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

Resumen Técnico: Selección de Activos a Gran Escala mediante Dependencia Métrica con Información de Alta Frecuencia Enriquecida

1. Planteamiento del Problema

La construcción de carteras a gran escala es inherentemente sensible a errores de estimación, particularmente cuando el número de activos ($p$) es grande en relación con el tamaño de la muestra ($n$). Aunque los procedimientos de dos etapas (cribado seguido de optimización) son estándar para mitigar esto, las reglas existentes de selección de activos suelen basarse en retornos escalares o resúmenes de baja dimensión de datos de alta frecuencia (por ejemplo, retornos diarios, volatilidad realizada).

Los autores argumentan que reducir las trayectorias de precios intradía a resúmenes escalares descarta valiosas "dinámicas de riesgo intradía", como el momento y la concentración de explosiones de volatilidad. Cuando los activos tienen retornos diarios similares pero perfiles de riesgo intradía divergentes, el cribado basado en escalares puede fallar en distinguirlos, lo que conduce a conjuntos de candidatos subóptimos para el optimizador de la segunda etapa. El problema central es cómo incorporar información intradía de alta frecuencia y de valor-objeto en el proceso de cribado de activos sin una reducción agresiva de la dimensionalidad que pierda información de forma.

2. Metodología: Cribado por Dependencia Métrica (MDS)

El artículo propone el Cribado por Dependencia Métrica (MDS), un procedimiento de dos etapas que trata la información de alta frecuencia de los activos como objetos aleatorios en un espacio métrico en lugar de vectores euclidianos.

A. Representación de Activos (Objetos Punto-Curva)
En lugar de utilizar un retorno escalar, cada activo $i$ en el día $t$ se representa como un objeto punto-curva $X_{i,t} = (R_{i,t}, v_{i,t}) \in \mathcal{X}$, donde:

• $R_{i,t}$ es el retorno diario.
• $v_{i,t}$ es una curva suavizada que representa la magnitud del cambio logarítmico de precio absoluto intradía durante la jornada de negociación.
• El espacio $\mathcal{X}$ está equipado con una métrica producto ponderada:
  $$d_{\mathcal{X}}(x, x')^2 = (r - r')^2 + w \|v - v'\|_{L^2}^2$$
  Esta métrica preserva tanto la información de recompensa (el componente punto) como las dinámicas de riesgo intradía (el componente curva).

B. Variable Objetivo
Se construye una serie objetivo ajustada al riesgo $Y_t$ basada en ratios de Sharpe de alta frecuencia. Las acciones se clasifican por su ratio de Sharpe diario de alta frecuencia, se selecciona el 10% superior y el retorno ponderado por valor de este subconjunto forma $Y_t$. Esto alinea el objetivo del cribado con la asignación de cartera ajustada al riesgo en lugar de la predicción de retornos brutos.

C. La Puntuación de Cribado
MDS clasifica los activos utilizando una puntuación de dependencia basada en la variación de Fréchet.

• Definición Poblacional: La puntuación $\rho$ mide la proporción de la dispersión métrica de $X$ explicada por el objetivo $Y$. Se define como:
  $$\rho = 1 - \frac{E[V(Y)]}{V_F}$$
  donde $V_F$ es la varianza global de Fréchet de $X$, y $V(Y)$ es la variación residual condicional dada $Y$. Un $\rho$ más alto indica que el objetivo ajustado al riesgo explica más de la dispersión métrica del activo.
• Estimación: Dado que la estimación no paramétrica directa de las medias condicionales de Fréchet en espacios métricos es difícil, los autores proponen un estimador de partición de objetivos. El rango de $Y$ se divide en celdas; dentro de cada celda, se calculan las medias y varianzas empíricas de Fréchet. La puntuación final es un estimador de sustitución de la relación de variación explicada.

D. Pipeline de Dos Etapas

1. Etapa 1: Clasificar todos los $p$ activos por sus puntuaciones MDS estimadas y seleccionar un subconjunto reducido (por ejemplo, los $d$ mejores activos).
2. Etapa 2: Aplicar la optimización estándar de media-varianza o mínima varianza en el subconjunto seleccionado.

3. Contribuciones Teóricas

El artículo establece garantías teóricas rigurosas para MDS bajo dependencia de series temporales $\alpha$-mezclada y ultra-alta dimensionalidad ($p \gg n$).

• Concentración: Los autores derivan cotas de cola exponenciales para la desviación de la puntuación estimada respecto a la puntuación poblacional, teniendo en cuenta el sesgo introducido por la partición de objetivos y el error de estimación de las medias de Fréchet en espacios métricos.
• Cribado Seguro: Bajo una condición mínima de fuerza de señal, el método garantiza que todos los activos verdaderamente relevantes se incluyan en el conjunto cribado con una probabilidad que tiende a uno.
• Consistencia de Clasificación: La clasificación empírica preserva asintóticamente el ordenamiento poblacional entre activos activos (relevantes) e inactivos (irrelevantes), asegurando que la regla de selección de los $d$ mejores sea consistente.

4. Resultados Empíricos

Los autores evalúan MDS utilizando datos intradía de 5 minutos para 2.938 acciones chinas de la clase A desde julio de 2023 hasta diciembre de 2025.

• Benchmarks: MDS se compara contra:
  • D-SEVIS: Un método de cribado por dependencia basado en resúmenes escalares (Wang et al., 2022).
  • MTM: Una estrategia de clasificación basada en momentum.
• Rendimiento: En diversos esquemas de ponderación (Peso Igual, Cuadrado de la Puntuación, Optimización Global y Optimización Global con Contracción) y tamaños de selección ($d=30, 60, 90$), MDS supera consistentemente a los benchmarks.
  • Retornos: Las carteras de MDS lograron valores netos acumulados más altos (por ejemplo, 1.90 frente a 1.22 para D-SEVIS bajo la mejor configuración).
  • Retornos Ajustados al Riesgo: MDS produjo ratios de Sharpe significativamente más altos (superando 1.0 en configuraciones óptimas) en comparación con D-SEVIS y ratios de Sharpe negativos para MTM.
  • Drawdowns: MDS mantuvo drawdowns máximos comparables o inferiores a los de los benchmarks, indicando que las ganancias de rendimiento no fueron impulsadas por un riesgo a la baja excesivo.
• Simulaciones: Los experimentos de Monte Carlo en configuraciones euclidianas y no euclidianas (espacio de Wasserstein) confirmaron que MDS sigue siendo efectivo bajo dependencia serial y ultra-alta dimensionalidad, destacando particularmente en escenarios no lineales y no euclidianos donde los métodos escalares tradicionales luchan.

5. Significado y Afirmaciones

El artículo afirma que MDS ofrece un marco unificado para la selección de activos que cierra la brecha entre datos complejos de alta frecuencia de valor-objeto y la construcción convencional de carteras.

• Cambio Conceptual: Se aleja de la escalarización, tratando las trayectorias intradía como objetos funcionales para preservar la "información de forma dentro del día" (por ejemplo, explosiones de volatilidad) que a menudo se pierde en resúmenes estándar.
• Innovación Metodológica: Adapta medidas de dependencia basadas en Fréchet al contexto de cribado, proporcionando una alternativa en espacio métrico a la correlación lineal o la covarianza de distancia, específicamente diseñada para la asignación ajustada al riesgo.
• Valor Práctico: Los resultados empíricos demuestran que preservar las dinámicas de riesgo intradía en la etapa de cribado conduce a mejoras tangibles y económicamente significativas en el rendimiento de la cartera fuera de la muestra, validando la hipótesis de que los estados de riesgo intradía contienen poder predictivo para los retornos ajustados al riesgo.

Los autores concluyen que, aunque el marco se aplica actualmente a cambios logarítmicos absolutos de precios intradía, es generalizable a otras firmas de riesgo de alta frecuencia y ofrece un enfoque robusto para la selección de activos a gran escala en mercados financieros modernos y ricos en datos.