conceptfactor-modelriemannian-geometrydimension-reductiondynamic-factortangent-space

黎曼因子模型 (Riemannian Factor Model)

定义

流形取值时间序列的首个有理论保证的因子模型 / 降维方法 (Huang-Rong Chen-Yaqing Chen 2026, summaries/202607-riemannian-factor-model-manifold-time-series/202607-riemannian-factor-model-manifold-time-series)。两层结构:

\mathbf{x}_t = \mathrm{Exp}_\mu(\mathbf{z}_t), \qquad \mathbf{z}_t = A\mathbf{f}_t + \boldsymbol{\delta}_t

  • \mathbf{x}_t \in \mathcal{M} (p 维黎曼流形), \mu 为 Fréchet 均值, \mathbf{z}_t 是切空间 T_\mu\mathcal{M} 中的偏差过程;
  • 内层是 Lam-Yao 型动态因子模型: \mathbf{f}_t \in \mathbb{R}^r (r \ll p) 驱动全部动态相关, \boldsymbol{\delta}_t 白噪声且允许任意截面相关, A: \mathbb{R}^r \to T_\mu\mathcal{M} 等距线性算子。

与 PCA/PGA 类方法的本质差异: 用自协方差算子 (autocovariance operator) 而非方差-协方差算子提取载荷 — 因子对动态相关负责, 规避 PCA 型因子模型的识别问题。

估计流程

flowchart LR
    A[x_t ∈ M] --> B[Riemannian 梯度<br>估 Fréchet 均值 μ̂]
    B --> C["Log_μ̂(x_t) 映到 T_μ̂M"]
    C --> D["L̂ = Σ_h Ŝ(h)Ŝ(h)ᵀ<br>(h=1..h0)"]
    D --> E[前 r 个特征向量 = 载荷]
    E --> F[因子数: ratio 估计器<br>argmin λ̂_{i+1}/λ̂_i]
    E --> G[f̂_t = Âᵀ ẑ_t<br>预测: Exp_μ̂(J(Â f̂_t))]

关键点: 预测输出 \mathrm{Exp}_{\hat\mu}(\cdot) 保证落在流形上; 线性因子模型的预测一般违反流形约束。可解释性来自沿载荷向量的测地轨迹 \hat\Sigma^{(j)}(s) = \mathrm{Exp}_{\hat\Sigma}(s\hat{\mathbf{a}}_j)。

理论结果

见 切空间失配与和乐 bound (Tangent Space Mismatch and Holonomy Bound)。核心:

  • 高维渐近 (p = p(n) 发散) 下载荷空间收敛率, 序列依赖与维数 trade-off (几何衰减 α-mixing 允许 p = o(\sqrt{n/\log n}));
  • 短记忆 + 强因子 (\kappa \asymp 1) → 维数无关 n^{-1/2}, 与高维线性因子模型持平;
  • ratio 估计器有 eigenvalue 收敛率保证 (前 r 个 O_p(1), 其后 O_p(n^{-1}));
  • 不要求流形完备 → 适用于不完备的 Bures–Wasserstein 流形。

仿真要点 (球积流形)

真因子数 5 时, RFM 5 因子的 rGMSE 已低于 LFM 10 因子; LFM 要多加 4+ 个因子才追平 RFM 5 因子 — 流形非线性对线性模型的损失无法靠堆因子补偿。ratio 估计器 n{=}200 选对率近 100%。

金融应用

  • Bures–Wasserstein 协方差预测 (BW Covariance Forecasting) — 实现协方差矩阵当作 BW 流形时间序列的完整落地 (因子解读 + 样本外预测 + 组合风险评估)。
  • 多元流形数据: (\mathbf{x}_t, \mathbf{y}_t) \in \mathcal{M}_1 \times \mathcal{M}_2 积流形, RFM 捕捉联合动态的低维因子。

关联