1 + \frac{V_C}{V_I}} = \frac{N V_I}{V_P}, ]
这表示相关性汲取了部分自由度(信息量),因而N∗≤N,相当于调整的等效资产数。
[ V_P = \sigma^2 \frac{1 + (N-1)\rho}{N} \implies N^* = \frac{N}{1 + (N-1)\rho}. ]
当ρ>0时正相关减小有效自由度,负相关时则增加。此模型限制ρ≥−N−11,完美负相关ρ=−1只可能在二资产情形。大规模资产组合(N→∞)时最小相关趋近0,负相关不可能存在。
考虑极限:
[ \lim_{N\to\infty} N^* = \frac{1}{\rho}, ]
显示无论组合多大,有效自由度都被相关性所在的倒数上限限制了,该点对后续论文论断至关重要,暗示收益分布的正态极限收敛受到挑战。,2,3]
结论: 各向同性结构严重限制大组合的独立信息量,且正态极限该假设下难以成立。,4,10]
各向同性相关矩阵GN的谱分解:
该特征分解自然导出单因子模型结构,但其余因子含义较弱,代表的是一种特定子集的展期组合,与经典因子含义如行业、价值因子不同。
计算均权投资组合的系统风险和残差风险:
[ V_S = \sigma^2 \frac{1 + (N-1)\rho}{N^2}, \qquad V_R = \sigma^2 \frac{(N-1)(1 - \rho)}{N^2}. ]
当N→∞,残差与系统风险之比收敛为(1−ρ)/ρ,为常数级别,非零且难以多资产分散。
这与CAPM等经典模型明显不同,后者认定残差风险可被零价化且消除。
图表1解析(第6页):展示随着投资组合规模扩大,残差风险(蓝线)趋于某个非零水平,而系统风险(橙线)则衰减。提示残差风险不可忽视且具有系统性。
图1说明:横轴为资产数量,纵轴为对应风险等级。残差风险初期上升后趋于稳定,系统风险递减,系统残差风险比例不趋零。
[ \boldsymbol{r}_t = \boldsymbol{\mu} + B\boldsymbol{f}_t + \boldsymbol{\varepsilon}_t, ]
其中B为因子载荷矩阵,ft为因子收益,εt为残差,且ft,εt不相关。
[ V_P = \frac{\mathbf{1}^T B B^T \mathbf{1} + \operatorname{tr} \mathcal{S}^2}{N^2}. ]
[ N^* = \frac{\overline{b^2} N + \overline{s^2}}{\overline{\boldsymbol{b}}^T \overline{\boldsymbol{b}} + \frac{\overline{s^2}}{N}} = N \frac{\overline{b^2} N + \overline{s^2}}{\overline{\boldsymbol{b}}^T \overline{\boldsymbol{b}} N + \overline{s^2}}. ]
重要极限分析显示:
因子载荷矩阵的均值平方总高于均方均值,形成数学上的约束边界。
该框架逻辑严密地说明了传统线性因子模型预期资产有效自由度应随组合规模大幅增加,可与各向同性模型形成明确对比。,8,9]
该差异提供了区分因子模型和各向同性模型的统计检验工具。
图2说明:横轴为两只股票相关系数,纵轴为对应频数。数据集中于较强正相关区间,但分布宽广。
图3说明:相关系数经Fisher变换后z得分近似标准正态分布,支持各向同性假设。
图4说明:蓝点为实测随机组合的有效自由度。橙线对应各向同性模型,绿线及红线对应线性因子模型。实测数据高度吻合各向同性模型,且显著偏离因子模型。
,13,14]
[ \hat{\boldsymbol{h}} = \frac{\Sigma^{-1}\alpha}{2\lambda}, ]
其中α为预期收益向量,λ为风险厌恶程度。
[ G_{N}^{-1} = \frac{I_N}{1 - \rho} - \frac{\rho \mathbf{1}_N \mathbf{1}_N^T}{(1-\rho)(1 + (N-1)\rho)}. ]
结合资产波动率值形成
[ \hat{\boldsymbol{h}} = \frac{S_N^{-1}}{2\lambda(1 - \rho)} \left( z - \frac{N \rho \overline{z} \mathbf{1}_N}{1 + (N-1)\rho} \right), ]
其中z=SN−1α为收益的标准化向量,z其均值。
[ \lim_{N\to\infty} \hat{h} = \frac{S_N^{-1} (z - \overline{z} \mathbf{1}_N)}{2 \lambda (1 - \rho)}, ]
显示投资权重以资产“相对超额收益”(相对于平均水平)为基础分配。
图5说明:显示当资产相关ρ不同,投资组合大小增加时,相对alpha权重逐渐主导的趋势。高ρ情况下较早趋近1。,16]
本文重点在协方差矩阵模型构建及其投资组合优化,未直接讨论传统公司估值方法,如DCF、P/E估值。估值计算隐含于基于协方差矩阵的投资组合风险与组合收益优化中,因此本质为资产定价框架层面,不直接涉及具体企业估值。
关于风险因素,报告集中说明残差风险不再可分散是对现有资本资产定价模型构建的根本挑战,提示市场存在非线性风险溢价,反映出传统风险中性假定的缺陷。,17]
报告未系统列出针对上述风险的缓释措施,但通过大规模随机采样及统计显著性检验一定程度稳健了结论。,12,23]
整体上,报告提出了重要的理论和实证视角,但其结论适用范围与假设限定需被严肃对待与进一步验证。,17,23]
本文基于数学推导和实证数据,提出股票收益截面的协方差矩阵更适合用各向同性同相关模型描述,而非传统的基于少量线性风险因子的模型。各向同性模型亮点如下:
图表洞见深刻:
本报告挑战了CAPM和APT等经典资产定价理论,揭示残差风险存在系统性回报,提示“精选股票”的投资价值在大规模投资者群体中尤为显著。此观点的财经与实务启示为投资者根据规模调整策略、风险管理框架需重估。
总结而言,作者对股票收益相关结构的重新建模,对风险计量、投资组合管理乃至资产定价理论均具有重要影响,值得深入研究和广泛关注。
本报告为经典证券市场风险结构提供了另一种候选模型,从理论、数学推导、实证检验到投资策略调整全链条给出完整分析。尤其是在有效自由度及殘差风险的视角下提出的质疑,对金融经济学的传统认知具有颠覆意义,具备高度创新与实用价值。
如果需要,对报告中特定公式、模型、表格和图形内容可以进一步细化解释。
2411.08864.pdf