factor-modelgraph-learningjoint-optimizationadmmregularizationportfolio-diversificationminglE

联合因子-图学习 (Joint Factor-Graph Learning)

Definition. 一类在同一个非凸优化问题里联合学习因子暴露矩阵 B 与图拓扑 W 的方法,让两个域通过 Dirichlet 能量 \mathrm{tr}(B^\top L_W B) 互相正则化——典型代表是 MINGLE 框架 (Chehab, Iacovides, Yazdanparast & Mandic 2026)。

为什么需要联合:顺序式 (sequential) 的局限

传统的"先估因子、再在残差或载荷上建图"流程存在两个独立盲区:

  • 因子模型 告诉你风险的"来源"是什么,但对资产间"点对点联动"是 agnostic 的。
  • 图 告诉你"谁跟谁挨着",但挨着的原因——系统性暴露还是特质噪声——无法区分。

更深的代价是单向纠偏:图域没有机会纠正因子域的偏差,只能被动接受。PCs 可能在极端 regime 下捕捉到伪结构,顺序式图只能把这种伪结构"洗"到邻域里,而不能否决它。

互为归纳偏置 (mutual inductive bias)

MINGLE 框架把这个因果方向倒过来:

flowchart LR
    subgraph "因子域"
        B["暴露矩阵 B<br/>(N×K)"]
    end
    subgraph "图域"
        W["图权重 W<br/>(N×N)"]
    end
    B -- "暴露剖面相似度<br/>→ 边权" --> W
    W -- "Dirichlet 能量<br/>tr(B^T L_W B)<br/>→ 邻域平滑" --> B
    B -. "低秩先验 + 去相关" .- B
    W -. "稀疏 + 度屏障" .- W
  • 固定 B 平滑作用在暴露空间: 鼓励联动邻域内的资产拥有相似暴露。
  • 固定 W 平滑作用在拓扑: 惩罚暴露差异大的资产之间连边。

任何一方都不是先估好再喂给另一方。这是与"PCA + 残差图"最本质的区别。

统一目标函数

\min_{B, W} \;\underbrace{|C^{1/2} (R - B Z)|_F^2}_{\text{因子分解}} \;+\; \underbrace{\lambda \,\mathrm{tr}(B^\top L_W B)}_{\text{暴露平滑 (两域耦合)}} \;+\; \underbrace{\alpha |W|_1}_{\text{稀疏}} \;+\; \underbrace{\beta \sum_{i} \log d_i}_{\text{度屏障}} \;+\; \underbrace{\mu \,|\mathrm{offdiag}(Z Z^\top)|_F^2}_{\text{因子去相关}}

约束: W \geq 0, W = W^\top, W_{ii}=0, |B|_F^2 = N (解 PCA 尺度模糊)。每一项都有清晰的经济学动机 (见 MINGLE 框架 详述)。

求解:ADMM 分裂

由于双线性项 B^\top L_W B 存在,问题非凸且不可分,用 ADMM (Alternating Direction Method of Multipliers) 引入三份副本——B 的正交副本、W 的稀疏+拓扑副本、度向量 d 的显式副本,然后对增广拉格朗日交替优化:

  1. 因子块更新: B 走一步梯度, Z 解 Sylvester 方程 (主成本 O(N^3))。
  2. 图块更新: W 用 Sherman–Morrison 闭式解, d 闭式解一元二次,辅助稀疏副本走近端步。
  3. 对偶更新: 三个对偶变量梯度上升,累积失配历史。

由于图块在因子块之后更新,图拓扑总适配最新暴露——"互相告知"在算法层面落地。

理论诚实: ADMM 不保证收敛到全局最优。整体问题非凸 (双线性项),但好的初始化 (降权收益率的最佳秩-K 近似 + RBF 初始图) 给出稳定结果。

与其他概念的关系

计算成本与可扩展性

步骤 复杂度 备注
Sylvester 方程 O(N^3) 主瓶颈
B 梯度 O(N^2 K)
W Sherman–Morrison O(N^2)
度对角更新 O(N)

M=300 的实验规模下,完整 ADMM 几百次迭代可在分钟级完成。N \to 5000 时 O(N^3) 爆炸,需要 Krylov 子空间迭代或低秩近似。把 MINGLE 扩展到中证 800 全成分是直接的工程问题,需要文献给出方案。

Open questions

  • 联合 ADMM 对初始化敏感度的量化幅度——swapping 初始 PCA 的秩选择会多大程度改变块结构?
  • 联合学习对部分缺失数据 (停牌/退市) 的处理:当前格式化用 EWMA 权重,是否需要像 Barra EM 那样做显式 missing-data 边际化?
  • 把 K 做成自适应的同时,耦合正则的强度 \lambda 是否也该随 K 调节?目前所有超参由样本外交付费用定,理论与数据的双重锚还缺。
  • MINGLE 在 A 股 2015/2018/2020 三段 crisis 中的稳健性未验证——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。

Sources