全部版块 我的主页
论坛 经济学人 二区 外文文献专区
512 19
2022-05-05
英文标题:
《Financial interaction networks inferred from traded volumes》
---
作者:
Hongli Zeng, R\\\'emi Lemoy and Mikko Alava
---
最新提交年份:
2013
---
英文摘要:
  In order to use the advanced inference techniques available for Ising models, we transform complex data (real vectors) into binary strings, by local averaging and thresholding. This transformation introduces parameters, which must be varied to characterize the behaviour of the system. The approach is illustrated on financial data, using three inference methods -- equilibrium, synchronous and asynchronous inference -- to construct functional connections between stocks. We show that the traded volume information is enough to obtain well known results about financial markets, which use however the presumably richer price information: collective behaviour (\"market mode\") and strong interactions within industry sectors. Synchronous and asynchronous Ising inference methods give results which are coherent with equilibrium ones, and more detailed since the obtained interaction networks are directed.
---
中文摘要:
为了使用伊辛模型可用的高级推理技术,我们通过局部平均和阈值化将复杂数据(实向量)转换为二进制字符串。这种转换引入了参数,这些参数必须改变以表征系统的行为。该方法以金融数据为例,使用三种推理方法——均衡推理、同步推理和异步推理——来构建股票之间的函数关系。我们表明,交易量信息足以获得有关金融市场的众所周知的结果,而金融市场使用了可能更丰富的价格信息:集体行为(“市场模式”)和行业部门内的强大互动。同步和异步伊辛推理方法给出的结果与平衡结果一致,并且由于得到的相互作用网络是定向的,因此更加详细。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类:Physics        物理学
二级分类:Disordered Systems and Neural Networks        无序系统与神经网络
分类描述:Glasses and spin glasses; properties of random, aperiodic and quasiperiodic systems; transport in disordered media; localization; phenomena mediated by defects and disorder; neural networks
眼镜和旋转眼镜;随机、非周期和准周期系统的性质;无序介质中的传输;本地化;由缺陷和无序介导的现象;神经网络
--
一级分类:Physics        物理学
二级分类:Physics and Society        物理学与社会
分类描述:Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体(人类或其他)的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统(如能源网、运输网络)的物理和工程。
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-5 04:52:15
根据tradedvolumesHongli Zeng、R\'emi Lemoy1,2和Mikko AlavaAalto大学应用物理系、信息和计算机科学系、Espoo、Finland推断的金融互动网络电子邮件:hong。zeng@aalto.fi, remilemoy@gmail.com米科。alava@aalto.fiAbstract.为了使用Isingmodels可用的高级推理技术,我们通过局部平均和阈值化将复杂数据(实向量)转换为二进制字符串。这种转换引入了参数,这些参数必须改变以表征系统的行为。该方法以金融数据为例,使用三种推理方法——均衡、同步和异步推理——构建股票之间的功能联系。我们表明,TradeVolume信息足以获得有关金融市场的众所周知的结果,而金融市场使用了可能更丰富的价格信息:集体行为(“市场模式”)和行业内的强大互动。同步和同步伊辛推理方法给出的结果与平衡点一致,并且由于得到的相互作用网络是定向的,因此更加详细。引言推断伊辛模型是复杂系统研究中一个有趣而重要的领域。研究复杂相互作用系统的不同领域产生了越来越多的数据:生物学、经济学、金融学、社会科学等。反演问题提供了非常灵活的工具,通过将数据中的成对相关性与推断模型的伊辛耦合联系起来,从观测数据中猜测相互作用模式,即使是非平衡系统[1,2,3,4]。本文研究的一个重要问题是将这种复杂的数据映射成二进制变量。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 04:52:18
伊辛逆问题中研究的数据确实包含在二进制字符串中,这解释了为什么这些模型最好应用于呈现活动/不活动模式的系统,如神经网络[5,6]。这些工具比我们在这里提供的更详细的数据显示了哪些系统可以被应用。本研究涉及纽约证券交易所(NYSE)交易产生的财务数据。100只高交易量股票的活动记录在几年内,每笔交易都有一个时间、交易记录和价格。这里我们不考虑价格信息,也不关注从交易量2时间和交易量推断出的金融互动网络。将这些信息映射到二元变量的最简单方法是,本着神经网络工作的精神,忽略交易量,将交易视为一种活动。例如,这是由[3]完成的,这是我们构建的工作。然而,在这样的工作中,数据到二进制字符串的映射只有一个参数,即窗口的长度。对于较大的窗口大小,通常磁化强度为1——因为如果窗口足够大,至少会发生一次交易——并且关联度较低。然后,为了在更大的时间尺度上访问现象发生地,我们在这里使用不同的映射,这也允许我们考虑体积信息,而不仅仅是活动。本文介绍了第1节中的数据、映射和推断方法,第2节中的假设耦合,并在总结之前描述了第3节中推断的金融网络。1.数据和推论我们关注纽约证券交易所100只高交易量股票之间的交易,从2003年2月1日到2003年5月30日的100个交易日。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 04:52:21
正如[3]所述,我们只研究每天的10个中心秒,这样系统就不会受到证券交易所开盘和收盘周期的干扰。尽管如此,数据的傅里叶变换仍然显示,在与这10秒长的一天相对应的频率处出现了一个尖锐的峰值——这一结果也在[7]中观察到。这项工作在将多维金融贸易数据映射为活动和不活动的二进制字符串方面有两个特别的细节。第一个是使用倾斜的时间窗口,即长度t、 然后移动一个常数s=1秒,这是数据的时间分辨率。这意味着包含在两个映射数据点中的信息间隔时间小于t部分是多余的。对于简单的活动/不活动映射(例如神经元数据),这也意味着原始数据中的信息不会丢失。我们映射的第二个特征更重要,它允许我们同时考虑与交易相关的交易量信息。这是因为数据中交易量的分布非常广泛,如图1的顶部面板所示,其分布大致类似于幂律,且展布时间超过30年(交易量率的分布也见[7])。我们的目标是通过映射来捕获这些重要的卷信息。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 04:52:24
为此,我们考虑每种股票i的总和Vi(t,t) 在长度时间窗内的交易量t从时间t开始,并将其与给定的体积阈值vith=χViav进行比较t、 其中,Viavis根据成交量3100101102103104105102105106107N(V)成交量V(任意单位)成交量FNM0 2000 4000 6000 8000 10000 12000 14000 16000 FNM成交量信息推断出所考虑的股票交易绩效金融互动网络的平均成交量t=50秒。V(t)∑tt+电视(t)Vav*t 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 600 700 800交易(FNM)t(sec)FNM_交易图1。上面板:房利美(FannieMae)股票交易量分布,房利美是一家抵押贷款投资公司;底部面板:交易量Vi(t)的时间序列快照,总交易量Vi(t,t) 和NM的映射交易,以及t=50秒,χ=1,这意味着Vith=Viavt、 第二个,和χ是控制我们的音量阈值的参数:si(t)=(1,如果Vi(t,(t)≥ 维思-1如果Vi(t,t) <Vith(1)如图1底部面板所示,这种映射确保在指定的二进制字符串中考虑体积信息(而不仅仅是交易/无交易信息)。例如,当χ=1时,如果所考虑的时间窗口内的总交易量超过平均值,就会出现一个信号。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 04:52:27
此外,它还保留了一种可能性,即“注意到Viavis仅通过平均交易频率与图1顶部显示的交易量直方图的平均值相关,我们在这里不进行研究。根据交易量4推断的金融互动网络只使用交易/不使用交易信息:如果χ→ 0(具体地说,如果χ足够小,使得每只股票i的交易量小于最小交易量,即数据中的100),我们得到了[3]所使用的通常交易/非交易模式。使用此映射,可以创建参数t和χ控制时间和体积标度,这将由推理探索。然而,为了完全描述系统的行为,应该对这些参数的所有可能值进行推断t和χ,每次给出不同的结果。所使用的方法(平衡、同步和异步伊辛推理)在附录A中进行了描述。为了推断伊辛耦合,平衡推理[8]使用数据的等时间成对相关性。同步推理[1]和异步推理[9]都适用于非平衡系统,它们还分别考虑了时滞成对相关及其对时滞的导数。2.结果我们使用交易量信息进行的映射可以获得更大时间尺度上的信息,交易/非交易模式在这些时间尺度上是有效的,因为窗口太大,在这段时间内总是至少发生一次交易。事实上,当窗口大小增加时,局部磁化不一定达到1。作为一个序列,连接的相关性不趋向于零,推断的耦合也不趋向于零。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群