- MATLAB金融風險管理師FRM(高階實戰)
- 姜偉生 涂升 李蓉
- 3199字
- 2021-03-26 23:39:52
2.4 投影
線性相關、Cholesky分解(Cholesky factorization)、特征值分解(eigen decomposition)、SVD分解(singular value decomposition)、PCA分析(principal component analysis),以及上一節介紹的矩陣線性變換等概念之間關系千絲萬縷。這一節通過投影(projection)一探究竟。
舉一個例子,主成分分析實際上尋找數據在主元空間內投影。圖2.20所示杯子,它是一個3D物體。如果想要在一張圖展示這只杯子,而且盡可能多地展示杯子的細節,就需要從空間多個角度觀察杯子并找到合適角度。這個過程實際上是將三維數據投影到二維平面過程。這也是一個降維過程,即從三維變成二維。圖2.21展示的是杯子六個平面上投影的結果。

圖2.20 咖啡杯六個投影方向

圖2.21 咖啡杯在六個方向的投影圖像
叢書第三冊數學部分介紹過向量投影運算。投影運算一般分兩種:標量投影(scalar projection)和矢量投影(vector projection)。首先用余弦解釋標量投影,如圖2.22(a)所示,b為向量a在v方向標量投影。

下式同樣用余弦解釋矢量投影:


圖2.22 向量投影和標量投影
圖2.22(b)展示第二種計算投影方法。向量a向v投影得到向量投影a,而向量差a – a 垂直于v;據此構造如下等式:

上式中,v(vTv)-1vT常被稱作帽子矩陣(hat matrix)。帽子矩陣和最小二乘回歸有著緊密聯系,本書回歸部分會深入介紹。

圖2.23 向量向平面和超平面投影
如圖2.23(a)所示,兩個線性無關向量v1和v2構造一個平面H;圖2.23(b)所示為,多個線性無關向量v1、v2、…、vq構造一個超平面F。向量a向H平面投影得到向量a。向量a由v1和v2構造。

向量差a – a垂直于H平面,因此垂直于平面內任何向量。

以上結論也適用于圖2.23(b)展示超平面情況。
下面來看一看數據點投影。如圖2.24所示,平面上一點Q(4, 6)和直線上不同位置點之間距離構成一系列線段,d表示這些線段長度。圖2.24下兩圖展示d和d2(線段長度平方值)隨位置變化。這些線段中最短那條,即d2最小,為Q和Q點在直線上投影點P之間距離,QP垂直于直線。尋找最短線段實際上就是優化過程。優化問題構建和求解將會在本書后文詳細介紹。

圖2.24 平面上一點向直線投影
如圖2.25所示,平面上多點投影到同一條直線上,獲得一系列投影線段。當直線截距和斜率不斷變化時,這些投影線段之和不斷變化。可以想象,某個直線截距和斜率組合讓投影線段和最小。以上思路即主成分分析和主成分回歸核心。本書后面會展開講解這兩種重要分析方法。

圖2.25 平面上多點向直線投影
以下代碼可完成圖2.24和圖2.25計算和繪圖,還繪制出空間多點向空間直線投影圖像。
B4_Ch1_4.m clc; close all; clear all v = [1;1/2]; center = [0,1]; t = -2:0.25:10; x = v(1)*t + center(1); y = v(2)*t + center(2); X = [0, 0; 1, 5; 2, -2; 4, 6; 6, 0; 8, -1;]; X_c = X - center; b = X_c*v/(v'*v); X_h = b*v'; X_h = X_h + center; fig_i = 1; figure(fig_i) fig_i = fig_i + 1; plot(x,y); hold on plot(X(4,1),X(4,2),'xb') vectors = [x',y'] - [X(4,1),X(4,2)]; h = quiver(X(4,1)+0*vectors(:,1),X(4,2)+0*vectors(:,1)... ,vectors(:,1),vectors(:,2),'k'); h.ShowArrowHead = 'off'; h.AutoScale = 'off'; daspect([1,1,1]) box off; grid off figure(fig_i) fig_i = fig_i + 1; subplot(2,1,1) vector_length = vecnorm(vectors,2,2); plot(x,vector_length) ylim([0,9]); box off subplot(2,1,2) vector_length = vecnorm(vectors,2,2); plot(x,vector_length.^2) box off figure(fig_i) fig_i = fig_i + 1; plot(x,y); hold on plot(X(:,1),X(:,2),'xb') plot(X_h(:,1),X_h(:,2),'xr') plot([X(:,1),X_h(:,1)]',[X(:,2),X_h(:,2)]','k') daspect([1,1,1]) box off; grid off %% 3D, project points to a line in space v = [1;1/2;2]; center = [0,1,2]; t = -2:1:4; x = v(1)*t + center(1); y = v(2)*t + center(2); z = v(3)*t + center(3); X = [0, 0, 0; 1, 5, 2; 2, -2, 5; 4, 6, -1; 6, 0, 3; 8, -1, 1;]; X_c = X - center; b = X_c*v/(v'*v); X_h = b*v'; X_h = X_h + center; figure(fig_i) fig_i = fig_i + 1; plot3(x,y,z); hold on plot3(X(:,1),X(:,2),X(:,3),'xb') plot3(X_h(:,1),X_h(:,2),X_h(:,3),'xr') plot3([X(:,1),X_h(:,1)]',[X(:,2),X_h(:,2)]',[X(:,3),X_h(:,3)]','k') daspect([1,1,1]) box off; grid off
有了以上向量投影和點投影基礎,下面討論數據投影、特征值分解、SVD分解和Cholesky分解關系。圖2.26展示原始數據X,X有2列[x1,x2],1000行,意味著X有兩個維度x1和x2,1000個觀察點。觀察圖2.26,發現x1和x2這兩個維度概率分布幾乎一致。經過處理,數據矩陣X已經列中心化。

圖2.26 原始數據X統計學特點
回憶叢書第三冊數學部分矩陣旋轉內容。如圖2.27所示,數據矩陣X通過下式繞中心(0, 0)旋轉15°得到數據Y。

從另外一個角度來看,Z相當于X向v1和v2這兩個向量投影得到結果,即:

其中,


圖2.27 數據X順時針旋轉15°得到數據Z
通過下列簡單計算,知道v1和v2這兩個向量正交。

且v1和v2這兩個向量為單位向量:

觀察V,發現如下等式成立:

X投影在任意正交坐標系中,該操作也常被稱作基底轉換(change of basis)。
圖2.28展示從向量v1和v2角度觀察數據分布情況。發現數據沿v2方向要更為密集,方差更小;沿v1方向更為松散,方差更大。由于數據已經中心化,矩陣Z第一列向量z1方差即投影距離平方和平均數。


圖2.28 數據Z (X順時針旋轉15°)沿兩個維度統計學特點
圖2.29展示數據X順時針旋轉30°得到數據Z。如圖2.30所示,發現數據Z沿v2方向變得更為集中,方差進步一步減小;沿v1方向數據變得更為松散,方差進一步增大。如圖2.31所示,當旋轉角度增大到45°時,圖2.32告訴我們Z沿v2方向方差達到最小值,Z沿v1方向方差達到最大值;并且,Z兩列數據z1和z2,相關性幾乎為0。這種思路即PCA分析核心。

圖2.29 數據X順時針旋轉30°得到數據Z

圖2.30 數據Z,X順時針旋轉30°,沿兩個維度分布

圖2.31 數據X順時針旋轉45°得到數據Z

圖2.32 數據Z,X順時針旋轉45°,沿兩個維度分布
假設數據X已經中心化,因此X樣本方差-協方差矩陣ΣX通過下式獲得:

其中,n為X行數,即觀察點數量;注意,總體方差-協方差矩陣,分母為n。對ΣX進行特征值分解得到:

其中,V列向量為特征向量,Λ主對角線元素為特征值。因為ΣX為對稱矩陣。因此V列向量相互垂直。
同理,計算數據Z方差-協方差矩陣ΣZ,并得到ΣZ和ΣX關系:

而對X進行SVD分解,得到:

其中:

XTX通過下式獲得:

觀察ΣX特征值分解和X的SVD分解結果,容易得到以下結論:

叢書第二冊隨機運動內容介紹過,通過Cholesky分解得到上三角矩陣,將相關性系數為0、服從正態分布多元隨機數轉化為服從一定相關性隨機數數據。對ΣX進行Cholesky分解,獲得如下等式關系:

L為下三角矩陣。回憶叢書第三冊介紹的矩陣轉化內容,發現V對應旋轉操作,對應縮放操作。對ΣX進行Cholesky分解,獲得下式:

其中,為R上三角矩陣。
若Y = [y1, y2] 為服從相關性系數為0標準正態分布(均值為0,方差為1)二元隨機數矩陣。那么下式獲得圖2.26中數據矩陣X:

下式驗證X方差-協方差矩陣為ΣX:

數據Z通過R (先縮放,后旋轉VT)獲得數據X。數據Y 和數據X相互轉換關系如圖2.33所示。而SVD分解實際上也是矩陣轉化,U和V矩陣都對應旋轉,而S對應縮放。對矩陣轉化不太熟悉讀者,參考叢書第三冊數學部分內容。

圖2.33 數據Y 和數據X相互轉換
順著上述思路,我們可以把多元正態分布(multivariate normal distribution)收納到以投影為核心知識網絡中來。叢書第三冊第2章介紹多元正態分布概率密度函數矩陣表達式,如下:

其中,X =(x1, x2, …, xq),代表服從多元正態分布隨機數據矩陣,每一維度隨機數為列向量(如圖2.12所示);x為行向量,代表一個觀察點;μX 同樣為行向量,具體形式如下:

觀察多元正態分布矩陣表達式,發現如下看似熟悉的式子:

將上式中ΣX替換為Cholesky分解式,得到下式:

發現上式在圖2.33旋轉(V)和縮放()操作之前加了一個中心平移操作(x?μX)。由此,得到x和y關系:

以上操作正是叢書第三冊第2章中討論橢圓變形過程,如圖2.34所示。

圖2.34 橢圓變形過程 (來自叢書第三冊第2章)
若不考慮縮放步驟,即僅僅用旋轉和平移構造y:

得到下式:

上式取任意正數定值代表著一個多維空間橢球體。如當q = 2時,得到平面內橢圓表達式:

其中,c為任何大于0常數。
本書后面將詳細介紹更多有關橢圓和其他雙曲線內容。此外,若多元正態分布隨機數據矩陣采用X =(x1, x2, …, xq)T 形式,即每一維度隨機數為行向量,觀察點x為列向量。則多元正態分布概率密度函數矩陣表達式如下:

以下代碼獲得圖2.26~圖2.33,并且獲得特征值分解、SVD分解、PCA分析和Cholesky分解之間關系。
B4_Ch1_5.m clc; clear all; close all corr_rho = cos(pi/6); SIGMA = 3*[1,0;0,1]*[1,corr_rho;corr_rho,1]*[1,0;0,1]; num = 1000; rng('default') X = mvnrnd([0,0],SIGMA,num); % R = chol(SIGMA) % X = mvnrnd([0,0],[1,0;0,1],num); % X = X*R; X = X - mean(X); theta = pi*1/12*3; v1 = [cos(theta); sin(theta)]; v2 = [-sin(theta); cos(theta)]; V = [v1,v2]; figure(1) plot(X(:,1),X(:,2),'.'); hold on daspect([1,1,1]) xlim([-8,8]); ylim([-8,8]); xlabel('x_1'); ylabel('x_2') h = quiver(0,0,v1(1),v1(2)); h.AutoScaleFactor = 3; h = quiver(0,0,v2(1),v2(2)); h.AutoScaleFactor = 3; hAxis = gca; hAxis.XAxisLocation = 'origin'; hAxis.YAxisLocation = 'origin'; box off axes_x = [-8, 0; 8, 0;]*V; axes_y = [0, 8; 0, -8;]*V; Z = X*V; figure(2) plot(Z(:,1),Z(:,2),'.'); hold on plot(axes_x(:,1)',axes_x(:,2)','k') plot(axes_y(:,1)',axes_y(:,2)','k') daspect([1,1,1]) xlim([-8,8]); ylim([-8,8]); xlabel('y_1'); ylabel('y_2') hAxis = gca; hAxis.XAxisLocation = 'origin'; hAxis.YAxisLocation = 'origin'; box off h = quiver(0,0,1,0); h.AutoScaleFactor = 3; h = quiver(0,0,0,1); h.AutoScaleFactor = 3; edges = [-8:0.4:8]; figure(3) subplot(2,1,1) histogram(Z(:,1),edges,'Normalization','probability') xlim([-8,8]); ylim([0,0.35]) ylabel('Probability'); xlabel('y2') box off; grid off subplot(2,1,2) histogram(Z(:,2),edges,'Normalization','probability') xlim([-8,8]); ylim([0,0.35]) ylabel('Probability'); xlabel('y2') box off; grid off SIGMA_Z = cov(Z); figure(4) heatmapHandle = heatmap(SIGMA_Z); caxis(heatmapHandle,[0 6]); %% Conversions [n,~] = size(X); % n, number of observations SIGMA = (X.'*X)/(n-1) cov(X) [V_eig,LAMBDA] = eig(SIGMA) [U,S,V_svd] = svd(X); S([1,2],:) S([1,2],:).^2/(n-1) [coeff,score,latent] = pca(X); % coeff, V % score, Z % latent, lambda figure(5) subplot(1,2,1) plot(X(:,1),X(:,2),'.'); hold on daspect([1,1,1]) xlim([-8,8]); ylim([-8,8]); xlabel('x_1'); ylabel('x_2') h = quiver(0,0,coeff(1,1),coeff(2,1)); h.AutoScaleFactor = 3; h = quiver(0,0,coeff(1,2),coeff(2,2)); h.AutoScaleFactor = 3; hAxis = gca; hAxis.XAxisLocation = 'origin'; hAxis.YAxisLocation = 'origin'; box off subplot(1,2,2) plot(score(:,1),score(:,2),'.'); hold on daspect([1,1,1]) xlim([-8,8]); ylim([-8,8]); xlabel('z_1'); ylabel('z_2') hAxis = gca; hAxis.XAxisLocation = 'origin'; hAxis.YAxisLocation = 'origin'; box off R = chol(SIGMA) % X = mvnrnd([0,0],[1,0;0,1],num); % X = X*R; Z = X*R^(-1); cov(Z) figure(5) subplot(1,2,1) plot(X(:,1),X(:,2),'.'); hold on daspect([1,1,1]) xlim([-8,8]); ylim([-8,8]); xlabel('x_1'); ylabel('x_2') h = quiver(0,0,v1(1),v1(2)); h.AutoScaleFactor = 3; h = quiver(0,0,v2(1),v2(2)); h.AutoScaleFactor = 3; hAxis = gca; hAxis.XAxisLocation = 'origin'; hAxis. YAxisLocation = 'origin'; box off subplot(1,2,2) plot(Z(:,1),Z(:,2),'.'); hold on daspect([1,1,1]) xlim([-8,8]); ylim([-8,8]); xlabel('z_1'); ylabel('z_2') hAxis = gca; hAxis.XAxisLocation = 'origin'; hAxis.YAxisLocation = 'origin'; box off