Factor Dimensionality and the Bias-Variance Tradeoff in Diffusion Portfolio Models

Each language version is independently generated for its own context, not a direct translation.

🎯 De Kern: Hoeveel ingrediënten heb je nodig voor een perfecte stoofpot?

Stel je voor dat je een meesterkok bent die probeert de perfecte stoofpot te maken. Je hebt een enorme kast vol met kruiden, groenten en vlees (dit zijn de factoren of kenmerken van bedrijven, zoals winst, omvang en schuld).

De onderzoekers van deze paper (Avi Bagchi, Michael Tesfaye en Om Shastri) hebben een nieuwe, slimme keukenmachine uitgevonden: een Diffusiemodel. Dit is een soort AI die niet alleen voorspelt hoe de stoofpot smaakt, maar de hele kansverdeling van mogelijke smaken leert. Ze gebruiken deze machine om te voorspellen welke aandelen (de ingrediënten) de volgende maand goed zullen presteren, zodat ze een perfect beleggingsportefeuille (de stoofpot) kunnen samenstellen.

Maar ze ontdekten een heel belangrijk geheim: Het gaat niet om "hoe meer, hoe beter".

🎚️ Het Dilemma: Te weinig vs. Te veel

De onderzoekers hebben gekeken wat er gebeurt als je het aantal ingrediënten (factoren) verandert. Ze zagen een duidelijk patroon, net zoals bij het koken:

1. Te weinig factoren (De "Onderkookte" Stoofpot)

Wat gebeurt er: Je gebruikt maar 1 of 2 kruiden.
Het resultaat: De machine denkt dat alles ongeveer hetzelfde is. Ze spreidt het geld heel gelijkmatig over honderden aandelen.
De analogie: Het is alsof je een stoofpot maakt met alleen water en zout. Het is veilig, maar saai en niet bijzonder. Je mist de echte smaak van de markt.
Financieel: Dit heet onderfitting. Het portfolio is te divers, maar presteert slecht omdat het geen echte kansen herkent.

2. Te veel factoren (De "Overgecompliceerde" Stoofpot)

Wat gebeurt er: Je gooit alle 350 kruiden in de pot, inclusief die rare, zeldzame specerijen die je maar één keer hebt gebruikt.
Het resultaat: De machine wordt gek. Ze denkt dat elke kleine ruis in de data een belangrijk signaal is. Ze gaat geld steken in heel specifieke, willekeurige aandelen.
De analogie: Je probeert een perfecte stoofpot te maken door elke mogelijke smaak toe te voegen. Het resultaat is een chaotische, onsmakelijke soep die elke keer anders smaakt. Je hebt de echte smaak verpest door te veel ruis.
Financieel: Dit heet overfitting. Het model lijkt briljant in de testfase, maar faalt in de echte wereld (buiten de steekproef) omdat het "leerde" van toeval in plaats van van echte patronen.

3. Het Gouden Midden (De "Perfecte" Stoofpot)

Wat gebeurt er: Ze vonden een magisch getal (rond de 170 factoren).
Het resultaat: De machine gebruikt genoeg kruiden om de echte smaak te vangen, maar negeert de ruis. Ze focust op de aandelen die echt iets beloven.
De analogie: Dit is de perfecte stoofpot. Je hebt de juiste balans: genoeg complexiteit voor smaak, maar niet zo veel dat het on eetbaar wordt.
Financieel: Dit portfolio presteerde het beste. Het verdiende meer geld dan de standaard methoden (zoals "evenveel in alles stoppen" of simpele historische gemiddelden).

📉 De "Bias-Variance" Ruil (De Balans)

In de paper noemen ze dit de Bias-Variance Tradeoff. Laten we het zo zien:

Bias (Vooroordeel): Als je te simpel denkt (te weinig factoren), negeer je de complexiteit van de markt. Je maakt een simpele fout.
Variance (Variatie): Als je te complex denkt (te veel factoren), reageer je te heftig op elke kleine schommeling. Je wordt onstabiel.

De kunst is om de perfecte balans te vinden waar je niet te simpel bent, maar ook niet te nerveus.

🚀 Wat betekent dit voor de toekomst?

De boodschap van dit onderzoek is simpel:
Als je AI gebruikt om te beleggen, is "meer data" niet altijd beter. Je moet de grootte van je model (het aantal factoren) slim afstemmen.

Te klein? Je mist kansen.
Te groot? Je maakt dure fouten door ruis.
Juiste grootte? Je wint.

Het is alsof je een instrument instelt: als je het te strak draait, breekt de snaar. Als je het te los draait, klinkt het niet. Je moet de snaar op de juiste spanning zetten om de mooiste muziek (en de beste winst) te maken.

Kortom: De beste beleggers (en AI-modellen) zijn niet degene die alles weten, maar degene die weten wat ze moeten negeren.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Factor Dimensionality and the Bias–Variance Tradeoff in Diffusion Portfolio Models", geschreven in het Nederlands.

Titel: Factor Dimensionality and the Bias–Variance Tradeoff in Diffusion Portfolio Models

Auteurs: Avi Bagchi, Michael Tesfaye, Om Shastri (Universiteit van Pennsylvania)
Context: ICLR 2026 Workshop on Time Series in the Age of Large Models (TSALM)

1. Het Probleem

Het voorspellen van activa-returns (opbrengsten) is een fundamenteel probleem in de kwantitatieve financiën. Traditionele lineaire factormodellen (zoals Fama-French) zijn goed hanteerbaar maar hebben moeite om niet-lineaire dynamieken en hogere-orde markteffecten te vangen.

Recente generatieve benaderingen, zoals diffusion-modellen, bieden de mogelijkheid om de volledige verdeling van toekomstige returns te modelleren in plaats van alleen puntvoorspellingen. Echter, bij het toepassen van conditionele diffusion-modellen op financiële data rijst de vraag naar de optimale dimensie van de factoren (bedrijfskenmerken) die als conditie worden gebruikt.

Te weinig factoren leiden tot onderfitting (hoge bias), waarbij het model te weinig structuur leert.
Te veel factoren leiden tot overfitting (hoge variantie), waarbij het model ruis leert in plaats van signaal, wat resulteert in onstabiele portefeuilles.

Het paper onderzoekt hoe de dimensie van de input-factoren deze bias–variatie trade-off beïnvloedt in de context van portefeuilleconstructie.

2. Methodologie

Data

De auteurs gebruiken de "Global Factor Data" van Wharton Research Data Services (WRDS), gebaseerd op CRSP en Compustat.

Periode: Januari 2010 tot februari 2025.
Dataset: Meer dan 400 bedrijfskenmerken (factoren) voor beursgenoteerde aandelen.
Preprocessing: De data wordt omgezet naar een vast formaat maandelijkse panel ( $T=150$ maanden, $N=200$ activa, $K$ factoren). Returns worden winsorized en kenmerken worden genormaliseerd.

Model: Conditionele Diffusie

Het paper implementeert een Conditioneel Denoising Diffusion Probabilistic Model (DDPM) gebaseerd op het werk van Gao et al. (2025).

Doel: Leren van de volledige conditionele verdeling $p(R_{t+1} | X_t)$ , waarbij $R_{t+1}$ de vector van returns is en $X_t$ de vector van bedrijfskenmerken (factoren).
Architectuur: Een Diffusion Transformer.
- Elk actief wordt weergegeven als een "token".
- Cross-sectionele afhankelijkheden tussen activa worden gevangen via zelf-attentie (self-attention) lagen.
- Conditionering op bedrijfskenmerken gebeurt lokaal via adaptieve normalisatielagen op token-niveau.
Training: Het model leert het toegevoegde ruisproces om te reverseren, gegeven de kenmerken $X_t$ .

Portefeuille Constructie

Na het trainen genereert het model Monte Carlo-steekproeven uit de conditionele verdeling voor elke periode.

Momenten schatten: Uit de steekproeven worden de conditionele gemiddelde ( $\hat{\mu}_t$ ) en covariantiematrix ( $\hat{\Sigma}_t$ ) geschat.
Optimalisatie: Een Mean-Variance optimalisatie (Markowitz) wordt uitgevoerd met een lange-only beperking ( $\omega \ge 0$ ) en een risicovermijdingsparameter $\gamma = 100$ .
$\max_{\omega} \omega^\top \hat{\mu}_t - \frac{\gamma}{2} \omega^\top \hat{\Sigma}_t \omega$

Experimenteel Ontwerp (Ablatie)

De kern van het onderzoek is een ablatiestudie waarbij het aantal factoren ( $k$ ) systematisch wordt gevarieerd:

$k \in \{1, 3, 6, 11, 18, 30, 48, 75, 115, 170, 240, 300, 350\}$ .
Vergelijking met baselines: Equal-Weighted (EW), Empirical (Emp), en Shrinkage Empirical (ShrEmp).

3. Belangrijkste Resultaten

De experimenten tonen een duidelijke bias–variatie trade-off aan:

Lage Capaciteit (Kleine $k$ , bijv. $k=1$ ):
- Gedrag: Het model onderfittet de data. De portefeuillegewichten zijn zeer verspreid over veel activa.
- Resultaat: De strategie presteert slecht en volgt de baselines, vaak met een te hoge bias. Het model mist de complexe niet-lineaire relaties.
Intermediaire Capaciteit (Optimale $k$ , bijv. $k=170$ ):
- Gedrag: Het model bereikt een evenwicht. De gewichten concentreren zich op een kleiner aantal activa met persistente signalen, maar blijven stabiel.
- Resultaat: Dit bereik ( $k \approx 170$ ) levert de beste generalisatie op. De cumulatieve returns zijn significant hoger dan alle baselines (EW, Emp, ShrEmp). De portefeuille is divers genoeg om risico te spreiden, maar specifiek genoeg om alpha te genereren.
Hoge Capaciteit (Grote $k$ , bijv. $k=350$ ):
- Gedrag: Het model overfittet. Het leert ruis uit de trainingsdata.
- Resultaat: De portefeuillegewichten worden extreem geconcentreerd (spars) en instabiel van maand tot maand. Dit leidt tot een sterke daling in out-of-sample prestaties en een hoge variantie.

Visuele Bevestiging:

Heatmaps (Figuur 1 & Bijlage B.2): Tonen dat bij lage $k$ de gewichten diffuus zijn, bij optimale $k$ ze gericht zijn op specifieke signalen, en bij hoge $k$ ze chaotisch en onstabiel worden.
Cumulatieve Returns (Figuur 2 & Bijlage B.1): De "Factordiff"-strategie met $k=170$ overtreft de baselines duidelijk, terwijl de strategieën met $k=1$ en $k=350$ falen om consistent winstgevend te zijn.

4. Bijdragen en Significatie

Empirisch Bewijs voor Dimensie-Optimalisatie: Het paper biedt een van de eerste gedetailleerde analyses van hoe de dimensie van input-factoren de prestaties van diffusion-modellen in de financiën beïnvloedt. Het weerlegt de aanname dat "meer data/factoren altijd beter is".
Bias-Variatie Trade-off in Generatieve Financiële Modellen: Het toont aan dat diffusion-modellen, net als traditionele modellen, gevoelig zijn voor overfitting bij hoge dimensies, wat resulteert in onbruikbare portefeuille-allokaties.
Praktische Richtlijn: Voor practitioners die diffusion-modellen willen gebruiken voor portefeuillebeheer, biedt het paper een concrete richtlijn: er bestaat een "sweet spot" in het aantal factoren (in dit geval rond de 170) dat de beste balans biedt tussen het vangen van marktstructuren en het vermijden van ruis.
Toekomstperspectief: De auteurs wijzen op het potentieel van "impliciete factormodellen" (zoals voorgesteld door Chen et al., 2023), waarbij de diffusie het laag-dimensionale structuur zelf leert zonder expliciete factorselectie, wat een mogelijke oplossing zou kunnen zijn voor het handmatig bepalen van $k$ .

Conclusie

De studie concludeert dat het succes van diffusion-modellen in de portefeuilleconstructie sterk afhankelijk is van de juiste dimensie van de conditionele factoren. Een te beperkt model onderfittet, terwijl een te complex model overfittet. Door een ablatiestudie uit te voeren, identificeren de auteurs een optimaal bereik van factoren dat leidt tot superieure out-of-sample prestaties ten opzichte van traditionele en empirische strategieën.