图诱导协方差 (Graph-Induced Covariance)

Definition. 一类把图的边权定义在因子暴露剖面相似度上、并通过 Dirichlet 能量把图与因子模型耦合在同一个优化问题里联合学习的协方差估计方法——得到的诱导协方差 \Sigma = BZB^\top + D 不是普通 PCA 的特征向量重建, 而是"被图邻域结构塑形"的低秩表示。代表实现: MINGLE 框架 (Chehab et al. 2026); 概念本身可推广到任何"图作为协方差估计的内在组件"的设计。

为什么提出此概念:三种图-协方差关系的统一视角

第三类把因果方向倒过来: 不是"先估协方差再用图", 也不是"用图替代协方差", 而是让图的存在直接影响协方差估计的参数。

因果链 5 步

步骤 1: 边权定义 — W_{ij} 是暴露相似度, 非收益率相关

经典图方法 (含 SPONGEsym) 用样本协方差或 Pearson 相关性作为边权:

W_{ij}^{\text{corr}} = \rho(\hat{r}_i, \hat{r}_j)

这继承了相关性的一切毛病: 两类相关性 (结构性 + 特质噪声) 被压成一个数字, 无法区分。

图诱导协方差把边权重新定义在暴露剖面 B_{i,:} \in \mathbb{R}^K 上 (RBF 核):

W_{ij} = \mathrm{sim}(B_{i,:}, B_{j,:}) = \exp\!\left(-\frac{|B_{i,:} - B_{j,:}|_2^2}{2\sigma^2}\right)

带宽 \sigma 用 median heuristic (暴露两两平方距离中位数)。两只资产即使历史上不相关, 只要对市场、对利率、对价值因子的暴露接近, 边权就高——这正好捕捉"分散化的真实敌人"。详见 暴露相似图 (Exposure-Similarity Graph)。

步骤 2: Laplacian — 把边权编译成算子

L_W = D - W, \qquad D = \mathrm{diag}(W \mathbf{1}), \qquad D_{ii} = \sum_j W_{ij}

L_W 是对称半正定矩阵 (后者要求 W 对称非负无自环, 这是 MINGLE 显式约束的原因), 常向量 \mathbf{1} 在零空间, 特征值序号 2 (Fiedler vector) 给出图的最佳二分 ([Adaptive CutV 谱分割] 的对象)。

步骤 3: Dirichlet 能量枢纽等式 — 唯一的耦合通道

这是整个因果链的枢纽:

\boxed{\mathrm{tr}(B^\top L_W B) = \frac{1}{2} \sum_{i,j} W_{ij}\, |B_{i,:} - B_{j,:}|_2^2}

推导: 把 L_W = D - W 代入, B^\top D B 的 (i,j) 元素是 D_{ii} B_{i,:}^\top B_{j,:} \delta_{ij}, 利用 D_{ii} = \sum_j W_{ij} 就能把双重求和对称化到 \frac{1}{2}\sum_{i,j}。这是图信号处理里标准的恒等式, 但 MINGLE 把节点表示从一般的 h 换成了因子载荷 B。

直觉: 如果 W_{ij} 大, 那 |B_{i,:} - B_{j,:}|_2 必须小, 否则能量爆炸。这等价于:

图的局部性 = 暴露在邻域内平滑 = 暴露差异大的资产不连边。

这条等式是 MINGLE 唯一的两域耦合通道——没有它, B 和 W 是独立问题; 加了它, 一个域的变化立刻被另一个域"听到"。

步骤 4: 耦合正则如何改变 B 的值 — 而不只是约束

关键观察: 耦合项不是后处理。在统一目标函数

\min_{B, W}\; |C^{1/2}(R - BZ)|_F^2 \;+\; \lambda\, \mathrm{tr}(B^\top L_W B) \;+\; \alpha|W|_1 \;+\; \beta \sum_i \log d_i \;+\; \mu\, |\mathrm{offdiag}(ZZ^\top)|_F^2

B 和 W 同时被优化。每一步 ADMM 算法 迭代:

1. 固定 W, 对 B 做一步梯度更新——B 既要重建 R (方差最大化), 又要满足 \mathrm{tr}(B^\top L_W B) 最小 (邻域平滑)。两者方向不一致时, 梯度被两者加权平均, \lambda 控制相对强度。
2. 固定 B, 对 W 做图块更新——边权重新由当前 B 决定。
3. 更新 Z (Sylvester 方程闭式), 更新对偶变量。

因此 B 的最终值不是 PCA 的前 K 个特征向量。具体差别:

• 每个 B_{i,:} 都被邻居的 B 拉近: 当某资产与一组资产强相关时, 它的 B_{i,:} 向这组的平均剖面偏移, 即使 PCA 给它一个偏离的载荷。
• 稀疏 + 度屏障进一步约束: |W|_1 让大部分 W_{ij} 趋于零, \beta \sum_i \log d_i 让每个节点至少有几个邻居——"邻域平滑"不是把所有资产拉成同一个剖面, 而是只在活跃的边上拉近。

直觉: MINGLE 学到的 B = "PCA 主成分方向的骨架 + 邻域平滑的肌肉"。骨架来自数据, 肌肉来自经济结构。

步骤 5: 把"被图平滑过的 B"代入结构化公式

\boxed{\Sigma_{\text{induced}} = B Z B^\top + D}

这就是被图诱导出的协方差。它的关键性质:

• 低秩先验: \mathrm{rank}(BZB^\top) \leq K。落在 MP bulk 内的噪声特征值直接不在这里 (见 Marchenko-Pastur 分布与协方差病态 中"drop-the-bulk" 启发式)。
• 谱结构由"邻域平滑"塑形: 条件数 \kappa(\Sigma_{\text{induced}}) 比 \kappa(\hat\Sigma_{\text{sample}}) 低约 两个数量级 (回测期内 \sim10^3 vs \sim10^5)。不是因为 MP bulk 内的特征值被简单置零, 而是因为 B 本身被图的局部结构塑形, 使得诱导特征值不在噪声区域扎堆。
• 经济可解读: 学到的 B 对应真实的"共同风险驱动", 而不是 PCA 的抽象最大方差方向。这从与 GICS 行业分类贴合度得到验证 (训练全程未见过任何行业标签)。

因果链流程图

flowchart TB
    R["观测收益率 R"] --> Rec["EWMA 加权重建项<br/>‖C^(1/2)(R−BZ)‖²"]
    Rec --> Min["统一目标函数<br/>+ λ·tr(Bᵀ L_W B)<br/>+ α‖W‖₁ + β·Σlog d_i<br/>+ μ·‖offdiag(ZZᵀ)‖²"]
    B["暴露 B ∈ ℝ^(N×K)"] -->|RBF 核| W["边权 W"]
    W --> L["Laplacian L_W = D − W"]
    L -->|Dirichlet 能量| Min
    Min -->|ADMM 联合优化| B2["被图平滑过的 B*"]
    B2 --> Sig["Σ = B* Z B*ᵀ + D"]
    Sig --> Cut["Adaptive CutV<br/>85.9% 选最优 Fiedler"]
    Sig --> Alloc["Contagion Cut<br/>Sharpe 1.07"]

数值证据: 这条因果链真的兑现了吗

证据 1: 条件数降低两个数量级 (直接证据)

\kappa(\Sigma_{\text{induced}}) / \kappa(\hat\Sigma_{\text{sample}}) \approx 10^{-2}, 全程稳定。最小特征值显著大于样本协方差的最小特征值 (10^{-3} vs 10^{-5} 量级)。这不是简单的对角线收缩 (那是 Ledoit-Wolf), 因为 \Sigma_{\text{induced}} 的特征向量也变了。

证据 2: Adaptive CutV 选中最优 Fiedler vector 比例 (传导证据)

Adaptive CutV 谱分割选最优 Fiedler vector 的窗口比例:

• 用 \Sigma_{\text{induced}}: 85.9%;
• 用 \hat\Sigma_{\text{sample}}: 15.8% (5.4 倍差距)。

Fiedler vector 应该给出图的最佳二分; 当协方差谱有噪声小特征值混入前几个位置时, Adaptive CutV 会被误导, 选中非 Fiedler 的某个特征值, 切错边界。去噪后的 \Sigma_{\text{induced}} 让"选对"的概率从 15.8% 跳到 85.9%, 直接证明谱结构确实被改善了。

证据 3: 消融实验 (反事实证据)

Decoupled 这行关键: 关闭 \lambda \cdot \mathrm{tr}(B^\top L_W B) 等于回到"先 PCA、再在 PCA 上建图"的顺序式做法, 在低中噪声下性能显著低于完整框架 (p < 0.01), 直接证明联合学习本身贡献了收益, 不是某个组件独享。

与其他图-协方差设计的关系

图诱导协方差的独特之处: 图不是后处理工具, 而是协方差估计的内在组件。B 既要被数据最大化方差, 又要被图邻域拉近平滑, 最终诱导出的协方差同时具备"低秩先验的鲁棒性"和"邻域结构的经济可解读性"。其他方法要不在协方差层做事 (Ledoit-Wolf/QIS), 要不在图层做事 (SPONGEsym), 要不在端到端网络做事 (GAT), 三者都做不到"图直接塑造协方差"。

局限与开放问题

• 固定 K 因子: 危机中相关性整体飙升, 因子模型的 K 个驱动实际上塌缩到更少维度, 但模型被迫填满全部 K 维, 可能重新引入伪结构。Contagion Cut 在 Crisis regime 仍为负 Sharpe (-2.98), Calm/Elevated 优势才显著 (3.32 / 0.82)。论文自陈下一步: 把 K 做成自适应的。
• 联合优势在高噪声下失效: 消融实验 Decoupled vs Proposed 在高噪声下 p 无显著差异——当采样噪声压倒一切, 互一致性无力回天。
• O(N^3) 复杂度: N = 300 可用, 扩展到 5000 需要 Krylov 子空间或低秩近似, 工程方案尚未给出。
• A 股移植待验证: A 股散户主导、特质噪声占比高, 联合估计的优势可能更不稳定。
• 联合 ADMM 对初始化敏感度的量化幅度尚未给出。

一句话总结

图诱导协方差 = 把图的局部性从"观测 co-movement"改写为"因子暴露相似度", 通过 Dirichlet 能量耦合到因子模型联合学习, 让 B 同时被数据最大化方差和被邻域平滑, 最终代入结构化公式 \Sigma = BZB^\top + D 得到条件数低两个数量级的去噪协方差——这条因果链的每一步都被实证和消融验证, 是当前文献中把"图"与"协方差估计"耦合得最紧的一种设计。

在 wiki 中的位置

• 方法学元概念: 与 联合因子-图学习 (Joint Factor-Graph Learning) 互补——后者描述"如何联合学习", 本概念描述"图如何改变协方差"。
• 实例化: MINGLE 框架 是当前唯一的完整实现; 框架内的组件: 暴露相似图 (Exposure-Similarity Graph) (边权) / Contagion Cut 分配策略 (下游) / Adaptive CutV 谱分割 (下游) / ADMM 算法 (求解)。
• 缓解的病态: Markowitz Curse (马科维茨诅咒) / Marchenko-Pastur 分布与协方差病态。
• 对比方法: SPONGEsym (图-辅助), GAT (数据驱动), Covariance Shrinkage Estimation (无图)。

Sources

• summaries/202608-factor-model-graph-joint-learning/202608-factor-model-graph-joint-learning — (2026-08-12) 公众号解读
• MINGLE 框架 — 框架整体
• 联合因子-图学习 (Joint Factor-Graph Learning) — 抽象方法
• 暴露相似图 (Exposure-Similarity Graph) — 图域组件
• ADMM 算法 — 求解方法
• Markowitz Curse (马科维茨诅咒) — 待缓解的核心问题
• Marchenko-Pastur 分布与协方差病态 — 病态性的数学根源
• Adaptive CutV 谱分割 — 谱分割下游
• Contagion Cut 分配策略 — 分配层下游
• SPONGEsym — 对比方法 (图-辅助, 非图-诱导)
• 原始 query 答复见 outputs/queries/2026-08-12-mingle-graph-induces-covariance.md (非 wiki page, 不 wikilink)