经统计验证的投资组合重叠和系统性风险网络

2022-5-11 01:40:02

我们最终表明，在算法识别的投资组合中，市场趋势往往会放大，因此有可能获得有关金融机构的信息信号，这些金融机构将承受（享受）最重大的损失（收益）。引言2007-2008年的全球金融危机引起了学术界和监管机构对金融机构之间复杂联系的关注[1]，并呼吁更好地理解金融市场，尤其是从系统性风险的角度，即局部事件通过冲击效应触发全球不稳定的可能性[2-7]。在这方面，虽然很多人致力于研究机构间贷款引起的交易对手和滚动超额风险[8-17]，但金融资产的所有权结构相对较少受到关注，主要是因为缺乏数据和足够的分析技术。然而，虽然在传统的资产定价理论中，资产所有权不起任何作用，但越来越多的证据表明，资产所有权是非基本面风险的潜在来源，因此可以用于预测与基础无关的股价波动[18,19]。更令人担忧的是，如果金融机构的投资组合过于相似（通过普通资产持有比例或投资组合重叠来衡量），那么在地方层面意外发生的财务困境可能会触发再出售，即以大幅折扣价格出售资产。火爆销售溢出被认为是导致系统性风险的金融传染的一个重要渠道[20–25]：当资产价格下跌时，持有重叠资产的金融机构的损失会自我强化，并引发进一步的同时抛售订单，最终导致资产价格螺旋式下降。

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

2022-5-11 01:40:05

从这个角度来看，即使最优的投资组合选择有助于个体企业分散风险，它也会使整个系统更加脆弱[1,26]。重点是，转售风险逐渐增加，但很快就会显现出来，产生潜在的破坏性市场行为。在本文中，我们提出了一种新的统计方法，用于定量评估一对投资组合之间重叠的重要性，目的是识别具有最高风险的重叠。由于我们将该方法应用于机构投资组合，我们将在本文中交替使用术语Institution和portfolio。实际上，问题在于金融机构使用资产所有权数据来建立持有模式极其相似的投资组合之间的联系。给定时间t的市场所有权数据由一组机构组成，持有大量S（t）证券（或一般金融资产）的头寸。|I（t）|×|S（t）|所有权矩阵W（t）描述了投资组合的组成：其通用元素WIS（t）表示证券S的股份数量∈ 机构i持有的S（t）∈ I（t）。矩阵W（t）可以映射为二元所有权矩阵a（t），如果Wis（t）>0，则其通用元素Ais（t）=1，否则为0，这允许将机构i的度di（t）=PsAis（t）定义为其在时间t拥有的证券数量，证券s的度（t）=PiAis（t）是其在时间t持有的投资者数量。机构i和机构j持有的证券数量，也就是说，它们的投资组合的重叠由oij（t）=PsAis（t）Ajs（t）（I 6=j）给出，这是|I（t）|×|I（t）|投资组合重叠矩阵O（t）的通用元素。

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

2022-5-11 01:40:08

在网络理论语言中，O（t）表示一个由机构组成的投影单方网络，它是二元所有权矩阵a（t）的收缩，而二元所有权矩阵a（t）表示一个由机构和证券组成的二方网络。然而，在这样一个项目化的网络中，两个机构在投资于同一种安全性时就会连接起来：这会产生太多的链接，并且无法过滤风险较低的重叠。例如，一个由大量投资者持有的证券，在没有明确含义的情况下，会琐碎地决定相应数量的预计链接。虽然没有解决这个问题的独特方法，但我们在这里的观点可以大致概括如下：如果我们在不改变每个节点的程度的情况下，在原始的二部网络中重新排列松脂线，观察到重叠的可能性有多大？因此，问题在于对原始的二部网络建立一个有效的投影，该投影只包含最重要的重叠，而这些重叠不能用适当的零网络模型来解释。通过这种方式，我们可以大幅减少原始的链接数量，并获得一个更稀疏、更清晰的验证网络。文献中提出的所有构建有效预测的方法都涉及使用阈值来确定在单方网络中保留哪些链路，但阈值的选择方式有所不同[27]。最简单也是最常见的方法是使用一个无条件的全球阈值[28,29]，然而，通过系统地优先考虑持有大量股份的机构，该阈值可以避免任意性、结构性偏见和单一性[27]。使用取决于大学学位的阈值可以克服最近的两个限制[30,31]。

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

2022-5-11 01:40:11

特别是，可以使用随机机构与证券匹配的零假设来确定阈值，该零假设受限于机构程度，两个机构共享给定数量证券的概率由超高计量分布给出[32,33]。然而，这种方法也存在偏见，因为它含蓄地将证券视为等价和可互换的。最近提出的对该方法的改进包括构建同质证券网络，即将原始的二分网络拆分为子网络，每个子网络由相同程度的证券以及与之相关的所有机构组成[34]。通过这种方式，可以使用超几何分布对每一层分别适当地投射零假设。然而，当证券的特征是投资者数量的高度异质性时，就会出现问题：创建同质子网络的过程中，具有相同程度的证券通常会转化为几乎空的子集，从而导致严重的解决问题，并导致几乎空的验证网络（参见“方法”一节）。这里一个可能的解决方案是在不考虑程度异质性的情况下执行链接验证[34]，然而，由于选择不同证券的事件现在具有不同的发生概率，因此无法从分析上对其进行形式化。另一种方法是使用随机机构的零模型进行证券匹配，不仅限于机构度，还限于证券度。固定度序列模型（FDSM）[35,36]和随机度序列模型（SDSM）[27]属于这一类。在FDSM中，零假设无法解析地形式化，该方法依赖于条件一致图检验，通过生成一个可与经验图进行重叠比较的随机图的微正则集合。

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…

2022-5-11 01:40:15

然而，对图形配置空间进行采样的算法实际上很复杂或有偏差[37]，或受任意性的影响[38]。相比之下，在SDSM中，零假设至少可以在数值上形式化，但在大多数情况下，它在计算上是不切实际的[27]。因此，SDSM也依赖于条件一致图测试，但通过使用链接概率模型（LPM）获得的机构和证券之间的链接概率，这很容易实现[39]。然而，在LPM中，这些概率基本上是链路出现在数据的多个观测值上的比例，这需要比所有权矩阵中包含的信息多得多的信息，更重要的是，仅当假定基础网络在时间上是平稳的时，才代表一种有效的方法，这显然不是股票市场的情况。我们在这里提出的方法克服了前人的所有局限性，它基于一个由二部配置模型（BiCM）[40]描述的空假设，该模型是标准配置模型[41]对二部图的扩展。在空BiCM网络中，机构随机连接到证券，但机构和证券的程度平均受限于其在真实所有权数据中的观察值。这是通过最大化受这些约束的网络的香农熵来实现的，这显著有助于从分析和数值上形式化零假设（参见第节方法）。就[34]而言，BiCM的另一个优点是不要求网络两层的同质性，并且就[27,39]而言，只使用数据的单个快照中包含的信息。该方法的工作原理如下。

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

2022-5-11 01:40:20

对于每个日期t，为了区分重叠投资组合的真实信号和潜在随机噪声，必须根据BiCM零假设独立验证预测网络的每个环节。因此，对于具有重叠oij（t）的每一对机构（i，j），我们计算在BiCM下预期重叠的概率分布π（·i，j，t）（参见章节方法）。然后通过p值对oij（t）的统计意义进行量化：p[oij（t）]=1-oij（t）-1Xx=0π（x | i，j，t），（1）1011121319992000200120022004204205200620072008200920102011201220142014证券编号x10-3231999200020012002200320042052006200720082009201020112012201321014机构编号x10-30.40.60.81.019992000200120022003200420520062007200820092010201120122014014链接编号x 10-6510152019992000200120022003200420020020520062007200820092010201120122012014ate总市值x 10-12图。1.表征二分所有权网络的主要总量的时间演变。从左到右：机构数量| I（t）|，证券数量| S（t）|，不同所有权关系的数量L（t）=PisAis（t）和总市值MV（t）=PisWis（t）ps（t），其中ps（t）和σS（t）=PiWis（t）分别是t时证券S的价格和流通股数。实线对应于跨度为0.2的数据点的局部加权最小二乘回归（黄土）。式中，等式（1）的右侧大小是π（·| i，j，t）的累积分布函数，即在零假设下，重叠大于或等于观测值的概率。如果这样的p值小于athreshold p*（t）修正了多重假设检验（见“方法”一节），我们验证了i和Jan之间的联系，并将其放在了经单一方验证的机构网络上。否则，该链接将被丢弃。

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

2022-5-11 01:40:23

换句话说，如果观察到的重叠不太可能根据显著性水平P实现零假设，则比较被视为具有统计学意义*（t）。对所有成对的机构重复此过程，结果是原始网络的有效投影V（t）：一个单一网络，其通用元素Vij（t）=1 ifP[oij（t）]<P*（t），否则为0。当应用于SEC 13-F文件的历史数据库时（详细信息请参见“方法”一节，主要数据集统计数据的时间演化请参见图1），我们的方法会产生经过统计验证的重叠投资组合网络，其性质与2007-2008年全球金融危机的发生有关。特别是，我们建议将每个机构的平均有效链接数视为重叠投资组合导致的系统性风险的简单衡量标准。从2004年到2008年，这种措施逐渐建立起来，并在危机后迅速下降。自2009年以来，系统性风险一直在增加，2013年底达到了2007年以前从未出现过的值。请注意，因为我们的数据集中只有一个大型危机，所以我们避免对高度连接的验证网络的系统性巧合和金融危机的发生提出强烈主张。我们还发现，重叠证券（即构成已验证重叠的证券）在机构投资组合中的平均份额更大，这将加剧再销售的影响。此外，我们还表明，两个机构之间存在经验证的联系，这是这些机构在熊市时期投资组合损失的良好指标，以及在牛市时期投资组合增长的良好指标：经验证的联系确实应该代表财务困境或欣快情绪传播的自我强化渠道。

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

2022-5-11 01:40:28

更一般地说，我们发现，在算法识别的投资组合中，市场趋势往往会放大。最后，我们将验证程序应用于证券重叠所有权，以识别证券之间的传染渠道，并观察验证证券在考虑的时间跨度内的稳定增长。这标志着金融市场正在发生深刻的结构性变化，更重要的是，有越来越多的股票可以参与潜在的交易。2.机构与其拥有的证券（黄色节点）配对（绿色节点）的两个示例。每个投资组合的组成由不同的颜色（蓝色和橙色链接）表示。证券的符号大小与其投资者总数成正比。虽然图中的两对证券都有50个证券的重叠，但右对证券通过算法验证，而左对证券则没有。这是因为左侧的蓝色和橙色投资组合都较小（尤其是蓝色投资组合），因此在BiCM空模型下，右侧投资组合具有相同重叠的可能性要小得多。图3。2006年第四季度的机构验证网络（1293个机构和93602个验证链接）。节点颜色标记institutiontype，而它们的大小由它们在已验证网络中的学位对数给出：dVi（t）=PjVij（t）。机构被归类为经纪人（BR）、对冲基金（HF）、投资顾问（IA）、共同基金（MF）、养老基金（PF）、私人银行（PB）或其他机构（即未被归类或属于次要类别）。再销售。

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

2022-5-11 01:40:31

这一趋势中的局部最大值对应于数据库所涵盖的所有金融动荡时期：2001年的互联网泡沫、2007-2008年的全球金融危机和2010-2011年的欧洲主权债务危机。结果和讨论为了正确理解我们对重叠投资组合的验证方法的结果，提供一个具体的例子是很有用的。图2显示了两种类似的情况：两对投资组合都拥有50种普通证券。我们的方法只验证了右对，而左对则没有。这是因为正确的一对中的Portfolio尺寸较小（尤其是蓝色的），因此相同的重叠不太可能偶然发生。因此，尽管该算法不能直接考虑每个机构的投资额（尤其是该机构管理的总资产），但它通过考虑不同投资组合的多样化（即机构的程度）间接地考虑到了这一点。经过验证的投资组合对对应于构成投资组合总价值相当大一部分的重叠。简言之，当投资的多元化和证券的程度都不足以解释观察到的重叠时，就可以验证配对。正如我们将在后面看到的，当我们在证券方面进行两党合作时，同样的机制也在发挥作用。

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

2022-5-11 01:40:34

在这种情况下，由于证券的程度是其资本化的良好近似值0。30.40.50.61999200020012002200320042052006200720082009201020112012201321014经验证机构的资料1。52.02.53.01999200020012002200320042052006200720082009201020112012201320014机构编号（log10）机构类型br HF IA MF Others PB PF1。52.02.53.0199920002001200220032004205200620072008200920102011201220132014已验证机构的编号（log10）机构类型br HF IA MF Others PB PFFIG。4.作为时间函数出现在已验证网络中的机构比例（顶部面板）；原始二部网络中的机构总数（左下图）和不同机构类型的已验证机构数（右下图）。实线对应于跨度为0.2的数据点的局部加权最小二乘回归（黄土）。在稀释其所有权[42,43]时，该方法将倾向于验证所有权相对集中的证券之间的联系。图3给出了经验证网络的整体外观。总的来说，我们观察到存在多个小型机构集群，以及一个由许多机构组成的大得多的集群，这些机构通过复杂的显著重叠模式连接在一起。经过验证的机构网络的时间演变在这些初步观察之后，我们开始对整个机构网络的结构特性进行时间分析。在图4中，我们显示了作为时间函数的已验证机构的比例（定义为在所有权网络中出现的机构总数中至少有一个已验证链接的机构数量）。

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

2022-5-11 01:40:37

我们还根据机构类型对数据进行分类，并在这种情况下绘制已验证机构的数量和机构的原始数量（我们避免直接使用它们的比率或更好的可视化）。人们看到，没有特定的模式，经过验证的机构的比例在时间上几乎是恒定的。通过查看分类数据，出现了一些有趣的事情。投资顾问在机构中所占比例最大，更重要的是，在经过验证的机构中所占比例最大，其次是对冲基金和共同基金。然而，最有趣的行为是经过验证的网络中的对冲基金：在2004年之前，它们的代表性相对不足，但在那之后，它们的数量急剧增加。图5显示了验证网络中平均学位的时间演变，它测量了多个验证机构如何相互连接。我们可以清楚地看到，在金融危机之前的几年中，总体增长趋势强劲加速。尤其是，平均学位在价格开始下跌前几个月达到最高水平。此外，我们的结果表明，2009年之后也发生了类似的过程，这一事实可能会质疑当今金融市场的稳定性。图5右侧的图表显示了每类机构的相似性，在2008年崩盘前也有峰值。值得注意的例外是对冲基金，其平均程度在时间上大致保持不变。此外，投资顾问、私人银行基金和经纪人的峰值出现在全球峰值之前大约1-2个季度。405060708019920002001200220032004202005200620072008200920102011201212014ateaverage degree 50100150199920002001200120032004205200620072008200920102014ateaverage degree机构类型br HF IA MF Others PB PFFIG。5.

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

可人4

2022-5-11 01:40:41

作为时间函数的已验证网络中机构的平均程度，针对不同类型的机构（右面板）进行聚合（左面板）和分离（右面板）。垂直线对应于我们在金融危机期间价格开始下跌之前观察数据集中最大总市值的日期（见图1）。值得注意的是，我们观察到，在金融危机之前的几年以及从2009年起，投资组合的相似性在缓慢但稳定地增加，并明显加速。实线对应于跨度为0.2的数据点的局部加权最小二乘回归（黄土）。验证重叠与投资组合规模和证券资本化使用二元持有矩阵a（t）进行验证的一个看似主要的缺点是，既不考虑给定证券的所有权集中度（即给定机构持有的未偿股份的哪一部分），也不考虑投资组合中不同证券的相对重要性（即，证券代表的投资组合总市值的百分比）。这些显然是重要的信息类型，因为如果一家机构只持有该证券流通股的一小部分，那么在该资产被清算后，一家机构可能会产生轻微的价格影响。相反，如果该资产相当于投资组合市值的一小部分，那么价格下跌将对该机构的资产负债表产生更大的影响。然而，尽管验证加权重叠oWij（t）=PsWis（t）Wjs（t）比二元重叠对识别转售传播渠道更为相关，但我们不能在验证程序中使用原始加权矩阵W（t），因为在这种情况下，不可能建立一个分析零模型，从而使验证程序极端复杂。

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

kedemingshi

2022-5-11 01:40:44

因此，我们不得不依赖二进制重叠。然而，我们使用的数据集允许我们对有助于形成有效链接的投资组合头寸的特征进行事后检查。为此，我们利用不同证券在sat时间t的价格ps（t）和流通股σs（t）的信息，计算证券s代表的投资组合i总市值的分数，命名为Wis（t）=ps（t）Wis（t）/Pxpx（t）Wix（t），以及机构i持有的s流通股的分数，命名为Lycis（t）=Wis（t）/σs（t）。我们将此过程应用于二部所有权网络的每个位置WI（t），以表征属于已验证重叠的位置的特征。图6显示，平均而言，重叠证券（即构成已验证重叠的证券）在已验证投资组合中所占份额更大，比度的倒数给出的平均份额高出6%。为了研究不同证券的所有权集中度，我们采用以下程序。每一种证券按构造属于ds（t）[ds（t）-1] /2对重叠的投资组合，我们可以计算算法验证的这类投资组合的分数fs（t）。然后，我们计算每种证券的总资本（作为证券流动性的近似值）以及每个机构的平均所有权分数hci（t）i=Picis（t）/ds（t），作为fs（t）的函数。在图7中，我们展示了该数量的散点图以及从对数线性回归中获得的直线。

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

nandehutu2022

2022-5-11 01:40:47

正如我们所见，任何一对投资于同一资产的机构被算法验证的概率随着资产的资本化而降低，随着集中度的增加而增加（即，一家机构扣留的流通股的平均比例），随着安全程度的降低而降低。由于可用数据点的数量较多，对于程度较高的证券，这种关系更强。验证网络中的困境机构作为验证程序有效性的最终测试，我们研究了算法检索即将承受重大损失的（成对）机构的能力。我们掌握的数据集确实涵盖了不同时期-8.-6.-4.-2.-3.-2di-1（log10）<wi>log（10）标志非重叠图。6.投资组合中证券市场价值平均份额的散点图hwi（t）i=pswi（t）与每个机构的投资组合分散度1/di（t）的倒数。通过构造，投资组合中所有证券的平均值给出了机构度的倒数（对应于图中的直线）。在这里，我们将平均份额划分为重叠证券（即，投资组合中的证券属于与有效邻居重叠的证券）和非重叠证券（互补集）。我们清楚地看到，重叠头寸对应于投资组合中更大的份额。该图指的是2006年第四季度，但在其他日期也观察到了相同的定性行为。0.000.250.500.751.004 6 8 10 12psσs（log10）fsds>1 ds>50 ds>5000.000.250.500.751.00-5.-4.-3.-2.-1 0<ci>fsds>1 ds>50 ds>5000.000.250.500.751.001 2 3ds（log10）fsds>1 ds>50 ds>500图。7.

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

2022-5-11 01:40:51

持有证券s的有效机构对的分数fs（t）与证券资本化（左图）、其集中度（中心图）和所有者人数（右图）的散点图。直线显示数据的对数线性回归，根据证券程度划分。曲线图指的是2006年第四季度，但在其他日期也观察到了相同的定性行为。金融危机（尤其是2008年的金融危机）期间，人们会预计一些机构会进行再销售。然后，如果算法确实以有用的方式过滤信息，两个机构之间的有效链接应该代表损失传播的渠道。请注意，我们在这里并不是为了设计一个检测自我强化的零售额的测试。相反，我们检查validatedlink的存在是否最终包含有关损失发生的信息。为此，我们为每个日期t构建了在t和t+dt（我们称之为“困境”机构）之间经历最高投资组合价值下降的n个机构的集合Ln（t）。我们首先考虑绝对值（即总美元金额）的下降，我们认为这对宏观经济具有重要意义，然后检查与投资组合的关系。我们在这里使用n=300（大致相当于机构总数的10%），并在下面省略n下标。然后，我们计算出困境机构相对于机构总数I（t）的分数l（t），并将其与验证网络中困境机构lV（t）的分数进行比较。比率GI（t）=P[i∈ L（t）|i∈ V（t）]/P[i∈ L（t）]=lV（t）/L（t）则表示不良机构在已验证网络中的比例是否过高。

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

2022-5-11 01:40:54

事实上，如果GI（t）=1，则该算法没有比将陷入困境的机构随机放入经验证的网络中做得更好，而如果GI（t）>1，则我们通过知道一个机构属于V（t）有效地获得信息。类似地，我们将验证网络中的链接分数与所有重叠的机构对（即，其投资组合至少有一种共同证券的所有机构对）被考虑时的链接分数进行比较，验证网络中的链接分数与这些链接分数相连接的机构都有问题。这两个量之间的比率，即RI（t）=P[i，j∈ L（t）|Vij（t）=1]/P[i，j∈ L（t）| oij（t）>0]，然后可用于评估算法的有效性，以在验证网络中的两个陷入困境的机构之间建立联系。由于我们数据集中的所有头寸都是多头头寸，因此将GI（t）和RI（t）与包含多种证券的指数联系起来是有意义的。图8显示了这些数量作为t和t+dt之间的市场回报r（t）的函数，测量值为0。51.01.5-0.2-0.1 0.0 0.1 0.2Russell 2000返回GIDT1Q 2Q02468-0.2-0.1 0.0 0.1 0.2 Russell 2000 returnRIdt1Q 2QFIG。8.比率GI（左面板）的散点图，即在验证网络中观察到困境机构的概率与观察到困境机构的先验概率之间的比率，以及RI（右面板），即。，当考虑到所有重叠的投资组合时，在验证网络中观察到一对关联的陷入困境的机构的概率与观察到一对陷入困境的机构的概率之间的比率，与罗素2000指数t和t+dt之间的收益率r（t）之间的比率。红色点对应等于四分之一的dt，蓝色点对应等于四分之二的dt；实线对应于跨度为0.2的数据点的局部加权最小二乘回归（黄土）。

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

2022-5-11 01:40:58

面板被划分为四个区域，分别对应于大于/小于1的概率（即，在经验证的网络中过度/不足的困境机构）和大于/小于零的r（t）（即，市场收缩/增长）。rmax=0.2-0.10.00.1-0.10-0.050.000.050.10<r>iV<r>i∈V0。50.60.70.80.91.00.00 0.25 0.50 0.75 1.00RMA机构改革0。81.01.21.41.61.80.00 0.25 0.50 0.75 1.00RMAxslopeSubstall阴性阳性。9.左面板：验证网络中投资组合的平均回报与互补集合中的平均回报。包含| ri（t）|<rmax（此处为0.2）的所有收益。直线对应于数据点的线性回归（每季度一个）。右面板：在左面板中获得的斜率值，作为rmax的函数（详见下文）。当返回值大于大约30- 40%被排除在外，斜率明显大于1。这表明，与未经验证的投资组合相比，经验证网络中的投资组合往往具有更高的回报（绝对值）。插图显示了满足|ri（t）|<rmax作为rmax函数的总回报率。罗素2000指数。事实上，这两个比率都与总损失相关，并且在r（t）时显著大于1 0（尤其是在重大财务困境期间，Ri达到接近8的值）。值得注意的是，当市场损失接近0时，这两个比率都接近于1，然后下降。这可以解释为，在市场繁荣时期，重叠的投资组合会变成自我强化的泡沫。当我们对投资组合回报重复同样的程序（即，我们使用投资组合回报将机构标记为不良）时，我们不会获得有意义的结果。然而，这是因为，对于我们几乎没有数据点的小型投资组合，通常会观察到异常回报。

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

2022-5-11 01:41:01

鉴于我们方法的统计性质，我们无法正确识别显然需要不同（可能是逐案）方法的情况。然而，我们可以从一个更简单的角度出发，每次都考虑所有收益率（绝对值）小于我们用作参数的阈值Rmax的投资组合。然后，我们使用这个子集来计算有效投资组合<r>i的平均回报率∈V（t）（rmax，t）以及有效网络之外的投资组合的平均回报<r>i/∈V（t）（rmax，t）。对于给定的rmax值，我们有一个这两个量的散点图（每个日期t一个点），该散点图用一条直线很好地近似（参见图9左面板的示例）。请注意，具有显著阈值P*（t）使用过的一个在每组中大约有一半的机构（参见图4左面板）。最后，我们对<r>i进行线性回归∈V（t）（rmax，t）=A<r>i/∈V（t）（rmax，t）+B，并绘制斜率值作为阈值rmax的函数。如图9的右面板所示，一般情况下，当阈值高达约30%时，斜率明显大于1，当我们分别考虑正回报和负回报时，斜率高达50%。在后一种情况下，我们首先对每个日期进行拆分，在验证和补充数据集中，具有正/负回报和computereturn平均值的机构。对于较大的rmaxis值，斜率变得略小于1这一事实可能是由于异常回报，最有可能与小型投资组合有关，这些投资组合往往不在已验证的网络范围内。

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

可人4

2022-5-11 01:41:04

尽管考虑到我们方法的统计性质，这一缺陷是不可避免的，但总的来说，这些结果表明，只要不考虑异常回报，经验证的投资组合的回报率平均比未经验证的投资组合的回报率更高（绝对值）。买卖网络：对冲基金的案例在分析经过验证的证券网络之前，我们先说明我们方法的另一个有趣应用。我们的数据集允许我们为每个日期t建立买入（或卖出）二方网络，对应于每个机构在t之间获得（或卖出）的头寸- dt和t:ABUYis（t）=1如果是Wis（t）-Wis（t）- dt）>0，否则为0；ASELLis（t）=1如果Wis（t）- Wis（t）- dt）<0，否则为0。然后，对这些两部分工作的验证突出了以惊人相似的方式更新其投资组合的机构。作为一个案例研究，我们考虑对冲基金（HF）买入/卖出网络，这意味着我们只考虑HF买入或卖出的头寸（放弃所有其他链接），并将验证程序应用于这些子网络。对这一特定基金子集的关注源于2007年8月的大规模量化崩盘，在此期间，量化高频基金，尤其是那些采用市场中性策略的基金，在出现显著（尽管不完全）反转之前的几天内承受了巨大的损失（见[44]）。此外，我们希望调查HF在2000-2001年互联网泡沫结束时是否以同步方式反应。至于图3，图10显示，在购买/出售网络中验证的HF比例在时间上大致恒定，但还有一些更有趣的局部变化（尤其是在2008年前后）。

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

nandehutu2022

2022-5-11 01:41:07

关于验证网络中邻居的平均数量，我们可以看到，销售网络的波动滞后于购买网络的波动3个月：事实上，在这种滞后下，互相关是最大的，并且非常高（0.8）。这可能是因为HF的典型持仓时间小于3个月：买入的股票将在3个月后卖出。值得注意的是，图10右侧的面板指出了一个事实，即平均而言，购买网络比出售网络更密集。这也反映在平均邻居数的自相关性中，对于销售网络，自相关性下降得更快。由于我们的数据集只包含多头仓位，我们只能得出结论，当它们打开多头仓位时，高频更加同步，并且以一种不太同步的方式清算它们。为了评估高频行动的同步性，我们使用每个基金的平均有效邻居数作为第一个近似值，清楚地观察到，在点组合顶部之后，购买模式越来越同步。在这个日期买入股票可能有两个原因：要么是高频的策略没有意识到泡沫破裂，仍在使用趋势跟踪，要么是他们利用泡沫破裂的机会折价买入股票。值得注意的是，同步销售滞后于购买，总体上没有那么激烈。关于全球金融危机期间，我们观察到2007年第三季度出现了一个买入峰值，2007年第四季度出现了一个卖出峰值。第一个峰值可能确实与2007年8月的大规模金融危机有关。然而，被强制平仓的所谓多空市场中性基金应该出现在卖出网络中，而不是买入网络中。如果这场危机发生在三个月后，这一点就会被观察到。

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

2022-5-11 01:41:11

不幸的是，在融化和报告之间有将近两个月的延迟，这可能隐藏了事件。无论如何，这场崩盘都是一个同步事件，因为2007年9月底的买入网络密度显然是一个异常值：因此，HF在同一季度的投资组合中获得了非常相似的多头头寸，然后，预计在下个三个月底之前将其清算。0.250.300.350.4019920002001200220032004205200620072008200920102011201212014TateFaction of validated Institutions TypeBuy Sell 234567199920002001200220032004205200620072008200920102011201212014TateAverage Degreety Pe Buy sellFIG。10.对冲基金买入/卖出子网络中已验证机构的分数（左）和已验证网络中的平均学位（右）。在这里，最初的两方网络仅由对冲基金和它们在两方之间获得/出售的头寸组成- dt和t.经验证的证券网络的时间演变在本节中，我们最终使用我们的方法来检测具有统计意义的证券共同所有权，以便识别证券之间的传染渠道。因此，我们将验证程序应用于证券所有权重叠osq（t）=PiAis（t）Aiq（t）（而不是机构投资组合重叠oij（t）=PsAis（t）Ajs（t））。两种证券之间存在经验证的联系，反映出它们拥有非常相似的所有者群体，这再次转化为一种潜在的通过转售传播渠道。图11显示了证券上经过验证的网络投影的聚合特征的时间演化。与机构投影的情况相反（图。

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

2022-5-11 01:41:14

在这里，我们观察到有效证券的稳定增长：越来越多的股票可以参与潜在的转售（或关闭类似机构）。此外，通过验证证券平均程度的增长，验证网络变得更加密集，这标志着零售传染渠道的扩散。请注意，存在与数据库涵盖的所有重大金融危机相对应的局部最大值：2001年的互联网泡沫、2007-2008年的全球金融危机和2010-2011年的欧洲主权债务危机。就机构而言，证券所有权的相似模式在所考虑的时间跨度结束时最大。经过验证的证券网络的平均程度不断增长，这一事实归结为机构选择证券，而不是相反。虽然我们数据集中的机构数量多年来有所增加，但证券的数量基本保持不变。如果一家新机构随机选择投资哪些资产，那么证券网络的平均程度将保持不变。如果只是因为流动性限制，情况并非如此。因此，平均而言，新机构的投资组合与现有机构的投资组合相关。为了检测观察到的模式是否涉及特殊类别的证券，我们根据彭博行业分类系统（BICS）[45]对经验证的网络进行了分析，该系统以其主要业务为基础，首先通过收入来源衡量，其次通过营业收入、资产和市场感知衡量。

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

2022-5-11 01:41:18

因此，每种证券都属于以下行业之一：通信、消费信贷、主要消费品、能源、金融、医疗保健、工业、材料、技术、公用事业（或其他）。特别是，我们试图检测同一类别的证券是否倾向于在经过验证的网络中连接在一起。为此，我们将连接两个具有相同BICSlabel的证券的有效链接表示为内部链接，并将内部度计算为仅限于内部链接的安全度。如图12所示，内部联系更紧密的证券类别是（尤其是）金融类，在较小程度上是消费性的。这并不意味着投资组合重叠集中在这些类别上，而是在属于它们的证券中存在相对较多的传染渠道。0.000.050.100.150.2019992000200120022003200420520062007200820092010201120122012014已验证证券的比率10203040199920002001200120032004205200620072008200920012014ateaverage degreeFIG。11.出现在已验证网络（左面板）中的证券比例及其在已验证网络（右面板）中的平均程度随时间的变化。与经过验证的机构网络不同，经过验证的证券数量在时间上稳步增长。然而，验证链接的数量以更快的速度增长，这一点可以通过不断增加的平均度来证明。

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

2022-5-11 01:41:21

实线对应于跨度为0.2的数据点的局部加权最小二乘回归（黄土）。0.10.20.30.41999200020012002200320042052006200720082009201020112012201321014已验证证券的数据分数2。02.53.03.54.019992000200120022003200420520062007200820092010201120122012014日期证券原始编号（log10）024619992000200200120032004205200620072008200920012011201222014日期平均内部度1。01.52.02.53.03.519992000200120022003200420520062007200820092010201120122014有效内部链接的数据（log10）部门通信消费者自由裁量消费主食能源金融保健工业材料其他技术用途图。12.已验证证券网络的统计数据，按BICS类别分类：已验证证券的分数（左上面板）、原始二分网络中的证券总数（右上面板）、平均内部度（左下面板）和已验证网络中的内部链接（右下面板）。后两个数量是通过仅考虑连接同一类别证券的有效链接而获得的。更具内部关联性的证券类别包括金融类（包括以下二级行业：银行、商业金融、消费金融、金融服务、人寿保险、财产及意外伤害、房地产）和非必需消费品（包括：航空公司、服装和纺织产品、汽车、赌场和游戏、消费服务、分销商、教育服务、娱乐资源、家居和办公产品、房屋建筑、家居装修、休闲产品、餐厅、旅游和住宿）。结论在这项工作中，我们提出了一种精确的方法，根据相似的投资模式推断金融机构投资组合之间的统计稳健联系。

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

nandehutu2022

2022-5-11 01:41:24

该方法解决了评估两个不同规模和多元化的投资组合的重叠是由于市场资本和所有者数量非常不同的资产的随机分配造成的可能性的问题。使用由二部配置模型[40]提供的适当的零假设，可显著提高已验证网络检测特征的统计意义。请注意，该方法是通用的，并且可以应用于代表一组具有共同属性（例如，成员资格、物理属性、文化和品味、生物功能等）的实体的任何二部网络，并且其中存在（不太可能）相似的邻居组是有意义的。本研究随后得出结论：，就在金融危机或泡沫破裂之前，机构持股的相似性显著增加。对于股票市场来说，或许令人担忧的是，2008年达到峰值并随后大幅下降的拟议再销售风险代理，从2009年到我们的数据集结束（2013年）再次增加，达到了自2007年以来从未见过的水平。尽管我们的方法依赖于二进制所有权信息，但我们还发现，平均而言，重叠证券对应于已验证投资组合的更大份额，这可能会加剧零售损失。此外，建议的验证方法可以有效地检索在市场动荡时期（当验证链接是流动损失传播的渠道时）即将承受重大损失的机构，以及在市场繁荣时期（当重叠投资组合变成自我强化的泡沫时）增长最快的机构。

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

kedemingshi

2022-5-11 01:41:27

最后，我们表明，随着传染渠道的进一步扩散，可参与潜在转售的证券数量正在稳步增长。在这项工作中，我们只调查了投资组合重叠的模式，而不是它们导致重新销售的可能性。这是一个更复杂的问题，需要其他数据集和计量经济学技术。然而，即使我们无法从我们的发现中得出任何有力的暗示，我们进行的所有分析都证实了我们方法的一致性，并表明重叠投资组合确实在金融动荡中发挥了作用。此外，必须更好地描述持股与未来投资组合变化之间的关系。事实上，即使两个策略不同的机构汇聚到一个类似的投资组合中，这并不意味着它们会以同样的方式同时更新后者。然而，正如[23,24]所指出的，部分机构可能会遵循（明确的）等效策略，这意味着投资组合重叠和随后的再销售风险增加，从而触发进一步的杠杆调整。最后，在更大的数据集上重复我们的分析，以涵盖其他泡沫和危机，并检查不同市场投资模式的差异，将是有益的。方法提取13-F组分(https://www.sec.gov/)根据Factset所有权数据库，从1999年第一季度到2013年第四季度，涵盖价值超过1亿美元的合格资产的机构，这些机构必须在每个季度末向SEC报告其长期头寸。由于13-F数据集只包含超过10000股或200000美元的头寸，因此非常小的头寸已经被过滤掉。该数据集由一组约1500÷3500家机构组成，持有一组证券的头寸，其规模约为12500（见图。

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

可人4

2022-5-11 01:41:30

1).请注意，子基金的投资组合合并为一份报告。除了原始所有权数据外，我们的数据集还包含有关机构和证券的元数据。多个测试下的重要级别，以便选择适当的阈值（重要级别）*（t）为了在验证过程中使用，我们必须考虑所测试的多个假设（对应于具有非零重叠的可能机构对的数量NPAIR（t））。这里我们使用了相当严格的Bonferroni校正[46]，这意味着我们将阈值设置为P*（t） =/npairs（t）。请注意，重要级别的选择仍然存在一些随意性。文中给出的结果是用 = 10-3.我们用不同的, 并采用了不那么严格的错误发现率（FDR）标准[47]，没有发现重大的质量差异。事实上，虽然验证网络的最终大小明显取决于阈值，但网络统计数据的相对时间变化受所用特定值的影响要小得多。超几何分布方法的解决问题正如引言中所述，[34]中提出的将原始二部网络划分为同质证券子网络的方法有一些固有的局限性，尤其是当证券的特征是投资者数量极不均匀时（这通常发生在股票市场数据中）。事实上，在这种情况下，拆分程序通常会转化为几乎空的子集，尤其是对于大量投资者持有的证券。在这些子集中，重叠只能假设几个值，受所考虑的安全性数量有限的限制，从而导致p值的可能结果为数不多、间隔较远。

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