全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1080 15
2022-06-01
英文标题:
《Multilayer Aggregation with Statistical Validation: Application to
  Investor Networks》
---
作者:
K\\k{e}stutis Baltakys, Juho Kanniainen, Frank Emmert-Streib
---
最新提交年份:
2018
---
英文摘要:
  Multilayer networks are attracting growing attention in many fields, including finance. In this paper, we develop a new tractable procedure for multilayer aggregation based on statistical validation, which we apply to investor networks. Moreover, we propose two other improvements to their analysis: transaction bootstrapping and investor categorization. The aggregation procedure can be used to integrate security-wise and time-wise information about investor trading networks, but it is not limited to finance. In fact, it can be used for different applications, such as gene, transportation, and social networks, were they inferred or observable. Additionally, in the investor network inference, we use transaction bootstrapping for better statistical validation. Investor categorization allows for constant size networks and having more observations for each node, which is important in the inference especially for less liquid securities. Furthermore, we observe that the window size used for averaging has a substantial effect on the number of inferred relationships. We apply this procedure by analyzing a unique data set of Finnish shareholders during the period 2004-2009. We find that households in the capital have high centrality in investor networks, which, under the theory of information channels in investor networks suggests that they are well-informed investors.
---
中文摘要:
多层网络在包括金融在内的许多领域吸引着越来越多的关注。在本文中,我们开发了一种基于统计验证的多层聚合新的可处理程序,并将其应用于投资者网络。此外,我们对他们的分析提出了另外两个改进:交易引导和投资者分类。聚合过程可用于集成投资者交易网络的安全信息和时间信息,但不限于财务信息。事实上,它可以用于不同的应用,如基因、运输和社交网络,只要它们是推断的或可观察的。此外,在投资者网络推断中,我们使用交易引导进行更好的统计验证。投资者分类允许固定大小的网络,并对每个节点进行更多观察,这在推断中非常重要,尤其是对于流动性较低的证券。此外,我们观察到,用于平均的窗口大小对推断关系的数量有很大影响。我们通过分析2004-2009年期间芬兰股东的独特数据集来应用这一程序。我们发现,首都的家庭在投资者网络中具有高度的中心性,根据投资者网络中的信息渠道理论,这表明他们是消息灵通的投资者。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Trading and Market Microstructure        交易与市场微观结构
分类描述:Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构,流动性,交易和拍卖设计,自动化交易,基于代理的建模和做市
--

---
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
2022-6-1 07:22:16
具有统计验证的多层聚合:应用于投资者网络SKestutis Baltakys1,*,Juho Kanniainen和Frank Emmert-Streib2,3坦佩雷理工大学工业和信息管理实验室,芬兰坦佩雷Finlandinlandinstitute of Biosciences and Medical Technology,芬兰坦佩雷*通讯作者,kestutis。baltakys@tut.多层网络在许多领域,包括金融领域,吸引着越来越多的关注。在本文中,我们开发了一种新的基于统计验证的多层聚合可处理程序,并将其应用于投资者网络。此外,我们还建议对其分析进行其他改进:交易引导和投资者分类。聚合过程可用于整合投资者交易网络的安全信息和时间信息,但不限于融资。事实上,它可以用于不同的应用,如基因、运输和社交网络,如果它们被推断为可观测的。此外,在投资者网络推断中,我们使用交易引导进行更好的统计验证。投资者分类允许固定大小的网络,并对每个节点进行更多的观察,这在推断中非常重要,尤其是对于流动性较低的证券。此外,我们观察到用于平均的窗口大小对推断关系的数量有实质性影响。我们通过分析2004-2009年期间芬兰股东的独特数据集来应用这一程序。我们发现,首都的家庭在投资者网络中具有高度的中心地位,根据投资者网络中的信息渠道理论,这表明他们是消息灵通的投资者。简介关于多层网络的科学文献最近开始受到更多关注1-3,在金融领域有重要应用4、5。
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

2022-6-1 07:22:19
最近的经验证据引发了对传统可处理金融模型的分歧。在金融领域,复杂网络理论7、8主要用于衡量互联银行6、9-12所构成的系统性风险,但最近,开发了多种网络推理方法来调查交易行为13、14和投资组合投资者网络研究。投资者网络是现实世界复杂系统的代表,其中机构投资者和私人投资者通过交易或持有证券间接互动。总的来说,网络科学方法允许分析和更清楚地理解该系统组件之间的复杂关系,这种方法的一个关键优势是它允许可视化生成的网络16、17。然而,从交易行为或投资组合的角度评估投资者网络并不是投资者的事。因此,分析需要投资者层面的交易或投资组合数据,以及从数据中推断此类网络的适当统计推断方法。尽管复杂的网络方法已经开始吸引投资者层面数据的关注,但仍然存在许多方法上的挑战,本文将讨论其中几个问题。在我们的分析中,我们使用大股东登记处的数据来调查不同投资者类别的交易网络。首先,投资者交易网络面临的主要挑战是考虑多种证券,从而形成多层网络表示。如果我们想要一个简单的网络表示,它在多个证券上具有统计上显著的关系,该怎么办?不断变化的投资者行为给正确推断其关系带来了困难。
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

2022-6-1 07:22:22
最有可能的是,在整个时期内执行网络推断不会揭示整个情况,因为在整个时期内发生错误的投资者之间的局部关系不会提供有关节点关系如何随时间演变的信息。为了分析投资者类别之间的不同关联,我们使用一种简单的基于窗口的分析来恢复投资者关系在多个估计期和多个证券中的时间演化一致性。我们还考虑了在不放弃单个交易的情况下,在多个证券和估计期内使用所有交易数据的影响。第二,我们可以将投资者交易视为一个数据生成过程,该过程产生的观察结果(交易数据)基于或多或少直观的交易策略,可能具有某些(随机)机制,而这些机制不可能直接观察到。关键在于,可观察事务的数据集只是由某些机制驱动的底层数据生成过程的一种实现。因此,有人可能想知道,对于许多投资者的所有交易,应该使用哪个数据样本进行网络推断,我们希望防止出现这样的情况,即一些活跃投资者或交易量大的投资者在投资者交易级别使用最低分辨率引导。实证结果表明,直接使用完整数据集的传统方法与我们的数据引导方法的结果明显不同。第三,由于投资者数量超过交易天数,用于网络推理的交易数据存在高维、低样本量的问题。根据交易模式估计投资者网络只需要一小部分投资者——活跃的投资者——可以纳入分析。
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

2022-6-1 07:22:24
不活跃投资者的排除导致了子系统的描述;因此,在市场层面上很难概括这些结论。在本文中,wea分类允许我们显著减少系统中变量的数量,但我们不排除数据,因为流动性较低的股票交易事件较少。随着时间的推移,这种分类网络的规模保持不变,而个人投资者网络的规模可以随着时间的推移而变化,这取决于投资者的活跃程度。由于investorcategories基于真实属性,因此我们可以描述每个类别的性质。我们通过介绍三个可以一起使用或单独使用的构建块,为方法学研究文献做出贡献:投资者分类、交易数据引导和网络聚合。本文的主要贡献在于,我们提出了一种可处理的多层和多步骤聚合过程,通过该过程,我们可以使用统计验证从多个层聚合信息。从方法上讲,这种方法可用于不同的过程。当底层网络或直接可观察到输入是网络时,可以单独使用该方法。在这种情况下,不需要数据引导。与本文不同的是,现有的程序都没有提供使用统计验证聚合二进制网络层的易于处理的程序。这篇与我们的主题非常相似的论文提出了一种基于集成的网络聚合方法,该方法利用秩积方法来提高基因网络重建的准确性。平凡的网络集成聚合过程包括最大值和平均值规则。最近的另一篇论文提出了有关整个系统的信息。
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

2022-6-1 07:22:27
在实践中,他们方法的目标是组合相似的层,并将不同的层分开。我们的研究目的不同于参考文献24;我们正在寻找跨多个层的最重要的关系,而不是保留关于不同层的信息。我们的程序原则与参考文献25一致;然而,我们正在聚合层,其中参考文献25用于推断未分层数据。网络推理。此外,在投资者网络推断中,我们考虑投资者类别,而不是单个投资者。这使得该系统可以从经济学和社会学的角度进行解释。作为第四个组成部分,我们使用现有的网络推理方法来识别投资者之间的联系。除了方法上的贡献,这是第一篇提供多个证券和时间窗口的投资者网络图的论文。我们提供的经验证据表明,赫尔辛基的家庭是最核心的投资者类别,根据InvestorNetwork的信息渠道理论,这一类别被证明代表了消息灵通的投资者。总的来说,我们的框架可以总结如下(按时间顺序):-投资者分类,即分析数据集中的所有投资者仅根据其经济和社会属性被分配到类别。分类允许保持网络中节点的数量不变,每个节点都有足够的交易数据。(投资者→ 投资者类别)-交易数据引导,其中分析的数据被统一地重新采样到多个数据集中,以便在网络推断中进行更好的统计验证。bootstrap的优点是,它不需要任何关于数据分布的假设,2/14它解决了有限观测值的问题。
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