💰 quantitative finance

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

Dit artikel introduceert een spectrale generalisatie van de variantieratio om een robuust vijffactorenmodel te identificeren dat rendementen op de lange termijn deconstrueren in afzonderlijke kanalen van rendement- en volatiliteitsgeheugen, waarbij een regimeverschuiving in de volatiliteitspersistentie eind jaren tachtig wordt onthuld en wordt aangetoond dat de cross-sectionele drijfveren van rendementsmomentum economisch verschillend zijn van die welke de volatiliteitspersistentie beheersen.

Oorspronkelijke auteurs: Anders G Frøseth

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Anders G Frøseth

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de aandelenmarkt niet voor als een enkele, chaotische oceaan, maar als een complex orkest dat een symfonie speelt. Decennialang hebben economen geprobeerd de muziek te begrijpen door slechts naar één instrument (een enkel aandeel) te luisteren of door het totale volume van het hele orkest te meten. Dit artikel stelt een nieuwe manier voor om te luisteren: door de specifieke "noten" (patronen) te identificeren die het orkest speelt en te begrijpen hoe die noten in de loop van de tijd veranderen.

Hier is een uitsplitsing van de bevindingen van het artikel met behulp van eenvoudige analogieën:

1. Het Probleem: Op de verkeerde manier luisteren

Stel je voor dat je probeert te begrijpen hoe een menigte mensen beweegt.

De Oude Methode: Je kiest één persoon uit en observeert deze een jaar lang. Je denkt misschien: "Oh, hij loopt in een rechte lijn," of "Hij stopt en start steeds opnieuw." Maar dit negeert hoe de hele menigte gezamenlijk beweegt.
De Methode van het Papier: In plaats van naar één persoon te kijken, kijkt de auteur naar de bewegingspatronen van de gehele menigte tegelijkertijd. Ze gebruiken een wiskundig hulpmiddel genaamd "eigenstructuur" om de verborgen "dansbewegingen" te vinden die de hele groep samen maakt. Ze noemen dit de "principale richtingen" of de "hoofdmelodieën" van het orkest.

2. De Ontdekking: De Markt Heeft Twee "Kanalen"

De auteurs ontdekten dat het geheugen van de markt werkt via twee verschillende kanalen, zoals twee verschillende radiostations die tegelijkertijd uitzenden:

Het "Prijs"-kanaal (Lineair): Dit gaat over de werkelijke koersschommelingen van aandelen, omhoog en omlaag.
Het "Volatiliteit"-kanaal: Dit gaat over hoe wild of rustig de prijsschommelingen zijn (de angst en de opwinding).

Het artikel laat zien dat deze twee kanalen een andere "geheugenwerking" hebben. Het feit dat een prijsontwikkeling lang aanhoudt, betekent niet dat de angst (volatiliteit) even lang duurt. Ze zijn als twee verschillende instrumenten die verschillende ritmes spelen.

3. Het "Vijf-Factoren"-Orkest

De auteurs ontdekten dat de gehele Amerikaanse aandelenmarkt kan worden verklaard door slechts vijf hoofd-"muzikanten" (factoren) die samen spelen. Deze vijf factoren verklaren bijna alles aan hoe aandelen zich gedragen over lange perioden (jaren, niet alleen dagen):

De Standvastige Speler: Een muzikant die een gestage, langdurige melodie blijft spelen (momentum).
De Antipersistente Speler: Een muzikant die een melodie speelt die zichzelf constant corrigeert (mean reversion — wanneer zaken te veel stijgen, hebben ze de neiging om weer terug te keren naar het gemiddelde).
De "Multifractale" Dirigent: Dit is de meest complexe muzikant. Zij creëren een "cascade" van ruis die luider en complexer wordt naarmate de tijd verstrijkt. Dit verklaart waarom beurscrash of booms het gevoel kunnen hebben een eigen leven te leiden dat zich over jaren uitstrekt.
De Alleen-Volatiliteit-Speler: Een muzikant die alleen de "angst"-noten speelt, en niet de "prijs"-noten.
De "Burst"-Speler: Een muzikant die korte, intense uitbarstingen van ruis speelt die snel weer wegsterven.

De Grote Bevinding: Dezelfde "vijf-muzikanten"-band verklaart de markt, of je nu kijkt naar:

Verschillende sectoren (zoals Tech versus Healthcare).
Verschillende soorten bedrijven (Klein versus Groot, Goedkoop versus Duur).
Verschillende tijdperken (vóór 1998 versus na 1998).
Zelfs de Europese markt (een "replica" van de Amerikaanse bevindingen).

4. De "Grote Verschuiving" van de Late Jaren '80

Een van de meest opwindende bevindingen is een "regimeovergang". De auteurs ontdekten dat de markt niet simpelweg langzaam veranderde; het onderging een structurele verschuiving in de late jaren '80.

Vóór de Verschuiving: De "angst" (volatiliteit) in de markt was als een kortstondige storm. Het raasde even en kwam dan relatief snel weer tot rust (ongeveer 2 jaar).
Ná de Verschuiving: De "angst" werd een diepe, langzaam bewegende oceaanstroom. De langstaanhoudende golven van volatiliteit strekten zich uit tot wel 4 jaar.

Denk aan een rivier die van loop verandert. Vóór de late jaren '80 bewoog het water in snelle, ondiepe rimpelingen. Na de late jaren '80 ontwikkelde de rivier diepe, langzaam bewegende stromingen die jaren nodig hadden om voorbij te gaan. De auteurs bepaalden deze verandering met behulp van een "rolling window"-techniek, waarbij zij aantoonden dat de verschuiving geleidelijk maar stevig plaatsvond tussen 1985 en 1995, en niet op de willekeurige datum van 1998 die vaak door andere onderzoekers wordt gebruikt.

5. De "Beta Inversie" Verrassing

Ten slotte testten de auteurs een algemene aanname: dat dezelfde bedrijven die prijsontwikkelingen drijven (zoals momentum), ook dezelfde bedrijven zijn die volatiliteitstrends drijven.

De Hypothese: Als een bedrijf een "prijsleider" is, zou het ook een "angstleider" moeten zijn.
De Realiteit: De auteurs vonden het tegenovergestelde. De bedrijven die langetermijnprijsontwikkelingen aansturen, zijn volkomen verschillend van de bedrijven die langetermijnvolatiliteitstrends aansturen. Het is alsof de "prijs-orkest" en de "angst-orkest" in verschillende kamers spelen met verschillende muzikanten.

Samenvatting

Dit artikel betoogt dat de aandelenmarkt geen willekeurige chaos is. Het is een hooggestructureerd systeem met vijf kernpatronen die zich herhalen over verschillende landen en tijdperken heen. Echter, de "spelregels" voor hoe lang marktangst aanhoudt, zijn in de late jaren '80 permanent veranderd, waarbij de verschuiving plaatsvond van kortstondige pieken naar langdurige, meerjarige golven. Het belangrijkste is dat de krachten die prijzen bewegen, onderscheidend zijn van de krachten die volatiliteit bewegen; het zijn twee aparte verhalen die tegelijkertijd plaatsvinden.

Technische Samenvatting: Een Spectrale Generalisatie van de Variatieratio

Probleemstelling
De aggregatie van activareturns over tijdshorizonten ( $H$ ) verandert de structuur van het tweede moment van de dwarsdoorsnede fundamenteel. Hoewel de univariate variatieratietoets van Lo en MacKinlay (1988) beoordeelt of $H$ -periode returns zuiver aggregeren voor een enkele reeks, negeert deze de dwarsdoorsnede-informatie die besloten ligt in de eigenstructuur van de covariantie-matrix. Bestaande multivariate uitbreidingen, zoals de matrix-gewaardeerde variatieratio van Hong et al. (2017), behouden meer structuur maar reduceren deze tot scalaire functionaliteiten (trace, determinant) voor inferentie, waardoor ze falen om de dynamiek op lange termijn te indexeren per eigenmodus. Bovendien vertonen aandelenrendementen gedocumenteerde afwijkingen van i.i.d. Gaussische gedragingen, inclus van power-law staarten, langdurige afhankelijkheid in absolute returns en multi-schaal zelfgelijkenis in volatiliteit, consistent met multifractale cascades. Het artikel adresseert de behoefte aan een raamwerk dat deze gezamenlijke afwijkingen deelt in gestructureerde, eigenstructuur-geïndexeerde componenten over zowel lineaire (return) als volatiliteitskanalen.

Methodologie
De auteurs stellen een multivariate, eigenmodus-geïndexeerde generalisatie van de variatieratietoets voor. Het raamwerk steunt op twee dwarsdoorsnede-statistieken gedefinieerd voor een symmetrische matrix-gewaardeerde tijdreeks $\Sigma_t$ en zijn $H$ -periode aggregaat $\Sigma^{(H)}_t$ :

Per-Eigenmodus Variatieratio ( $\kappa$ ):
$\kappa_i(H) := \frac{\lambda_i(\Sigma^{(H)}_t)}{H \cdot \lambda_i(\Sigma_t)}$
Dit meet de autocorrelatie van de $i$ -de hoofdrichting over aggregatiehorizonten. Onder i.i.d. returns geldt $\kappa_i(H) = 1$ voor alle $i, H$ .
Eigenvector-Overlap Matrix ( $O$ ):
$O_{ij}(H) := |\langle v_i(\Sigma^{(H)}_t), v_j(\Sigma_t) \rangle|^2$
Dit meet de geometrische rotatie van de eigenbasis naarmate de horizon zich uitbreidt. Onder i.i.d. returns geldt $O_{ij}(H) = \delta_{ij}$ .

Het artikel leidt gesloten vorm voorspellingen af voor deze statistieken onder parametrische modellen. Voor het lineaire kanaal stelt het vast dat een AR( $p$ )-proces $\kappa$ ontleedt in een gewogen som van AR(1) variatieratio's geïndexeerd door karakteristieke wortels. Voor de eigenvector-overlap leidt het een first-order perturbatie-resultaat af waaruit blijkt dat rotatie afhangt van de eigenvalue gap en een horizon-afhankelijke verzadigingsfactor.

Om de empirische afwijkingen te modelleren, construeren de auteurs een vijffactoren multi-memory model dat gezamenlijk wordt toegepast op het lineaire kanaal (covariantie van log-returns) en het volatiliteitskanaal (covariantie van gekwadrateerde returns). De factoren zijn:

$F_P$ (Persistent): Fractionele Brownse beweging (fBm) met Hurst-exponent $H_P > 0.5$ .
$F_A$ (Antipersistent): fBm met $H_A < 0.5$ .
$F_M$ (Multifractal): Een ARFIMA(1, $d_M$ , 0) proces in het lineaire kanaal gekoppeld aan een Markov-Switching Multifractal (MSM) cascade in het volatiliteitskanaal.
$F_V$ (Volatility Companion): Een zuivere volatiliteitsfactor die de MSM-cascade van $F_M$ deelt maar geen lineaire structuur bijdraagt.
$F_{Vt}$ (Transitory Volatility): Een ARFIMA-proces dat de volatiliteit-van-volatiliteit reguleert en transient clustering vangt op.

Het model wordt geschat via joint least squares (LS) op de empirische $(\kappa^{lin}, \kappa^{vol})$ matrices met behulp van een moving-block bootstrap (1.000 replicaten) en L-BFGS-B optimalisatie.

Belangrijkste Bijdragen en Resultaten
Het raamwerk wordt toegepast op vier Amerikaanse aandelenpanels (Fama-French 49-industrie volledige steekproef en pre/post-1998 splits; Fama-French 100 grootte $\times$ book-to-market sort) en een niet-Amerikaanse replicatie (Europa 25). De analyse levert drie primaire bevindingen op:

Universele Vijffactoren-Decompositie: Dezelfde vijffactoren-model herstelt zeven gestileerde feiten van aandelendynamiek op lange termijn simultaan over alle panels:
- Market-mode variatieratio-anomalie: Een stijgend-dan-dalend patroon in het lineaire kanaal bij de markt-modus.
- Factor momentum: Monotoon stijgende variatieratio's in sub-leidende eigenmodes (rang 2–3).
- Long-horizon mean reversion: Sterk dalende variatieratio's in diepe eigenmodes (rang 24+).
- Short-range volatiliteitsclustering: Scherpe initiële stijging in volatiliteitsvariatieratio's.
- Multi-schaal volatiliteits long memory: Een massale accumulatie van variatieratio in het markt-modus volatiliteitskanaal (bereikend $\approx 48$ bij 5 jaar), consistent met een multifractale cascade.
- Transitory volatiliteit: Episodische volatiliteitsuitbarstingen in diepe eigenmodes.
- Cross-sectionale concentratie: Het volatiliteitsspectrum concentreert zich op een enkele dominante modus naarmate de horizon langer wordt, terwijl het lineaire spectrum verbredt.
  De fractionele Brownse exponenten ( $H_P \approx 0.52\text{--}0.57$ , $H_A \approx 0.17\text{--}0.27$ ) blijven stabiel over industrie-sorts, grootte-waarde sorts en temporele sub-samples, wat wijst op een universele eigenstructuur-niveau specificatie.
Regimeovergang in Volatiliteitsgeheugen: Het artikel identificeert een structurele breuk in het Amerikaanse aandelenvolatiliteitsgeheugen in de late jaren 1980, in plaats van bij de statische 1998 split-half grens.
- Een rolling-window analyse (28-jarige vensters, 2-jarige strides) lokaliseert de transitie. Het gewicht van de MSM-cascade op het markt-modus volatiliteitskanaal ( $w^{vol}_{MSM}$ ) stijgt monotoon van een mediaan van 0.30 (gecentreerd 1985) naar 0.93 (gecentreerd 1991) en verzadigt naar 1.00 vanaf 1995.
- De 90% betrouwbaarheidsintervallen voor de pre-transitie (gecentreerd 1983) en post-transitie (gecentreerd 1999) vensters overlappen strikt niet.
- De "cross-over tijdsschaal" van de cascade (duur van de laagste-frequentie component, $1/\gamma_1$ ) verlengt van ongeveer 2.2 jaar in de pre-1998 periode naar 4.0 jaar in de post-1998 periode. Het statische "eerste helft" panel (1969–1997) vertoont zwakke identificatie omdat het deze twee regimes mengt.
Cross-Channel $\beta$ -Inversie en Distinctieve Loadings: De auteurs testen de hypothese dat de lineaire en volatiliteitskenmerken van de multifactale factor worden beheerst door een enkele gedeelde cross-asset loading vector ( $\beta_M$ ).
- Een $\beta$ -inversietest herstelt de gekwadrateerde loadings $|\beta_M[a]|^2$ onafhankelijk van de lineaire en volatiliteitskanalen.
- De resultaten verwerpen de gedeelde-loading hypothese: de Pearson-correlatie tussen de herstelde loadings is significant negatief op drie van de vier panels (bijv. $-0.771$ op de volledige steekproef).
- Dit impliceert dat de cross-sectionale kenmerken die return-momentum patronen drijven, economisch verschillend zijn van de kenmerken die volatiliteits-persistentie patronen drijven; een enkele loading kan beide kanalen niet verklaren.

Significantie
Het artikel claimt de eerste eigenstructuur-geïndexeerde decompositie van de variatieratio te bieden, waarbij onderscheid wordt gemaakt tussen temporele autocorrelatie langs stabiele hoofdrichtingen en de cross-sectionale rotatie van deze richtingen. Door het lineaire en het volatiliteitskanaal te scheiden, onthult het raamwerk dat de "markt-modus" geen monolithische entiteit is, maar een composiet van verschillende geheugenmechanismen: een stijgend-dan-dalend lineair profiel gedreven door antipersistente en ARFIMA componenten, en een pure multi-schaal volatiliteitscascade.

De identificatie van een regimeovergang in de late jaren 1980 suggereert dat de long-memory structuur van volatiliteit niet statisch is maar geëvolueerd is, waarbij de laagste-frequentie cascadecomponent naar multi-jaarige horizonten is uitgebreid in het moderne tijdperk. Ten slotte daagt de verwerping van de gedeelde-loading hypothese modellen uit die aannemen dat een enkele set risicofactoren zowel de return- als de volatiliteitsdynamiek drijft, wat suggereert dat industrie- en grootte/book-to-market kenmerken deze kanalen onafhankelijk van elkaar voorspellen. Het raamwerk biedt een robuuste, parsimonieuze (vijffactoren) beschrijving van aandelendynamiek op lange termijn die standhoudt over verschillende activatiewerelden en tijdperioden.