minglEfactor-modelgraph-learningjoint-optimizationexposure-similarityadmmportfolio-diversification

MINGLE 框架 (Mutually-INformed Graph–Locality and Exposures)

Definition. MINGLE = MutINformed Graph–Locality and Exposures. 一个把资产图的"局部性定义"从观测相关性改写为系统性风险暴露相似性的联合学习框架 (Chehab, Iacovides, Yazdanparast & Mandic, Imperial College London & Beaufort Bridges, 2026)。

📑 Quick Reference

Target 类型 路径
公众号原文 (二次解读) external URL mp.weixin.qq.com/s/pu4rj3sRtnO0bRAAeVZcjg
本地 HTML 副本 source file raw/articles/202608-factor-model-graph-joint-learning/因子模型与图结构的联合学习框架.html
本地 Markdown 副本 source file raw/articles/202608-factor-model-graph-joint-learning/因子模型与图结构的联合学习框架.md
论文 entity wiki page Chehab, Iacovides, Yazdanparast & Mandic 2026 - Beyond Co-Movement
中文摘要 wiki page summaries/202608-factor-model-graph-joint-learning/202608-factor-model-graph-joint-learning
作者 wiki entities S Chehab / G Iacovides / P Yazdanparast / D Mandic

⚠️ 原论文 PDF / arXiv 编号未公开: 公众号解读未给出 arXiv 编号, Imperial College / Beaufort Bridges 官网亦未抓到对应预印本条目。若后续查到原 PDF, 应走 raw/papers/202608-beyond-co-movement-locality/ 入位并二次收录。

立意:为什么用暴露而不是相关性

资产同时被同一个宏观驱动 (油价、利率、风险偏好) 影响时,样本协方差会显示它们高度相关,但这种相关性是结构性的——不管样本窗口怎么变,只要驱动不变,关联就稳定。反过来,两只资产因为各自的特质噪声恰好在窗口内同步,样本协方差也显示高相关,但这种相关性是窗口特定的——换一窗口就消失。

MINGLE 的核心立意:以暴露剖面的相似度作为边权,而不是以 co-movement 作为边权。两种相关性在样本协方差里无法区分,被联合学习拆开。

框架整体结构

flowchart LR
    subgraph "因子域 (Factor Domain)"
        B["暴露 B ∈ ℝ^(N×K)"]
        Z["因子动态 Z ∈ ℝ^(K×T)"]
    end
    subgraph "图域 (Graph Domain)"
        W["边权 W ∈ ℝ^(N×N)"]
        L["图 Laplacian L_W = D − W"]
    end
    R["观测收益率 R ∈ ℝ^(N×T)"] --> B
    R --> Z
    B -- "暴露剖面相似度" --> W
    W -- "Laplacian L_W" --> B
    B -. "低秩 + 去相关" .-> B
    W -. "稀疏 + 度屏障" .-> W

中间的循环箭头即"互相正则化"。

统一目标函数

\min_{B, W} \;\underbrace{|C^{1/2} (R - B Z)|_F^2}_{\text{因子分解 (EWMA 加权)}} \;+\; \underbrace{\lambda \,\mathrm{tr}(B^\top L_W B)}_{\text{暴露平滑 (耦合项)}} \;+\; \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。

逐项经济学动机

项 形式 经济学动机
因子分解 \lvert C^{1/2}(R-BZ)\rvert_F^2 用 K 个潜在风险驱动解释历史收益;C^{1/2} 施加 EWMA 衰减,近期数据权重更高。不是普通 PCA——B 还要被下面的图平滑项拉扯,最终暴露既要最大化方差也要反映邻域结构。
暴露平滑 \mathrm{tr}(B^\top L_W B) 整个框架的枢纽——两域唯一的耦合通道。Dirichlet 能量的写法,节点表示从 h 换成 B。
稀疏 \alpha \lvert W\rvert_1 Lasso 式,砍掉噪声导致的伪边,避免图过度连接。
度屏障 \beta \sum_i \log d_i 强制每只资产都留在非平凡邻域;孤立节点的经济上没有意义。
因子去相关 \mu \lvert\mathrm{offdiag}(Z Z^\top)\rvert_F^2 鼓励 K 个因子承载互不冗余的系统性风险源。
尺度约束 \lvert B\rvert_F^2=N 解 PCA 尺度模糊;没有这个约束,B 和 Z 可以互相缩放。

求解:ADMM

由于双线性项 B^\top L_W B 存在,问题非凸,用 ADMM 三组副本分裂:

  1. 因子块: B 梯度更新,Z 解 Sylvester 方程 (O(N^3) 每轮)。
  2. 图块: W Sherman–Morrison 闭式,d 闭式一元二次,辅助副本近端稀疏。
  3. 对偶更新: 三个对偶变量梯度上升,累积原始-辅助失配。

初始化

  • 暴露: 对 C^{1/2} R 做 SVD,取前 K 个右奇异向量初始化 B,左奇异向量初始化 Z 的转置。
  • 图: RBF 核作用于初始 B,带宽取暴露剖面两两平方距离的中位数 (median heuristic)。
  • 辅助变量 = 对应原始变量;对偶变量 = 0。

计算成本

步骤 复杂度
Sylvester 方程 O(N^3)
B 梯度 O(N^2 K)
W / d 更新 O(N^2) 以内

M=300 分钟级;扩展到 5000 需要 Krylov 子空间或低秩近似。

实验:S&P 500 / Nikkei 225 / STOXX 600 各 100 只

  • 数据: 美元计日频收盘价,2017 年底最活跃的各 100 只,共 300 只。
  • 重估: 滚动两年月对数收益率训练,每月重估。
  • 回测: 2019/01–2026/03,样本外评估下一月。
  • 超参: K=20, \alpha=0.1, \lambda=0.1, \mu=0.05, \beta=0.01, EWMA 半衰期约 1.5 年, CutV 递归切 8 次。

关键实证

指标 值 对比
诱导协方差条件数 比样本协方差低约 2 个数量级 Markowitz curse 的直接缓解
Adaptive CutV 选中最优 Fiedler vector 比例 85.9% 样本协方差下仅 5.4 倍低
Contagion Cut 0 bps CAGR 21.0% MVO 5.86% / HRP 10.7% / 等权 15.5%
Contagion Cut 0 bps Sharpe 1.07 MVO 0.364 / HRP 0.613 / 等权 0.780
跨调仓图 NMI 0.768 块结构稳定,降低换手
S&P 500 簇内 vs 簇间边权比 (Calm) 5.30 相关性图仅 2.42
S&P 500 簇内 vs 簇间边权比 (Elevated) 4.49 相关性图仅 1.64

50 bps 成本下 Contagion Cut 仍领先 (CAGR 18.3% / Sharpe 0.929)。

消融实验

配置 低噪声 中噪声 高噪声
Proposed (完整) ✓ ✓ ✓
Decoupled (L=0) 显著低于 Proposed 显著低于 Proposed 无显著差异
No-LR (无低秩先验) 显著低于 Proposed 显著低于 Proposed 显著低于 Proposed
No-Decorr (无因子去相关) 显著低于 Proposed 显著低于 Proposed 显著低于 Proposed

含义: 低秩先验和因子去相关是必要条件 (任何噪声水平下都显著);联合学习本身在低中噪声下贡献显著,但高噪声下互一致性无力回天。

局限

  • 固定 K 因子: 危机中相关性塌缩,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 优势显著 (Sharpe 3.32 / 0.82)。
  • 非凸无全局最优保证: ADMM 实证稳定但理论诚实。
  • O(N^3) 复杂度: N=300 可用,扩展到 5000 需工程方案。
  • 无滑点/市场冲击: 50 bps 简单线性成本,实际方根冲击下优势可能缩水。

主要启示

  1. 组合优化的瓶颈在输入表示而非优化器——同 Adaptive CutV 换去噪协方差 + 暴露图,Sharpe 0.86 → 1.07。
  2. 因子模型与图方法互补而非竞争——因子讲来源、图讲关系网,联合估计让两者互相纠偏。
  3. 簇内"边缘资产"比"中心资产"更值得配权重 (Contagion Cut 直观可执行)。
  4. 优势集中在 Calm/Elevated regime——危机仍是因子模型的塌缩短板。

Sources