graph-learningexposure-similaritylocalityfactor-modelminglEportfolio-diversification

暴露相似图 (Exposure-Similarity Graph)

Definition. 一类资产图,其边权 W_{ij} 度量的是资产 i 和 j 对系统性风险因子暴露剖面的相似度,而不是观测收益率的 co-movement——典型代表是 MINGLE 框架学到的图 (Chehab et al. 2026)。

与传统相关性图的根本区别

传统相关性图直接用样本协方差或 Pearson 相关性作为边权。它继承相关性的一切问题:无法区分"两只资产因为暴露于同一个宏观因子而同步"和"两只资产因为各自特质噪声碰巧同步"。

暴露相似图绕开这个混淆:

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

其中 B_{i,:} \in \mathbb{R}^K 是资产 i 在 K 个因子上的暴露剖面。两只资产尽管收益率不相关,只要它们对所有因子的暴露接近,边权就高——这正是"分散化的真实敌人":它们的实际风险源相同。

形式化:Dirichlet 能量

图信号处理里,图的"局部性"由节点表示 h 与图 Laplacian L_W 的二次型度量:

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

直觉:如果 W_{ij} 大, B_{i,:} 和 B_{j,:} 必须接近,否则能量爆炸。这给整个联合学习一个清晰的几何解释——暴露的平滑性 = 邻域内边权不被惩罚。

与因子模型的关系

维度 传统相关性图 暴露相似图
边权定义 W_{ij} = \rho_{ij} (样本协方差) W_{ij} = \mathrm{sim}(B_{i,:}, B_{j,:})
局部性捕捉 co-movement (同步涨跌) 共同风险源 (暴露剖面相似)
系统/特质混淆 严重 几乎没有 (因子分解已分离)
可解释性 中 (相关性结构可观察) 高 (因子载荷可解读)
数据需求 仅历史收益 历史收益 + 因子数 K
稳定性 滚窗相关性 regime shift 时滞后 跨调仓 NMI 0.768 (MINGLE 报告)

实证:为什么块结构更稳定、更贴合行业

MINGLE 论文 S&P 500 实验:

  • Calm regime: 簇内:簇间边权比 = 5.30 (相关性图仅 2.42)。
  • Elevated regime: 4.49 (相关性图 1.64)。
  • GICS 贴合度: 把学到的图按 GICS 板块重排,块结构清晰;相关性图几乎不可辨认。训练全程未见过任何行业标签。
  • 稳定性: 跨调仓 NMI = 0.768,社区结构反复保留,直接降低换手。

构造方式

1. 联合学习 (MINGLE)

把 B 和 W 同时间训练,边权 W_{ij} 由 RBF 核作用于暴露 B,但核带宽由耦合正则一同决定——不是预先固定。

2. 顺序式 (sequential)

先用 PCA / EM 得到 B,再用 RBF 核构造 W。这是常见的"先因子、再图"流程;MINGLE 消融实验证明在低/中噪声下显著劣于联合学习。

3. 启发式

直接取 B (来自 Barra 或类似 fundamental + statistical 混合),用 RBF 或 cosine 相似度构造 W。简单但牺牲联合纠偏的收益。

与 SPONGEsym / GAT / 其他图方法的对比

维度 暴露相似图 (MINGLE) SPONGEsym GAT
边权来源 RBF on B 滚动相关性 学习式注意力
目标 联合去噪协方差 簇内/簇间符号分离 节点嵌入预测
下游 Adaptive CutV + Contagion Cut k-means 簇内 contrarian 链路预测 / 分类
可解释性 高 (因子 + 边权重) 中 (特征向量) 低 (黑盒消息传递)
联合学习 是 (与因子) 否 否 (但与 Transformer 堆叠)

局限

  • 依赖因子数 K: K 选错,边权失真。
  • RBF 带宽敏感: median heuristic 是常用,但不最优;联合学习里 \lambda 隐式调整,这反而是耦合设计的优势。
  • 图稀疏度需调: 稀疏 \alpha 太低 → 满图,太高 → 关键联动被砍。

See also

Sources