围绕网络泡沫的投资者生成树动力学

2022-6-1 06:05:16

网络公司BubbleSindhuja Ranganathan1，*、Mikko Kivel¨a、Juho Kanniaine1 Industria l and Information Management/坦佩雷理工大学，坦佩雷，芬兰达2科学院计算机科学系/阿尔托大学，埃斯波，芬兰达当前地址：坦佩雷，工业和信息管理/坦佩雷理工大学，芬兰*sindhuja。ranganathan@tut.fiAbstractWe通过从投资者特定净交易量之间的相关性构建网络，并分析围绕网络泡沫的网络变化，为诺基亚股票识别临时投资者网络。我们分别对家庭、非金融机构和金融机构进行分析。我们的结果表明，家庭的生成树度量反映了繁荣和危机：当泡沫形成时，最大生成树度量在牛市中有明显的上升趋势，更重要的是，最小生成树度量预先反应了泡沫破裂。目前，我们在泡沫周围非金融和金融机构的最小和最大生成树中发现了不太明确的反应，这表明家庭投资者可以在泡沫周围有更大的羊群倾向。简介在金融机构中，个人或代理人的战略互动和集合可以在决定其财务结果方面发挥关键作用。在最近的过去，了解投资者的行为和运作方式一直是行为金融学关注的焦点。在之前的文献中，投资者交易策略和投资者行为是使用传统回归方法在总体层面上进行研究的[1、2、3、4、5、6、7]。现有文献已成功分析了股票和汇率网络的演变及其结构变化【8、9、10、11、12、13】。

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

2022-6-1 06:05:20

文献[14、15、16]分析了经济和金融泡沫对股市的影响。然而，投资者网络已经得到了大量的研究，尽管最近已经应用复杂网络方法来识别投资者网络[17，18]，但我们仍然缺乏研究金融危机前后投资者网络的动态。本报告旨在通过使用包含芬兰家庭和机构在赫尔辛基交易所的所有交易的独特投资者交易记录数据，重点关注互联网泡沫期间投资者关联网络的动态，从而成为了解投资者网络的第一步。我们特别关注投资者网络结构的随机和非渐进变化如何与股票价格过程相关的问题。这项研究为揭示对股票市场实际机制的理解开辟了道路，以识别多米诺骨牌效应，这种效应可以传播给投资者，并推动股票市场进入危机状态。本文利用投资者特定日净流量的时间序列，为诺基亚（Nokia）获得投资者相关矩阵。诺基亚是千年来最重要的科技公司之一。同时，在赫尔辛基证券交易所的数据样本中，诺基亚是流动性最强的股票，还有其他基于诺基亚股票市场数据的研究，例如参考文献。18、19、20岁。对投资者的三大类别：金融机构、家庭和非金融机构的投资者相关性进行了估计。相关矩阵可以解释为链路加权的1/15网络，所有节点连接的结果网络中的链路可以使用不同方法的数量进行过滤【12、2、1、22、23】。

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

2022-6-1 06:05:23

股市网络分析中一种优雅而流行的方法是使用最小或最大生成树方法来寻找全相关网络的“主干”[8、9、11、24、25、26]。最近开发了几种更复杂的相关矩阵构造和滤波方法[21、23、27、28、29、30、31]，但利用这些方法还有待于将来的研究。与其他金融相关网络相比，本文开发的投资者网络动力学分析引入了两个理论挑战。首先，投资者的集合比股票的数量要大得多，而活跃投资者的集合是强时变的。绝大多数用于分析动态或时间网络的方法都基于这样的假设，即只有链路发生变化，节点集是稳定的[32，33]。此外，投资者集合中的变化甚至限制了基于单独分析每个网络快照的方法的适用性，因为对网络大小敏感的指标无法在投资者数量可能极其不同的不同时间窗口中进行比较。第二个挑战与时间序列的广泛稀疏性有关，因为很少有投资者非常活跃，而其他许多投资者非常不活跃。积极投资者可以使用高时间分辨率和短观察窗长度进行调查，但不频繁投资者需要较低的分辨率和较长的时间窗。这里所做的传统相关分析需要选择一个时间分辨率水平和观察窗长度，而这个选择必须是两个极端之间的折衷。我们在位移为一个月的六个月时间窗口内构造网络的最小和最大跨越率。

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 06:05:26

我们对家庭交易之间的估计相关性的结果表明，在股票价格的临界点（股价开始下跌）之前，最大生成树的平均权重增加，最小生成树的平均权重减少，之后它们保持相当稳定。换句话说，当泡沫传播时，平均而言，一个投资者在最大生成树中与另一个投资者的相关性越来越正，但与此同时，在最小生成树中，与距离最远的投资者的相关性，即交易风格，变得更为负。这表明，在2000年诺基亚价格暴跌之前，家庭变得两极分化。然而，由于无法观察到金融机构的强大影响，机构投资者最小和最大投资树的平均权重与金融风险的演变没有那么明显的关系。本文分析了2000年网络公司泡沫前后诺基亚投资者的行为。当资产价格偏离其基本价值时，就会出现泡沫。一般来说，在泡沫期间，投资者购买股票是为了预期未来收益，当泡沫破裂时，价格会突然下跌，互联网泡沫也是如此。特别是在20世纪90年代末，基于互联网的股票占据了股票市场的主导地位，对基于互联网和技术的初创企业的投资也非常少，他们的预期非常乐观。随着人们开始向以科技为基础的初创公司投入资金，他们在股市的股价变得非常高。在2000年初，对这些公司的投资大幅减少，许多预期能产生利润的公司倒闭，导致泡沫破裂。

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

2022-6-1 06:05:29

紧接着，出现了恐慌性抛售，市场暴跌。文献中已经从不同的角度对泡沫进行了广泛的研究。根据参考文献35，泡沫期间的市场价格遵循幂律加速，并具有低周期振荡。网络泡沫具有类似的特征，最终导致崩溃（例如，参见参考文献[36]）。有一种观点认为，泡沫的产生是由于市场中普遍存在的不确定性。【37】在这方面，参考文献38提供的证据表明，由于高水平的不确定性与网络泡沫期间市场的高价格和高回报波动性相匹配，一些股票的价格突然上涨的不确定性是合理的。互联网泡沫期间市场价格的突然上涨和下跌与各种来源的风险变化有关。Bakshi和Wu【39】表明，随着纳斯达克100指数估值的上升，作为风险衡量指标的回报波动性增加，2/15扩散风险的市场价格估计值变为负值（1999年9月21日至2000年1月5日），跳跃风险的市场价格变得异常高。关于泡沫发生的另一个观点是，当投资者认为新的创新会带来机会，并期望未来获得高额利润时，泡沫就会发生。泡沫发生的其他原因还有交易者缺乏经验[41]、投资者的情绪[42]、投资者的过度自信[4 3]和公开声明[44]。泡沫破裂有几个原因。根据参考文献38，网络泡沫破裂的原因之一是科技股的预期盈利能力变低。并非所有泡沫都会导致崩盘，但当泡沫崩盘时，它会向市场发出重要信息。根据参考。

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…

2022-6-1 06:05:32

40、当泡沫破裂时，这表明有必要实施泡沫时期出现的新创新。这需要社会和经济支持，以继续发展有利于经济的创新。结果接下来，我们将描述如何围绕1998-2002年的网络泡沫构建一系列投资者投资诺基亚股票的相关网络，并报告与这些网络变化相关的基本统计数据。然后，我们继续研究从这些完全连通网络中提取的最小和最大生成树。我们分别报告了对芬兰家庭、金融机构和非金融机构的分析结果。网络中的节点：主动投资者我们构建的网络中的节点是投资者，为了估计n对节点之间的相关性，我们需要有关于其交易行为的大量数据。图1a描述了1998年至2002年期间投资者的分布情况，并显示有许多投资者只交易了几天，但相对较少的投资者交易了几天，从而对数据进行了分析。我们采取两个步骤来解决网络建设中与稀疏数据相关的问题：首先，我们只考虑在特定时间段内至少交易20天的活跃投资者。其次，每个活跃投资者的日净交易量是一周内的平均值（即，我们是pplyinvestor特定的简单移动平均值）。我们通过移动一个6个月的滑动时间窗口来调查1998-2002年iod的总样本。通过使用每个6个月时间窗口的活跃投资者的上述定义，图1b描述了活跃金融机构、家庭和非金融机构数量在这些时间窗口内的演变。

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

2022-6-1 06:05:35

我们看到，在样本期内，活跃家庭和非金融机构的数量呈积极趋势，而活跃金融机构的数量保持稳定。重要的是，泡沫“破裂”对活跃交易卢比的数量没有明显的影响。尽管每个时间窗口中的投资者数量可以保持稳定，但投资者群体可能会有很大的差异。确实如此，如图1c所示，我们使用Jacc ard指数调查每个后续时间窗口中重叠的投资者数量。请注意，活动标准（在s ix个月内至少观察20次）适用于每个估计周期，间隔为一个月，并且该过滤对Jacc ard索引值有影响。我们观察到，与金融机构相比，家庭网络之间的相似性较低，这意味着随着时间的推移，活跃家庭投资者的营业额相对较高。这意味着，特别是对于相对不活跃的家庭投资者来说，不同时间窗口中的网络必然会非常不同，如果我们在网络静态中观察到任何稳定，它们不能仅用网络的稳定性来解释，而是需要用系统中的其他一些组织原则来解释。网络中的链接：交易模式中的相关性我们使用每个时间窗口内投资者对交易模式的皮尔逊相关性来构建投资者之间的a链接b（有关详细信息，请参阅方法）。皮尔逊相关系数3/15已广泛用于股票价格时间序列的网络分析[8]，在分析个人投资者交易方面也有一些明显的优势。

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 06:05:38

交易量异常高的观察值可以代表重要信息到达的天数，我们有兴趣分析投资者是否以同样的方式对信息作出反应，因此，衡量指标对异常大的价值敏感是一个理想的属性。与皮尔逊相关相反，克恩达尔和斯皮尔曼相关是在看排名顺序，而不是度量信息，因此它们没有适当地对这些异常天数进行加权。不仅节点在不同的时间窗口之间发生变化，而且链接的权重（相关性）也相对不稳定。为了量化这一点，我们测量了保留在两个连续时间窗口中的节点之间的平均绝对变化不相关（参见方法中的公式1）以及图2中所有节点对之间的平均相关性。图2a显示了在随后时期出现的投资者对之间相关性的平均变化。两个连续时间窗口之间的相关性变化与时间窗口内相关性的标准偏差具有相同的顺序。也就是说，网络的链接相对不稳定，但正如我们将在下一篇文章中看到的那样，网络的全球组织和相关统计数据仍然相对稳定。最小/最大生成树我们生成的投资者净交易量的相关矩阵可以解释为所有节点对（即投资者）连接的加权网络。特别是，投资者i和j通过ρij的权重联系在一起∈ [-这是投资者每日净交易量之间的皮尔逊相关系数。显然，这些全连通图的拓扑结构是独立的，所有信息都在权重中。

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 06:05:41

为了分析结构，需要过滤掉部分边缘，并且存在各种方法进行过滤[21、22、23、31]。根据股票价格分析文献[8，9]，我们采用了一种最简单的过滤方法，并构建了相关网络的最大（a ndminimum）生成树。最大生成树分析的思想是过滤尽可能多的边，以便网络仍然连接，并且不会过滤出可能高的权重（或相关性）（有关详细信息，请参阅方法部分）。根据参考文献17，可以从已实现交易中识别信息链接，因此，具有类似交易行为的交易员可以拥有（私人）信息渠道。根据投资网络中信息传输推断的思想，最大生成树将反映所有投资者之间的最小交互集，并且它们之间仍然有最强的信息流。然而，将经验投资网络解释为信息网络可能会受到质疑，因为如果两个投资者只是在相同的公共信息渠道中遵循相同的投资策略，那么他们肯定会在相同的方向上交易，甚至彼此都不了解。一般来说，最大生成树在保持图的连通性的同时，选择最相似的交易策略，反映了实际的信息渠道与否。最大生成树的平均权重显示了投资者在一个连通图中平均是如何聚集在一起还是分散在一起的，而这个数量已经被预先显示为对股价相关性中的危机作出反应的。

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 06:05:44

另一方面，最小生成树反映了遥远的交易策略，最小生成树的平均权重可用于分析投资者连通图中的不同交易策略。图3a显示了三类投资者合并网络的最小生成树平均权重Lmin的演变。在临界点之前，LMINJUST有一个明显的向下跳跃，临界点是指诺基亚股票在抽样期间的最高价格。重要的是，Lminis是使用过去的数据估计的，因此，没有使用关于即将发生的泡沫破裂的信息。这就是说，投资者对即将到来的股票价格下跌作出了反应，接下来我们重点调查哪些投资者群体是这种反应的幕后推手。我们在3b-d中可视化了最大生成树。在股票网络或当前网络地理区域中，似乎没有任何与业务部门类似的清晰可见的类别聚类【8、45、46】。然而，我们可以看到，对于来自同一类别的节点来说，可能存在一些相邻的局部趋势，但这里没有进一步研究这一观察结果。4/15图4显示了仅包含三个投资者类别中的一个节点的网络在危机期间最小和最大生成树Lmin和Lmax的平均权重。同样，每个数据点都是用过去126个交易日（6个月）的数据进行估计的，估计窗口将滚动一个月。图4a显示，家庭网络中最小生成树（Lmin）的平均权重在危机前后股价演变转折点前几个月突然下降。

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

2022-6-1 06:05:47

特别是，2000年4月3日，LMIN的价值为-0.32，而2000年6月6日，LMIN的价值为-0.45，此后股价开始暴跌。重要的是，与数据样本中的其他变化相比，差异相当大，是的，-0.32和-0.45的估计是基于部分重叠的估计数据（估计期为6个月，分析以1个月的滚动窗口进行）。另一个重要的观察结果是，在接下来的两年中，印度的le-vel没有恢复到排放点之前的水平。对于非金融机构和金融机构，我们看不到任何明显的危机模式。总的来说，平均而言，家庭最小生成树中的权重在家庭增长点附近是异常负的。这意味着，平均而言，家庭中有最小生成树中的邻居，他们以异常相反的方式进行交易。图4b中的最大生成树的动力学与最小生成树动力学的情况略有不同。特别是，我们认为，在2000年2月的峰值之前，家庭最大展臂树的平均重量Lmax有明显的正趋势，之后它就相当稳定了。特别是，1998年其价值为0.27，在整个市场中，两年内几乎增长到0.6，增长了122%！这意味着，在泡沫形成时，有一些投资者一直在一起。对于非金融机构，也可以确定积极的前趋势和相当稳定的后趋势，但与家庭相比，这一趋势较弱。然而，金融机构在Lmax方面的表现有所不同——在临界点之前，Lmax for Financialinstitutions有一个pe ak，持续半年，但在这段时间内，Lmax相对稳定。

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

2022-6-1 06:05:50

请注意，图2b中显示的网络平均权重不会在相同时间或相同幅度显示峰值。鉴于投资者在股票市场交易中使用的私人信息渠道（见参考文献17），我们的最大生成树分析结果表明，尤其是家庭投资者与连通图中最重要邻居的联系在技术泡沫形成时变得越来越重要，这可能表明股票市场的羊群效应。现有文献也提供了证据，表明不同金融网络的生成树对金融危机有反应，尽管与目前的研究相比，数据集不同（因此网络也不同）（参见参考文献9，47有股票收益数据，13有股票市场指数数据，48有货币汇率数据）。讨论本文研究了1998年至2002年芬兰投资者在赫尔辛基证券交易所（包括Dot-com泡沫时期）使用诺基亚股票股权登记记录的行为。家庭、非金融机构和金融机构的分析使用由特定投资者净交易量之间的相关性构建的最小和最大生成树进行。我们发现，生成树指标用房屋持有数据反映了泡沫，事实上，它们对即将到来的熊市做出了预先反应，而非金融机构和金融机构没有表现出同样明确的反应。尤其是，在诺基亚价格开始出现负趋势的几个月前，住宅区最小生成树的平均相关性明显下降。

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

2022-6-1 06:05:53

另一方面，在泡沫破裂之前，家庭最大生成树动态的平均相关性并没有突然跳起来，相反，在牛市中，平均相关性有一个相当大的上升趋势，在股价崩盘前的两年内从0.27上升到几乎0.60，之后保持相当稳定。这一结果表明，最大生成树可以反映个体家庭投资者之间的信息渠道——当技术泡沫逐渐形成时，投资者与最重要的邻居之间的联系变得越来越重要，这可以表明股票市场，尤其是家庭投资者之间的羊群行为。我们对相关投资者网络的研究存在一些限制，这些限制主要与网络的构建方式有关。我们只使用了一只股票的投资者交易数据，因为我们的数据集中的其他股票流动性太低，没有足够的数据估计特定于投资者的网络。在未来的研究中，可以将多个类似的股票组合在一起，或者可以使用在稀疏数据下运行更好的方法。另一个限制是，我们使用投资时间序列之间的皮尔逊相关关系来计算节点之间的相似性。在文献[27、28、29、30]中，有更复杂的方法可以推断节点之间的潜在关系，但投资者网络中的特殊困难在于投资者之间的交易频率差异很大。与低频节点相比，高频节点可以用更高的时间分辨率进行分析，并且选择一个分辨率级别是这两个极端之间的一种折衷。

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 06:05:56

最后，生成树分析以压缩的方式丢弃有价值的数据，以降低系统的复杂性，文献中有多种选择，其中保留了更多的数据【21、22、23、31】。在未来的研究中，我们的目标是以更复杂的方式构建网络，这使我们能够使用其他方法分析大量股票。投资者网络是动态变化的，这里采用的方法与股票相关性网络的文献一致，即计算网络快照上的各种静态网络指标，然后分析这些指标是如何随时间变化的。不依赖静态网络而是测量网络动态的方法已经在时间网络领域得到发展【32，33】，但这些方法中的大多数都是针对链路动态变化但节点相对稳定的网络构建的。当然，还有其他系统具有长时间数据和节点集的巨大变化，例如引文网络和协作网络[49、50、51]。在一些系统中，例如客户的联系网络，节点离开和进入系统的模式甚至可能是主要的兴趣所在【52、53、54】。然而，分析节点和链路都发生变化的网络的方法相对较少，这里介绍的临时投资者网络可以作为未来研究中网络分析的一个很好的例子。此外，在本文中，投资者的集合是基于家庭、金融机构或非金融机构的地位和活跃程度，这是对投资者进行分类的一种相当武断的方式。此外，可以说，投资者交易事件的观察只是一个不可观察（心理）过程的实现，使得所识别的时间网络不稳定。

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

2022-6-1 06:06:00

在未来的研究中，我们将开发抽样方法来克服潜在的这些问题。此外，在未来的研究中，还展望了一种用于网络边缘估计的滤波干扰技术。材料和方法数据d本研究中使用的数据是芬兰中央存管局提供的芬兰股票s股份中央登记册，由芬兰欧洲结算系统提供。它包括1995年以来所有主要公开交易的芬兰股票。它包括每日在赫尔辛基证券交易所交易的所有芬兰和非芬兰投资者的股份。数据包含投资者的交易和投资组合，包括所有芬兰家庭投资者、芬兰机构和外国机构。这些记录与官方所有权证书和交易证书完全相同，因此非常可靠。簿记制度要求芬兰个人（转为灰屋）和机构必须对其持有的财产进行强制登记。因为电子签名者部分免于注册，因为他们可以选择以被提名人的名义注册，因此他们不能彼此分离，因此本文排除了关于外国人贸易的数据。参考文献中提供了数据集的更详细描述。1 , 18.我们的样本数据包括1998年1月1日至2002年12月期间诺基亚股票的市场交易，其中包括投资者6/15的交易。每个数据记录都有以下信息：股票行情、所有者id、交易日期、交易登记日期、交易股数、交易价格、买卖交易类型以及其他投资者特定字段，如投资者的行业代码、语言代码、性别、出生日期和邮政编码。

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

2022-6-1 06:06:03

我们考虑了来自不同类别的投资者，他们与诺基亚进行了积极的d交易，以供我们分析。投资者i在第t天交易的网络交易量中的链接用Vi表示，t=Vbi，t- Vsi，t，这里的Vbi，是投资者i在t天购买的诺基亚股份数量，Vsi，是investori在t天出售的Nok ia股份数量。与参考文献18中介绍的推断方法相比，我们不按Vbi，t+Vsi，t来衡量网络交易量，因为按比例计算的方法无法衡量交易量，即，标的变量水平并不反映异常高或异常低的交易净交易量。例如，假设在给定股票的某一天，Investor a购买一股股票，而s e为零，Investor B购买的股票数量异常多，比如1000000股，而卖出的股票数量为零。那么，两位投资者的净交易量将等于+1，尽管他们的交易行为非常不同。对于固定宽度W的M个不同时间窗口，用Pearson相关法测量两个投资者i和j之间的依赖性。在我们的研究中，W设置为12个6交易日（6个月），分析isran的滚动窗口为1个月（21个交易日）。由于数据中的总天数为1252天，这些选择为我们提供了6个月时间窗口的M=54个时间窗口。请注意，这里的数据研究非常稀少，因为对于许多投资者来说，大多数时间都没有任何活动（见图1中的图（a）），但这些沉默的日子在这里被视为不交易的决定。也就是说，在我们计算皮尔逊相关系数时，不活动日不被视为缺失数据。在我们的注释中，ρ（ij）t表示投资者i和j之间的皮尔逊相关系数，该系数是根据从t日开始倒数的W日净交易量估算的。

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

2022-6-1 06:06:06

我们也可以使用过去两天和未来两天的每日净流量，但我们更喜欢使用过去的数据，而不是将来的数据，以便分析网络中的预反应，从而不使用关于即将到来的泡沫破裂的任何信息。保持在两个连续时间窗口中的节点之间相关性的平均绝对变化被定义为jedges（t）=et∩ et+1 | X（i，j）∈et公司∩et+1|ρ（ij）t+1- ρ（ij）t|, （1）其中et表示时间t时网络中的边集（即et={（u，v）| u，v∈ nt，u 6=v}）。最小和最大生成树对于一个有Ntnodes和边集Et的网络，最大生成树是一个具有相同节点和Nt子集的连通子网络- 1边Emaxt Et使得边缘权重之和（此处为相关系数），P（i，j）∈Emaxtρ（ij）t最大化。类似地，对于最小生成树，我们找到一组边，使得边权重之和最小。注意，我们没有使用公式dij=p2（1）将相关性转换为距离- ρt），这将使最小生成树变为最大生成树，反之亦然–生成树结构对该变换具有等距不变性，因为该变换仅反转边权重的Rank顺序。我们还构造了最小生成树，它是最大生成树的补充。最大和最小生成树的平均权重定义为：Lmax（t）=（Nt- 1） X（i，j）∈Emaxtρ（ij）t.andLmin（t）=（Nt- 1） X（i，j）∈Emintρ（ij）t，分别为7/15。参考文献1。Grinblatt M，Keloharju M.《不同投资者类型的投资行为和绩效：芬兰独特数据集研究》。金融经济学杂志。2000;55(1):43–67.2. 投资者是否不愿意识到自己的损失？《金融杂志》。1998;53(5):1775–1798.3. Brennan MJ，Cao HH。国际有价证券投资流。

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

2022-6-1 06:06:09

《金融杂志》。1997;52(5):1851–1880.4. Kaniel R、Saar G、Titman S.个人投资者交易和股票回报。《金融杂志》。2008;63(1):273–310.5. Barrot JN、Kaniel R、Sraer D.零售交易者是否因提供流动性而受到补偿？金融经济学杂志。201 6;120(1):146–168.6. Hoffmann AO，Post T，Pennings JM。金融危机期间个人投资者的认知和行为。银行与金融杂志。2 013;37(1):60–74.7. 蒋TC，郑D。全球股市羊群行为的实证分析。银行和金融杂志。2010;34(8):1911–1921.8. Mantegna注册护士。金融市场的等级结构。欧洲物理杂志《凝聚态物质与复杂系统》。1999;1 1(1):193–197.9. Onnela JP、Chakrab orti A、Kas ki K、Kertesz J.动态资产信托和黑色星期一。物理学：统计力学及其应用。2003;324(1):247–252.10. Naylor MJ，Rose LC，Moyle BJ。使用层次结构方法的外汇市场拓扑。物理A：静态力学及其应用。2007;382(1):19 9–208.11. Heimo T，Kaski K，Saram–aki J.金融网络动力学分析中的最大生成树、资产图和随机矩阵分解。物理A：统计力学及其应用。2009年；388(2):145–156.12. Emmert Streib F，Dehmer M.时间尺度对金融网络构建的影响。公共科学图书馆一号。2010;5（9）：e1288 4.13。Song DM、Tumminello M、Zhou WX、Mantegna RN。全球股票市场的演变、相关结构和基于相关关系的图表。《物理评论》E.2011；8 4(2):026108.14. 2003-2006年南非股市投机金融泡沫案例研究。物理学A：统计力学及其应用。2009年；3 88(6):869–880.15. Zhou WX，Sorne tte D。

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 06:06:12

2000–2003年英国房地产泡沫，但美国没有。物理学A：统计力学及其应用。2003;329(1):249–263.16. 姜志强，周文星，索内特D，伍德沃德R，巴斯蒂安森K，考威尔斯P。泡沫诊断与2005-2007年和2008-2009年中国股市泡沫预测。经济行为与组织杂志。2010;74(3):149–162.17. Ozsoylev HN、Walden J、Yavuz MD、Bildik R.股市投资者网络。财务研究回顾。2014;27(5):1323–1366.8/1518. Tumminello M、Lillo F、Piilo J、Mantegna RN。从金融市场的实际交易活动中识别投资者集群。新物理杂志。2012;14(1):013041.19. Kalev PS，Nguyen啊，Oh NY。外国投资者与本土投资者：谁知道更多？谁制造了更多？银行与金融杂志。2008;32(11):2376–2389.20. Lillo F、Michich e S、Tumminello M、Piilo J、Mantegna RN。新闻如何影响金融市场中不同类别投资者的交易行为。量化金融。2015;15(2):213–229.21. Tumminello M、Aste T、Di Matteo T、Mantegna RN。在复杂系统中过滤信息的工具。美国国家科学院学报。2005;102(30):10421–10426.22. Serrano M’A，Bogun’A M，Vespignani A.提取复杂加权网络的多尺度主干。国家科学院学报。2009年；106(16):6483–6488.23. Chi KT、Liu J、Lau FC。股票市场的网络视角。经验金融杂志。2010;17(4):659–667.24. Vandewalle N，Brisbois F，Tordoir X，et a l.股票市场的非随机拓扑。量化金融。2001;1(3):372–374.25. 王国杰，谢C，何士丹利。世界股票市场的相关结构和演变：来自Pearso n和基于偏相关的网络的证据。计算经济学。2016; p、 1–29.26。

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

2022-6-1 06:06:16

Birch J，Pantelous AA，Soram–aki K.基于相关性的网络分析，代表DAX30股票价格回报。计算经济学。2 016;47(4):501–525.27. Kenett DY，Preis T，Gur Gershgoren G，Ben Jacob E.《依赖网络和节点影响：在金融市场研究中的应用》。国际分歧与混沌杂志。2012;22(07):1250181.28. Qian XY、Liu YM、Jiang ZQ、Podobnik B、Zhou WX、Stanley HE。最后对两个受共同外力影响的非平稳时间序列进行了部分lcross-c相关分析。Phys Rev E.2015；91:062816. doi:10.1103/PhysRevE。91.062816.29. Nakajima J，West M.使用潜在阈值模式ls的动态网络信号处理。数字信号处理。2015;47:5–16.30. Musmeci N、Nicosia V、Aste T、Di Matteo T、Latora V.金融市场的多重依赖结构。arXiv:1606048 72[physicssoc-ph]。2016;.31、Kwapie\'n J，O\'swiecimka P，Forczek M，Dro˙zd˙z S.变化时间尺度和波动大小相关的最小生成树过滤。《物理评论》E.2017；9 5(5):052313.32. Holme P，Saram–aki J.时间网络。物理报告。2012;519(3):97–125.33. 现代时间网络理论：学术讨论会。《欧洲物理杂志》B.2015；88(9):1–30.34. Kindleberger CP.气泡。《经济学世界》。斯普林格；1991 . p、 20–22.35。Johansen A，Sornette D.拉丁美洲和亚洲市场的对数周期幂律泡沫以及西方股市的相关反泡沫：一项实证研究。arXiv预印材料/990727 0。1999;.9/1536. Johansen A，Sornette D.《2000年4月纳斯达克股市崩盘：投机泡沫以崩盘告终的长期周期性的又一个例子》。欧洲物理杂志B凝聚态物质和复杂系统。2000;1 7(2):319–328.37. Oechssler J，Schmidt C，Schnedler W。

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 06:06:19

关于泡沫形成的因素：知情的商人和沟通。经济动力与控制杂志。2011;35(11):1831–1851.38. P’astor L，Verones i P.上世纪90年代末是否存在纳斯达q泡沫？金融经济学杂志。2006;81(1):6 1–100.39. Bakshi G，Wu L.《纳斯达克泡沫时期的风险行为和市场风险价格》。管理科学。2010;56(12):2251–2264.40. 《世纪之交的双重泡沫：技术进步和结构影响》。剑桥Ec经济学杂志。2009年；33(4):779–805.41. Dufwenberg M，Lindqvist，Moore E.《泡沫与经验：一个实验》。《美国经济评论》（AmericanEconomic Review）。2005;95(5):1731–1737.42. Andrade EB，Odean T，Lin S.《兴奋得冒泡：一个实验》。财政部副部长。2015; p、 rfv016.43。Abreu D，Brunner meie r MK.泡沫和崩溃。经济计量学。2003;7 1(1):173–204.44. Corgnet B，K uja l P，Porter D.公告的可靠性、内容和时间对资产交易行为的影响。经济行为与组织杂志。2010;76(2):254–266.45. Heimo T，Kumpula JM，Kaski K，Saram–aki J.用Potts方法检测稠密加权网络中的模。统计力学杂志：理论与实验。2008;2008（08）：P08007.46。王国杰，谢聪，陈YJ，陈S。不同时间尺度下外汇网络的统计特性：来自去趋势交叉相关系数和最小生成树的证据。熵。2 013;15(5):1643–1662.47. Coelho R、Gilmore CG、Lucey B、Richmond P、Hutzler S.世界股票市场相互依存关系的演变来自最小生成树的证据。Physica A：统计力学及其应用。2007;376:455–466 .张伟，李杰，张伟。货币危机与外汇市场的演变：来自最小生成树的证据。

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 06:06:22

物理学A：统计力学及其应用。2011;390(4):707–718.49. Martin T、Ball B、Karrer B、Newman MEJ。PhysicalReview中的合著和引用模式。Phys Rev E.2013；88:012814. 内政部：10.110 3/物理省。88.012814.50. Wu S，Das Sarma A，Fabrikant A，Lattanzi S，Tomkins A.社交网络中的到达和离开动态。第六届ACM网络搜索和数据挖掘国际会议论文集。ACM；2013年，第233–242.51页。Hric D，Kaski K，Kivela¨M。随机块模型揭示了引文模式及其时间演化的地图。arXiv:170500018[物理学博士]。2017;.Dasgupta K、Singh R、Viswanathan B、Chakraborty D、Mukherjea S、Nanavati AA等。社会及其与移动电信网络中客户流失的相关性。第11届扩展数据库技术国际会议论文集：数据库技术的进步。ACM；2008年，第668–677.10/1553页。Kawale J，Pal A，Srivastava J。MMORPG中的流失预测：基于社会影响的方法。摘自：计算科学与工程，2009年。CSE\'09。国际会议。第4卷。I EEE；2009年，第423–428.54页。Saram–aki J，Moro E，et al.《从秒到月：移动电话的多尺度动态概述》。欧洲凝聚态物质和复合体系的物理基础。2015;88（6）：1–10.11/15图1。1998年至2002年期间，投资者在非起亚股票中的数量以及6个月内投资者的变化。（a）每个iod内投资者及其各自交易日的累积分布。（b）在为期6个月的时间窗口内，投资者数量的变化将影响到家庭、非金融机构和金融机构。

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