💰 quantitative finance

Large-Scale Asset Selection via Metric Dependence with Enriched High Frequency Information

Dieser Artikel schlägt Metric Dependence Screening (MDS) vor, ein neuartiges Verfahren zur Asset-Auswahl, das hochfrequente intraday-Risikodynamiken, die als Punkt-Kurven-Objekte dargestellt werden, nutzt, um die Performance großer Portfolios zu verbessern, indem es den Schätzfehler effektiv reduziert und die Out-of-Sample-Renditen im Vergleich zu traditionellen skalaren Methoden erhöht.

Ursprüngliche Autoren: Yangzhou Chen, Shuaida He, Xin Chen

Veröffentlicht 2026-05-05

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yangzhou Chen, Shuaida He, Xin Chen

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Koch, der versucht, die perfekte Suppe zu kreieren. Sie haben eine Speisekammer mit tausenden von Zutaten (Aktien), aber nur einen kleinen Topf (Ihr Anlagebudget). Wenn Sie versuchen, alles auf einmal zu mischen, kollidieren die Geschmäcker, und die Suppe wird zu einer Katastrophe. Dies ist das Problem der groß angelegten Portfolioselektion: Wenn Sie zu viele Wahlmöglichkeiten haben, ist es leicht, Fehler zu machen, weil Sie nicht perfekt vorhersagen können, welche Zutaten gut zusammen schmecken.

Die meisten Köche (Anleger) betrachten derzeit eine einfache Zusammenfassung jeder Zutat: „Wie viel hat diese Karotte gestern gekostet?" oder „Ist sie schnell gewachsen?". Sie ignorieren die Textur, die Farbveränderungen während des Kochens oder wie sich der Geschmack von Minute zu Minute entwickelt hat.

Diese Arbeit stellt eine neue Methode zur Auswahl von Zutaten vor, die Metrische Abhängigkeitsfilterung (Metric Dependence Screening, MDS) genannt wird. So funktioniert sie, aufgeteilt in einfache Konzepte:

1. Der alte Weg vs. der neue Weg

Der alte Weg (Skalare Zusammenfassungen): Traditionelle Methoden betrachten eine Anlage wie eine Aktie als einzelne Zahl, etwa ihre Tagesrendite. Das ist so, als würde man einen Film nur anhand seiner Endbewertung beurteilen. Man verpasst die Plot-Twists, die Charakterentwicklung und das Tempo.
Der neue Weg (Punkt-Kurven-Objekte): Die Autoren schlagen vor, jede Aktie nicht als einzelne Zahl, sondern als Geschichte zu behandeln.
- Der „Punkt": Die Tagesrendite (die Endpunktzahl).
- Die „Kurve": Das intraday-Risiko (wie sich der Preis während des Tages bewegt hat). Gab es um 10 Uhr morgens wilde Ausschläge, die sich dann beruhigten? Oder driftete sie langsam?
- Die Analogie: Anstatt nur zu wissen, dass ein Läufer ein Rennen in 10 Sekunden beendet hat, betrachtet MDS den gesamten Rennverlauf: wo er sprintete, wo er stolperte und wie er sich erholte. Diese „Kurve" erfasst die intraday-Risikodynamik, die eine einfache Zahl verpasst.

2. Die „Metrik" (Das Lineal)

Um diese komplexen „Geschichten" (Punkt-Kurven-Objekte) zu vergleichen, haben die Autoren ein spezielles Lineal erfunden, das gewichtete Produktmetrik genannt wird.

Stellen Sie sich vor, Sie vergleichen zwei Läufer. Ihnen ist sowohl ihre Zielzeit (Belohnung) als auch die Glätte ihres Laufs (Risiko) wichtig.
Dieses Lineal misst den Abstand zwischen zwei Aktien, indem es sowohl ihre Tagesrenditen als auch die Form ihrer intraday-Preisverläufe gleichzeitig betrachtet. Es stellt sicher, dass Sie die „Form" des Risikos nicht ignorieren, nur weil Sie auf die „Größe" der Belohnung schauen.

3. Der Filterprozess (Der Geschmackstest)

Das Ziel ist es, die besten Zutaten für eine „risikoadjustierte" Suppe auszuwählen.

Das Ziel: Die Autoren erstellen eine „Zielreihe" basierend auf einer High-Frequency-Sharpe-Ratio (ein Maß dafür, wie viel Belohnung Sie für das eingegangene Risiko erhalten). Betrachten Sie dies als das „perfekte Geschmacksprofil", das Sie anstreben.
Die Punktzahl (Fréchet-Variation): MDS fragt: „Wenn ich das Geschmacksprofil meiner Ziel-Suppe kenne, wie sehr hilft mir das, die Geschichte dieser spezifischen Zutat vorherzusagen?"
- Wenn das Kennen des Ziels Ihnen hilft, die Geschichte der Zutat sehr gut zu verstehen, erhält diese Zutat eine hohe Punktzahl.
- Wenn die Geschichte der Zutat ein zufälliges Rauschen ist und das Ziel Ihnen nichts darüber verrät, erhält sie eine niedrige Punktzahl.
Das Ergebnis: Die Methode rangiert alle 2.938 Aktien und wählt die besten aus (z. B. die Top 60). Dies reduziert die riesige Speisekammer auf eine überschaubare Liste hochwertiger Kandidaten.

4. Die zweistufige Küche

Sobald die besten Zutaten ausgewählt sind, schlägt die Arbeit einen einfachen zweistufigen Kochprozess vor:

Stufe 1 (Filterung): Verwenden Sie MDS, um die 2.938 Aktien auf eine kleine, hochwertige Gruppe zu filtern (z. B. 60 Aktien).
Stufe 2 (Kochen): Verwenden Sie bewährte Standardrezepte (wie die Mean-Variance-Optimierung), um diese 60 Aktien zu einem Portfolio zu mischen.

Warum das funktioniert: Indem Sie zuerst die „schlechten" oder „verrauschten" Zutaten herausfiltern, muss die zweite Stufe nicht mehr so viel raten. Dies verringert die Wahrscheinlichkeit, dass der Koch aufgrund zu vieler verwirrender Optionen einen Fehler macht.

5. Was die Daten zeigen

Die Autoren haben dies an 2.938 chinesischen A-Aktien getestet, wobei sie Daten im 5-Minuten-Takt von Juli 2023 bis Dezember 2025 verwendeten.

Das Ergebnis: Portfolios, die mit MDS aufgebaut wurden, erzielten mehr Gewinn und hatten bessere risikoadjustierte Renditen (höhere Sharpe-Ratios) als Portfolios, die mit traditionellen Methoden aufgebaut wurden (die nur Tagesrenditen oder einfache Zusammenfassungen betrachteten).
Die Kernaussage: Indem die Methode die „Form" des intraday-Risikos (die Kurve) bewahrt, anstatt sie wegzuwerfen, fand sie bessere Zutaten, die in der realen Welt konsistenter performten.

Zusammenfassung

Denken Sie an MDS als einen intelligenten Filter, der nicht nur fragt „Wie viel haben Sie heute verdient?", sondern auch „Wie haben Sie sich verhalten, während Sie es verdient haben?". Indem es die vollständige Geschichte der täglichen Bewegung der Aktie hört, baut es ein besseres, stabileres Portfolio auf als Methoden, die nur die Schlagzeile hören.

Technische Zusammenfassung: Large-Scale Asset Selection via Metric Dependence with Enriched High Frequency Information

1. Problemstellung

Der Aufbau von Portfolios im großen Maßstab ist inhärent anfällig für Schätzfehler, insbesondere wenn die Anzahl der Vermögenswerte ( $p$ ) im Verhältnis zur Stichprobengröße ( $n$ ) groß ist. Zwar sind zweistufige Verfahren (Screening gefolgt von Optimierung) der Standard, um dies zu mildern, doch verlassen sich bestehende Regeln zur Auswahl von Vermögenswerten typischerweise auf skalare Renditen oder niedrigdimensionale Zusammenfassungen von Hochfrequenzdaten (z. B. Tagesrenditen, realisierte Volatilität).

Die Autoren argumentieren, dass die Reduktion von Intraday-Preisverläufen auf skalare Zusammenfassungen wertvolle „Intraday-Risikodynamiken" verwirft, wie etwa den Zeitpunkt und die Konzentration von Volatilitätsschüben. Wenn Vermögenswerte ähnliche Tagesrenditen, aber divergierende Intraday-Risikoprofile aufweisen, kann eine skalarebasierte Vorauswahl versagen, sie zu unterscheiden, was zu suboptimalen Kandidatensätzen für den Optimierer der zweiten Stufe führt. Das Kernproblem besteht darin, wie hochfrequente, objektwertige Intraday-Informationen in den Screening-Prozess für Vermögenswerte integriert werden können, ohne eine aggressive Dimensionsreduktion vorzunehmen, die Forminformationen verliert.

2. Methodik: Metric Dependence Screening (MDS)

Die Arbeit schlägt Metric Dependence Screening (MDS) vor, ein zweistufiges Verfahren, das hochfrequente Vermögenswertinformationen als zufällige Objekte in einem metrischen Raum und nicht als euklidische Vektoren behandelt.

A. Darstellung der Vermögenswerte (Punkt-Kurven-Objekte)
Anstatt eine skalare Rendite zu verwenden, wird jeder Vermögenswert $i$ am Tag $t$ als Punkt-Kurven-Objekt $X_{i,t} = (R_{i,t}, v_{i,t}) \in \mathcal{X}$ dargestellt, wobei:

$R_{i,t}$ die Tagesrendite ist.
$v_{i,t}$ eine geglättete Kurve ist, die die Größe der Intraday-Änderung des absoluten Log-Preises über den Handelstag darstellt.
Der Raum $\mathcal{X}$ ist mit einer gewichteten Produktmetrik ausgestattet:
$d_{\mathcal{X}}(x, x')^2 = (r - r')^2 + w \|v - v'\|_{L^2}^2$
Diese Metrik bewahrt sowohl die Informationslage zur Belohnung (die Punkt-Komponente) als auch die Intraday-Risikodynamiken (die Kurven-Komponente).

B. Zielvariable
Eine risikoadjustierte Zielserie $Y_t$ wird auf Basis von Hochfrequenz-Sharpe-Quotienten konstruiert. Aktien werden nach ihrem täglichen Hochfrequenz-Sharpe-Quotienten gerankt, die Top 10 % werden ausgewählt, und eine wertgewichtete Rendite dieser Teilmenge bildet $Y_t$ . Dies richtet das Screening-Ziel auf eine risikoadjustierte Portfolioallokation aus und nicht auf die Vorhersage roher Renditen.

C. Der Screening-Score
MDS rangiert Vermögenswerte mithilfe eines auf Fréchet-Variation basierenden Abhängigkeitsscores.

Populationsdefinition: Der Score $\rho$ misst den Anteil der metrischen Streuung von $X$ , der durch das Ziel $Y$ erklärt wird. Er ist definiert als:
$\rho = 1 - \frac{E[V(Y)]}{V_F}$
wobei $V_F$ die globale Fréchet-Varianz von $X$ ist und $V(Y)$ die bedingte Restvarianz gegeben $Y$ . Ein höheres $\rho$ zeigt an, dass das risikoadjustierte Ziel einen größeren Teil der metrischen Streuung des Vermögenswerts erklärt.
Schätzung: Da eine direkte nichtparametrische Schätzung bedingter Fréchet-Mittelwerte in metrischen Räumen schwierig ist, schlagen die Autoren einen Ziel-Slicing-Schätzer vor. Der Bereich von $Y$ wird in Zellen partitioniert; innerhalb jeder Zelle werden empirische Fréchet-Mittelwerte und Varianzen berechnet. Der endgültige Score ist ein Plug-in-Schätzer des erklärten Variationsverhältnisses.

D. Zweistufige Pipeline

Stufe 1: Alle $p$ Vermögenswerte werden nach ihren geschätzten MDS-Scores gerankt, und eine reduzierte Teilmenge wird ausgewählt (z. B. die Top $d$ Vermögenswerte).
Stufe 2: Auf der ausgewählten Teilmenge wird eine Standard-Mittelwert-Varianz-Optimierung oder Minimum-Varianz-Optimierung angewendet.

3. Theoretische Beiträge

Die Arbeit etabliert rigorose theoretische Garantien für MDS unter $\alpha$ -mischender Zeitreihenabhängigkeit und ultrahoher Dimensionalität ( $p \gg n$ ).

Konzentration: Die Autoren leiten exponentielle Schwanzschranken für die Abweichung des geschätzten Scores vom Populations-Score ab, wobei sie die durch das Ziel-Slicing eingeführte Verzerrung und den Schätzfehler der Fréchet-Mittelwerte in metrischen Räumen berücksichtigen.
Sure Screening: Unter einer minimalen Signalstärkebedingung garantiert die Methode, dass alle tatsächlich relevanten Vermögenswerte mit einer gegen eins strebenden Wahrscheinlichkeit in den gescannten Satz aufgenommen werden.
Rank-Konsistenz: Die empirische Rangfolge erhält asymptotisch die Populationsreihenfolge zwischen aktiven (relevanten) und inaktiven (irrelevanten) Vermögenswerten, wodurch sichergestellt wird, dass die Top- $d$ -Auswahlregel konsistent ist.

4. Empirische Ergebnisse

Die Autoren bewerten MDS unter Verwendung von 5-Minuten-Intraday-Daten für 2.938 chinesische A-Aktien von Juli 2023 bis Dezember 2025.

Benchmarks: MDS wird verglichen mit:
- D-SEVIS: Eine Abhängigkeits-Screening-Methode, die auf skalaren Zusammenfassungen basiert (Wang et al., 2022).
- MTM: Eine momentumbasierte Ranking-Strategie.
Performance: Über verschiedene Gewichtungspläne (Equal Weight, Score-Squared, Global Optimization und Shrinkage Global Optimization) und Auswahlgrößen ( $d=30, 60, 90$ $d = 30, 60, 90$ ) hinweg übertrifft MDS die Benchmarks konsistent.
- Renditen: MDS-Portfolios erzielten höhere kumulierte Nettowerte (z. B. 1,90 vs. 1,22 für D-SEVIS unter der besten Konfiguration).
- Risikoadjustierte Renditen: MDS lieferte signifikant höhere Sharpe-Quotienten (in optimalen Einstellungen über 1,0) im Vergleich zu D-SEVIS und negative Sharpe-Quotienten für MTM.
- Drawdowns: MDS hielt vergleichbare oder niedrigere maximale Drawdowns als die Benchmarks auf, was darauf hindeutet, dass die Performancegewinne nicht durch übermäßiges Abwärtsrisiko getrieben wurden.
Simulationen: Monte-Carlo-Experimente sowohl in euklidischen als auch in nicht-euklidischen Settings (Wasserstein-Raum) bestätigten, dass MDS unter serieller Abhängigkeit und ultrahoher Dimensionalität wirksam bleibt, wobei es insbesondere in nicht-linearen und nicht-euklidischen Szenarien glänzt, in denen traditionelle skalare Methoden Schwierigkeiten haben.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass MDS einen vereinheitlichten Rahmen für die Auswahl von Vermögenswerten bietet, der die Lücke zwischen komplexen, objektwertigen Hochfrequenzdaten und der konventionellen Portfolio-Konstruktion schließt.

Konzeptioneller Wandel: Er geht über die Skalierung hinaus und behandelt Intraday-Pfade als funktionale Objekte, um „innerhalb-des-Tages-Forminformationen" (z. B. Volatilitätsschübe) zu bewahren, die in Standardzusammenfassungen oft verloren gehen.
Methodische Innovation: Er passt auf Fréchet basierende Abhängigkeitsmaße an den Screening-Kontext an und bietet eine Alternative im metrischen Raum zur linearen Korrelation oder Distanzkovarianz, die speziell für risikoadjustierte Allokationen zugeschnitten ist.
Praktischer Wert: Die empirischen Ergebnisse zeigen, dass die Bewahrung der Intraday-Risikodynamiken im Screening-Stadium zu greifbaren, wirtschaftlich bedeutsamen Verbesserungen der Out-of-Sample-Portfolio-Performance führt und die Hypothese validiert, dass Intraday-Risikozustände eine Vorhersagekraft für risikoadjustierte Renditen enthalten.

Die Autoren schließen, dass der Rahmen zwar derzeit auf Intraday-Änderungen des absoluten Log-Preises angewendet wird, aber auf andere Hochfrequenz-Risikosignaturen verallgemeinerbar ist und einen robusten Ansatz für die Large-Scale-Auswahl von Vermögenswerten in modernen, datenreichen Finanzmärkten bietet.