揭示金融变量和拓扑结构之间的相关性

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Unveiling correlations between financial variables and topological
  metrics of trading networks: Evidence from a stock and its warrant》
---
作者：
Ming-Xia Li (ECUST), Zhi-Qiang Jiang (ECUST), Wen-Jie Xie (ECUST),
  Xiong Xiong (TJU), Wei Zhang (TJU), Wei-Xing Zhou (ECUST)
---
最新提交年份：
2013
---
英文摘要：
  Traders adopt different trading strategies to maximize their returns in financial markets. These trading strategies not only results in specific topological structures in trading networks, which connect the traders with the pairwise buy-sell relationships, but also have potential impacts on market dynamics. Here, we present a detailed analysis on how the market behaviors are correlated with the structures of traders in trading networks based on audit trail data for the Baosteel stock and its warrant at the transaction level from 22 August 2005 to 23 August 2006. In our investigation, we divide each trade day into 48 time windows with a length of five minutes, construct a trading network within each window, and obtain a time series of over 1,100 trading networks. We find that there are strongly simultaneous correlations between the topological metrics (including network centralization, assortative index, and average path length) of trading networks that characterize the patterns of order execution and the financial variables (including return, volatility, intertrade duration, and trading volume) for the stock and its warrant. Our analysis may shed new lights on how the microscopic interactions between elements within complex system affect the system\'s performance.
---
中文摘要：
交易者采用不同的交易策略，以在金融市场上实现最大回报。这些交易策略不仅在交易网络中产生特定的拓扑结构，将交易者与成对买卖关系联系起来，而且对市场动态也有潜在的影响。在此，我们基于2005年8月22日至2006年8月23日宝钢股票及其权证交易层面的审计跟踪数据，详细分析了市场行为与交易网络中交易者结构的关系。在我们的调查中，我们将每个交易日划分为48个时间窗口，长度为5分钟，在每个窗口内构建一个交易网络，并获得1100多个交易网络的时间序列。我们发现，表征订单执行模式的交易网络拓扑指标（包括网络集中度、分类指数和平均路径长度）与股票及其权证的财务变量（包括收益率、波动率、交易持续时间和交易量）之间存在强同步相关性。我们的分析可能会为复杂系统中元素之间的微观相互作用如何影响系统性能提供新的线索。
---
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：
--> Unveiling_correlations_between_financial_variables_and_topological_metrics_of_tr.pdf (93.71 KB)

2022-4-29 15:24:39 上传

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

分享0 收藏0 回帖

关键词：相关性 correlations interactions relationship SIMULTANEOUS

揭示金融变量与交易网络拓扑度量之间的相关性：来自a股及其权证的证据——明夏利亚、b、c、志强江a、b、文杰谢、b、c、熊雄德、e、魏章德、e、，*, 周伟星A，b，c，*华东理工大学商学院，上海200237，华东理工大学经济物理研究中心，上海200237，华东理工大学数学系，上海200237，天津大学管理与经济学院，天津300072，中国天津大学中国社会计算与分析中心，天津300072，中国摘要贸易商采用不同的交易策略，以在金融市场实现最大回报。这些交易策略不仅在交易网络中产生特定的拓扑结构，将交易者与成对买卖关系联系起来，而且对市场动态也有潜在影响。在此，我们根据2005年8月22日至2006年8月23日宝钢股票及其权证在交易层面上的审计跟踪数据，详细分析了市场行为与交易网络中交易者结构的关系。在我们的调查中，我们将每个交易日划分为48个时间窗口，长度为5分钟，在每个窗口内构建一个交易网络，并获得超过1100个交易网络的时间序列。我们发现，表征订单执行模式的交易网络拓扑指标（包括网络集中度、分类指数和平均路径长度）与股票及其权证的财务变量（包括收益率、波动率、交易持续时间和交易量）之间存在强同步相关性。

我们的分析可能会为复杂系统中元素之间的微观相互作用如何影响系统性能提供新的线索。JEL分类：G10，C14关键词：交易网络；订单流；相关性1。介绍交易网络中的节点代表交易者，边代表交易关系，用来模拟经济系统中交易者之间的买卖互动。由于交易层面审计追踪数据的可用性，对理解交易网络的拓扑特征产生了许多影响。Kyriakopoulos等人（2009年）发现，奥地利货币流通交易网络是不可分割的，节点度和交易量之间的相关性也很低。Tseng等人（2010a，b）还发现，基于网络的经验预测市场中的交易网络是无标度的，且是不可分割的。Jiang和Zhou（2010）揭示，深圳证券市场的日常交易网络呈现幂律度分布和分解结构的模式，并且在平均度和下单量之间具有幂律相关性。Wang等人（2011）发现，上海期货市场的交易网络表现出类似的特征，如无标度、小世界效应、层级组织和幂律介数分布。*通讯作者。地址：中国上海市华东科技大学商学院美龙路130号114信箱，邮编：200237；电话：+86-21-64253634。电子邮件地址：weiz@tju.edu.cn（张伟），wxzhou@ecust.edu.cn（周卫星）交易网络提供了一个整体视角来描述成对交易者之间的详细交易，可用于寻找线索，并提出跟踪和检测金融市场操纵者实施的异常交易的方法。

Kyriakopoulos等人（2009年）报告称，随机矩阵分析能够识别财务不当的账户。Tumminello等人（2012年）确定了交易中具有高度同步性的交易集群，这可能也与价格操纵有关。Sun等人（2011年）和Sun等人（2012年）通过调查上海股市中操纵股票和非操纵股票的交易网络，观察到操纵股票和非操纵股票之间的拓扑性质存在显著差异。Jiang等人（2013年）发现，交易网络中的异常交易模式（自循环、两节点循环和两节点多弧）与动荡的市场动态有关，可以用来开发新的工具来检测基于交易的价格操纵。交易网络是基于具有不同交易策略的交易者触发的交易而形成的，这为理解交易者的交易行为提供了两个视角。一方面，成功的策略可以被其他交易者效仿和复制，具有相关策略的交易者将导致交易网络中的收益和头寸的相似性。科恩·科尔（Cohen Cole）等人（2011年）报告称，交易者的回报与他们在2018年9月18日提交给交易网络的《经济学快报》（Economics Letters）再版中占据的头寸相关。他们还发现，个人层面的市场冲击可以通过交易网络的链接广泛传播和发挥作用。另一方面，交易者的特定交易策略可能会导致交易网络中的特定局部结构，并对市场行为产生一些影响。Adamic等人。

（2010）研究了2009年9月E-Mini&P 500期货合约构建的交易网络，发现网络指标（集中度、分类指数和平均路径长度）与财务变量（回报率、波动性、交易持续时间和交易量）之间存在着同期的相关关系。在本文中，我们将遵循Adamic等人（2010）的研究方法，调查中国流动股票及其权证交易网络的财务变量和拓扑计量之间的相关性。本文的其余部分组织如下。以秒计。2.我们简要描述了我们采用的数据集。第3节和第4节分别定义了交易网络的拓扑指标和本研究中调查的财务变量。第5节介绍了金融变量与交易网络拓扑度量之间的相关性。我们在第二节中总结了这些发现。6.2. 数据集我们使用一个交易级数据库，其中包含在上海证券交易所完成的宝钢股票及其权证的实际交易，以揭示股票行为与交易网络拓扑结构之间的潜在联系。上海证券市场是一个纯粹的指令驱动型市场，观察到的交易是通过将市场指令或可执行的限制指令与限制指令簿另一侧的指令相匹配来触发的，限制指令簿是一个按价格和时间优先级排序的限制指令等待队列。在我们2005年8月22日至2006年8月23日的抽样期间，宝钢置地的权证共有3779538笔交易，涉及243个交易日。每笔交易都包含以下信息：一个唯一的交易ID、两个唯一的交易者ID、交易时间、交易规模、交易价格以及买入或卖出的指标。

我们注意到股票（认股权证）是根据T+1（T+0）规则进行交易的。3.交易网络指标我们将每个交易日划分为48个时间窗口，间隔为5分钟。在每个窗口中，交易记录被转换成一个交易网络，其中节点代表交易者，按交易规模加权的链接从卖方连接到买方。采用三种拓扑度量（集中度、分类指数和平均路径长度）来定量描述每个交易网络的结构。n表示一个窗口中的交易者数量，m表示边缘或交易的数量。我们得出股票的n=154±170和m=161±185，权证的n=990±1139和m=1093±1299。这四个量的大标准偏差表明，交易网络的结构随时间变化显著。此外，权证交易网络比股票交易网络有更多的节点和边缘，这意味着权证的交易活动高于股票。未加权网络集中度Ck定义为外度集中度与内度集中度Cnk之间的差异，即Ck=Cink- 库特。这里我们用度来衡量节点的中心性。可通过著名的弗里曼定义（1979年）：Cink=Pni=1（kinmax）来估计去中心化程度- 基尼- 1） ，（1）其中kiniis表示节点i的阶数，kinmax表示最大索引，n表示节点数。分母（n）- 1） 式（1）中表示n个节点的有向图的点中心度差异的最大可能和。因此，Cinkvaries介于0和1之间。通过替换无度的入度，我们可以得到出度集中，Coutk=Pni（koutmax）- 库蒂- 1).

（2） Coutkalso位于[0,1]的范围内。测量值在间隔时间内下降[-1,1]（纽曼，2002年）。如果网络具有星形核心-外围结构，其中箭头从外围节点指向核心节点，因此核心节点充当接收器，则接收器的入度和出度分别为kinmax=n- 1和0，而外围节点的入度和出度为0，koutmax=1。我们有Cink=1和Coutk=1/（n）- 1） ，这就导致了Ck≈ n较大时为1。如果一个网络是一个星形的核心外围结构，其中所有的箭头都是从核心节点到外围节点的，核心节点作为一个源，那么源的入度和出度分别为0和koutmax=n- 1，而外围节点的入度和出度分别为kinmax=1和0。我们有Cink=1/（n）- 1） Coutk=1，这导致Ck≈ -n较大时为1。这两种情况并不常见，在时间窗很小时可能会发生。Ck=±1的情况表明存在一个支配性买方和一个支配性卖方。加权网络集中度CSI是从未加权网络集中度Ck扩展而来的，其中节点中心度由其节点强度来衡量。与Cink类似，我们可以写出集中强度asCins=Pni（sinmax- 西尼- 1） Pnisini，（3）其中sini是节点i的强度，sinmax是最大强度，n是节点数。输出强度集中也可以写成asCouts=Pni（soutmax- 苏蒂- 1） 普尼苏蒂。（4） 显然，Cin和Couts都将在0和1之间变化。

加权网络集中度Cs=Cins- couts具有与未加权网络集中Ck相同的物理意义。SIS的优势不是使用交易对手的数量，而是通过考虑交易规模来指示主导买家或卖家。如果网络的高阶节点倾向于连接到高阶（低阶）节点，则网络具有分类（非分离）混合模式。纽曼（2002年，2003年）提出了一种定量捕捉定向网络混合模式的方法。我们只是采用这种方法来观察ask（分别是bid）节点是如何被bid（ask）节点包围的，因为我们还观察到，在大多数五分钟的交易网络中，一个交易者与一个卖家或买家对应。分类指数如下所示：ek=Pmj=1ekajekbjm-Pmj=1ekaj+ekbj2mPmj=1“ekaj+ekbj2米#-Pmj=1ekaj+ekbj2m, （5） 其中ekaj和ekbj是对应于交易j的边的两个端点a和b的度数，m是从ask节点到bid节点的定向边的数量。正如纽曼（2002）所提到的，ekis在[-1,1]和ek<0表示网络是非连接的。我们还有ek=-1对于所有外围节点指向中心节点或与中心节点分离的星形网络。考虑到交易规模，我们通过用等式（5）中的节点强度替换节点度来推广加权分类指数：es=Pmj=1esajesbjm-Pmj=1esaj+esbj2mPmj=1“以撒+esbj2米#-Pmj=1esaj+esbj2m, （6） 其中，esajand Esbj是对应于交易j的边的两个端点a和B的强度，m是从ask节点到bid节点的定向边的数量。平均路径长度l定义为交易网络中两个任意节点之间最短路径长度的平均值。

我们在计算路径长度时丢弃了交易网络的方向和权重。平均路径长度越小，交易者在交易网络中的联系就越紧密。[关于这里的表1。]表1报告了股票及其权证交易网络的未加权网络集中度Ck、加权网络集中度Cs、未加权组合指数ek、加权组合指数es和平均路径长度l的汇总统计数据。扩充DickeyFuller检验表明，所有网络变量都是平稳的。Jarque Beta测试表明，并非所有网络度量都是正态分布的。所有网络指标的Ljung-Box Q检验拒绝了无自相关的零假设。换句话说，这些网络指标的时间序列拥有很长的内存。股票的网络指标的影响大于权证的网络指标。未加权网络集中度Ck和加权网络集中度Cs平均等于-0.05±0.31和-股票交易网络为0.03±0.31。而对于权证交易网络，我们有Ck=-0.01±0.07，Cs=0.00±0.08。所有四个估计值都非常接近于0，这表明限额订单簿的两侧都有非常相似的订单执行模式。股票及其认股权证的两个最大值非常接近1，这意味着在每种情况下都有一个主要买家。然而，Cs的两个最大值相对较小。这意味着剩余交易的交易规模大于有来源的主导星型结构中的交易规模。相比之下，minimafrom-1的差异相对较大。我们发现这两个指标是右倾的，尤其是对于权证。对于股票而言，Cskand Cs的峰度接近3，表明这两个时间序列没有厚尾。

相反，权证的峰度非常大，因此这两个指标显示出明显的厚尾。我们还观察到，所有分类指数的均值均为负值（ek=-0.53±0.15，es=-股票交易网络和ek=0.36±0.22-0.33±0.09，es=-0.19±0.08（适用于权证交易网络），这意味着交易网络呈现出一种非分化模式。此外，该股票的非对称性程度强于权证。除股票外，分类指数是左偏的。对于股票而言，这两个指标的峰度略大于3，对于权证而言，峰度明显大于3。股票及其权证交易网络的平均路径长度分别为4.80±2.51和6.95±1.56。它们的分布是右倾的，并显示出肥尾巴。4.财务变量我们使用四个传统财务变量（收益率、波动率、交易持续时间和交易量）来描述每个窗口中的市场行为。所有这四个变量都包含有关基础价格形成过程的宝贵信息。收益率r定义为每个时间窗口中上一笔交易之后的对数价格与第一笔交易之前的对数价格之间的差异。波动率v定义为每个时间窗口中最大对数价格和最小对数价格之间的差异。交易间持续时间τ定义为每个时间窗口中两个连续交易之间所用时间的平均值。交易量w定义为每个时间窗口内买卖的股份总数。