A Deep Learning Framework for Medium-Term Covariance Forecasting in Multi-Asset Portfolios

Technische Samenvatting: Een Deep Learning Framework voor Middeltermijn Covariantieprognose in Multi-Asset Portefeuilles

Probleemstelling
Accurate covariantiematrixprognose is fundamenteel voor portefeuilleallocatie, risicomanagement en asset pricing. Hoewel bestaande literatuur robuuste oplossingen biedt voor kortetermijnhorizons (vaak gebruikmakend van hoogfrequente data en GARCH-gebaseerde modellen) en langetermijnhorizons (vertrouwend op factormodellen of naïeve shrinkage), blijft er een significante kloof bestaan in middeltermijnprognose (meerdere weken tot meerdere maanden vensters). Deze kloof is bijzonder kritiek voor institutionele beleggers die portefeuilles over dergelijke perioden rebalanceren. Bovendien hebben klassieke econometrische modellen vaak moeite met de "vloek van de dimensionaliteit" in grote kruissecties en kunnen ze trage structurele veranderingen of regimeverschuivingen (bijv. verschuivingen in de correlatie tussen aandelen en obligaties) die de middeltermijndynamiek definiëren, niet adequaat vastleggen. Daarnaast is er beperkt empirisch bewijs over of de keuze tussen ruwe rendementen en excess rendementen systematisch van invloed is op covariantieprognoses over deze horizons.

Methodologie
De auteurs stellen een nieuw Deep Learning (DL) framework voor, genaamd CAB, dat is ontworpen om complexe ruimtelijk-temporele afhankelijkheden in multi-asset portefeuilles te vangen. De architectuur integreert drie distincte componenten:

1. 3D Convolutional Neural Networks (CNN): Het model behandelt rollende covariantiematrices als $(N \times N)$-roosters die over de tijd gestapeld zijn. Een 3D CNN-laag past filters toe over temporele en ruimtelijke dimensies om lokale interactiepatronen tussen subsets van activa te identificeren, verdergaand dan lineaire aannames.
2. Bidirectionele Long Short-Term Memory (BiLSTM): Na de CNN worden afgevlakte sequenties verwerkt door een BiLSTM. In tegenstelling tot standaard LSTMs die alleen voorwaartse sequenties verwerken, vangt de BiLSTM context van zowel verleden als toekomstige datapunten binnen het terugkijkvenster, wat het vermogen van het model om temporele afhankelijkheden te begrijpen, versterkt.
3. Multi-Head Self-Attention: Om temporele afhankelijkheden te verfijnen, wordt een multi-head attention-mechanisme toegepast op de BiLSTM-outputs. Dit stelt het model in staat om dynamisch het belang van verschillende tijdstappen te wegen, met focus op de meest relevante patronen voor voorspelling.

Dataverwerking en Beperkingen:

• Input: Het model gebruikt sequenties van geschaalde, rollende covariantiematrices afgeleid van dagelijkse rendementen (zowel ruwe als excess rendementen worden getest).
• Output-beperkingen: Om ervoor te zorgen dat de voorspelde matrix een geldige covariantiematrix is, ondergaat de output specifieke nabewerking:
  • Symmetrisatie: De outputmatrix wordt gemiddeld met zijn getransponeerde.
  • Positief Semi-Definite (PSD): Er wordt een eigenwaardeontbinding uitgevoerd en eventuele negatieve eigenwaarden worden op nul gezet voordat reconstructie plaatsvindt.
  • Shrinkage: Een laatste lineaire shrinkage-stap mengt de DL-output met de meest recente historische covariantiematrix om waardevolle informatie uit recente marktomstandigheden te incorporeren.

Experimentele Opzet

• Data: Dagelijkse data van 14 grote ETF's (dekkend aandelen, vastgoed en vaste inkomsten) van januari 2017 tot december 2023. Een grotere robuustheidscheck gebruikte 260 ETF's.
• Benchmarks: Het CAB-model wordt vergeleken met 10 benchmarks gecategoriseerd als:
  • Naïef: Gelagde gerealiseerde covariantie (NA), Volledige steekproef (NAF), Exponentieel Gewogen Glijdend Gemiddelde (EWMA).
  • De-noising: Hoofdcomponentenanalyse (PCA), Random Matrix Theory (RMT), Ledoit-Wolf shrinkage (LW, LW F).
  • GARCH-gebaseerd: Constante Conditionele Correlatie (CCC), Dynamische Conditionele Correlatie (DCC), Nonlineaire Shrinkage DCC (DCCNL).
• Evaluatiemetrics: Euclidische afstand ($L_E$) en Frobenius-afstand ($L_F$) tussen voorspelde en gerealiseerde covariantiematrices.
• Marktregimes: De testperiode (2021–2023) is verdeeld in drie regimes: Bull-1 (lage rendementen, stabiele aandelen), Bear (stijgende rentes, marktdaling) en Bull-2 (hoge rentes, aandelenopwaartse beweging).

Belangrijkste Resultaten

• Prognoseaccuraatheid: Het CAB-model presteerde consistent beter dan alle klassieke benchmarks over de gehele testperiode. Het verlaagde de Euclidische en Frobenius-afstandsmetrics met maximaal 20% ten opzichte van de best presterende klassieke modellen (bijv. DCC en EWMA).
• Robuustheid over Regimes: CAB toonde superieure prestaties in alle drie de marktregimes (Bull-1, Bear, Bull-2). Hoewel alle modellen een verminderde nauwkeurigheid vertoonden tijdens het turbulente Bear-periode, behield CAB de laagste foutpercentages, met name in de Bull-2-periode gekenmerkt door dynamische cross-asset verschuivingen.
• Schaalbaarheid: In de hoogdimensionale setting (260 ETF's) bleef CAB benchmarks overtreffen, wat zijn vermogen bevestigt om de vloek van de dimensionaliteit effectief het hoofd te bieden.
• Rendementspecificatie: Het prestatievoordeel van het model gold ongeacht of ruwe rendementen of excess rendementen als input werden gebruikt. Dit suggereert dat de effectiviteit van het framework niet afhangt van de aftrekking van de risicovrije rente.
• Prognosehorizons: Het model excelleerde in middeltermijnhorizons (bijv. $F=20, 40, 90$ dagen). Hoewel GARCH-modellen concurrerend presteerden op zeer korte horizons, onderpresteerden ze naarmate de horizon toenam. CAB bleef de topperformer voor middel- tot langetermijnhorizons.

Economische Waarde in Portefeuillebeheer
De auteurs evalueerden de economische nut van de prognoses met behulp van een Global Minimum Variance (GMV) portefeuillestrategie zonder short-selling beperkingen.

• Risicovermindering: Portefeuilles die waren opgebouwd met CAB-prognoses bereikten een lagere out-of-sample volatiliteit vergeleken met die welke andere modellen en de gelijkgewogen ($1/N$) benchmark gebruikten.
• Omzet: Cruciaal bereikte CAB deze risicovermindering met matige omzet. In tegenstelling tot sommige dynamische modellen die frequente herallocatie (hoge omzet) vereisten om marginale variantieverminderingen te bereiken, bood CAB een stabiel evenwicht tussen responsiviteit op marktveranderingen en transactiekostenefficiëntie.
• Regimeadaptatie: In het Bear-regime rangschikte CAB zich in de top voor dagelijkse en wekelijkse horizons, waarbij een lager omzetniveau werd afgewogen tegen volatiliteit.

Betekenis en Claims
Het artikel claimt dat geavanceerde deep learning-architecturen, specifiek die welke 3D convoluties, bidirectionele LSTMs en attention-mechanismen combineren, een praktische oplossing bieden voor de onderontgonnen uitdaging van middeltermijn covariantieprognose. De studie benadrukt dat:

1. Hybride Benaderingen: Het integreren van datagedreven DL-technieken met traditionele econometrische concepten (zoals shrinkage) aanzienlijke winsten oplevert in voorspellende nauwkeurigheid, vooral tijdens marktdruk.
2. Praktische Toepasbaarheid: Het framework biedt tastbare economische voordelen voor institutionele beleggers door portefeuillevolatiliteit te verminderen zonder buitensporige handelskosten te maken.
3. Robuustheid: De prestaties van het model zijn robuust voor verschillende rendementspecificaties (ruw versus excess) en schalen effectief naar grote activa-universa.

De auteurs concluderen dat hoewel hun werk de kloof overbrugt tussen machine learning-innovatie en financiële principes, toekomstig onderzoek moet onderzoeken hoe zwaarstaartverdelingen kunnen worden opgenomen voor betere tailrisico-opname en transactiekosten expliciet in het optimalisatieproces moeten worden opgenomen.