全部版块 我的主页
论坛 经济学人 二区 外文文献专区
459 17
2022-05-06
英文标题:
《Zooming into market states》
---
作者:
Desislava Chetalova, Rudi Sch\\\"afer and Thomas Guhr
---
最新提交年份:
2014
---
英文摘要:
  We analyze the daily stock data of the Nasdaq Composite index in the 22-year period 1992-2013 and identify market states as clusters of correlation matrices with similar correlation structures. We investigate the stability of the correlation structure of each state by estimating the statistical fluctuations of correlations due to their non-stationarity. Our study is based on a random matrix approach recently introduced to model the non-stationarity of correlations by an ensemble of random matrices. This approach reduces the complexity of the correlated market to a single parameter which characterizes the fluctuations of the correlations and can be determined directly from the empirical return distributions. This parameter provides an insight into the stability of the correlation structure of each market state as well as into the correlation structure dynamics in the whole observation period. The analysis reveals an intriguing relationship between average correlation and correlation fluctuations. The strongest fluctuations occur during periods of high average correlation which is the case particularly in times of crisis.
---
中文摘要:
我们分析了纳斯达克综合指数1992-2013年22年期间的每日股票数据,并将市场状态识别为具有类似相关结构的相关矩阵簇。我们通过估计由于非平稳性而产生的相关性的统计波动来研究每个状态的相关性结构的稳定性。我们的研究基于最近引入的一种随机矩阵方法,该方法通过一组随机矩阵来模拟相关性的非平稳性。这种方法将相关市场的复杂性降低为一个单一参数,该参数表征相关性的波动,并可直接从经验收益分布确定。该参数提供了对每个市场状态相关结构稳定性的洞察,以及对整个观察期内相关结构动态的洞察。分析揭示了平均相关性和相关性波动之间的有趣关系。最强的波动发生在平均相关性较高的时期,尤其是在危机时期。
---
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
--

---
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
2022-5-6 08:23:51
进入市场国家德西斯拉瓦·切塔洛娃、鲁迪·舍费尔和托马斯·古尔法库尔特——德国杜伊斯堡埃森大学物理学院——47048德国杜伊斯堡电子邮件:desislava。chetalova@uni-到期。断章取义。我们分析了纳斯达克综合指数1992年22年的每日股票数据- 2013年,将市场状态识别为具有类似相关结构的相关矩阵簇。我们通过估计由于非平稳性而产生的相关性的统计波动来研究每个状态的相关性结构的稳定性。我们的研究基于最近引入的一种随机矩阵方法,该方法通过一组随机矩阵来模拟相关性的非平稳性。这种方法将相关市场的复杂性降低为一个单一参数,该参数表征相关性的波动,并可直接从经验回报分布中确定。该参数提供了对每个市场状态相关结构稳定性的洞察,以及对整个观察期内相关结构动态的洞察。该分析揭示了平均相关性和相关性函数之间的触发关系。最强的波动发生在平均相关性较高的时期,尤其是在危机时期。1.引言金融市场是高度复杂且不断发展的系统。为了了解它们的统计行为和动态,分析市场成分之间的相关性至关重要。thusbeen的许多研究都集中在相关性获得的信息上,例如[1,2]。最近,基于不同时期相关结构的相似性,相关矩阵被用于识别金融市场的状态[3]。
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

2022-5-6 08:23:54
这项研究揭示了几个典型的市场状态的存在,在这些状态之间,市场会随着时间的推移来回跳跃。每个市场状态都有一个特征性的关联结构和时间行为。在这里,我们来仔细看看市场状态的统计数据。特别是,我们研究了它们相应的相关结构的稳定性。我们通过[4,5]中介绍的随机矩阵方法来解决这个问题。它通过一组随机矩阵来模拟相关性的非平稳性。这种方法不仅可以对厚尾收益分布进行定量描述,还可以将波动相关性的影响降低到测量波动强度的单个参数。我们的随机矩阵方法提供了一种估算非平稳性导致的实际相关性影响的方法[6,7,8]。由于时间序列的不同,对时间序列的估计也不同。我们注意到,我们的研究是基于将市场状态定义为相关矩阵集群的基础上进行的,如[3]中首次提出的。然而,对于经济学文献来说,不同市场状态或市场运行区域的概念并不完全陌生,例如[15,16]。论文的结构如下。在第2节中,我们确定了1992年纳斯达克综合股票市场的市场状态-2013年,基于Medoids(PAM)算法[17]进行聚类分析,并研究其动力学。我们在第3节简要总结了随机矩阵模型的主要特征。在第四节中,我们应用其结果研究了各个市场状态的相关结构的稳定性,以及整个观察期内的相关结构动态。我们在第5.2节总结我们的发现。
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

2022-5-6 08:23:57
市场状态:识别和动态我们首先将市场状态识别为相关矩阵的集群。我们认为,从1992年1月到2013年12月[18]的22年间,纳斯达克综合指数的K=258只股票交易,相当于5542个交易日。对于每个股票k,我们计算返回时间序列Sk(t)=Sk(t+(t)- Sk(t)Sk(t),k=1,K,(1)式中,Sk(t)是时间t时第K个股票的价格,且t是返回间隔。我们选择t为1个交易日,并计算每只股票的每日收益。时间序列之间的相关性通常通过Pearsoncorrelation CoefficientCkl=hrk(t)rl(t)i来测量- hrk(t)ihrl(t)iphrk(t)i- hrk(t)iphrl(t)i- hrl(t)i,(2)其中h。i表示尚未指定的时间窗口内的平均值。以下主要关注的对象是K×K相关矩阵C,其中包含所有回归时间序列对之间的相关系数。皮尔逊相关系数通常用于衡量依赖性。然而,有时它可能会有问题,特别是对于非线性依赖或非平稳数据。后者与财务数据极为相关,因为裂痕和波动率[19,20,21]在时间上有很大的影响。因此,相关性系数在时变趋势和波动性上的平均值,导致相关性的估计误差。为了消除这种误差,我们采用了局部归一化的方法[22]。对于每个返回时间序列,我们减去局部平均值,然后除以局部标准偏差^rk(t)=r(t)-hr(t)输入hr(t)输入- hr(t)在,(3)其中h。indenotes表示最近n个采样点的本地平均值。对于日常数据,我们使用[22]中讨论的n=13。
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

2022-5-6 08:24:00
因此,局部归一化消除了局部趋势和变量波动,同时保留了时间序列之间的相关性。另一种方法是使用GARCH fit[23]的残差,这也会产生平稳的时间序列。我们选择localnormalization,因为它不需要任何模型假设。使用局部标准化的日收益率,我们现在获得了一组在22年观察期的不相交两个月间隔上测量的相关矩阵。为了确定市场状态,我们基于PAMalgorithm进行聚类分析,其中聚类数量通过差距统计进行估计[24]。聚类分析根据相关性结构的相似性将相关矩阵分为6类。每个集群都与一个marketstate相关联。图1(上图)显示了市场状态的时间演变。市场在不同的状态之间来回切换:有时它会在一个状态下停留很长时间,有时它会快速跳转到另一个状态,然后返回或进一步发展。在更长的时间尺度上,市场向新的州发展,而以前的州则退出。市场在各州之间切换的频率如何?图1(底部)显示了在一年的滑动窗口中计算的从一个状态跳到另一个状态的次数。经过5年的稳定期后,我们观察到市场开始在各州之间切换。每年跳跃次数最多的时期是2010年左右。在图2中,我们比较了观察期两个半周期内的跳跃次数和频率。在观察期的后半段,每年跳跃的次数增加。同时,生命周期,也就是市场在跳转到另一个状态之前保持在某个状态的时间,会减少。图3显示了观察期两部分的寿命直方图。
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

2022-5-6 08:24:04
前半部分主要是长寿状态。在下半部分,短寿命状态的频率显著增加,而长寿命状态的频率降低。为了说明每个州的不同相关性结构,我们根据其行业对股票进行排序,并计算相应的平均相关性矩阵,见图4。我们确实认识到不同的特征相关性结构。状态1显示出整体的弱相关性。在第二州,我们在技术部门以及技术和资本品之间的相关性最强,而在第三州和第四州,金融部门的相关性最强。我们观察到,平均相关水平在各州之间增加,在州5达到最高值。在状态6中,平均相关水平降低。市场状态跳跃次数图1:顶部:1992年观察期内市场的时间演变- 2013年。每个点代表一个在两个月时间窗口内测量的相关矩阵。底部:根据一年滑动窗口计算的州与州之间的跳跃次数。第一点代表1992年1月期间的跳跃次数-1992年12月,第二点——1992年3月- 2/93等等。跳跃次数频率(a)跳跃次数频率(b)图2:1992年上半年各州之间跳跃次数的直方图(a)- 二○○二年及二○○三年下半年- 2013年为观察期。然而,金融部门仍然存在着强烈的相关性。此外,我们注意到,在几乎所有的州,医疗保健部门与市场的其他部分的相关性都很弱。3.
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