💰 quantitative finance

Large-Scale Asset Selection via Metric Dependence with Enriched High Frequency Information

本文提出了一种名为指标依赖筛选（MDS）的新型资产配置程序，该方法利用表示为点 - 曲线对象的高频日内风险动态，通过有效降低估计误差并提升样本外回报，相较于传统的标量基础方法，显著改善了大规模投资组合的绩效。

原作者： Yangzhou Chen, Shuaida He, Xin Chen

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Yangzhou Chen, Shuaida He, Xin Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一位厨师，正试图制作一碗完美的汤。你拥有一个拥有数千种食材（股票）的储藏室，但只有一个小小的锅（你的投资预算）。如果你试图一次性混合所有东西，味道就会冲突，汤也会变得一团糟。这就是大规模投资组合选择的问题：当选择过多时，很容易犯错，因为你无法准确预测哪些食材搭配起来味道会好。

大多数厨师（投资者）目前只看每种食材的简单摘要：“这根胡萝卜昨天花了多少钱？”或者“它长得快吗？”他们忽略了质地、烹饪过程中的颜色变化，或者味道是如何每分钟演变的。

本文介绍了一种名为**度量依赖筛选（MDS）**的新食材选择方法。其工作原理分解为以下简单概念：

1. 旧方法与新方法

旧方法（标量摘要）： 传统方法将股票等资产视为单一数字，例如其日收益率。这就像仅凭最终评分来评判一部电影。你错过了情节转折、角色发展和节奏。
新方法（点 - 曲线对象）： 作者建议将每只股票视为一个故事，而不是单一数字。
- “点”： 日收益率（最终得分）。
- “曲线”： 日内风险（价格在一天内如何波动）。它是在上午 10 点剧烈飙升然后回落，还是缓慢漂移？
- 类比： 仅仅知道一名跑步者以 10 秒的成绩完成了比赛是不够的，MDS 会观察他们的整个比赛路径：他们在哪里冲刺，在哪里跌倒，以及如何恢复。这种“曲线”捕捉了简单数字所忽略的日内风险动态。

2. “度量”（尺子）

为了比较这些复杂的“故事”（点 - 曲线对象），作者发明了一种特殊的尺子，称为加权积度量。

想象你在比较两名跑步者。你既关心他们的完赛时间（回报），也关心他们跑动过程的平滑度（风险）。
这把尺子通过同时观察两只股票的日收益率和日内价格曲线的形状，来测量它们之间的距离。它确保你不会仅仅因为关注回报的“大小”而忽略风险的“形状”。

3. 筛选过程（味觉测试）

目标是挑选出最适合制作“风险调整后”汤品的食材。

目标： 作者基于高频夏普比率（衡量你为承担风险所获得的回报）创建了一个“目标序列”。你可以将其视为你追求的“完美风味轮廓”。
评分（弗雷歇变异）： MDS 会问：“如果我知道目标汤的风味轮廓，这能在多大程度上帮助我预测这个特定食材的故事？”
- 如果了解目标能帮助你很好地理解食材的故事，该食材将获得高分。
- 如果食材的故事是随机噪声，且目标无法告诉你任何关于它的信息，它将获得低分。
结果： 该方法对所有 2,938 只股票进行排名，并挑选出排名靠前的股票（例如前 60 只）。这将庞大的储藏室缩减为一份易于管理的高质量候选名单。

4. 两阶段厨房

一旦选定了顶级食材，本文建议采用简单的两步烹饪过程：

第一阶段（筛选）： 使用 MDS 将 2,938 只股票过滤成一个小而高质量的小组（例如 60 只股票）。
第二阶段（烹饪）： 使用标准且经过验证的食谱（如均值 - 方差优化）将这 60 只股票混合成投资组合。

为何有效： 通过首先过滤掉“劣质”或“嘈杂”的食材，第二阶段就不必进行太多猜测。这降低了厨师因选项过多且令人困惑而犯错的可能性。

5. 数据表明了什么

作者使用 2023 年 7 月至 2025 年 12 月的 5 分钟数据，在2,938 只中国 A 股上测试了该方法。

结果： 使用 MDS 构建的投资组合比使用传统方法（仅查看日收益率或简单摘要）构建的投资组合赚了更多的钱，并且具有更好的风险调整后回报（更高的夏普比率）。
关键要点： 通过保留日内风险的“形状”（曲线）而不是将其丢弃，该方法找到了在现实世界中表现更一致、更优质的食材。

总结

将 MDS 视为一个智能过滤器，它不仅问“你今天赚了多少？”，还问“你在赚钱的过程中表现如何？”通过倾听股票每日波动的完整故事，它构建了比那些只听取头条新闻的方法更好、更稳定的投资组合。

技术摘要：基于度量依赖与丰富高频信息的大规模资产选择

1. 问题陈述

大规模投资组合构建本质上对估计误差敏感，特别是当资产数量 ( $p$ ) 相对于样本量 ( $n$ ) 较大时。尽管两阶段程序（先筛选后优化）是缓解此问题的标准做法，但现有的资产选择规则通常依赖于标量收益率或高频数据的低维摘要（例如日收益率、已实现波动率）。

作者认为，将日内价格路径简化为标量摘要会丢弃宝贵的“日内风险动态”，例如波动率爆发的时机和集中度。当资产具有相似的日收益率但截然不同的日内风险特征时，基于标量的筛选可能无法区分它们，从而导致第二阶段优化器获得次优的候选集。核心问题在于，如何在资产筛选过程中纳入高频的、对象值的日内信息，同时避免因激进的降维而丢失形状信息。

2. 方法论：度量依赖筛选 (MDS)

本文提出了度量依赖筛选 (Metric Dependence Screening, MDS)，这是一种两阶段程序，将高频资产信息视为度量空间中的随机对象，而非欧几里得向量。

A. 资产表示（点 - 曲线对象）
不使用标量收益率，而是将资产 $i$ 在 $t$ 日的信息表示为点 - 曲线对象 $X_{i,t} = (R_{i,t}, v_{i,t}) \in \mathcal{X}$ ，其中：

$R_{i,t}$ 是日收益率。
$v_{i,t}$ 是一条平滑曲线，表示交易日内绝对对数价格变化幅度的轨迹。
空间 $\mathcal{X}$ 配备了一个加权积度量：
$d_{\mathcal{X}}(x, x')^2 = (r - r')^2 + w \|v - v'\|_{L^2}^2$
该度量同时保留了收益信息（点分量）和日内风险动态（曲线分量）。

B. 目标变量
基于高频夏普比率构建风险调整后的目标序列 $Y_t$ 。股票按其日高频夏普比率排名，选取前 10%，该子集的价值加权收益率构成 $Y_t$ 。这将筛选目标与风险调整后的资产配置对齐，而非原始收益率预测。

C. 筛选得分
MDS 使用基于Fréchet 变异性的依赖得分对资产进行排名。

总体定义：得分 $\rho$ 衡量 $X$ 的度量离散度中被目标 $Y$ 解释的比例。其定义为：
$\rho = 1 - \frac{E[V(Y)]}{V_F}$
其中 $V_F$ 是 $X$ 的全局 Fréchet 方差， $V(Y)$ 是给定 $Y$ 的条件残差变异。较高的 $\rho$ 表明风险调整后的目标解释了资产度量离散度的更多部分。
估计：由于在度量空间中直接非参数估计条件 Fréchet 均值较为困难，作者提出了一种目标切片估计量。将 $Y$ 的范围划分为若干单元；在每个单元内，计算经验 Fréchet 均值和方差。最终得分是解释变异比率的代入估计量。

D. 两阶段流程

第一阶段：根据估计的 MDS 得分对所有 $p$ 个资产进行排名，并选择一个缩减的子集（例如前 $d$ 个资产）。
第二阶段：在选定的子集上应用标准的均值 - 方差或最小方差优化。

3. 理论贡献

本文在 $\alpha$ -混合时间序列依赖和超高维 ( $p \gg n$ ) 条件下，为 MDS 建立了严格的理论保证。

集中性：作者推导了估计得分与总体得分偏差的指数尾部界限，考虑了由目标切片引入的偏差以及度量空间中 Fréchet 均值的估计误差。
确定性筛选：在最小信号强度条件下，该方法保证所有真正相关的资产以概率趋近于 1 被包含在筛选后的集合中。
排序一致性：经验排序渐近地保持了活跃（相关）资产与非活跃（不相关）资产之间的总体排序，确保前 $d$ 个选择规则的一致性。

4. 实证结果

作者使用 2023 年 7 月至 2025 年 12 月期间2,938 只中国 A 股的5 分钟日内数据评估了 MDS。

基准：MDS 与以下方法进行了比较：
- D-SEVIS：一种基于标量摘要的依赖筛选方法（Wang et al., 2022）。
- MTM：一种基于动量的排名策略。
表现：在各种加权方案（等权、得分平方、全局优化和收缩全局优化）和选择规模（ $d=30, 60, 90$ $d = 30, 60, 90$ ）下，MDS 始终优于基准。
- 收益率：MDS 投资组合实现了更高的累计净值（例如，在最佳配置下，MDS 为 1.90，而 D-SEVIS 为 1.22）。
- 风险调整后收益：与 D-SEVIS 相比，MDS 产生了显著更高的夏普比率（在最优设置下超过 1.0），而 MTM 的夏普比率为负。
- 回撤：MDS 保持了与基准相当或更低的最大回撤，表明性能提升并非由过度的下行风险驱动。
模拟：在欧几里得和非欧几里得（Wasserstein 空间）设置下的蒙特卡洛实验证实，MDS 在序列依赖和超高维条件下依然有效，特别是在传统标量方法难以应对的非线性和非欧几里得场景中表现尤为出色。

5. 意义与主张

本文主张 MDS 提供了一个统一的框架用于资产选择，弥合了复杂的、对象值的高频数据与传统投资组合构建之间的鸿沟。

概念转变：它超越了标量化，将日内路径视为函数对象，以保留标准摘要中经常丢失的“日内形状信息”（例如波动率爆发）。
方法论创新：它将基于 Fréchet 的依赖度量适应于筛选背景，提供了一种专门针对风险调整配置的度量空间替代方案，以替代线性相关性或距离协方差。
实用价值：实证结果表明，在筛选阶段保留日内风险动态，能带来切实的、具有经济意义的样本外投资组合性能提升，验证了“日内风险状态包含风险调整后收益预测能力”的假设。

作者总结道，虽然该框架目前应用于日内绝对对数价格变化，但它可推广至其他高频风险特征，并为现代数据丰富的金融市场中的大规模资产选择提供了一种稳健的方法。