On Reference-Regulated Multiperiod Mean-Variance Portfolio Optimization in High Dimensions

技術要約：高次元における参照規制型マルチピリオド平均分散ポートフォリオ最適化

問題提起
本論文は、高次元の設定において古典的なマルチピリオド平均分散（MMV）ポートフォリオ最適化フレームワークが抱える固有の脆弱性に対処するものである。Li and Ng (2000) によって導入された事前コミットメント・フィードバック・ポリシーを含むMMVフレームワークは、静的な戦略と比較して理論的な利点（効率的フロンティアの改善や非線形な富の複利効果など）を提供するものの、平均ベクトル（$\mu$）および共分散行列（$\Sigma$）における推定誤差に対して極めて敏感である。資産数 $p$ がサンプルサイズ $n$ に匹敵するか、あるいはそれを上回る現代の高次元環境（$p/n \to c \in (0, \infty)$）において、これらの推定誤差はポートフォリオのウェイトを著しく歪ませ、アウトオブサンプルでのパフォーマンスの悪化と不安定化を招く。既存の正則化手法は主に単一期間の設定向けに開発されており、動的なフィードバック・ポリシーにおける推定誤差の複雑な時系列的な相互作用を完全には考慮できていない。

手法
著者らは、**参照規制型マルチピリオド平均分散（RRMV）**フレームワークを提案する。このアプローチは、動的なポートフォリオの保有量とスケーリングされた参照ポートフォリオとの乖離をペナルティを課す二次形式の項を加えることで、安定した参照ポリシーを動的最適化モデルに統合するものである。

1. 最適化定式化:
   目的関数は、終末資産の分散、期待終末資産、および規制項の間のトレードオフを最小化する：
   $$\min_{u_t} \omega \text{Var}(X_T) - E[X_T] + \omega \sum_{t=0}^{T-1} E\left[ \|u_t - X_t w_t\|^2_{Q_t} \right]$$
   ここで、$u_t$ はポートフォリオの保有量、$X_t$ は富、$w_t$ は事前指定された参照ポートフォリオのウェイト、そして $Q_t$ は正定値重み行列である。項 $\| \cdot \|^2_{Q_t}$ は、重み付き $\ell_2$ ノルムを表す。

2. 解析解:
   Li and Ng (2000) の埋め込み手法（embedding technique）を応用し、動的計画法における分散項の非分離性を解決する。著者らは、終末ホライゾンから後退的に再帰的に計算される、市場依存の有限のパラメータ集合（$a_k, b_k, c_k, D_k$）に依存する、閉形式の再帰的な事前コミットメント・フィードバック・ポリシーを導出する。

3. 高次元漸近分析:
   推定リスク下でのパフォーマンスを特徴付けるために、ランダム行列理論（RMT）のツールを用いる。分析は、$p, n \to \infty$ かつ $p/n \to c$ となる高次元漸近レジームを仮定している。著者らは、アウトオブサンプルにおけるシャープレシオのほとんど確実な（almost sure）極限挙動を導出し、平均ベクトルと共分散行列における推定誤差の影響を明示的に分離する。

主要な貢献

• 閉形式のポリシー特性化: 本論文は、参照規制を含むRRMV問題に対する明示的な解析的フィードバック・ポリシーを提供し、従来の埋め込みアプローチを拡張している。
• 動的ポートフォリオの高次元漸近論: 静的なポートフォリオに焦点を当てた先行研究とは異なり、本論文はマルチピリオド・ポリシーのアウトオブサンプルにおけるシャープレシオの極限を導出している。これにより、$\mu$ と $\Sigma$ の両方の推定誤差が、どのように動的フィードバック・メカニズムを通じて伝播するかを定量化している。
• 交差正則化効果の発見: マルチピリオド設定（$T > 1$）かつ高次元（$p/n > 0$）において、参照ポートフォリオ（$w$）と正則化行列（$Q$）の役割は、単一期間モデルにおけるように厳密には分離されないという中心的な理論的知見を得た。
  • 単一期間モデルでは、$Q$ は $\Sigma$ を正則化し、$w$ は $\mu$ を正則化する。
  • マルチピリオドRRMVフレームワークでは、著者らは $Q$ が $\mu$ の推定誤差を効果的に正則化でき、逆に適切に選択された参照 $w$ が $\Sigma$ の誤差を正則化できることを示している。この「交差正則化（cross-regularization）」は、フィードバック取引の時系列的な相互作用から生じる。
• 最適な正則化パラメータ: 分析により、最適な正則化強度（$\rho$）および参照スケーリング（$\alpha$）は、投資ホライゾン $T$、次元比 $p/n$、および資産の信号対雑音比（SNR）に依存することが明らかになった。

結果

• 理論的知見:

  • シャープレシオは正則化パラメータの関数であることが示されている。著者らは、$T > 1$ の場合、最大理論的シャープレシオが控えめな場合（$\mu^\top \Sigma^{-1} \mu < 1$）であっても、正の正則化（$\rho > 0$）がシャープレシオを向上させ得ることを証明している。
  • 正則化による漸近式の数値分析により、シャープレシオは有限の正の正則化パラメータ $\rho^*$ において最大化されることが示された。これは、「SRスカラー」（収縮によって改善する）と「疑似SR」（過度な収縮によって悪化する可能性がある）のバランスをとっている。
  • 正則化によるシャープレシオの相対的な改善は、投資ホライゾンが長く、次元比が高いほど顕著になることが示されている。

• 実証およびシミュレーションの証拠:

  • シミュレーション: 業界ポートフォリオ（10-Indおよび48-Ind）およびS&P 500構成銘柄から校正されたデータを用い、RRMVポートフォリオは、高次元設定において未正則化のMMV戦略および静的なベンチマークを一貫して上回った。これらはより高いシャープレシオと、大幅に低いターンオーバーを達成した。
  • 実データ: 業界ポートフォリオおよびS&P 500構成銘柄（$p=280, n=120$）のアウトオブサンプル・テストにおいて、等ウェイト（EW）またはグローバル最小分散（GMV-SH）を参照としたRRMVポリシーが最も高いシャープレシオを達成した。特に、サンプル共分散行列が特異となる極端な高次元ケース（$p/n > 1$）において、RRMVフレームワークは堅牢性を維持したが、標準的なMMV戦略は失敗した。
  • インデックス強化: 著者らは、インデックス・トラッキング・ポートフォリオをリファレンスとして用いる（$RRMV-IT$）ことでフレームワークの柔軟性を示し、これがパフォーマンスをさらに向上させ、テストされた全戦略の中で最高のシャープレシオをもたらした。

意義および主張
本論文は、動的なポートフォリオ選択における推定リスクを軽減するための、統一的な理論的および実証的な視点を提供することを主張している。その主な意義は以下の通りである：

1. 正則化の動態への拡張: 静的な正則化を超え、参照ベースのペナルティがいかに動的なフィードバック・ポリシーを安定させるかを示している。
2. 新たなメカニズムの解明: マルチピリオドの文脈において、参照ポートフォリオと正則化行列が異なる種類の推定誤差を補正するためにどのように相互作用するかという「交差正則化」現象を特定し、理論的に証明した。
3. 実用的な堅牢性: 高次元ポートフォリオ管理のための実用的なソリューションを提供しており、安定した参照ポリシーを組み込むことが、特に資産数に対してデータが不足している場合において、マルチピリオド戦略の安定性とアウトオブサンプル・パフォーマンスを大幅に向上させ得ることを示している。

著者らは、本フレームワークは堅牢であるものの、今後の研究では、時変のリターンモーメントや代替的な推定量を扱うことが可能であると結論づけている。