Zero Variance Portfolio

إليك ملخص تقني مفصل لورقة البحث "محفظة التباين الصفري" (Zero Variance Portfolio) للباحثين تشانغ، ودينغ، وشي، وتشانغ.

1. بيان المشكلة

تتناول الورقة مشكلة محفظة الحد الأدنى من التباين (Minimum Variance Portfolio - MVP) في بيئة عالية الأبعاد حيث يتجاوز عدد الأصول ($N$) حجم العينة ($T$) بشكل كبير، أي $N \gg T$. هذا سيناريو شائع في التمويل الحديث (على سبيل المثال، بناء محافظ تضم مئات الأسهم باستخدام بضعة أشهر فقط من البيانات اليومية).

• التحدي: في نظام $N < T$ الكلاسيكي، تكون مصفوفة التباين المشترك للعينة ($S_0$) قابلة للعكس، ويتقارب مقدر الـ MVP القياسي نحو الحل الأمثل (السكاني). أما عندما يكون $N > T$، فإن $S_0$ تكون ناقصة الرتبة (rank-deficient).
• الحالة المرضية: عندما يكون $N > T$، توجد عدد لا نهائي من أوزان المحفظة التي تحقق تباينًا صفريًا داخل العينة (محفظة التباين الصفري أو ZVP). النهج القياسي للتعامل مع هذه المفردة هو المقدر الخالي من الريج (Ridgeless estimator) (باستخدام شبه معكوس مور-بنروز، $S_0^+$)، والذي يختار حل الحد الأدنى لـ $\ell_2$-norm من بين الحلول التي تستقرئ البيانات.
• الفشل: يجادل المؤلفون بأن المقدر الخالي من الريج يفشل في التعميم على البيانات خارج العينة (OOS) في نظام $N \gg T$. فبينما يناسب البيانات بدقة مثالية، فإن مخاطره خارج العينة تتباعد إلى اللانهاية، مما يجعله يؤدي بشكل أسوأ حتى من محفظة الوزن المتساوي الساذجة.

2. المنهجية

يقترح المؤلفون مقدراً جديداً يسمى Ridgelet، والذي يستفيد من رؤى نظرية تعلم الآلة الحديثة (تحديداً "الفرط في التخصيص الحميد" و"الانحدار المزدوج") ولكنه يكيفها لتناسب تحسين المحفظة.

أ. مقدر Ridgelet1

بدلاً من استخدام شبه المعكوس ($S_0^+$)، يقترح المؤلفون إضافة عقوبة ريج صغيرة وثابتة $\tau$ إلى مصفوفة التباين المشترك للعينة:
$$S_\tau = S_0 + \tau I_N$$
ثم يتم حساب أوزان المحفظة كالتالي:
$$\hat{\omega}_\tau = \frac{S_\tau^{-1} \mathbf{1}}{\mathbf{1}^\top S_\tau^{-1} \mathbf{1}}$$

• التمييز الجوهري: على عكس انحدار الريج التقليدي حيث $\tau$ هو معامل ضبط يتم تحسينه عبر التحقق المتقاطع لموازنة الانحياز والتباين، يستخدم Ridgelet ثابتاً متناهي الصغر (مثل $\tau = 10^{-8}$).
• التبرير النظري: يثبت المؤلفون أنه مع اقتراب $\tau$ من الصفر، يتقارب هذا المقدر نحو حل الحد الأدنى لـ $\ell_2$-norm لمشكلة ZVP (حل $R^\top \omega = 0$ و $\mathbf{1}^\top \omega = 1$). والأهم من ذلك، أنهم يثبتون أن حل Ridgelet غير مستمر عند $\tau=0$ بالنسبة لحل Ridgeless ($S_0^+$)، مما يعني أن مقدر Ridgeless ليس هو النهاية لـ مقدر Ridgelet في سياق التحسين المقيد هذا.

ب. النسخة المطورة من Ridgelet (Ridgelet2)

إدراكاً منهم بأن عوائد الأصول غالباً ما تتبع نموذج عامل ($R = BF + E$) حيث يمثل $E$ العوائد النوعية بمصفوفة تباين مشترك متفرقة $\Omega$، يقترح المؤلفون نسخة مطورة.

• الآلية: بدلاً من إضافة $\tau I_N$، يضيفون $\tau \hat{\Omega}$، حيث $\hat{\Omega}$ هو مقدر متسق لمصفوفة التباين المشترك النوعية (باستخدام مقدر POET من فان وآخرون، 2013، والذي يطبق العتبة على بقايا PCA).
• الهدف: هذا يجعل عقوبة الريج متوافقة مع هيكل الضوضاء الحقيقي، مما يسمح للمقدر بتحقيق الأمثلية المرجعية (Oracle Optimality) في الحد العالي للأبعاد.

3. المساهمات الرئيسية

1. حل مفارقة قابلية التعميم لـ ZVP: توضح الورقة أنه بينما تُعتأبر محفظات ZVP تقليدياً حالات فرط تخصيص مرضية، فإن ZVP محددة (وهي ذات الحد الأدنى لـ $\ell_2$-norm) يمكن أن تمتلك قدرة ممتازة على التعميم خارج العينة إذا تم تقديرها بشكل صحيح.
2. Ridgelet مقابل Ridgeless: يميز المؤلفون بدقة بين مقدري Ridgelet و Ridgeless. وقد أثبتوا أن:
   • Ridgeless ($S_0^+$): يفشل في استقراء داخل العينة (لا يعطي تباينًا صفريًا) ويعاني من تباعد المخاطر خارج العينة ($RV \to \infty$) عندما يكون $N \gg T$.
   • Ridgelet ($S_\tau^{-1}$): يحقق تباينًا صفريًا داخل العينة (حتى دقة عددية معينة) ويظهر سلوك الانحدار المزدوج (Double Descent)، حيث تنخفض المخاطر خارج العينة بشكل كبير بمجرد تجاوز $N$ لـ $T$.
3. ظاهرة الانحدار المزدوج في التمويل: تقدم الورقة أدلة نظرية وتجريبية على منحنى الانحدار المزدوج في مخاطر المحفظة. مع زيادة $N$:
   • تنخفض المخاطر (في حالة نقص المعلمات).
   • تبلغ المخاطر ذروتها بالقرب من $N \approx T$ (عتبة الاستقراء).
   • تنخفض المخاطر مرة أخرى وتتقارب نحو مخاطر النموذج الأمثل (Oracle) عندما $N \to \infty$ (في حالة فرط المعلمات).
4. الأمثلية تحت نماذج العوامل: تثبت الورقة أن Ridgelet2 يحقق تباين الـ OOS الأمثل (Oracle) عندما يكون $N \gg T$، بشرط تقدير مصفوفة التباين المشترك النوعية بشكل متسق. وهذا يرسخ مفهوم "نعمة الأبعاد العالية" لتحسين المحفظة.

4. النتائج

النتائج النظرية

• الافتراض 1: Ridgelet1 هو الحل النهائي لحل الحد الأدنى لـ $\ell_2$-norm لـ ZVP، بينما يكون Ridgeless متعامدًا مع هذا الحل.
• الافتراض 2: في نظام $N \gg T$، يظل التباين النسبي لـ OOS لـ Ridgelet محدودًا (مماثل للنموذج الأمثل)، بينما يتباعد التباين النسبي لـ Ridgeless إلى اللਆਂهاية.
• النظرية 1 و 2: تحت نماذج العوامل التقريبية، يحقق Ridgelet2 تباين الـ OOS الأمثل تقاربيًا. ويعتمد الخطأ على اتساق مقدر مصفوفة التباين المشترك النوعية $\hat{\Omega}$.

النتائج التجريبية والمحاكاة

• المحاكاة: تؤكد عمليات محاكاة مونت كارلو المكثفة نمط الانحدار المزدوج. يتفوق Ridgelet1 على كل من الانكماش الخطي (LS) والانكماء غير الخطي القائم على العوامل (FNLS) في الإعدادات عالية الأبعاد ($N \ge 400$). كما يحسن Ridgelet2 الأداء بشكل أكبر عندما تكون الارتباطات النوعية غير صفرية.
• المتانة: تظل الطريقة متينة تحت التوزيعات ذات الذيول الثقيلة (توزيع t مع 5 درجات حرية).
• بيانات العالم الحقيقي:
  • S&P 500: باستخدام العوائد اليومية (2000-2023)، تفوق Ridgelet2 باستمرار على LS و FNLS ومحفظة الوزن المتساوي (EW)، محققًا مخاطر سنوية أقل.
  • محفظة متعددة الجنسيات: من خلال الجمع بين أسهم S&P 500 و Nikkei 225 ($N \approx 725$)، أظهر Ridgelet2 قدرة فائقة على تقليل المخاطر مقارنة بجميع المعايير، مما يؤكد "نعمة الأبعاد العالية" في التنويع عبر الأصول.

5. الأهمية

تتحدى هذه الورقة الحكمة التقليدية في إدارة المحافظ التي ترى أن تقدير التباين المشترك عالي الأبعاد يتطلب انكماشًا معقدًا أو تقليلًا للأبعاد لتجنب فرط التخصيص. بدلاً من ذلك، تفترض الورقة ما يلي:

1. الفرط في التخصيص قد يكون مفيدًا: في نظام $N \gg T$، لا يكون استقراء بيانات التدريب (ZVP) ممكنًا فحسب، بل هو الأمثل للأداء خارج العينة (OOS)، بشرط استخدام المقدر الصحيح (Ridgelet).
2. البساطة هي الفائز: إن إضافة بسيطة وخالية من الضبط (tuning-free) لقيمة ريج ضئيلة ($10^{-8}$) إلى مصفوفة التباين المشترك كافية لإطلاق فوائد الأبعاد العالية، متفوقة بذلك على مقدرات الانكماش المتطورة التي تتطلب ضبط المعاملات.
3. التكامل مع تعلم الآلة: نجحت الورقة في جسر الفجوة بين نظرية تعلم الآلة الحديثة (الانحدار المزدوج، الفرط في التخصيص الحميد) والنظرية المالية الكلاسيكية (Markowitz MVP)، مقدمة أداة عملية ذات أساس نظري للمستثمرين المؤسسيين الذين يديرون مجموعات واسعة من الأصول ببيانات تاريخية محدودة.