风险模型有点像根据后视镜调整方向：最近资产间的联动变了，究竟是风险结构真的转向，还是样本太少造成的晃动？这项工作用随机矩阵理论（RMT）建立“纯抽样噪声会怎么动”的零假设，再判断协方差矩阵的特征向量是否真的旋转。协方差矩阵记录资产各自的波动和共同涨跌；特征向量则代表市场或板块的共同风险方向。
作者用 eigenspace overlap——比较两段时期主要风险方向有多相似的指标——检验 S&P 500、Nikkei、DAX 和 CAC 40。作者自述，四个市场里，上一次旋转的方向都包含预测下一次方向的信息；但若原样重复整段旋转，表现反而比保持特征向量不动差 47% 至 67%。说白了，风险方向似乎有惯性，却不能直接外推步幅。
这让“何时更新风险模型”变成更具体的问题：先确认变化超过抽样噪声，再决定更新多少。作者尚未证明该信号能改善样本外协方差预测，下一步是学习一个衰减幅度，并与固定特征向量、EWMA 等基准比较。