riemannian-geometryfactor-modelbures-wassersteincovariance-forecastingdimension-reductionsummary

A Riemannian Factor Model for Manifold-Valued Time Series — 中文摘要

Huang, S.-C., Rong Chen & Yaqing Chen (Rutgers 统计系), arXiv:2607.28385 (2026-07) 本次归档: raw/papers/202607-riemannian-factor-model-manifold-time-series/ (paper.pdf 488 KB + extracted.md, 2026-09-18)

问题: 实现协方差矩阵 (SPD 矩阵) 天然生活在非线性流形上 — 向量加法与数乘通常无定义, 经典线性因子模型从构造上就是误设 (misspecified); 现有非欧降维方法 (PGA / PNS / Riemannian functional PCA) 要么只处理独立样本、要么流形维数固定、要么没有统计保证。

模型: 黎曼因子模型 (Riemannian Factor Model) 假设观测 \mathbf{x}_t \in \mathcal{M} 满足 \mathbf{x}_t = \mathrm{Exp}_\mu(\mathbf{z}_t), 潜在切空间过程 \mathbf{z}_t = A\mathbf{f}_t + \boldsymbol{\delta}_t — 在 Fréchet 均值 \mu 的切空间里套 Lam-Yao 型动态因子模型 (自协方差算子提取载荷, 允许噪声任意截面相关)。估计: Riemannian 梯度求 \hat\mu → log 映射到切空间 → \hat{\mathbf{L}} = \sum_{h=1}^{h_0} \hat{S}(h)\hat{S}(h)^\top 前 r 个特征向量; 因子数用 ratio 估计器 (\hat r = \arg\min_i\ \hat\lambda_{i+1}/\hat\lambda_i)。

理论 (切空间失配与和乐 bound (Tangent Space Mismatch and Holonomy Bound)): 高维渐近 (p 随 n 发散) 下证明载荷空间收敛率; 一般情形速率含维数 (通过浓度不等式速率 c_n, 序列依赖与维数存在 trade-off: 几何衰减 \alpha-mixing 允许 p = o(\sqrt{n/\log n})); 短记忆 + 强因子下达到维数无关的 n^{-1/2}, 与高维线性因子模型持平。技术核心: 估计用 \hat\mu、总体在 \mu, 两个切空间不同 → 用 parallel transport 对齐 + holonomy (沿小测地三角形平行移动的切向量变化) 做 non-asymptotic bound — 此前文献的协变 Taylor 展开在此失效。且不假设流形完备, 所以适用不完备的 Bures–Wasserstein 流形。

金融实证 (S&P 500 12 只龙头股 2000-2019, 12×12 月度实现协方差 = BW 流形上 240 个月度观测): 见 Bures–Wasserstein 协方差预测 (BW Covariance Forecasting)。

  • 降维效率: rGMSE 0.404 只需 2 因子, 线性因子模型同样误差要 9 因子。
  • 因子可解释: 因子 1 与 VIX 收盘价高度同步 (市场层面联动强度); 因子 2 捕捉行业层面 — dot-com 泡沫期 IT 内部依赖升高, 金融危机期转负、载荷集中到金融/能源。解读方式 = 沿载荷向量的测地轨迹热图 \hat\Sigma^{(j)}(s) = \mathrm{Exp}_{\hat\Sigma}(s\hat{\mathbf{a}}_j)。
  • 样本外协方差预测 (VAR(1) 因子外推, 后 36 个月): BW 距离下 RFM 均值 10.79 / 中位 7.14, 全面优于 LFM (17.25 / 17.01)、LOCF (12.51 / 8.02)、RiskMetrics EWMA λ=0.94 (11.97 / 9.81)。
  • 组合风险预测: 最小方差组合的 |w_t^\top(\hat\Sigma_{t+1}-\Sigma_{t+1})w_t|, RFM 均值 0.94 / 中位 0.52, vs EWMA 1.45 / 0.89, LFM 3.66 / 2.29。
  • 仿真: 球积流形上 RFM 在真因子数 5 时比 LFM 降 rGMSE ≥20%, LFM 需多加 4+ 个因子才能追平; ratio 估计器 n{=}200 时选对率近 100%。

与 wiki 谱系的连接: Wasserstein Ambiguity Set 的 Wasserstein 度量在这里变成几何 (BW 距离 = 两个高斯间的 2-Wasserstein); Wasserstein HMM 资产配置框架 解决的是"状态识别的标签稳定性", RFM 解决的是"协方差对象的降维/预测"; 两者可叠加 (HMM 因子外推)。BW 流形上做 BW 距离模糊球约束的组合优化 (Blanchet et al. 2022) 与 RFM 因子结构天然兼容。

局限: 实证仅 12 只同质大盘股 (240 个月), 面板窄; 强因子假设 (\kappa \asymp 1) 在弱因子环境下的表现未测; 因子数 r 用 ratio 估计器但无信息准则对照; 预测层用 VAR(1) 较朴素。

引用

  • Huang, S.-C., Chen, R., & Chen, Y. (2026). A Riemannian Factor Model for Manifold-Valued Time Series. arXiv:2607.28385.
  • 代码: github.com/shuochieh/Riemannian_factor (匿名化引用); 数据 Yahoo! Finance (S&P 500, 2000-2019)