A Spectral Generalisation of the Variance Ratio: Eigenstructure of Long-Horizon Portfolio Covariance and a Multi-Memory Factor Model of U.S. Equity Returns

기술 요약: 분산 비율의 스펙트럼 일반화

문제 제기
자산 수익률을 시간 지평($H$)에 따라 집계하는 것은 횡단면의 2차 모멘트 구조를 근본적으로 변화시킨다. Lo와 MacKinlay(1988)의 단변량 분산 비율 검정은 단일 시계열에 대해 $H$-기간 수익률이 깔끔하게 집계되는지를 평가하지만, 공분산 행렬의 고유 구조(eigenstructure)에 포함된 횡단면 정보를 버린다. Hong 등(2017)의 행렬 값 분산 비율과 같은 기존의 다변량 확장 방식은 더 많은 구조를 보존하지만, 추론을 위해 이를 스칼라 함수(trace, determinant)로 축소하며, 고유 모드(eigenmode)별로 장기 지평 역학을 인덱싱하는 데 실패한다. 또한, 주식 수익률은 독립 항등 분포(i.i.d.) 가우시안 행동으로부터의 이탈, 즉 멱법칙 꼬리(power-law tails), 절대 수익률의 장기 의존성, 그리고 다중 스케일 자기 유사성(multifractal cascades와 일치하는 변동성)을 포함한 문서화된 특성을 보인다. 본 논문은 이러한 결합된 편차를 선형(수익률) 및 변동성 채널 모두에서 구조화된 고유 구조 인덱스 성분으로 분해할 필요성을 다룬다.

방법론
저자들은 고유 모드 인덱싱된 다변량 분산 비율 일반화를 제안한다. 이 프레임워크는 대칭 행렬 값 시계열 $\Sigma_t$와 그 $H$-기간 집계치 $\Sigma^{(H)}_t$에 대해 정의된 두 가지 횡단면 통계량에 기초한다:

1. 고유 모드별 분산 비율 ($\kappa$):
   $$\kappa_i(H) := \frac{\lambda_i(\Sigma^{(H)}_t)}{H \cdot \lambda_i(\Sigma_t)}$$
   이는 집계 지평에 따른 $i$번째 주성분 방향의 자기상관을 측정한다. i.i.d. 수익률 하에서 $\kappa_i(H) = 1$이다.

2. 고유벡터 중첩 행렬 ($O$):
   $$O_{ij}(H) := |\langle v_i(\Sigma^{(H)}_t), v_j(\Sigma_t) \rangle|^2$$
   이는 지평이 확장됨에 따라 고유 기저(eigenbasis)가 기하학적으로 회전하는 정도를 측정한다. i.i.d. 수익률 하에서 $O_{ij}(H) = \delta_{ij}$이다.

본 논문은 파라미터 모델 하에서의 이 통계량들에 대한 폐쇄형 예측치를 도출한다. 선형 채널의 경우, AR($p$) 프로세스가 특성 근(characteristic roots)에 의해 인덱싱된 AR(1) 분산 비율들의 가중 합으로 $\kappa$를 분해함을 입증한다. 고유벡터 중첩의 경우, 회전이 고유값 간격(eigenvalue gap)과 지평 의존적 포화 계수에 의존함을 보여주는 1차 섭동 결과를 도출한다.

경험적 편차를 모델링하기 위해, 저자들은 선형 채널(로그 수익률의 공분산)과 변동성 채널(제곱 수익률의 공분산)에 공동 적용되는 5요인 다중 메모리 모델을 구축한다. 요인은 다음과 같다:

• $F_P$ (지속적): 허스트 지수 $H_P > 0.5$를 갖는 분수 브라운 운동(fBm).
• $F_A$ (역지속적): $H_A < 0.5$를 갖는 fBm.
• $F_M$ (다중 프랙탈): 선형 채널의 ARFIMA(1, $d_M$, 0) 프로세스와 변동성 채널의 마르코프 전환 다중 프랙탈(MSM) 캐스케이드가 결합된 형태.
• $F_V$ (변동성 동반자): $F_M$의 MSM 캐스케이드를 공유하지만 선형 구조는 기여하지 않는 순수 변동성 요인.
• $F_{Vt}$ (일시적 변동성): 변동성의 변동성을 규정하며 일시적 클러스터링을 포착하는 ARFIMA 프로세스.

이 모델은 경험적 $(\kappa^{lin}, \kappa^{vol})$ 행렬에 대해 이동 블록 부트스트랩(1,000회 반복)과 L-BFGS-B 최적화를 사용한 결합 최소제곱법(LS)을 통해 추정된다.

주요 기여 및 결과
이 프레임워크는 네 개의 미국 주식 패널(Fama-French 49-산업 전체 샘플 및 pre/post-1998 분할; Fama-French 100 규모 $\times$ PBR 정렬)과 하나의 비미국 복제 패널(Europe 25)에 적용되었다. 분석은 세 가지 주요 결과를 도출한다:

1. 보편적 5요인 분해: 동일한 5요인 모델이 모든 패널에서 장기 지평 주식 역학의 7가지 정형화된 사실을 동시에 복구한다:

   • 시장 모드 분산 비율 이상 현상: 시장 모드에서의 선형 채널 내 상승 후 하락 패턴.
   • 팩터 모멘텀: 하위 주성분 모드(순위 2–3)에서의 단조 증가하는 분산 비율.
   • 장기 지평 평균 회귀: 깊은 고유 모드(순위 24+)에서의 급격히 감소하는 분산 비율.
   • 단기 변동성 클러스터링: 변동성 분산 비율의 급격한 초기 상승.
   • 다중 스케일 변동성 장기 기억: 다중 프랙탈 캐스케이드와 일치하는(약 5년에서 $\approx 48$에 도달하는) 시장 모드 변동성 채널에서의 거대한 분산 비율 축적.
   • 일시적 변동성: 깊은 고유 모드에서의 에피소드적 변동성 폭발.
   • 횡단면 집중도: 지평이 길어짐에 따라 변동성 스펙트럼은 단일 지배 모드로 집중되는 반면, 선형 스펙트럼은 넓어진다.
     분수 브라운 지수($H_P \approx 0.52\text{--}0.57$, $H_A \approx 0.17\text{--}0.27$)는 산업 정렬, 규모/가치 정렬, 시간적 하위 샘플 전반에 걸쳐 안정적으로 유지되며, 이는 보편적인 고유 구조 수준의 명세를 나타낸다.

2. 변동성 메모리의 체제 전환: 논문은 1998년의 정적 분할 경계가 아니라 1980년대 후반에 발생하는 미국 주식 변동성 메모리의 구조적 변화를 식별한다.

   • 이동 창 분석(28년 윈도우, 2년 간격)을 통해 이 전환을 국지화한다. 시장 모드 변동성 채널에 대한 MSM 캐스케이드의 가중치($w^{vol}_{MSM}$)는 중앙값이 1985년 중심인 0.30에서 1991년 중심인 0.93으로 단조 증가하며, 1995년부터 1.00으로 포화된다.
   • 90% 신뢰 구간(1983년 중심의 pre-transition 윈도우와 1999년 중심의 post-transition 윈도우)은 엄격히 겹치지 않는다.
   • 캐스케이드의 "교차 시간 척도"(최저 주파수 성분의 지속 시간, $1/\gamma_1$)는 pre-1998 기간의 약 2.2년에서 post-1998 기간의 4.0년으로 길어진다. 정적 "전반기" 패널(1969–1997)은 이 두 체제를 혼합하기 때문에 식별력이 약하다.

3. 교차 채널 $\beta$-역전 및 별개의 로딩: 저자들은 다중 프랙탈 요인의 선형 및 변동성 시그니처가 단일 공유 교차 자산 로딩 벡터($\beta_M$)에 의해 지배된다는 가설을 테스트한다.

   • $\beta$-역전 테스트를 통해 선형 및 변동성 채널로부터 각각 독립적으로 제곱 로딩 $|\beta_M[a]|^2$을 복구한다.
   • 결과는 공유 로딩 가설을 기각한다. 복구된 로딩 간의 피어슨 상관계수는 네 개의 패널 중 세 개에서 유의미하게 음수이다(예: 전체 샘플에서 $-0.771$).
   • 이는 수익 모멘텀 패턴을 구동하는 경제적 특성이 변동성 지속성 패턴을 구동하는 것과 구별됨을 의미하며, 단일 로딩으로는 두 채널을 모두 설명할 수 없다.

의의
본 논문은 분산 비율의 첫 번째 고유 구조 인덱싱된 분해를 제공하여, 안정적인 주성분 방향을 따르는 시간적 자기상관과 해당 방향의 횡단면적 회전을 구분한다. 선형 채널과 변동성 채널을 분리함으로써, "시장 모드"가 단일한 실체가 아니라 서로 다른 메모리 메커니즘의 합성체임을 밝혀낸다: 즉, 반지속적 및 ARFIMA 성분에 의해 구동되는 상승 후 하락하는 선형 프로파일과 순수 다중 스케일 변동성 캐스케이드의 결합이다.

1980년대 후반의 체제 전환 식별은 변동성의 장기 기억 구조가 정적이지 않고 진화해 왔음을 시사하며, 현대 시대에 이르러 최저 주파수 캐스케이드 성분을 다년 지평으로 연장시켰음을 보여준다. 마지막으로, 공유 로딩 가설의 기각은 단일 위험 요인이 수익과 변동성 역학을 모두 구동한다고 가정하는 모델에 도전하며, 대신 산업 및 규모/가치 특성이 이 두 채널을 독립적으로 예측함을 시사한다. 이 프레임워크는 다양한 자산 유니버스와 시기에 걸쳐 유지되는 장기 지평 주식 역학에 대한 강력하고 간결한(5요인) 설명을 제공한다.