识别性与 T/N² 比率 (Identification & T/N² Ratio)
Definition. 清华 2026 论文在 SDF 框架下推导的"可识别性微积分"：在 N×N 交互矩阵 Ψ 上任一网络特征 (e.g., 方向性"谁传导给谁") 中，可被数据识别的比例 ≈ T/N²。当 N² ≫ T (典型设定：138² ≫ 120)，绝大部分网络结构是未被数据约束的——剩下的全部由正则化 (Ridge / 稀疏性 / 低秩) 决定。
形式化
设 Ψ ∈ ℝ^(N×N) 通过资产收益率的内积进入 SDF：
m_t = 1 - (R_t - \mu)^\top \Psi \,\varepsilon_t
则观测条件只提供 T 个一维矩条件 \mathbb{E}[m_t R_{i,t+1}] = \text{coef}_i，而 Ψ 自由参数有 N² 个。识别比 ≈ T/N²。
数值示例
| 设定 | N | T | T/N² | 不可识别比例 |
|---|---|---|---|---|
| 原文主表 | 138 | 120 | 0.0063 | 99.37% |
| 方向性特征 (传导谁→谁) | 138 | 120 | 0.009 | 99.1% |
| 强度特征 (Magnitude) | 138 | 120 | 较高 | 显著高于方向性 |
→ 方向性特征几乎 100% 由正则化选择决定，而非由数据决定。
经验证据：样本拆分
把网络连接分成不相交两半独立估算：
| 指标 | 两半样本相关性 |
|---|---|
| SDF 的样本外表现 | 0.98 |
| 连接强度 (Magnitude) | 0.77 |
| 方向性 (传导谁→谁) | −0.28 |
关键含义：两个样本外表现同样优秀的模型，给出了方向相反的网络解释。强度本身可复制，但"谁传给谁"完全不可复制。
与机器学习一般理论的连接
这是经典的高维统计推断场景——与 Marchenko-Pastur 分布与协方差病态 同源：
- MP 极限谱分布描述：当 N/T → c > 0，样本协方差特征值分裂为 bulk + outliers，bulk 内部特征值与噪声不可区分。
- 这里的 Ψ 是更极端的 N²/T 比率 (远超协方差估计的 N/T)，几乎所有方向性都掉进"不可识别"区域。
- Ledoit-Wolf shrinkage / QIS (Quadratic-Inverse Shrinkage, Covariance Shrinkage Estimation 系列) 之所以被广泛采用，就是因为高维下不收缩就是幻觉。
与本 wiki 其他概念的连接
- 正则化幻觉 vs 经济结构 — 本页是其数学根源
- 可复制性 vs 经济增量价值 — 即便解决了本页问题 (e.g., 投影到低秩核)，仍不带来增量价值
- 跨资产溢出矩阵与 SDF 估计 — Ψ 估算路径的对应概念
- 外生经济网络与跨资产预测 — 跨资产预测力的真实出处，绕开识别性问题
引用
- 清华 2026/07/13 论文《Is the Cross-Asset Spillover Network Real?》, SSRN 6957600
- 中文摘要：summaries/202608-ml-spillover-network-regularization/202608-ml-spillover-network-regularization