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

Riepilogo Tecnico: Selezione di Attività su Larga Scala tramite Dipendenza Metrica con Informazioni ad Alta Frequenza Arricchite

1. Enunciazione del Problema

La costruzione di portafogli su larga scala è intrinsecamente sensibile agli errori di stima, in particolare quando il numero di attività ($p$) è grande rispetto alla dimensione del campione ($n$). Sebbene le procedure in due fasi (screening seguito da ottimizzazione) siano lo standard per mitigare questo problema, le regole esistenti di selezione delle attività si basano tipicamente su rendimenti scalari o su riassunti a bassa dimensionalità di dati ad alta frequenza (ad esempio, rendimenti giornalieri, volatilità realizzata).

Gli autori sostengono che la riduzione dei percorsi dei prezzi intraday a riassunti scalari scarta preziose "dinamiche di rischio intraday", come il tempismo e la concentrazione degli scoppi di volatilità. Quando le attività hanno rendimenti giornalieri simili ma profili di rischio intraday divergenti, lo screening basato su valori scalari può fallire nel distinguerle, portando a insiemi di candidati subottimali per l'ottimizzatore della seconda fase. Il problema centrale è come incorporare informazioni intraday ad alta frequenza e di tipo oggetto nel processo di screening delle attività senza una riduzione aggressiva della dimensionalità che perda informazioni sulla forma.

2. Metodologia: Screening per Dipendenza Metrica (MDS)

Il documento propone lo Screening per Dipendenza Metrica (MDS), una procedura in due fasi che tratta le informazioni ad alta frequenza delle attività come oggetti casuali in uno spazio metrico piuttosto che come vettori euclidei.

A. Rappresentazione delle Attività (Oggetti Punto-Curva)
Invece di utilizzare un rendimento scalare, ogni attività $i$ al giorno $t$ è rappresentata come un oggetto punto-curva $X_{i,t} = (R_{i,t}, v_{i,t}) \in \mathcal{X}$, dove:

• $R_{i,t}$ è il rendimento giornaliero.
• $v_{i,t}$ è una curva liscia che rappresenta la magnitudine del cambiamento logaritmico del prezzo intraday assoluto durante la giornata di negoziazione.
• Lo spazio $\mathcal{X}$ è dotato di una metrica prodotto ponderata:
  $$d_{\mathcal{X}}(x, x')^2 = (r - r')^2 + w \|v - v'\|_{L^2}^2$$
  Questa metrica preserva sia le informazioni sul rendimento (il componente punto) sia le dinamiche di rischio intraday (il componente curva).

B. Variabile Target
Una serie target aggiustata per il rischio $Y_t$ è costruita basandosi sui rapporti di Sharpe ad alta frequenza. Le azioni sono classificate in base al loro rapporto di Sharpe giornaliero ad alta frequenza; viene selezionato il 10% superiore e il rendimento ponderato per valore di questo sottoinsieme costituisce $Y_t$. Questo allinea l'obiettivo dello screening con l'allocazione di portafoglio aggiustata per il rischio piuttosto che con la previsione del rendimento grezzo.

C. Il Punteggio di Screening
L'MDS classifica le attività utilizzando un punteggio di dipendenza basato sulla variazione di Fréchet.

• Definizione della Popolazione: Il punteggio $\rho$ misura la proporzione della dispersione metrica di $X$ spiegata dal target $Y$. È definito come:
  $$\rho = 1 - \frac{E[V(Y)]}{V_F}$$
  dove $V_F$ è la varianza globale di Fréchet di $X$, e $V(Y)$ è la variazione residua condizionata data $Y$. Un $\rho$ più alto indica che il target aggiustato per il rischio spiega una maggiore parte della dispersione metrica dell'attività.
• Stima: Poiché la stima non parametrica diretta delle medie di Fréchet condizionate negli spazi metrici è difficile, gli autori propongono un stimatore a fette del target. L'intervallo di $Y$ è partizionato in celle; all'interno di ciascuna cella vengono calcolate le medie empiriche di Fréchet e le varianze. Il punteggio finale è uno stimatore di inserimento del rapporto di variazione spiegata.

D. Pipeline in Due Fasi

1. Fase 1: Classificare tutte le $p$ attività in base ai loro punteggi MDS stimati e selezionare un sottoinsieme ridotto (ad esempio, le prime $d$ attività).
2. Fase 2: Applicare l'ottimizzazione standard media-varianza o a varianza minima sul sottoinsieme selezionato.

3. Contributi Teorici

Il documento stabilisce rigorose garanzie teoriche per l'MDS sotto dipendenza di serie temporali $\alpha$-miste e ultra-alta dimensionalità ($p \gg n$).

• Concentrazione: Gli autori derivano limiti di coda esponenziali per la deviazione del punteggio stimato dal punteggio della popolazione, tenendo conto del bias introdotto dalla suddivisione del target e dell'errore di stima delle medie di Fréchet negli spazi metrici.
• Screening Sicuro: Sotto una condizione minima di forza del segnale, il metodo garantisce che tutte le attività realmente rilevanti siano incluse nell'insieme filtrato con probabilità che tende a uno.
• Coerenza di Classifica: La classifica empirica preserva asintoticamente l'ordinamento della popolazione tra le attività attive (rilevanti) e quelle inattive (irrilevanti), garantendo che la regola di selezione top-$d$ sia coerente.

4. Risultati Empirici

Gli autori valutano l'MDS utilizzando dati intraday a 5 minuti per 2.938 azioni della classe A cinese da luglio 2023 a dicembre 2025.

• Benchmark: L'MDS è confrontato con:
  • D-SEVIS: Un metodo di screening per dipendenza basato su riassunti scalari (Wang et al., 2022).
  • MTM: Una strategia di classificazione basata sul momentum.
• Prestazioni: Attraverso vari schemi di ponderazione (Ponderazione Equa, Punteggio al Quadrato, Ottimizzazione Globale e Ottimizzazione Globale con Shrinking) e dimensioni di selezione ($d=30, 60, 90$), l'MDS supera costantemente i benchmark.
  • Rendimenti: I portafogli MDS hanno raggiunto valori netti accumulati più elevati (ad esempio, 1,90 contro 1,22 per D-SEVIS nella configurazione migliore).
  • Rendimenti Aggiustati per il Rischio: L'MDS ha prodotto rapporti di Sharpe significativamente più alti (superiori a 1,0 nelle impostazioni ottimali) rispetto a D-SEVIS e rapporti di Sharpe negativi per MTM.
  • Drawdown: L'MDS ha mantenuto drawdown massimi comparabili o inferiori rispetto ai benchmark, indicando che i guadagni di prestazioni non erano guidati da un rischio di ribasso eccessivo.
• Simulazioni: Esperimenti Monte Carlo sia in contesti euclidei che non euclidei (spazio di Wasserstein) hanno confermato che l'MDS rimane efficace sotto dipendenza seriale e ultra-alta dimensionalità, eccellendo in particolare in scenari non lineari e non euclidei dove i metodi scalari tradizionali faticano.

5. Significato e Affermazioni

Il documento afferma che l'MDS offre un quadro unificato per la selezione delle attività che colma il divario tra dati ad alta frequenza complessi e di tipo oggetto e la costruzione convenzionale di portafogli.

• Cambiamento Concettuale: Supera la scalizzazione, trattando i percorsi intraday come oggetti funzionali per preservare le "informazioni sulla forma intra-giornaliera" (ad esempio, scopp di volatilità) che spesso si perdono nei riassunti standard.
• Innovazione Metodologica: Adatta le misure di dipendenza basate su Fréchet al contesto dello screening, fornendo un'alternativa nello spazio metrico alla correlazione lineare o alla covarianza di distanza, specificamente adattata per l'allocazione aggiustata per il rischio.
• Valore Pratico: I risultati empirici dimostrano che preservare le dinamiche di rischio intraday nella fase di screening porta a miglioramenti tangibili ed economicamente significativi nelle prestazioni del portafoglio fuori campione, validando l'ipotesi che gli stati di rischio intraday contengano potere predittivo per i rendimenti aggiustati per il rischio.

Gli autori concludono che, sebbene il quadro sia attualmente applicato ai cambiamenti logaritmici assoluti dei prezzi intraday, è generalizzabile ad altre firme di rischio ad alta frequenza e offre un approccio robusto per la selezione di attività su larga scala nei moderni mercati finanziari ricchi di dati.