全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1173 22
2022-05-08
英文标题:
《Dynamic Multi-Factor Clustering of Financial Networks》
---
作者:
Gordon J. Ross
---
最新提交年份:
2015
---
英文摘要:
  We investigate the tendency for financial instruments to form clusters when there are multiple factors influencing the correlation structure. Specifically, we consider a stock portfolio which contains companies from different industrial sectors, located in several different countries. Both sector membership and geography combine to create a complex clustering structure where companies seem to first be divided based on sector, with geographical subclusters emerging within each industrial sector. We argue that standard techniques for detecting overlapping clusters and communities are not able to capture this type of structure, and show how robust regression techniques can instead be used to remove the influence of both sector and geography from the correlation matrix separately. Our analysis reveals that prior to the 2008 financial crisis, companies did not tend to form clusters based on geography. This changed immediately following the crisis, with geography becoming a more important determinant of clustering.
---
中文摘要:
我们研究了当存在多种因素影响相关结构时,金融工具形成集群的趋势。具体来说,我们考虑一个股票投资组合,其中包含来自不同工业部门、位于几个不同国家的公司。行业成员资格和地理位置共同构成了一个复杂的集群结构,在这个结构中,公司似乎首先根据行业进行划分,每个行业中都出现了地理子集群。我们认为,用于检测重叠集群和社区的标准技术无法捕捉这种类型的结构,并展示了如何使用稳健回归技术来分别从相关矩阵中去除行业和地理的影响。我们的分析表明,在2008年金融危机之前,公司并不倾向于根据地理位置形成集群。这一点在危机之后立即发生了变化,地理位置成为了集群的一个更重要的决定因素。
---
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
2022-5-8 04:49:01
金融网络的动态多因素聚类英国布里斯托尔大学数学研究所戈登J·罗斯海尔布朗。ross@bristol.ac.uk(日期:2018年10月19日)我们研究了当存在影响相关结构的多个因素时,金融工具形成集群的趋势。具体而言,我们考虑的股票组合包括来自不同工业部门的公司,这些公司位于几个不同的国家。部门成员身份和地理位置结合在一起,形成了一个复杂的集群结构,在这个结构中,公司似乎首先根据部门进行划分,每个工业部门中都出现了地理子集群。我们认为,检测重叠集群和社区的标准技术无法捕捉这种类型的结构,并展示了如何使用稳健的回归技术来分别从相关矩阵中去除行业和地理的影响。我们的分析表明,在2008年金融危机之前,公司并不倾向于根据地理位置组建集群。这一点在危机后立即发生了变化,地理位置成为了集群的一个更重要的决定因素。金融市场为研究复杂网络提供了丰富的应用领域。在金融网络中,节点代表金融工具,而边缘权重表示这些工具在一段时间内的价格变化之间的相关性。
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

2022-5-8 04:49:04
研究金融网络的目的是获取有关潜在相关性结构的信息,并更好地了解各种现实因素对其的影响,这对风险管理非常重要[?],投资理论[?],andindex跟踪[?]。许多工作都集中在检测金融网络中的集群这一任务上,对应于股票价格变动高度相关的公司群体。人们发现,公司往往根据所属的工业部门形成集群,例如,银行的行为往往与电信公司不同[??]。这些研究通常只侧重于对位于一个国家的公司进行分析,但也进行了类似的货币汇率和国家股票指数分析[??]这表明,也有证据表明,东亚货币的行为倾向于与欧洲货币不同,因此也存在基于地理位置的集群。关于金融关联网络的现有文献主要集中在只有一个因素影响关联结构的情况下——研究单个公司时的成员资格,以及研究货币汇率或国家股票指数时的地理位置。然而,许多真实的投资组合将受到多个因素的驱动。例如,包含分布在多个行业、位于多个不同国家的公司的投资组合可能会形成基于行业和地理位置的集群,西班牙银行的行为方式与英国银行不同。只关注一个集群因素(如行业)的分析不适合这种类型的数据。
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

2022-5-8 04:49:07
考虑到这一点,我们开发了一些技术,这些技术可以减少多个因素来驱动相关结构。我们表明,在一个简单的分析中,它似乎主要是影响集群的行业成员。然而,仔细观察就会发现,尽管这一点受到了部门效应的影响,但似乎存在着地理聚集现象。为了揭示地理的真实影响,我们可以进行转换,去除部门成员影响的相关矩阵。最后,我们调查了行业和地理对集群结构的影响如何随时间演变,最近的金融危机期间发生了一个特别重要的变化,在受主权债务危机影响最大的国家,地理开始成为一个更重要的决定因素。理解财务相关性的时间动态是一个重要的研究领域[??],我们的分析表明,在存在多个潜在聚类因素的情况下,这是如何明智地进行的。二、数据我们将分析的数据包括350家公司的每日收益,这些公司组成了标准普尔350欧洲股票指数。该指数中的公司是欧洲大陆最大的公司之一,合计约占欧洲总市值的70%。我们获得了2003年1月1日至2012年3月17日期间每家公司的每日收盘价。
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

2022-5-8 04:49:10
为了避免在大不相同的时区之间同步价格的困难问题,我们排除了仅在非欧洲证券交易所交易的公司,以及2003年1月1日之前没有股票报价的公司,或在部门编号国家编号材料30英国79主要消费品24法国44金融57德国33公用事业16瑞典24电信服务15意大利18工业45西班牙16非必需消费品44瑞士12信息技术10荷兰8能源11希腊5医疗保健16表一:每个国家的公司数量本期数据集中出现的行业和国家。我们总共有267家公司的数据。为了避免与不同货币的影响有关的问题,我们使用相关的历史汇率将每家公司的结算价格换算成欧元。最后,标准普尔根据全球行业分类标准(GICS)对这些公司进行了行业分类,每个公司被分配到10个不同的可能行业中的一个。我们将使用它来检查数据中发现的聚类是否重现真实的模式。数据集中属于每个部门和地理区域的公司数量如表一所示,我们省略了包含少于5家公司的国家,因为此类小样本可能不允许进行准确分析。需要注意的是,GICS部门分类非常广泛,每个部门都有许多细分;例如,被标为金融类的集团包括银行和保险公司,它们的行为方式可能不同,而能源行业内的石油公司的行为可能与其他非石油能源公司略有不同。
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

2022-5-8 04:49:13
这一点在评估Sec中集群结构的质量时非常重要。V A.III.聚类算法聚类是将对象分配给组的过程,根据特定的距离度量,同一组中的对象相似,而不同组中的公司则不同。在[??]中。,我们根据公司每日股票收益率之间的相关性,对公司的空间设置了一个状态度量。设Pi,tdenote为公司ion day t的股票价格(单位:欧元),并设ri,t=log Pi,t- 对数π,t-1删除每日收益的对数。然后,基于整个期间的等权天数,公司i和j之间的皮尔逊相关性为:ρij=PTt=1ri,tPTt=1rj,tqPTt=1ri,tPTt=1rj,T.(1)任何两个公司i和j之间的距离可以定义为:Wij=q2(1)- ρij)。(2) 在那里可以看到Wij∈ [0,1],如果公司完全相关,Wij=0。虽然有许多可能的聚类算法,但我们选择使用平均链接聚集层次聚类(HC)[?]。这是因为如上所述,GICS行业标签是宽泛的,有理由相信在每个宽泛的标签下可能存在子行业的层级。HC算法的完整描述可以在上面的参考文献中找到,我们只在这里进行总结。给定距离矩阵{Wij},HCM通过基于贪婪优化递归地将公司合并为集群来执行聚类。最初,n家公司中的每一家都被分配到自己的集群,从而形成n个集群{c,…,cn}。然后,HC选择距离最近的一组簇,并依次合并它们,直到只剩下一个簇。HC算法的输出是一个树状图。这是一个树结构,显示了聚类的合并顺序。每个公司都被描绘成一片树叶。
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