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

技术摘要：方差比率的谱分解推广

问题陈述
跨时间跨度（$H$）的资产收益率聚合从根本上改变了截面的二阶矩结构。虽然 Lo 和 MacKinlay (1988) 的单变量方差比率检验评估了单个序列在 $H$ 期聚合下是否保持清洁，但它丢弃了包含在协方差矩阵特征结构中的截面信息。现有的多元扩展（如 Hong 等人 (2017) 的矩阵值方差比率）保留了更多结构，但将其简化为标量泛函（迹、行列式）进行推断，未能通过特征模态（eigenmode）对长周期动态进行索引。此外，股票收益率表现出明显的非独立同分布（i.i.d.）高斯行为偏离，包括幂律尾部、绝对收益率的长程依赖以及与多重分形级联一致的多尺度自相似波动性。本文旨在建立一个框架，将这些线性（收益率）和波动率通道中的联合偏差分解为结构化的、以特征结构为索引的分量。

方法论
作者提出了一种多元的、基于特征模态索引的方差比率推广。该框架依赖于两个针对对称矩阵值时间序列 $\Sigma_t$ 及其 $H$ 期聚合 $\Sigma^{(H)}_t$ 定义的截面统计量：

1. 逐特征模态方差比 ($\kappa$)：
   $$\kappa_i(H) := \frac{\lambda_i(\Sigma^{(H)}_t)}{H \cdot \lambda_i(\Sigma_t)}$$
   这衡量了第 $i$ 个主方向在聚合跨度下的自相关性。在 i.i.d. 收益率下，对于所有 $i, H$，$\kappa_i(H) = 1$。

2. 特征向量重叠矩阵 ($O$)：
   $$O_{ij}(H) := |\langle v_i(\Sigma^{(H)}_t), v_j(\Sigma_t) \rangle|^2$$
   这衡量了随着跨度延伸，特征基底（eigenbasis）的几何旋转。在 i.i.d. 收益率下，$O_{ij}(H) = \delta_{ij}$。

本文推导了这些统计量在参数化模型下的闭式预测。对于线性通道，它确立了 AR($p$) 过程如何将 $\kappa$ 分解为由特征根索引的 AR(1) 方差比之加权和。对于特征向量重叠，它推导了一个一阶扰动结果，表明旋转取决于特征值间隙（eigenvalue gap）和随跨度变化的饱和因子。

为了模拟经验性的偏差，作者构建了一个五因子记忆模型，同时应用于线性通道（对数收益率的协方差）和波动率通道（平方收益率的协方差）。这些因子包括：

• $F_P$ (持续型)： 分数布朗运动 (fBm)，具有 Hurst 指数 $H_P > 0.5$。
• $F_A$ (反持续型)： 分数布朗运动 (fBm)，具有 $H_A < 0.5$。
• $F_M$ (多重分形)： 线性通道中的 ARFIMA(1, $d_M$, 0) 过程，耦合了波动率通道中的马尔可夫转换多重分形 (MSM) 级联。
• $F_V$ (波动率伴随型)： 纯波动率因子，共享 $F_M$ 的 MSM 级联，但不贡献线性结构。
• $F_{Vt}$ (瞬态波动型)： 控制波动率之波动率（volatility-of-volatility）的 ARFIMA 过程，捕捉瞬态聚集性。

该模型通过对经验 $(\kappa^{lin}, \kappa^{vol})$ 矩阵进行联合最小二乘法 (LS) 估计，并使用移动块自助法（1,000 次重复）和 L-BFGS-B 优化算法进行求解。

主要贡献与结果
该框架被应用于四个美国股票面板（Fama-French 49 行业全样本及 1998 年前后拆分样本；Fama-French 100 市值 $\times$ 账面市值比分类样本）以及一个非美国复制样本（欧洲 25）。分析得出三个主要发现：

1. 普适的五因子分解： 同一个五因子模型在所有面板中同时恢复了七种股票长期动态的典型事实：

   • 市场模态方差比异常： 线性通道在市场模态处呈现“先升后降”的模式。
   • 因子动量： 次级特征模态（排名 2–3）呈现单调上升的方差比。
   • 长周期均值回归： 深层特征模态（排名 24+）呈现剧烈下降的方差比。
   • 短程波动率聚集： 波动率方差比在初始阶段急剧上升。
   • 多尺度波动率长记忆： 市场模态波动率通道中存在巨大的方差比累积（在 5 年时达到 $\approx 48$），这与多重分形级联一致。
   • 瞬态波动： 深层特征模态中的爆发性波动。
   • 截面集中度： 随着跨度增加，波动率谱向单个主导模态集中，而线性谱则趋于宽泛。
     分数布朗指数（$H_P \approx 0.52\text{--}0.57$, $H_A \approx 0.17\text{--}0.27$）在不同行业分类、规模/账面市值比分类以及时间子样本中保持稳定，表明其具有统一的特征结构层级设定。

2. 波动率记忆的机制转换： 本文识别了美国股票波动率记忆的一个结构性断点，该断点出现在 20 世纪 80 年代后期，而非静态的 1998 年平分点。

   • 通过滚动窗口分析（28 年窗口，2 年步长）定位了该转换。MSM 级联在市场模态波动率通道上的权重 ($w^{vol}_{MSM}$) 从 1985 年中心点的中位数 0.30 单调上升至 1991 年中心点的 0.93，并在 1995 年之后饱和至 1.00。
   • 转换前（1983 年中心）和转换后（1999 年中心）窗口的 90% 置信区间完全不重叠。
   • 级联的“交叉时间尺度”（即最低频分量的持续时间，$1/\gamma_1$）从 1 世纪 90 年代前期的约 2.2 年延长至 1 世纪 90 年代后的 4.0 年。静态的“前半部分”面板（1969–1997）由于混合了这两个机制，表现出识别能力较弱。

3. 跨通道 $\beta$ 反转与不同载荷： 作者测试了多重分形因子的线性特征与波动率特征由同一个共享跨资产载荷向量 ($\beta_M$) 控制的假设。

   • 通过 $\beta$ 反转检验，分别从线性通道和波动率通道中恢复平方载荷 $|\beta_M[a]|^2$。
   • 结果拒绝了共享载荷假设：恢复的载荷之间的 Pearson 相关系数在四个面板中的三个上显著为负（例如，全样本为 $-0.771$）。
   • 这意味着驱动收益动量模式的截面特征与驱动波动率持续性模式的截面特征在经济学上是截然不同的；单一载荷无法同时解释这两个通道。

意义
本文声称提供了首个基于特征结构索引的方差比分解，区分了沿稳定主方向的暂时性自相关与这些方向的截面旋转。通过分离线性通道和波动率通道，该框架揭示了“市场模态”并非单一实体，而是由不同的记忆机制组成的复合体：一个由反持续和 ARFIMA 组件驱动的“先升后降”线性剖面，以及一个纯粹的多尺度波动率级联。

对 20 世纪 80 年代后期波动率记忆机制转换的识别表明，波动率的长记忆结构并非静态，而是已经演变，使得现代时期的最低频级联分量延伸到了多年期水平。最后，对共享载荷假设的拒绝挑战了那些假设单一风险因子同时驱动收益和波动率动态的模型，表明行业和规模/账面市值比特征可以独立地预测这两个通道。该框架提供了一个稳健且简洁（五因子）的描述方式，用以刻画长期股票动态，并适用于不同的资产类别和时间段。