Zero Variance Portfolio

यहाँ चांग, डिंग, शी और झांग के शोध पत्र "जीरो वेरिएंस पोर्टफोलियो" (Zero Variance Portfolio) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक उच्च-आयामी (high-dimensional) सेटिंग में न्यूनतम विचरण पोर्टफोलियो (Minimum Variance Portfolio - MVP) की समस्या को संबोधित करता है, जहाँ संपत्तियों (assets) की संख्या ($N$) नमूना आकार ($T$) से काफी अधिक है, यानी $N \gg T$। यह आधुनिक वित्त में एक सामान्य परिदृश्य है (उदाहरण के लिए, केवल कुछ महीनों के दैनिक डेटा का उपयोग करके सैकड़ों शेयरों के साथ पोर्टफोलियो बनाना)।

• चुनौती: शास्त्रीय $N < T$ शासन (regime) में, सैंपल कोवेरियेंस मैट्रिक्स ($S_0$) व्युत्क्रमणीय (invertible) होता है, और मानक MVP अनुमानक ऑकल (oracle) समाधान की ओर अभिसरित होता है। हालाँकि, जब $N > T$ होता है, तो $S_0$ रैंक-डेफिशिएंट (rank-deficient) होता है।
• पैथोलॉजिकल मामला (The Pathological Case): जब $N > T$ होता है, तो ऐसे अनंत पोर्टफोलियो वेट्स (weights) मौजूद होते हैं जो शून्य इन-सैंपल वेरिएंस (Zero In-Sample Variance) प्राप्त करते हैं (जिसे जीरो वेरिएंस पोर्टफोलियो या ZVP कहा जाता है)। इस सिंगुलैरिटी (singularity) को संभालने का मानक तरीका रिजलेस एस्टीमेटर (Ridgeless estimator) है (मूर-पेनरोज़ स्यूडो-इनवर्स, $S_0^+$ का उपयोग करके), जो डेटा को इंटरपोलेट करने वाले समाधानों में से न्यूनतम $\ell_2$-नॉर्म समाधान का चयन करता है।
• विफलता: लेखक तर्क देते हैं कि $N \gg T$ शासन में रिजलेस एस्टीमेटर आउट-ऑफ-सैंपल (OOS) डेटा के लिए सामान्यीकरण (generalize) करने में विफल रहता है। जबकि यह प्रशिक्षण डेटा (training data) को पूरी तरह से फिट करता है, इसका OOS जोखिम अनंत तक बढ़ जाता है, जो एक साधारण समान-भार (equal-weight) पोर्टफोलियो से भी बदतर प्रदर्शन करता है।

2. कार्यप्रणाली (Methodology)

लेखक एक नया अनुमानक प्रस्तावित करते हैं जिसे रिजलेट (Ridgelet) कहा जाता है, जो आधुनिक मशीन लर्निंग सिद्धांत (विशेष रूप से "बेनाइन ओवरफिटिंग" और "डबल डिसेंट") के अंतर्दृष्टि का लाभ उठाता है, लेकिन इसे पोर्टफोलियो अनुकूलन के लिए अनुकूलित करता है।

A. रिजलेट एस्टीमेटर (Ridgelet1)

स्यूडो-इनवर्स ($S_0^+$) के बजाय, लेखक सैंपल कोवेरियेंस मैट्रिक्स में एक छोटा, निश्चित रिज पेनल्टी $\tau$ जोड़ने का प्रस्ताव करते हैं:
$$S_\tau = S_0 + \tau I_N$$
इसके बाद पोर्टफोलियो वेट्स की गणना इस प्रकार की जाती है:
$$\hat{\omega}_\tau = \frac{S_\tau^{-1} \mathbf{1}}{\mathbf{1}^\top S_\tau^{-1} \mathbf{1}}$$

• मुख्य अंतर: पारंपरिक रिज रिग्रेशन के विपरीत, जहाँ $\tau$ एक ट्यूनिंग पैरामीटर है जिसे बायस और वेरिएंस के बीच संतुलन बनाने के लिए क्रॉस-वैलिडेशन के माध्यम से अनुकूलित किया जाता है, रिजलेट एक निश्चित, अत्यंत सूक्ष्म स्थिरांक (जैसे, $\tau = 10^{-8}$) का उपयोग करता है।
• सैद्धांतिक औचित्य: लेखक सिद्ध करते हैं कि जैसे-जैसे $\tau \to 0$ होता है, यह एस्टीमेटर ZVP समस्या के न्यूनतम $\ell_2$-नॉर्म समाधान की ओर अभिसरित होता है (जो $R^\top \omega = 0$ और $\mathbf{1}^\top \omega = 1$ को हल करता है)। महत्वपूर्ण रूप से, वे दिखाते हैं कि रिजलेट समाधान इस विशिष्ट अनुकूलित संदर्भ में रिजलेस समाधान ($S_0^+$) के सापेक्ष असंतत (discontinuous) है, जिसका अर्थ है कि रिजलेस एस्टीमेटर इस विशिष्ट संदर्भ में रिजलेट एस्टीमेटर की सीमा (limit) नहीं है।

B. रिफाइंड रिजलेट (Ridgelet2)

यह पहचानते हुए कि परिसंपत्ति रिटर्न अक्सर एक फैक्टर मॉडल ($R = BF + E$) का पालन करते हैं जहाँ$E$ आइडियोसिंक्रेटिक (idiosyncratic) रिटर्न को दर्शाता है जिसकी कोवेरियेंस मैट्रिक्स $\Omega$ स्पार्स (sparse) है, लेखक एक परिष्कृत संस्करण प्रस्तावित करते हैं।

• तंत्र: $\tau I_N$ जोड़ने के बजाय, वे $\tau \hat{\Omega}$ जोड़ते हैं, जहाँ $\hat{\Omega}$ आइडियोसिंक्रेटिक कोवेरियेंस मैट्रिक्स का एक सुसंगत (consistent) अनुमानक है (Fan et al., 2013 द्वारा विकसित POET एस्टीमेटर का उपयोग करते हुए, जो PCA अवशेषों पर थ्रेशोल्डिंग लागू करता है)।
• लक्ष्य: यह एस्टीमेटर को शोर (noise) की वास्तविक संरचना के साथ संरेखित करता है, जिससे यह उच्च-आयामी सीमा में ऑकल ऑप्टिमैलिटी (oracle optimality) प्राप्त करने में सक्षम होता है।

3. मुख्य योगदान (Key Contributions)

1. ZVP सामान्यीकरण विरोधाभास का समाधान: यह शोध पत्र प्रदर्शित करता है कि जबकि ZVPs को पारंपरिक रूप से पैथोलॉजिकल ओवरफिटिंग के रूप में देखा जाता है, एक विशिष्ट ZVP (न्यूनतम $\ell_2$-नॉर्म वाला) उत्कृष्ट आउट-ऑफ-सैंपल सामान्यीकरण प्रदर्शित कर सकता है, यदि इसे सही ढंग से अनुमानित किया जाए।
2. रिजलेट बनाम रिजलेस: लेखक रिजलेट और रिजलेस एस्टीमेटर के बीच स्पष्ट अंतर करते हैं। वे सिद्ध करते हैं कि:
   • रिजलेस ($S_0^+$): इन-सैंपल इंटरपोलेशन करने में विफल रहता है (शून्य वेरिएंस नहीं देता) और $N \gg T$ होने पर अनंत OOS जोखिम ($RV \to \infty$) से ग्रस्त होता है।
   • रिजलेट ($S_\tau^{-1}$): शून्य इन-सैंपल वेरिएंस प्राप्त करता है (संख्यात्मक सटीकता तक) और डबल डिसेंट व्यवहार प्रदर्शित करता है, जहाँ $N$ के $T$ को पार करने के बाद OOS जोखिम काफी कम हो जाता है।
3. वित्त में डबल डिसेंट घटना: यह शोध पत्र पोर्टफोलियो जोखिम में डबल डिसेंट वक्र के सैद्धांतिक और अनुभवजन्य साक्ष्य प्रदान करता है। जैसे-जैसे $N$ बढ़ता है:
   • जोखिम घटता है (अंडर-पैरामीटराइज्ड)।
   • जोखिम $N \approx T$ (इंटरपोलेशन थ्रेशोल्ड) के पास चरम पर होता है।
   • जोखिम फिर से गिरता है और $N \to \infty$ होने पर ऑकल जोखिम की ओर अभिसरित होता है (ओवर-पैरामीटराइज्ड शासन)।
4. फैक्टर मॉडल के तहत अनुकूलता: यह शोध पत्र सिद्ध करता है कि Ridgelet2 उच्च-आयामी सीमा में ऑकल OOS वेरिएंस प्राप्त करता है, बशर्ते कि आइडियोसिंक्रेटिक कोवेरियेंस मैट्रिक्स का सुसंगत अनुमान लगाया गया हो। यह पोर्टफोलियो अनुकूलन के लिए "आयामी आशीर्वाद" (blessing of dimensionality) को स्थापित करता है।

4. परिणाम (Results)

सैद्धांतिक परिणाम (Theoretical Results)

• प्रपोजिशन 1: Ridgelet1, न्यूनतम $\ell_2$-नॉर्म ZVP का सीमित समाधान है, जबकि Ridgeless इस समाधान के लंबवत (orthogonal) है।
• प्रपोजिशन 2: $N \gg T$ शासन में, Ridgelet का सापेक्ष OOS वेरिएंस सीमित रहता है (ऑकल के तुल्य), जबकि Ridgeless का सापेक्ष वेरिएंस अनंत तक बढ़ जाता है।
• थ्योरम 1 और 2: अनुमानित फैक्टर मॉडल के तहत, Ridgelet2 स्पर्शोन्मुख रूप से (asymptotically) ऑकल OOS वेरिएंस प्राप्त करता है। त्रुटि $\hat{\Omega}$ के सुसंगत एस्टीमेटर की निरंतरता पर निर्भर करती है।

अनुभवजन्य और सिमुलेशन परिणाम (Empirical and Simulation Results)

• सिमुलेशन: व्यापक मोंटे कार्लो सिमुलेशन डबल डिसेंट पैटर्न की पुष्टि करते हैं। Ridgelet1 उच्च-आयामी सेटिंग्स ($N \ge 400$) में लीनियर श्रिंकेज (LS) और फैक्टर-आधारित नॉनलीनर श्रिंकेज (FNLS) से बेहतर प्रदर्शन करता है। Ridgelet2 गैर-शून्य आइडियोसिंक्रेटिक सहसंबंधों के मामले में प्रदर्शन को और अधिक सुधारता है।
• मजबूती (Robustness): यह विधि भारी-पूंछ वाले वितरणों (5 डिग्री ऑफ फ्रीडम के साथ t-डिस्ट्रीब्यूशन) के तहत भी मजबूत रहती है।
• वास्तविक दुनिया का डेटा:
  • S&P 500: दैनिक रिटर्न (2000-2023) का उपयोग करते हुए, Ridgelet2 लगातार LS, FNLS और इक्वल वेट (EW) पोर्टफोलियो से बेहतर प्रदर्शन करता है, जिससे वार्षिककृत जोखिम कम होता है।
  • बहुराष्ट्रीय पोर्टफोलियो: S&P 500 और निकेई 225 शेयरों को मिलाकर ($N \approx 725$), Ridgelet2 ने सभी बेंचमार्क की तुलना में बेहतर जोखिम न्यूनीकरण प्रदर्शित किया, जो क्रॉस-एसेट विविधीकरण में "आयामी आशीर्वाद" की पुष्टि करता है।

5. महत्व (Significance)

यह शोध पत्र पोर्टफोलियो प्रबंधन की उस पारंपरिक धारणा को चुनौती देता है कि उच्च-आयामी कोवेरियेंस अनुमान के लिए ओवरफिटिंग से बचने के लिए जटिल श्रिंकेज या आयास न्यूनीकरण (dimension reduction) की आवश्यकता होती है। इसके बजाय, यह प्रतिपादित करता है कि:

1. ओवरफिटिंग फायदेमंद हो सकती है: $N \gg T$ शासन में, प्रशिक्षण डेटा को इंटरपोलेट करना न केवल संभव है बल्कि सही एस्टीमेटर (Ridgelet) का उपयोग करने पर आउट-ऑफ-सैंपल प्रदर्शन के लिए इष्टतम भी है।
2. सरलता की जीत: सैंपल कोवेरियेंस में एक छोटा, ट्यूनिंग-मुक्त रिज ($10^{-8}$) जोड़ना उच्च आयामीता के लाभों को अनलॉक करने के लिए पर्याप्त है, जो पैरामीटर ट्यूनिंग की आवश्यकता वाले परिष्कृत श्रिंकेज एस्टीमेटर से बेहतर प्रदर्शन करता है।
3. मशीन लर्निंग एकीकरण: यह आधुनिक एमएल सिद्धांत (डबल डिसेंट, बेनाइन ओवरफिटिंग) और शास्त्रीय वित्तीय सिद्धांत (मार्कोविट्ज़ MVP) के बीच के अंतर को सफलतापूर्वक पाटता है, जो सीमित ऐतिहासिक डेटा के साथ बड़े एसेट यूनिवर्स का प्रबंधन करने वाले संस्थागत निवेशकों के लिए एक व्यावहारिक, सैद्धांतिक रूप से आधारित उपकरण प्रदान करता है।