全部版块 我的主页
论坛 经济学人 二区 外文文献专区
970 17
2022-05-07
英文标题:
《State and group dynamics of world stock market by principal component
  analysis》
---
作者:
Ashadun Nobi, Jae Woo Lee
---
最新提交年份:
2015
---
英文摘要:
  We study the dynamic interactions and structural changes in global financial indices in the years 1998-2012. We apply a principal component analysis (PCA) to cross-correlation coefficients of the stock indices. We calculate the correlations between principal components (PCs) and each asset, known as PC coefficients. A change in market state is identified as a change in the first PC coefficients. Some indices do not show significant change of PCs in market state during crises. The indices exposed to the invested capitals in the stock markets are at the minimum level of risk. Using the first two PC coefficients, we identify indices that are similar and more strongly correlated than the others. We observe that the European indices form a robust group over the observation period. The dynamics of the individual indices within the group increase in similarity with time, and the dynamics of indices are more similar during the crises. Furthermore, the group formation of indices changes position in two-dimensional spaces due to crises. Finally, after a financial crisis, the difference of PCs between the European and American indices narrows.
---
中文摘要:
我们研究了1998-2012年全球金融指数的动态互动和结构变化。我们将主成分分析(PCA)应用于股票指数的互相关系数。我们计算主成分(PC)和每项资产之间的相关性,称为PC系数。市场状态的变化被确定为第一个PC系数的变化。一些指数没有显示危机期间PC市场状态的显著变化。股票市场投资资本的指数处于最低风险水平。使用前两个PC系数,我们确定了与其他系数相似且相关性更强的指数。我们观察到,欧洲指数在观察期内形成了一个稳健的群体。随着时间的推移,组内各个指数的动态相似性增加,危机期间指数的动态更相似。此外,由于危机,指数群的形成改变了二维空间中的位置。最后,在金融危机之后,欧洲和美国指数之间的个人电脑差异缩小了。
---
分类信息:

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。
--
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
2022-5-7 18:56:22
通过主成分分析得出的世界股票市场的状态和集团动态Ashadun Nobi1,2和Jae-Woo Lee1,a)仁川仁川大学物理系402-751诺卡利科技大学南韩计算机科学和电信工程系,索纳普尔诺卡利3802,孟加拉国摘要我们研究1998-2012年全球金融指数的动态互动和结构变化。我们将主成分分析(PCA)应用于股票指数的互相关系数。我们计算主成分(PC)和每项资产之间的相关性,称为PC系数。市场状态的变化被确定为第一个PC系数的变化。一些指数没有显示危机期间PC在市场状态下的显著变化。股票市场投资资本的指数处于最低风险水平。使用前两个PC系数,我们确定了与其他系数相似且相关性更强的指数。我们观察到,欧洲指数在观察期内形成了一个稳健的群体。随着时间的推移,群体内个体指数的动态性增加,危机期间指数的动态性更为相似。此外,由于危机,指数群的形成改变了二维空间中的位置。最后,在金融危机之后,欧洲和美国指数之间的PCs差异缩小了。通过对世界股票指数时间序列的互相关分析,研究了世界股票指数的动态变化。本文将主成分分析(PCA)应用于世界股指的互相关系数。我们观察电脑随时间的变化。
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

2022-5-7 18:56:25
第一个PCP显示了全球金融危机期间的剧烈变化。我们通过PC系数的急剧变化来识别市场状态的转变。我们观察到美国和亚洲指数中PC系数的频繁变化。然而,随着时间的推移,欧洲指数仍保持稳定状态。利用第一和第二PC系数,我们观察了三个指数密切相关的区域组。PCA是识别市场状态和确定全球股票指数子集的良好工具。I.引言过去20年来,来自多个领域的科学家一直试图了解金融市场的动态[1-7]。想要理解价格行为中的相关性有很多原因。由于对金融风险的估计,股票之间的统计相关性尤其令人感兴趣。由于市场的非平稳行为,市场内的统计相关性随时间而变化,这使分析变得复杂。因此,不同的方法和技术被用于分析金融系统和提取itsa)电子邮件:jaewlee@inha.ac.krcontained信息[7-12]。主成分分析(PCA)是表征金融市场不断变化的相关性结构和测量相关系统性风险的既定方法之一[13-16]。一般来说,主成分分析是一种多元统计技术,特别适用于分析复杂多维关系的模式,这些关系将大量相关的可观测变量转换为一组较小的可观测复合维度,可用于表示其相互关系。
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

2022-5-7 18:56:28
该方法用于工程、化学和食品技术等不同科学分支,以减少数据集的大维度,并描述系统。在金融领域,大多数研究都是在银行、经纪人、保险公司或对冲基金等金融部门进行的,以衡量系统性风险、套利定价理论和投资组合理论[17-19]。最近的一项研究将主成分分析法应用于10种不同的道琼斯经济行业指数,结果表明,PC1的变化越大,系统风险的增加就越大[16]。在这里,我们将主成分分析法应用于全球金融指数,以确定每个指数的市场状态,并对投资组合进行分类。一些市场的回报与国家集团特别相关,每个市场的回报都基于相关集团的回报。PCA方法已成功应用于全球金融指数[14,20]。在参考文献14中,作者使用主成分分析法将全局因子估计为第一个成分。在参考文献20中,作者使用各种资产类别,如股票指数、债券、商品、金属、货币等,并考虑每周时间序列。他们使用随机矩阵理论和主成分分析方法研究相关性,并确定2007-2008年信贷和流动性危机期间资产的显著变化。在最近的另一项研究中,PCA方法被应用于欧洲、日本和美国的财务指标,并确定了指标组[21]。
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

2022-5-7 18:56:32
在我们的工作中,我们使用1998-2012年25个全球指数的每日收盘价,在一年的时间窗口内进行分析,并确定整个期间由于外部或内部危机导致的市场状态的重大变化。一般来说,不同类型的网络技术,如最小生成树、层次方法、平面最大图和阈值方法,被应用于全球股票市场[22,23]。对于全局指数的分割,我们使用前两个PCS的组件,这是一种针对复杂非平稳系统的独特方法。本文的其余部分组织如下:财务数据在第二节中讨论。第三节阐述了PCA方法。第四节分析了市场状态。第五节讨论了群体动力学。最后,我们在最后一节得出结论。二、数据分析我们分析了1998年1月2日至2012年12月20日期间25个全球指数的每日收盘价。这些全球金融指数如下:1。阿根廷(阿根廷),2。奥地利(AUT),3。澳大利亚,4。巴西(文胸),5岁。德国,6岁。印度,7。印度尼西亚(印度),8。以色列(ISR),9。韩国,10岁。马来西亚(MAL),11岁。墨西哥,12岁。荷兰(NETH),13岁。挪威(挪威),14岁。联合王国(英国),15岁。美国,16岁。比利时,17岁。加拿大(加拿大),18岁。中国(CHN),19岁。法国(FRA),20岁。香港,21岁。日本(JPN),22岁。新加坡,23岁。西班牙(ESPN),24岁。瑞士(SWZ)和25。台湾(TWN)。序列号(1   25)和缩写(ARG) TWN)用于标记图片中的索引。数据收集自参考文献24。为了设计一个等时互相关矩阵,我们排除了30%的市场关闭的公共假日。
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

2022-5-7 18:56:35
同样,如果某个市场在某一天关闭,我们会为该市场增加一些天数。在这种情况下,我们考虑当天的最终收盘价。因此,我们考虑同一日期的所有指数,并过滤参考文献25中的数据。我们检查这些指数的每日收益率,每个指数包含大约260条记录。三、 股票市场中的主成分分析我们分析每日对数收益率,这是指数的定义  像    ,            (1) 在哪里是指数的收盘价吗  白天. 指数的标准化收益率  定义为  ,             (2) 在哪里是股票指数时间序列的标准差  在时间窗和符号上  表示时间窗口内的平均值。然后,根据时间序列构造归一化收益矩阵R与尺寸有关  . 该变量可用于计算相关矩阵,如下所示: ,                    (3) 其中RTI是R的转置。我们接下来对    相关矩阵C的形式  ,              (4) 其中M是特征值的对角矩阵     按降序排列,V是相应特征向量的正交矩阵。每个特征值和相应的特征向量可以写成    ),      (5) 在哪里 是KTH的主要组成部分[26]。特征值λi=Var(ri\',t)表示RTC总方差中对主成分yi,t起作用的部分。那么,N个资产的收益R总方差为  .          (6) kthPC解释的R中总方差的比例为.
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