金工专题报告：协方差矩阵的常用估计和评价方法-20171116-天风证券-21页-1mb

报告摘要

协方差矩阵在量化投资中具有重要应用，广泛用于多因子选股和组合优化等策略中。由于样本协方差矩阵在高维数据下容易出现不可逆和估计误差大的问题，因此需要采用更稳健的估计方法。本文系统梳理了常用的协方差矩阵估计方法，并提出了一种基于特征距离的评价体系，以更全面地衡量不同估计方法在风险度量上的表现。

协方差矩阵估计的重要性：在金融工程中，协方差矩阵的准确性直接影响投资组合的风险控制和收益优化。
样本协方差的局限性：当资产数量 $N$ 超过样本数量 $T$ 时，样本协方差矩阵会存在不可逆和较大的估计误差。
结构化模型的必要性：通过引入结构化模型（如因子模型、压缩估计、随机矩阵理论模型）可以有效降低协方差矩阵的估计误差，但会引入设定偏差。
压缩估计的优势：压缩估计通过结合样本协方差与先验估计量，可以减少估计误差，同时控制设定偏差。Ledoit & Wolf 压缩估计是其中代表性方法，通过优化压缩强度达到最佳效果。
多因子模型的适用性：多因子模型能够捕捉更多影响资产收益率的因素，但因子选择和估计方式具有一定的“艺术性”。
随机矩阵理论模型的创新性：通过分离信息与噪声，利用特征根调整方法，可以提高协方差矩阵的稳定性。
固定相关系数模型的简化性：假设所有资产之间的相关系数相同，简化了计算，但可能低估了实际相关性差异。
评价方法的改进：本文提出基于特征距离的评价指标，相比传统统计和经济指标更具全面性和经济意义。

样本协方差：简单直观，但在高维情况下不可逆且估计误差大。
因子模型：包括市场模型（单一指数模型）和多因子模型（行业、宏观、基本面、风格因子等），可以降低维度，但因子选择具有主观性。
- 市场模型：如无调整 Beta 模型、Blume 调整 Beta 模型、Vasicek 调整 Beta 模型。
- 多因子模型：如行业因子模型（时间序列与横截面回归）、风格因子模型、主成分模型。
压缩估计：通过样本协方差与压缩目标的加权组合，减少估计误差，其中 Ledoit & Wolf 压缩估计表现优异。
随机矩阵理论模型：通过特征根分析过滤噪声，提高协方差矩阵的稳定性。
其他方法：包括固定相关系数模型、时变模型、合成聚类模型等。

整体表现排序：Ledoit & Wolf 压缩估计 > 估计量组合 ≈ 多因子模型 > 随机矩阵理论模型 > 市场模型 > 样本协方差 > RiskMetrics。
多因子模型表现：风格及行业因子模型（横截面回归）优于行业因子模型（时间序列估计）和主成分模型。
压缩估计表现：以风格及行业因子模型为压缩目标的压缩估计量表现最好，但未体现压缩估计的初衷。
固定相关系数模型：在压缩估计中表现优于市场模型，但不如风格及行业因子模型。