《纽约时报》与 - 外文文献专区

888

收藏 2022-06-01

英文标题：
《Correlations and Flow of Information between The New York Times and
  Stock Markets》
---
作者：
Andr\\\'es Garc\\\'ia-Medina, Leonidas Sandoval Junior, Efra\\\'in Urrutia
  Ba\\~nuelos and A. M. Mart\\\'inez-Arg\\\"uello
---
最新提交年份：
2017
---
英文摘要：
  We use Random Matrix Theory (RMT) and information theory to analyze the correlations and flow of information between 64,939 news from The New York Times and 40 world financial indices during 10 months along the period 2015-2016. The set of news was quantified and transformed into daily polarity time series using tools from sentiment analysis. Results from RMT shows that a common factor lead the world indices and news, and even share the same dynamics. Furthermore, the global correlation structure has found preserved when adding white noise, which indicate that correlations are not due to sample size effects. Likewise, we found a lot of information flowing from news to world indices for specific delay, being of practical interest for trading purpose. Our results suggest a deep relationship between news and world indices, and show a situation where news drive world market movements, giving a new evidence to support behavioral finance as the current economic paradigm.
---
中文摘要：
我们使用随机矩阵理论（RMT）和信息理论分析了2015-2016年10个月期间《纽约时报》64939条新闻与40项世界金融指数之间的相关性和信息流。使用情绪分析工具对新闻集进行量化，并将其转换为每日极性时间序列。RMT的结果表明，一个共同因素引领着世界指数和新闻，甚至具有相同的动态。此外，在添加白噪声时，发现全局相关结构保持不变，这表明相关性不是由于样本大小的影响。同样，我们发现许多信息从新闻流到世界指数都有特定的延迟，这对于交易目的具有实际意义。我们的结果表明，新闻与世界指数之间存在着深刻的关系，并显示了新闻推动世界市场运动的情况，为支持行为金融学作为当前的经济范式提供了新的证据。
---
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：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：
-->

Correlations_and_Flow_of_Information_between_The_New_York_Times_and_Stock_Markets.pdf
大小:(3.14 MB)

马上下载

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

能者818

2022-6-1 04:06:20

《纽约时报》和股票市场之间的相关性和信息流。安德烈斯·加西亚-麦地那* 1、Leonidas Sandoval Junior、Efra'n Urrutia Ba'nuelos、andA。M、马丁内斯·阿尔盖罗物理研究部，索诺拉大学，赫尔莫西罗，索诺拉83000，墨西哥。Insper，Instituto de Ensino e Pesquisa，Rua Quat\'a，300，圣保罗，SP，04546-2400，巴西。贝内姆·埃里塔普埃布拉奥诺马大学（Benem'erita Universidad Aut'onoma de Puebla）西卡研究所，Apartado Postal J-48，Puebla 72570，MexicoJuly 19017Abstracts我们使用随机矩阵理论（RMT）和信息理论分析了2015-2016年10个月期间《纽约时报》64939条新闻与40个世界金融指数之间的相关性和信息流。使用情绪分析工具对这组新闻进行量化，并将其转换为每日极性时间序列。RMT的结果表明，一个共同因素引领世界指数和新闻，甚至具有相同的动态。此外，在添加白噪声时，发现全局相关结构保持不变，这表明相关性不是由于样本大小的影响。同样地，我们发现了大量信息，从新闻到世界指数，都是为了特定的时间，对于交易目的具有实际意义。

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

能者818

2022-6-1 04:06:23

我们的结果表明，新闻与世界指数之间存在着深刻的关系，并显示了新闻推动世界市场运动的情况，为支持行为金融作为当前经济范式提供了新的证据。关键词：随机矩阵理论；传递熵；情绪分析；行为金融。1引言这项工作的目的是在经济物理学[1,2,3]的背景下，理解相对较新的行为金融学派的有效性，并将其与目前大多数金融模型所依赖的最为公认的有效市场假说（EMH）范式进行对比。根据EMH的说法，股票价格立即包含了所有可用的市场信息，其价值不取决于过去的价格[7]。然而，最近一系列的工作已经开始调查文本资源从互联网到市场运动的影响[8、9、10、11、12、13、14、15]，展示了从推特、StockTwits、谷歌趋势和一些*通讯作者（andgarm。n@gmail.com)《金融时报》（Financial magazine as Financial Times）提供了可能有助于预测股市变化的早期迹象。这些新结果为公认的有效市场范式提供了强有力的支持，并支持行为经济学的近似理论。然而，上述工作以个人的方式研究了所涉及的时间序列。相反，我们的目的是研究一组金融指标的全局或通用属性，以了解来自《纽约时报》（NYT）的信息是否包含可靠或真实的信息，也就是说，远离噪音，这一问题在我们之前使用推特数据的工作中已得到广泛研究[16]。

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

2022-6-1 04:06:26

除此之外，我们现在有兴趣了解在何种情况下，信息会从纽约时报流向金融指数价格。《纽约时报》是一家在纽约市创办和出版的报纸，在全球195个国家拥有超过百万的印刷品和数字产品订阅量，这使其成为全球最容易访问和发行量最大的报纸之一[17]。为了量化从纽约时报（NYTwe）中提取的新闻，我们使用了情绪分析[18，19]，其中基于词典的方法被采用，因为与学习机方法相比，该方法计算成本低，精度高[20]。此外，情绪极性被用作情绪分析指标，因为这一数量可以直接与金融指数的正负变动相关联[9]。另一方面，在投资组合优化的背景下，理解金融市场之间的相关性结构并将其与噪音区分开来是非常有意义的【21】。理解这种相关性的一种新方法来自随机矩阵理论（RMT）。从历史上看，许多理论物理现象已经通过RMT成功地解决了[22、23、24、25、26]，并且在过去几年中出现了大量的金融应用[27、28、29、30、31、32、33、34、35、36]。尽管相关性研究有助于确定哪些资产的行为相似，但仅使用相关性度量，我们无法建立金融指数之间的因果关系或影响，因为一个变量对另一个变量的作用不一定是对称的[37]。测量因果现象的一个非常有用的量有信息论的基础，它被称为传递熵。

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

mingdashike22

2022-6-1 04:06:28

传递熵或传递信息是一种动态的非对称度量，最初由Schreiber【38】提出，并基于汉农熵的概念【39】。该度量旨在通过检测两个进程之间的交互不对称来确定两个进程之间传输信息的方向性【38，40】。传递熵被用来解决许多问题。它在研究大脑神经皮层【41、42、43、44】、社交网络【45】、金融【46、47、48、37】、统计物理【49】和动态系统【50】中都很有用，并在【51】中得到了热力学解释。在这项工作中，我们使用RMT和传递熵来发现新闻是否推动了市场运动，并显示更多支持行为金融的反EMH证据。具体而言，我们分析了2015-2016年10个月期间《纽约时报》64939条新闻与40个世界金融指数之间的相关性和信息流。本文的组织结构如下。第2节描述了brie fly the analyzeddata、从《纽约时报》中提取新闻的方法，以及如何使用情绪分析构建极性时间序列。第3节包含通过RMT进行相关性分析的主要结果。第4节显示了通过传递熵得到的流量信息结果。最后，第5节给出了工作的结论。2分析数据我们考虑了一组来自纽约时报的64939条新闻和全球40个国家的每日收盘价，这些数据是在2015年7月1日至2016年5月1日这段时间内获得的，对应于217个交易日。这组新闻是针对表1中列出的每个国家提取的。表1还列出了相关世界金融指数的彭博符号。

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

2022-6-1 04:06:32

新闻提取是在协调世界时（UTC）进行的，而收盘价的时间要求因股票市场交易的时区而异。新闻是通过《纽约时报》的接口文章搜索API提取的，该API使我们能够以结构化的方式访问其数据库。为了消除提取文本中由于非字母数字字符而产生的噪声，我们借助PYTHON的自然语言工具包（NLTK）对其进行了预处理。去除噪音后，我们使用价感知词典和情感推理器（VADER）对清理后的文本进行情感分析，这是一个实施句法和语法规则的词典，结合经验得出的量词，以考虑分析文本中存在的情感强度，从非常消极的单词到非常积极的单词，词汇的每个元素都在-4到4之间。维德已被调整为捕捉社交网络中表达的情感，但也显示出捕捉《纽约时报》文本情感的出色效果【20】。最后，我们取给定文本中所有得分的平均值（每个单词一分），并将该平均值与文本的情感极性（积极或消极）联系起来[16，9]。然后，我们将给定关键字k在给定日期t对应的所有新闻的极性时间序列命名为Pk（t）。3随机矩阵理论分析3.1预备知识让Sk（t）表示指数k在第t天的每日收盘价。每个指数k（k=1，…，N）在t=1，T（以天为单位）由k（T）=Sk（T+t）- Sk（t）Sk（t）。（1）我们选择一个交易日的回报区间，以便t=1。为了将我们的数据与RMT的通用结果进行比较，对极性和返回时间序列进行了归一化。

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…

何人来此

2022-6-1 04:06:35

指数k时间t的各自标准化回报率定义为Rk（t）=（Rk（t）- hRki）/σk，（2）表1：本研究分析的财务数据列表。第一栏：指数交易的国家；第二栏：彭博财经指数；第三栏：关键字搜索纽约时报的文章搜索API。彭博资讯国家/地区股票代码NYT关键字美国SPX美国Scanada SPTSX加拿大墨西哥哥伦比亚IGBC哥伦比亚委内瑞拉IBVC委内瑞拉IPSA ChileArgentina MERVAL ArgentinaBrazil IBOV BrazilNigeria NGSEINDX Nigeria英国UKX Englandrance CAC FranceBelgium BEL20 BelgiumItaly FTSEMIB ItalySwitzerland SMI SwitzerlandNetherlands AEX NetherlandsDenmark KFX Denmark NorwayOBX NorwaySweden OMX Sweden GermanyPoland WIG PolandAustria ATX AustraliagreceHungary BUX HungaryUkraine PFTS UkraineRussia INDEXCM Russia Turkey XU100 TurkeyEgypt CASE Egypt Israel TA-25 Israelab SASEIDX ArabiaPakistan KSE100 Pakistanidia SENSEX Indiandonesia JCI IndonesiaMalaysia FBMKLCI Malaysiangapore FSSTI SingaporeChina SHCOMP China Hong HSI Hong TaiwanTWSE TaiwanSouth KOSPI South KoreaJapan NKY JapanAustralia AS51 Australia4 2 0 2 4x0.00.20.40.60.81.0ρ（x）正态分布（a=4.67）极性回归图1：收益、极性的分布，以及参数a=4.67的归一化高斯分布和student-t分布，最适合回归分布。式中σkis是Rk的标准偏差，h。i表示研究期间的平均时间。平均极性以相同的方式进行归一化，并表示为时间t时指数k的pk（t）。在图1中，我们绘制了回报、极性以及正态分布和student-t分布的分布，参数a=4.67，最适合回报分布。

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

2022-6-1 04:06:38

众所周知，收益率分布的尾部通常比正态分布的尾部重[1]，并且更好地用student-t分布来表征，我们可以在相同的图1中观察到这种行为。相反，可以看到极性分布呈倾斜形状，这排除了返回数据的对称行为。3.2 Wishart集成：被定义和标准化时间序列之间的相关矩阵元素xkand xl由c（x）k给出，l=hxk（t）xl（t）i，（3）其中x表示我们正在研究的时间序列的类型，因此c（p）k，land c（r）k，lar分别是由极性和反转时间序列构造的矩阵相关元素。设为一个N×T矩阵，其矩阵元素是具有零均值和等方差的统计独立高斯变量。然后，矩阵xh=W W+在RMT的形式中被称为Wishart矩阵，在Haar测度下的一组矩阵被称为Wishart集合（WE）[22]。通过构造，这些矩阵由N个长度为T的不相关时间序列组成。H的N个特征值，表示为λ，λ，λN是非负的，其联合概率密度函数由[52]P[{λi}]=CN，Texp”给出-βNXiλi#NYi=1λαβ/2iYj<k |λj- λk |β，（4），其中α=（1+T- N）- 2β和归一化常数CN，Tcan可精确计算[53]。我们可以假设N≤ T，因为如果N≥ T，1可以表示N- T特征值正好为0，其余T特征值的分布与上面的表达式完全相同，N和T交换。极限N，T中β=1（实对称情形）的解→ ∞, Q=电话号码(≥ 1），由Marˇcentko Pastur定律[54]ρ（λ）=Q2πσp（λ）给出+- λ)(λ - λ-)λ、（5）在λ范围内-≤ λ ≤ λ+和0，否则。WE中随机矩阵的最小（最大）特征值由[54]给出：λ+-= σ（1+1/Q±2p1/Q）。

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

mingdashike22

2022-6-1 04:06:41

（6）这些预测在RMT领域被称为Wishart矩阵的普遍结果，并构成了财务指数（或极性）之间无相关性的零假设。如果金融指数（或极性）之间没有相关性，则特征值应在RMT预测之间有界[27，28]。在图2中，我们绘制了经验相关矩阵C（r）和C（p）的特征值分布，其中叠加了Marˇcentko Pastur定律。此处尺寸为N×T=40×217，参数Q=T/N=5.425。我们清楚地看到，两个相关矩阵的一些特征值远离噪声区的上界，这提供了有关整个研究国家的相关行为的信息，并暗示存在真正的相关性。我们将在下一节中详细讨论最大特征值和相应的最大特征向量。3.3特征向量和时间分析在金融中，与最大特征值相关的特征向量的所有成分都是正的，这一事实反映了一种常见的金融市场模式，并且与投资组合中风险最大的资产组合有关。相反，与最小特征值相关的特征向量对应风险较小的投资组合。这两个特征向量不是变量的随机组合【55】。在图（3）中，我们绘制了与经验相关矩阵的最大和最小特征值相关的特征向量。我们可以在图3（a）中看到，与较大特征值相关的特征向量的所有分量均为正且远离零，而在图3（b）中，0 5 10 15 20 25λ0.00.20.40.60.81.01.21.4ρ（λ）Marcenko PasturPolarityReturn的大部分分量图2：相关矩阵的特征值分布。我们用黑线表示马尔岑科Pastur定律。

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

何人来此

2022-6-1 04:06:44

蓝线代表极性的结果，绿线代表回报。与最小特征值相关的特征向量接近于零，只有少数特征突出。这两种情况的表现都符合预期[55]。有趣的是，如果我们更仔细地分析图3（b），它告诉我们，如果我们考虑极性数据的构建，风险较小的港口必须包括美国和中国，如果我们考虑回报数据，也必须包括法国和荷兰。我们之所以这样认为，是因为这些分量的大小比其他分量大，并且是与最小特征值相关的特征向量中最具代表性的。为了进行时间分析，我们从四个交易月（Ts=160天）的滑动窗口中构建了一组样本相关矩阵，再加上一个交易日的重叠。然后，我们得到了两组M=58样本相关矩阵，一组来自极性值，另一组来自返回值。这些集合中的每个相关矩阵现在都有一个维数N×Ts=40×160，参数Q=Ts/N=4。因此，上下理论界为λ-= 0.25和λ+=2.25，对于噪声引起的大部分特征值分布。众所周知，对于大尺寸的C，最大特征值λmax（t）的时间演化与平均相关系数C（t）=hC（t）iij密切相关【56，57】。在图4中，我们为我们的经验数据绘制了这些数量。尽管经验数据的维数太小，但发现λmax（t）和'c（t）之间存在很强的相关性，Pearson Pc和Spearman Sc的相关系数【58，59】在极性和回归值方面均大于0.97。然后，λmax（t）和'c（t）共享相同的动力学。

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

mingdashike22

2022-6-1 04:06:47

此外，λpmax（t）和λrmax（t）呈现出P c=0.80和Sc=0.57的强相关性。那么，我们可以认为，纽约时报和相应的Inguscanmexcolvezchlargbranigukfrabelitaswtntldennorswegerpolautgrehunukrustukeyisrapakindindnmalsinchihktaiskjapaus0.000.050.100.150.200.25PolarityReturn（a）USCANMexcolvezchlargbranigukfrabelitaswtldennorswegerpolautgrehunukrustukeyisrapakindindnmalsinchihktaiskjapaus0.000.150.200.25PolarityReturn-0.6-0.4-0.20.00.20.40.60.81.0PolarityReturn（b）图3：经验相关矩阵的相关最大（a）和最小（b）特征向量分量。160 170 180 190 200 210时移（交易日）10-1100101102'C（p）（t）'C（r）（t）λ（p）maxλ（r）maxλ+图4：两个经验数据的λmax（t）和'C（t）的时间行为。虚线表示特征值分布的理论上限。全球回报也具有相同的动态，支持行为金融消费。另一方面，从特征向量中提取信息的一种简单方法是通过计算反向参与比（IPR），这允许我们知道显著参与每个特征向量（或组合）的组件的数量。它显示了与极值特征值相关的特征向量与噪声区中与体相关的特征向量之间的区别。特征向量Vkis的TheIPR由[60]IP Rk=NXj=1 | Vkj |给出。（7）该数量始终介于1/N和1之间。预计IP RN fluct的值接近下限1/N，因为它对应的是最多样化的投资组合，而IP Rit的值预计更高，因为它对应的是最小的特征值，因此对应的是较少多样化的投资组合【21】。此外，对于被视为噪声的区域内的k值，预计资产的随机组合，然后是IP Rn和IP R之间的IP Rk值。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

能者818

2022-6-1 04:06:51

5绘制了IP和IP R的时间行为。我们在IP R的经验数据之间获得了良好的相关系数，P c=0.84，Sc=0.54。另一种情况是，在对应特征向量的时间行为之间，IP R表示低相关系数P c=0.27，Sc=0.36。IP Rcon的第一个结果证实了以下事实：每个财务160 170 180 190 200 210时间偏移（交易日）0.00.10.20.30.40.50.6IPR1/N=0.025极性IPR（1）返回IPR（1）极性IPR（40）返回IPR（40）（a）图5：对应于最大（IPR（40））和最小（IPR（1））特征值的反向参与比的时间行为。虚线表示理论下限。指数在特征向量V中起着重要作用，因此所有指数在该特征模式中作为一个整体移动。令人惊讶的是，纽约时报的数据显示了同样的行为。3.4相关Wishart集合我们现在有兴趣知道，在添加噪声时，经验数据的相关结构是否保持不变。其次，我们希望描述极性和回报之间的相互关系。RMT分析这些问题的一种理论技术是相关Wishart正交系综（CWOE）的非对称相关矩阵方法[61]。让我们开始将CWOE定义为C=WWt/T型实对称矩阵的集合，其中W=ξ1/2W，ξ是正定义的非随机矩阵，W的条目是均值为零且方差等于1的独立高斯变量，即白噪声。分别由返回时间序列和极性时间序列组成的数据矩阵。然后我们可以构造一个维度为2NxTD的分区数据矩阵=D（r）D（p）, （8）以及根据4个区块定义的分区相关矩阵C=TDDT=C（r）C（r，p）C（p，r）C（p）.

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

2022-6-1 04:06:54

（9）（a）C（b）C\'图6：相关矩阵C和C对角线块单独考虑回归和极性相关性，进一步，对角线块考虑回归和极性之间的混合相关性，满足关系C（r，p）=C（p，r）T=D（r）D（p）T。同样，将ξ设置为我们的经验相关矩阵C。这样，ξ（r）=C（r），ξ（p）=C（p），并且是W，W∈ RN×t两个均值为零、方差为1的独立高斯变量。我们可以用2N×T维数的白噪声W定义分区数据矩阵，由返回和极性数据集asW组成=√C（r）W√C（p）W！。（10）然后，带噪声的分区相关矩阵由c=TWW+=C（r）WWtC（r，p）WWtC（p，r）WWtC（p）WWt. （11）我们现在可以通过比较相关矩阵C和Cand来了解我们的第一个目标，并测量白噪声的加入是否会破坏相关结构（见图6）。为了定量比较C和CQ，我们计算了两个相邻相关系数的绝对差值，如[62]。我们发现，如果包含噪声，该值的平均变化小于10%。然后我们可以说，经验数据的相关结构比白噪声传递更多的信息，然后相关结构作为一个整体被保留下来。因此，这些结果支持金融指数和极性之间存在真正的相关性。为了实现我们的第二个目标，即表征极性和回报之间的互相关，我们需要查看等式9的反对角线块，通常是非对称相关矩阵。这类矩阵具有复特征值。

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

能者818

2022-6-1 04:06:57

我们利用针对大维（N→ ∞,T→ ∞) 在[63]中，但结果（未显示）并未表明纽约时报与世界指数之间存在交叉相关性，这可能是由于经验相关矩阵的维数很小（N=40）。为了更进一步，我们将继续研究因果关系度量，而不是线性相关性。4传递熵分析我们现在感兴趣的是通过信息论方法，尤其是通过传递熵（TE）的概念，来衡量信息从新闻到价格的流动，反之亦然。从变量Y到变量X的TE由表达式[38]TY给出→X=n=T-1Xin+1，in，jn=1p（in+1，i（k）n，j（l）n）logp（in+1 | i（k）n，j（l）n）p（in+1 | i（k）n），（12）其中T是X和Y的时间序列长度，p（i，j）是X和Y的联合概率分布，p（i | j）是给定Y的变量X的条件概率。最后一个等式（12）告诉我们，时间序列X的+1中的元素受同一时间序列X的前k个状态和时间序列Y的前l个状态的影响。我们使用库JIDT【64】计算TE，该库能够通过核密度估计器构造概率分布函数，定义为【65】ph=nnXi=1Kh（t- ti），（13）其中，每个核kh由位置参数tian和带宽h确定。在我们的例子中，核函数计算位于以ti为中心的长度为h的框内的返回值或极性值的数量。Silverman规则[66]h给出了一个非常常见的h参数选择=4σ3n, （14）其中σ是时间序列的标准偏差，n是其长度维度。另一方面，TE（公式12）的表达可能会有偏差，因为有几个因素，如有限的样本效应和数据的非平稳性。

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

能者818

2022-6-1 04:07:00

此外，熵更大的时间序列（与金融波动性更高相关）自然会将更多的熵传递给其他序列。为了减少这种偏差，我们使用有效传递熵（ETE）[67]等→X=T EY→X（k，l）-MMXiT EY（一）→X（k，l）（15），其中Y（i）是从时间序列Y中随机提取的。通过计算所有可能的极性和返回时间序列组合的该量，可在http://jlizier.github.io/jidt/（a）（b）（c）（d）图7:ETE矩阵减去M=1000μs的时间序列，核密度分辨率h=0.36。（a） k=l=1；（b） k=l=2；（c） k=l=3；（d） k=l=4。对于表1中的每个国家，我们获得了一个80×80维的ETE矩阵。在图7中，热图显示了k=l=1、2、3、4和分辨率h=0.36时的ETE矩阵结果（由等式（14）给出），其中矩阵元素的阶数与分区相关矩阵的阶数相同（见图6）。我们减去了相应Y时间序列的M=1000个随机排列。这些结果表明，大多数信息都是从收益和极性流向唯一收益，在k=3的情况下，这种现象对眼睛来说更清楚。我们使用图论将ETE矩阵转换为有向网络。现在，每个时间序列由一个节点表示，信息从一个节点流向另一个节点的量值由有向边表示。无向网络的一个重要数量是连接到节点的边的数量；或节点度。对于有向网络，有两个相关的度量值out nodegree NDoutand和in node degree NDin，分别计算离开和进入节点的边的数量。

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

能者818

2022-6-1 04:07:03

由于我们有兴趣探索信息只流向回报的情况，因为这可能会带来新的交易策略，我们将相对节点外度定义为极性和回报节点间节点外度的比率，即NDout（极性）/NDout（回报）。在图（8）（a）中，我们观察到相对外节点度作为ETE值的缩放范围的函数，其超过阈值Th∈ [0，1]foreach k=1，2，3，4。对于k=3，我们发现最大值在T h=0.79；当节点有更多从极性到返回节点的边时，它处于该值，因此它是分析相应网络的良好指示器。英菲格。（8）（b）我们在k=3，T h=0.79处绘制网络80个节点的节点外度和节点内度值的条形图，其中前40个节点对应于返回，后40个节点对应于极性节点。非常有趣的是，对于k和th的这些值，极性节点是唯一向整个网络发送信息的节点，而且节点内的返回度大于极性节点。5结论我们发现，极性和返回数据的特征值超出了Wishart矩阵的通用结果，这意味着存在一个整体因素，将指数和新闻集作为一个整体。有趣的是，我们发现新闻和价格的最大特征值也具有相同的动态，结果与行为金融的特征值相反。知识产权的时间分析证实了一个事实，即每个财务指标都显著参与了与最大特征值相关的特征向量。

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

何人来此

2022-6-1 04:07:06

值得注意的是，纽约时报的数据显示了相同的行为。CWOE分析中分块矩阵的结果支持了世界指数和新闻存在真实相关性的事实，表明在向经验数据添加噪声时，相关结构保持不变。然而，由于经验相关矩阵的维数很小，不可能描述它们之间的相互关系，这是使用信息论方法所必需的。在这个领域中，传递熵分析揭示，对于内存k=3和归一化阈值Th=0.79，所有信息流向返回节点。最后一个结果是交易目的最实际的结果，为最佳历史新闻集提出了一个可能的选择规则，并显示了有利于行为金融作为可靠经济范式的新的精确证据。感谢Vinayak和Fabio Ayres的富有成效的讨论和建议，以及Mois\'es Martinez、Carlos Pacheco和Carlos Liz'arraga的有益评论。这项工作得到了墨西哥国家科学委员会和巴西圣保罗Insper教育研究所的部分支持。参考文献【1】R.N.Mantenga和H.E.Stanley，《经济物理学导论：金融中的相关性和复杂性》。剑桥大学出版社，剑桥，2000.0.0 0.2 0.4 0.6 0.8 1.0Th0.00.51.01.52.02.53.03.54.0相对外节点度数k=1k=2k=3k=4（a）0 10 20 30 40 50 60 70 80返回|极性051015202530354045节点度数（b）图8：（a）相对外节点度数作为归一化阈值T h的函数。（b）k=3时的内节点度数和外节点度数，T h=0.79。[2] J.P.Bouchaud和M.Potters，《金融风险理论：从统计物理学到风险管理》。剑桥大学出版社，剑桥，2000年。[3] J.Voit，《金融市场的统计机制》。

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

2022-6-1 04:07:09

Springer Verlag，柏林，2005年。[4] E.F.Fama J.Financ。经济。，第49卷，第283页，1998年。[5] R.Shiller J.Econ。透视图。，第17卷，第83页，2003年。[6] N.Barberis，《金融经济学手册》，第页。ElsevierScience B.V.，北荷兰，2003年。[7] E.F.Fama J.Bus。，1965年，第38卷，第34页。[8] X.Zhang、H.Fuehres和P.Gloor Procedia Soc。贝哈夫。Sci。，第26卷，第55页，2010年。[9] J.Bollen、H.Mao和X.Zeng J.Comput。物理。，2011年第2卷第1页。[10] J.Smailovi\'c、M.Grˇcar、N.Lavraˇc和M.Znidarˇsiˇc，《复杂、非结构化、大数据量中的人机交互和知识发现》。计算机科学系列讲座笔记7947页。77.Springer-Verlag，柏林海德堡，2013年。[11] N.Oliveira、P.Cortez和N.Areal，《计算机科学系列讲稿》第8154卷《艺术智能进展》，第页。355.柏林海德堡SpringServerLag，2013年。[12] T.Preis、H.S.Moat和H.E.Stanley Sci。《报告》，第3卷，第1684页，2013年。[13] M.Alanyali、H.S.Moat和T.Preis Sci。《报告》，第3卷，第3578页，2013年。[14] I.Zheludev、R.Smith和T.Aste Sci。《代表》，第4卷，第4213页，2014年。[15] V.Plakandaras、T.Papadimitriou、P.Gogas和K.Diamantaras算法金融，第4卷，第69页，2015年。[16] A.Garc'iA Physica A，第461卷，第5092016页。[17] M.Thompson和A.O.Sulzberger，《纽约时报公司：2016年年度报告》，2017年。可用位置：http://www.annualreports.com/Company/new-york-times.[18] B.Pang和L.L.发现了趋势。网络第二卷，第1页，1986年。[19] D.Jurafsky和J.H.Martin，《语音和语言处理：自然语言处理、计算语言学和语音识别导论》。Prentice Hall，Englewood Cliffs NJ，2000年。[20] C.J.Hutto和E.E.Gilbert，“维德：社交媒体文本情感分析的基于规则的简约模型”，第八届国际网络日志和社交媒体会议，第卷。

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

2022-6-1 04:07:12

14, 2014.[21]H.Markowitz，《投资组合选择：有效的投资多元化》。约翰·威利父子出版社，纽约，1959年。【22】J.Wishart Biometrika，第20A卷，第32页，1928年。[23]E.Wigner-Ann。数学1955年，第62卷，第548页。[24]M.L.Mehta，《随机矩阵与能级统计理论》。学术出版社，纽约，1967年。[25]T.A.Brody、J.Flores、J.B.French、P.A.Mello、A.Pandey和S.S.M.Wong Rev。摩登派青年物理。，第53卷，第3851981页。【26】T.Guhr、A.M¨uller Groeling和H.A.Weidenm¨uller Phys。《共和国》，第299卷，第189页，1998年。【27】V.Plerou、P.Gopikrishnan、B.Rosenow、L.A.N.Amaral和H.E.Stanley Phys。修订版。Lett。，第83卷，第14711999页。【28】L.Laloux、P.Cizeau、J.P.Bouchaud和M.Potters Phys。修订版。Lett。，第83卷，第1467页，1999年。【29】V.Plerou、P.Gopikrishman、B.Rosenow、L.A.N.Amaral和H.E.Stanley Physica A，第287卷，第3742000页。【30】V.Plerou、P.Gopikrishman、B.Rosenow、L.A.N.Amaral、T.Guhr和H。E、斯坦利·菲斯。修订版。E、第65卷，第066126页，2002年。【31】M.Potters、J.-P.Bouchaud和L.Laloux Acta。物理。波尔。B、第36卷，第2767页，2005年。【32】M.C.M¨unnix、R.Sch¨afer和T.Guhr Physica A，第389卷，第7672010页。【33】S.Maslov Physica A，第301卷，第3972001页。[34]D.Wang、B.Podobnik、D.Horvati\'c和H.Stanley Phys。修订版。E、第83卷，第0461212011页。【35】L.Sandoval和I.D.P.Franca Physica A，第391卷，第187页，2012年。【36】S.Kumar和N.Deo Phys。修订版。E、 2012年第86卷第026101页。【37】L.Sandoval熵，第16卷，第4443页，2014年。【38】T.Schreiber Phys。修订版。Lett。，第85卷，第4612000页。[39]C.E.香农-贝尔系统。《技术杂志》，第27卷，3796231948页。【40】M.Prokopenko和J.T.Lizier Sci。《代表》，第4卷，第5394页，2014年。【41】A.Papana和D.Kugiumtzis Phys。修订版。E、第83卷，第0362072011页。【42】W.L.Shew、H.Yang、S.Yu、R.Roy和D.Plenz J.Neurosci。，2011年第31卷第55页。[43]R.Vicente、M.Wibral、M.Lindner和G。

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

2022-6-1 04:07:15

琵琶J.计算机。神经症。，第30卷，第45页，2011年。【44】L.Faes、G.Nollo和A.Porta熵，第15卷，第198页，2013年。【45】G.V.Steeg和A.Galstyan《第21届万维网国际会议论文集》，法国里昂，第21卷，第5092012页。【46】S.K.Baek、W.S.Jung、O.Kwon和H.T.Moon ArXiv。org，物理卷，第0509014v2页，2005年。[47]O.Kwon和J.S.Yang Euro。物理。Lett。，第82卷，第68003页，2005年。【48】P.Jizba、H.Kleinert和M.Shefaat Physica A，第391卷，第29712012页。【49】L.Barnett Phys。修订版。Lett。，第109卷，第138105页，2012年。[50]X.S.Liang熵，第15卷，第3272013页。【51】M.Prokopenko和J.T.Lizier熵，第15卷，第5242013页。【52】S.N.Majumdar，“wishart矩阵的极端特征值：纠缠二部系统的应用”，《牛津随机矩阵理论手册》（G.Akemann，J.Balk和P.D.Francesco编辑），第37章，第759页，牛津：牛津大学出版社，2011年。【53】A.T.詹姆斯·安。数学《统计》，第35卷，第4751964页。【54】V.A.Marˇcentko和L.A.Pastur Sb。数学1967年，第72卷，第507页。【55】J.P.Bouchaud和M.Potters，《牛津随机矩阵手册》。牛津大学出版社，牛津，2011年。【56】D.M.Song、M.Tumminello、W.X.Zhou和R.N.Mantegna Phys。修订版。E、 2011年第84卷第026108页。【57】Y.Stepanov、P.Rinn、T.Guhr、J.Peinke和R.Schafer J.Stat.Mech。理论。Exp，第8号，第P08011页，2015年。[58]K.Pearson《伦敦皇家学会会刊》，第58卷，第2401895页。【59】美国斯皮尔曼。J、心理学。，第15卷，第72页，1904年。【60】T.B.P.Clark和A.D.Maestro arXiv，第arXiv页：1506.02048，2015年。[61]Vinayak物理。修订版。E、第88卷，第042130页，2013年。【62】R.Schafer和T.Guhr Physica A，第389卷，第3856页，2010年。[63]Vinayak和L.Benet Phys。修订版。E、第90卷，第0421092014页。【64】J.T.Lizier arXiv:1408.3270【cs.IT】，2014年。【65】M.Wibral、R.Vicente和J.T。

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

2022-6-1 04:07:17

Lizier，《神经科学中的定向信息测量》。施普林格·维拉格（Springer Verlag Berlin），海德堡（Heidelberg），2014年。【66】B.W.Silverman，《统计和数据分析的密度估计》。查普曼和霍尔，伦敦，1998年。[67]R.Marschinski和H.Kantz Euro。物理。J、 B，第30卷，第275页，2002年。

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

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群