一篮子资产看似分散，压力来临时却可能突然一起涨跌。传统分析通常盯着相关矩阵顶部：相关矩阵是资产两两同涨同跌程度的表，而最大的特征值代表最强的共同运动。这篇论文反过来检查谱的底部——“谱”是全部特征值的集合——寻找那些接近于零的小特征值，因为它们可能意味着某些资产组合已高度重合，市场真正独立的变化方向正在减少。
作者用 Random Matrix Theory（随机矩阵理论）建立噪声基准，并统计低于 Marchenko–Pastur 理论下界的特征值数量。这个门槛由理论分布决定，不必人为划线。直观地说，小特征值越多，相关矩阵越接近低维结构：资产名目上很多，能提供的独立分散机会却更少。作者还把这一指标与矩阵的“数值零度”联系起来，也就是近似为零的方向有多少。
论文在 S&P 500 行业组合、成分股及 Nikkei 资产数据上检验该指标。作者自述，它在样本内外都能捕捉压力期，预测信息也多于只看谱顶部的指标。不过，现有材料未给出可复述的具体提升幅度，结论仍应视为论文作者的实证结果。