Grinold-Kahn alaptörvény: IR = IC · √N és a több-jeles portfólió

Grinold-Kahn alaptörvény

Jelek (3)

IC0,050

IC0,040

IC0,030

Átlagos páronkénti korreláció (ρ̄)0,20

Breadth / jel (N fogadás / év)252

Aggregált Information Ratio

0,930

Kalibráció: Elfogadható

Számolás részletei

Jelek száma (aktív): 3

Effektív N (korr. után): 2,14

Átlagos IC: 0,040

IR ≈ 0,040 · √(2,14 · 252) = 0,930

Per-jel Marginal IR Contribution

Mennyivel csökken az aggregált IR, ha kiveszed az adott jelet? Küszöb: ≥ 0,02 érdemes megtartani.

Funding rate divergencia+0,212

VPIN order flow+0,110

IV-RV divergencia+0,007

Mit mond ez nekem?

Korreláció hatása: 3 jel → effektív N = 2,14 (29% elveszett a korreláció miatt).
Diversifikációs előny: 1,46× az aggregált IR egy átlag-jelhez képest.
Új jel javaslat: A jelek viszonylag függetlenek — a meglévő jelek IC-jének javítása vagy új jelek hozzáadása is hatásos.

Info
Gyors áttekintés — Grinold-Kahn egy bekezdésben

Alaptörvény: $I R = I C \cdot N \cdot TC$ (3 alapösszetevő)

IC = előrejelzési minőség (korreláció jel ↔ hozam, tipikus 0,02–0,15)

N = breadth = független fogadások / év

TC = transfer coefficient = portfólió-megvalósítás "súrlódása" (0,5–0,9)

Korreláció: ha $ρ > 0$ a jelek közt, a kombinált IR csökken ( $N$ helyett $N_{eff}$ )

Marginal IR contribution: mikor érdemes új jelet hozzáadni

💡 Több gyenge jel $>$ egy erős jel, ha (1) a $N$ skálázás kompenzálja a kis IC-t, és (2) a jelek nem korrelálnak egymással.

A Grinold-Kahn alaptörvény (Richard Grinold, 1989, később Kahn-nal közösen kibővítve) az aktív portfólió-management egyik legtöbbet-idézett eredménye. A Sharpe-IR cikkben felvezettük az alapformulát: $I R = I C \cdot N$ . Itt megnézzük a mélyebb mondanivalót: mit jelent a $N$ , mikor sérül, és hogyan kombinálj több edge-et a gyakorlatban.

A 3 alapösszetevő: IC, breadth, transfer coefficient

A teljes formula:

I R = I C \cdot N \cdot TC

Ahol:

$I C$ = Information Coefficient: az előrejelzés-hozam korreláció
$N$ = Breadth: független fogadások száma egy évben
$TC$ = Transfer Coefficient: a portfólió-megvalósítás “súrlódása”

Mi a transfer coefficient?

A modellünk megmondja, milyen pozíciókat kéne tartania ( $x^{*}$ optimum súlyok). A valóságban viszont a portfólió csak egy korlátozott súlyrendszerrel ( $\tilde{x}$ ) lehet — pl. nem mehetsz shortba minden részvényen, van max-súly korlát, tranzakciós költség, stb. A transfer coefficient ezt méri:

TC = ρ (x^{*}, \tilde{x})

A két súlyrendszer közötti korrelációs együttható. Egy $TC = 1, 0$ azt jelenti, hogy a tényleges portfólió tökéletesen tükrözi az elméleti optimumot. Egy $TC = 0, 5$ azt, hogy csak a fele transferál át — fél IR a végén.

Tipikus értékek:

Long-short hedge fund, csekély constraint: $TC \approx 0, 8$ – $0, 9$
Long-only fund 130/30 stratégiával: $TC \approx 0, 7$
Long-only fund, sok constraint: $TC \approx 0, 5$ – $0, 6$
Erősen constraint-elt fund (pl. ESG, factor-tilt csak): $TC \leq 0, 4$

A cikk további részében — egyszerűség kedvéért — feltesszük, hogy $TC = 1$ (tehát az alap-alaptörvény $I R = I C \cdot N$ ). A gyakorlatban a végeredményt minden esetben szorozd be a saját becsült $TC$ -vel.

Miért $N$ ? — a centrális határeloszlás-tétel

A $N$ skálázás nem mágia — a centrális határeloszlás-tétel közvetlen következménye. Tegyük fel, hogy $N$ független, azonos eloszlású jelünk van, mindegyik egyedi IR-je $I R_{1}$ . Az átlagolt portfólió hozama:

\overset{r}{ˉ} = \frac{1}{N} i = 1 \sum N r_{i}

Az átlag várható értéke (az alfa) $N$ -szer nem nő — átlagolásnál csak az időbeli átlag növekszik. De a portfólió tracking error-a ( $σ_{α}$ ) csak $N$ -vel csökken (független mintára). Tehát az IR (=alfa/tracking error) növekszik:

I R_{N} = \frac{α _{N}}{σ _{α, N}} = \frac{α _{1}}{σ _{α, 1} / N} = I R_{1} \cdot N

Ez a $N$ a diversifikációs előny matematikai magja. Minél több független edge-et találsz, annál jobb a portfóliód — sublinearisan, de érdemben.

Mikor sérül az alaptörvény? — a korreláció problémája

A $N$ a független jelek feltételezésén áll. A valóságban a jelek korreláltak — ez a leginstruktívabb sérülés. Két korrelált jel kombinált IR-je:

I R_{combined}^{2} = \frac{I R _{1}^{2} + I R _{2}^{2} - 2 ρ \cdot I R _{1} \cdot I R _{2}}{1 - ρ ^{2}}

Ahol $ρ$ a két jel közötti korrelációs együttható.

Számpélda: két ugyanolyan IR = 1,0 jel kombinálva:

$ρ = 0$ (független): $I R_{combined} = 2 \approx 1, 41$
$ρ = 0, 3$ (gyenge korreláció): $I R_{combined} \approx 1, 24$
$ρ = 0, 5$ (mérsékelt): $I R_{combined} \approx 1, 15$
$ρ = 0, 9$ (erős): $I R_{combined} \approx 1, 03$
$ρ \to 1$ (tökéletes): $I R_{combined} \to 1, 00$ (nincs új edge)

A tanulság: ha az új jeled erősen korrelál a meglévőkkel, gyakorlatilag NEM hoz hozzá értéket — még akkor sem, ha önmagában jó IR-je van.

Effektív breadth: $N_{eff}$

Az $N$ helyett gyakran az effektív breadth-szel számolnak — ami az átlagos páronkénti korreláció után marad:

N_{eff} = \frac{N}{1 + ( N - 1 ) \cdot ρ ˉ}

Ahol $\overset{ρ}{ˉ}$ az átlagos páronkénti korreláció.

Példa: 100 jel, $\overset{ρ}{ˉ} = 0, 2$ . $N_{\text{eff}} = 100 / (1 + 99 \cdot 0{,}2) = 100 / 20{,}8 \approx 4{,}8$. Tehát 100 erősen-korrelált jel csak ~5 független jel értékét hozza. A formula szerint az aggregált IR nem $100 = 10 \times$ , hanem csak $4, 8 \approx 2, 2 \times$ egyetlen jelhez képest.

Optimális kombinálási súlyok — mean-variance optimization

Eddig azt feltételeztük, hogy egyenlő súllyal kombináljuk a jeleket. A mean-variance optimum súlyrendszere a kovariancia-mátrixból származik:

w^{*} = \frac{Σ ^{- 1} \cdot μ}{1 ^{⊤} Σ ^{- 1} \cdot μ}

Ahol:

$w^{*}$ = a $N$ -dimenziós optimum súlyvektor (a súlyok összege = 1)
$Σ$ = a $N \times N$ kovariancia-mátrix
$μ$ = a $N$ -dimenziós várt hozam-vektor
$1$ = a $N$ -dimenziós csupa-egyes vektor

Gyakorlati problémák:

A $Σ$ kis mintán instabil. Ha napi adatokból becsülöd egy 1 éves periódusra (252 nap), egy 20 dimenziós $Σ$ becslése már nagyon zajos. Megoldás: shrinkage (pl. Ledoit-Wolf, 2004) — a sample-kovarianciát egy strukturált priorra húzod.
Az egyenlő súlyozás meglepően jól teljesít. DeMiguel, Garlappi és Uppal (2009) kísérletileg megmutatta, hogy a “1/N rule” gyakran csak ~10%-kal rosszabb az “optimális” mean-variance allokációnál, mert a $μ$ és a $Σ$ becslési hibája elnyeli a matematikai előnyt.

Mikor melyiket?

Egyenlő súlyozás: kis adatmintán (<2 év), sok jel, nagy bizonytalanság a $μ$ és $Σ$ becslésében
Mean-variance optimum: nagy adatmintán (5+ év), kevés jel, jó becslés

Marginal IR contribution — mikor érdemes új jelet hozzáadni?

A marginal IR contribution azt méri, hogy egy új jel $N$ -edikként hozzáadása mennyivel növeli a teljes portfólió IR-jét:

Δ I R_{N} = I R_{N jellel} - I R_{N-1 jellel}

Empirikus küszöb: ha $Δ I R_{N} < 0, 02$ , az új jel nem hoz elég értéket a hozzáadással járó komplexitás-költséget tekintve. Ez a “zajküszöb” függ a portfólió-méretedtől, de a 0,02 egy jó kiindulópont.

A cikk végén lévő kalkulátor pontosan ezt a számot mutatja minden új jel-bemenetére, hogy lássad: érdemes-e bevinni az aktuális portfólióba.

Példa: 3 quant jel kombinálása

Tegyük fel, hogy 3 jelünk van:

Funding rate divergencia (lásd Funding rate haladó): IR = 0,8
VPIN order flow (lásd kvantitatív-jelek/vpin): IR = 0,6
IV-RV divergencia (lásd kvantitatív-jelek/iv-rv-divergencia): IR = 0,5

Páronkénti korrelációk:

$ρ (FR, VPIN) = 0, 1$ (gyakorlatilag független)
$ρ (FR, IV-RV) = 0, 3$ (mérsékelt, mindkettő részben volatilitás-függő)
$ρ (VPIN, IV-RV) = 0, 2$

A 3 jel átlagos páronkénti korrelációja $\overset{ρ}{ˉ} \approx 0, 2$ . Effektív breadth: $N_{\text{eff}} = 3 / (1 + 2 \cdot 0{,}2) = 3 / 1{,}4 \approx 2{,}14$.

Az aggregált IR egy egyenlő súlyozású portfólióra (közelítő formula):

I R_{aggreg \overset{a}{ˊ} lt} \approx \overset{ˉ}{I R} \cdot \frac{N _{eff}}{1} \approx 0, 63 \cdot 2, 14 \approx 0, 93

Tehát a 3 jelből egy ~0,93-os IR-ű portfólió épül — jó kategória. Ha most hozzáadunk egy 4. jelet (Kyle λ, IR = 0,4, $\bar{\rho}{\text{new}} = 0{,}25 $), a$ N{\text{eff}}$ kb. 2,55-re nő, és az aggregált IR ~ 0,95-re — tehát $Δ I R = + 0, 02$ , épp a küszöbön. A döntés: ha a Kyle λ implementálása drága, érdemes inkább a meglévő 3 jel IC-jét javítani.

Interaktív kalkulátor

A cikk végén lévő kalkulátorba beírhatsz akár 6 jelet:

minden jelhez IC és σ (a jelet előrejelző becslés zaja)
páronkénti korreláció-mátrix
automatikus aggregált IR számítás
per-jel marginal IR contribution

A kalkulátor a Sharpe-IR cikk kalibrációs sávjait használja a végeredmény színkódolásához.

GYIK

Mi a Grinold-Kahn alaptörvény egy mondatban?

Az alaptörvény szerint egy aktív stratégia Information Ratio-ja a stratégia előrejelzési minőségének (IC) és a független fogadások számának (N) szorzata: IR = IC · sqrt(N). Tehát egy gyenge edge sokszor megismételve felérhet egy erős edge ritkán-használatával.

Mi a három alapösszetevő (IC, breadth, transfer coefficient)?

IC (Information Coefficient) = a stratégia előrejelzési minősége, breadth (N) = a független fogadások száma egy évben, transfer coefficient (TC) = a portfólió-megvalósítás "súrlódása" (constraints, tranzakciós költség). A teljes formula: IR = IC · sqrt(N) · TC. Egy 0,8-as TC már jó, a 0,5 alatti rosszul implementált stratégiát jelez.

Mit jelent, hogy "független fogadások"?

A breadth (N) NEM a kereskedési műveletek száma. Ha egy nap 100 részvényre ugyanazt a faktor-stratégiát alkalmazod, és a 100 részvény visszatérése erősen korrelált (ugyanaz a piaci faktor mozgatja őket), akkor a "tényleges" N csak 10–20 lehet. A korreláció csökkenti a hatékony N-et.

Hogyan csökkenti a korreláció az IR-t?

Ha két jel korrelációs együtthatója ρ, akkor a kombinált IR ÚJ formulája: IR_combined^2 ≈ (IR_1^2 + IR_2^2 − 2·ρ·IR_1·IR_2) / (1 − ρ^2). Ha ρ = 0,5, két ugyanolyan IR-ű jel kombinálva csak √(2/(1+0,5)) ≈ 1,15-szörös IR-t ad, nem √2 ≈ 1,41-szeresest. Erősen korrelált jelek (ρ → 1) gyakorlatilag NEM növelik az IR-t.

Mi a marginal IR contribution?

A marginal IR contribution azt méri, hogy egy új jel hozzáadása mennyivel növeli a teljes portfólió IR-ét. Ha az új jel marginal IR < 0,02 (a meglévő jelekkel való korrelációt figyelembe véve), nem érdemes hozzáadni — a sávolásból fakadó zaj nagyobb, mint a hozzáadott szignál. A cikkben szereplő kalkulátor minden jel-input után mutatja ezt a számot.

Hogyan optimalizáljam a kombinálási súlyokat?

A mean-variance optimalizáció szerint az optimális súlyok a kovariancia-mátrix inverzéből származnak: w* = Σ^(-1) · μ / (1' · Σ^(-1) · μ), ahol Σ a jelek kovariancia-mátrixa, μ a várt hozam-vektor. A gyakorlatban shrinkage-becslést használj (pl. Ledoit-Wolf), mert a sample-kovariancia kis mintán instabil. Egyszerű alternatíva: egyenlő súlyozás — meglepően gyakran csak ~10%-kal rosszabb mint az optimum.

Mennyi a "reális" aggregált IR egy 5 jelű portfólióra?

Ha minden jel egyedi IR-je 0,3 (gyenge-elfogadható), és a páronkénti korreláció 0,2 (mérsékelt), az aggregált IR ≈ 0,55. Ha 0 a korreláció, ≈ 0,67. Ez már "jó" kategóriába esik. A trükk: a korreláció csökkentése (új, ortogonális edge-ek hozzáadása) többet ér mint egy meglévő jel finomítása.

Mikor érdemes új jelet keresni, és mikor mélyíteni a meglévőt?

Empirikus szabály: ha a meglévő jelek átlagos páronkénti korrelációja > 0,3, új jel keresése előbbre való. Ha < 0,1, mélyíteni a meglévőket (IC növelése). A Grinold-Kahn alaptörvény az új-jel-keresést favorizálja a sqrt(N) növekedés miatt, de a korrelációs súrlódás miatt egy jól megválasztott új jel néha 5–10×-szeresét adja a "mélyítésnek".

Források

Akadémiai cikkek:

Grinold, R.C. (1989). The Fundamental Law of Active Management. Journal of Portfolio Management, 15(3): 30–37. — Az alaptörvény eredeti levezetése.
Clarke, R., de Silva, H., Thorley, S. (2002). Portfolio Constraints and the Fundamental Law of Active Management. Financial Analysts Journal, 58(5): 48–66. — A transfer coefficient bevezetése.
Ledoit, O., Wolf, M. (2004). A well-conditioned estimator for large-dimensional covariance matrices. Journal of Multivariate Analysis, 88(2): 365–411. — Shrinkage kovariancia-becslés.
DeMiguel, V., Garlappi, L., Uppal, R. (2009). Optimal Versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy? Review of Financial Studies, 22(5): 1915–1953. — Az egyenlő-súlyú portfólió kísérleti teljesítménye.

Könyvek:

Grinold, R.C., Kahn, R.N. (2000). Active Portfolio Management. 2nd ed., McGraw-Hill. ISBN: 978-0070248823. — Az alaptörvény standard tankönyve; Ch. 6 a fundamental law.
Markowitz, H.M. (1959). Portfolio Selection: Efficient Diversification of Investments. Yale University Press. — A mean-variance optimalizáció eredeti könyve.
Kakushadze, Z., Serur, J.A. (2018). 151 Trading Strategies. Palgrave Macmillan. ISBN: 978-3030027919. — Praktikus stratégia-katalógus, ami a Grinold-Kahn kombinálási keretben él.

Kapcsolódó cikkek a matekmegoldasok.hu-n:

Stratégia kombinálás — bevezetés
Kelly-kritérium magyarázata
Sharpe-ráta és Information Ratio
Funding rate haladó — egy gyakorlati jel-példa

Frissítve:2026. május 11.