股票波动是相互关联的，并在不同的市场网络中放大

交易量是根据这组交易员全年交易的美元总额计算的。图3显示了Ticker提到的公司的中心地位和交易量与平均股价、董事会规模和董事会财务专家比例之间的正相关（部分斯皮尔曼等级相关）。有趣的是，我们发现集中度和交易量之间存在可忽略的关联（部分斯皮尔曼秩相关），控制了股票报价、平均股价、董事会规模和董事会中财务专家的比例。这支持了这样一种假设，即从相互关联的董事会到交易员对信息做出反应，然后再到交易活动。总的来说，这些发现表明，股票分析师对连锁网络中的中央企业更加关注。2.4连锁网络中的市场波动敞口最后，为了测试连锁网络在多大程度上可以扩大贸易公司对市场波动的敞口，我们将连锁网络中公司的中心地位与其一年来的股票表现进行了比较。a公司的中心地位再次由hDii来衡量。我们分别通过贝塔系数（βi）和年度股价回报率（ri）来衡量一家公司的短期和长期股票表现。通常已知的股票贝塔值由βi=Cov（zi，zb）/Var（zb）给出，其中zi和zb分别是股票i的每日对数收益率和基准收益率（见附录）。贝塔系数越高（越低），股票向同一（相反）方向移动的次数越多，距离基准回报率越远。这意味着，在好的或平淡的市场时期，上市公司的短期股票表现分别随着股票贝塔系数的升高或降低而增加。

年度股价回报率由ri=log（pi（tf）/pi（to）给出，其中pi（to）和pi（tf）分别是公司i在日历年开始和结束时的每日收盘价。年回报率越高，交易公司的长期股票表现越好。从2007年到2011年的每一年，我们都使用控制公司个体特征的多元线性回归模型来衡量中心性对短期和长期股票表现的影响（见附录）。总的来说，图4显示，上市公司的中心地位对其长期和短期股票表现有可忽略的影响（但请参见金融部门）。这与我们之前的发现一致，即连锁网络有利于股票相关性，反过来，这也可以解释为什么连锁网络对推动上市公司远离总体市场趋势没有影响。然而，图4也揭示了2008年金融大崩盘期间，中心性和长期股票表现之间存在负面影响。这些结果表明，在金融崩溃期间，连锁网络可以扩大交易公司对市场波动的敞口。3讨论美国的治理标准有利于外部董事参与公司董事会，这反过来又允许创建连锁董事会。虽然禁止直接竞争对手设立连锁董事会，但这些公司平均只有四个分离度。金融部门就是这种市场环境的一个很好的例子。金融公司之间几乎没有相互关联的董事会，但它们之间的间接关联是由位于不同市场部门的第三家公司董事会中的相互关联的董事。

事实上，正如我们之前提到的，85%的连锁董事会是由属于不同市场部门的公司组成的。虽然连锁网络有助于信息的传输，但尚不清楚它们是否也能解释金融市场中的股票波动。我们的发现表明，连锁董事似乎是支持股票相关性存在的因素之一。我们承认，其他混杂因素可以解释股票相关性。有趣的是，解释连锁网络和股票市场之间联系的一个潜在机制似乎是股票分析师对中央企业的更多关注。其他中心性指标是否能更好地洞察这些关联，还有待观察。重要的是，由于连锁网络可能会在金融崩溃期间放大市场波动，未来的工作还应该探索不同市场部门发现的不同动态的影响。重要的是，我们注意到，这些结果为学者、监管者、投资者和董事会成员本身提供了有价值的、非固执己见的见解。感谢资金由欧洲研究理事会通过高级拨款（JB）、西班牙教育部通过FPUPhD奖学金（LJG）、FP7-Regbot-2010-1项目264125 EcoGenes（RPR）和凯洛格管理学院（MS）提供。所有作者都对本文中的工作做出了广泛的贡献。竞争性财务利益作者声明没有竞争性财务利益。参考文献1。http://nysemanual.nyse.com/lcm/ (2013).2. Mizruchi MS（1996）联锁装置的作用是什么？对连锁董事会研究的分析、评论和评估。年度。牧师。社会尔。22:271–298.3. Burt RS（2006）标准普尔指数背后的连锁董事会。

芝加哥商学院http://faculty.chicagobooth.edu/ronald.burt/research/IDS&P.pdf.4.杜利个人电脑（1969）联锁董事会。是经济部。牧师。59:314–323.5. Carpenter MA，Westphal JD（2001）《外部网络关系的战略背景：研究董事任命对董事会参与战略决策的影响》。阿卡德。《管理杂志》4:639–660.6。Pennings JM（1980）连锁董事会（Jossey Bass）。Palmer D，Barber BM，Zhou X（1995）控制的财务概念：纽约的理论？回复弗莱格斯坦。是Soc。牧师。60:504–508.8. Fligstein，Brantley P（1992）银行控制、所有者控制或组织动力学：谁控制大型现代公司？是J.Soc。98:280–307.9. Fligstein（1995）金融力量网络控制概念？评论帕尔默、巴伯、周和索伊萨尔。是Soc。牧师。60:500–503.10. Khanna T，Thomas C（2009）新兴市场中的同步性和企业连锁。金融经济学杂志92:182–204.11。Borgatti SP，Cross R（2003）社会网络中信息寻求和学习的关系观。管理科学。49:432–445.12. Connelly BL，Johnson JL，Tihanyi L，Ellstrand AE（2011）超过采用者：连锁董事会的竞争影响。组织科学。22:688–703.13. Davis GF（1991）没有原则的代理人？毒药通过企业间网络传播。管理Sci。夸脱36:583–613.14. Haunschild PR，Beckman CM（1998）联锁什么时候重要信息和连锁影响的替代来源。管理Sci。每季度43:815–844.15。Vedres B（1997）《经济权力的星座：匈牙利政治行为者、银行和大公司在董事会连锁网络中的地位》。INSA 23:44–59.16。《德国的小世界与国家网络的持久性》。是Soc。牧师。

66:317–335.17. Battiston S，Bonaneau E，Weisbuch G（2003）公司董事会的决策动态。Physica A 322:567.18。http://wrds-web.wharton.upenn.edu/wrds/ds/riskmetrics/rmdirectors/index.cfm（2013年9月）19。http://wrds-web.wharton.upenn.edu/wrds/（2013年9月）。http://biz.yahoo.com/p/s_conamed.html（2013年9月）21。Saavedra S，Duch J，Uzzi B（2011）使用通信数据跟踪交易者对市场的理解。《公共科学图书馆综合》6:e26705。22.Saavedra S，Malmgren路，Switanek N，Uzzi B（2013）短期剥削性竞争条件下的觅食：股票交易员案例。过程。罗伊。Soc。隆德。B280:20122901.23。Fenn DJ等（2011）金融市场相关性的时间演变。菲斯。牧师。E84:026109.24。Mantel N（1967）疾病聚类检测和广义回归方法。癌症研究27:209–220.25。Banz RW（1981）普通股回报与市值之间的关系。金融经济学杂志9:3–18.26。Schwert GW（1983）的《规模和股票回报》，以及其他经验规律。《金融经济学杂志》12:3-12.27。Cheung YW，Ng LK（1992）股票价格动态和企业规模：一项实证调查。《金融学杂志》47:1985-1997.28。Davis LJ（1994）《已实现股票收益的横截面：预计算证据》。《金融学杂志》49:1579-1593.29。Berk JB（1995）对尺寸相关异常的批判。金融研究回顾8:275–286.30。Moro E等（2009）股票市场中隐藏订单的市场影响和交易业绩。菲斯。牧师。E 80:e066102。31.Guimer\'a R，Amaral LAN（2005）复杂代谢网络的功能制图。《自然》433:895–900.32。Legendre P（2000）偏相关和偏mantel检验排列方法的比较。J.统计学家。计算机。Simul。67:37–73.33.

Bradley E，Tibshirani RJ（1994）Bootstrap简介（Chapman&Hall/CRC）$$图1：连锁董事会的示例。绿色和蓝色交易的公司由其董事会的内部/外部董事联系在一起。问题是，在连锁网络中更紧密的上市公司的股票之间是否也有更强的相关性。Mantel correlationnetwork&市场预测-0.100.10.20.30.4B C F H I S T Y-0.100.10.20.30.4B C F H I S T Y-0.100.10.20.30.4B C F H I S T Y-0.100.10.20.30.4B C F H I S T Y-0.100.10.20.30.4图2：连锁网络和股票相关性。每年上市公司的网络接近度和市场相似性矩阵之间的Spearman偏Mantel相关（皮尔逊相关产生类似的结果）。红色/实线对应于所有交易公司的计算相关性，无论市场部门如何。圆圈对应于特定市场部门的相关关系。实数符号对应于使用自举95%置信区间（误差条）不超过零的相关性。我们关注七个主要领域：（B）基础材料，（C）消费品，（F）金融，（H）医疗，（I）工业，（S）服务和（T）技术。2008-2011年的Y列对应于所有贸易公司对上一年价值的网络接近度变化和市场相似性变化之间的相关性。Correlationcentrality&ticker Attentions\'07\'08\'0900.20.40.60.8 CorrelationTicker Attentions&traded volume\'07\'08\'0900.20.40.60.8图3：连锁网络和股票市场。

从2007年到2009年的每一年，图中都显示了股票报价人提及的股票与这些公司在连锁网络中的中心地位之间的斯皮尔曼等级相关性（皮尔逊相关性产生类似的结果）。类似地，该图显示了同一组交易者全年提及的股票与此类公司的交易量之间的斯皮尔曼等级相关性（皮尔逊相关性产生类似结果）。2007年短期利率的中心效应-termstock performanceB C F H I S T-0.2-0.100.10.22008B C F H I S T-0.2-0.100.10.22009B C F H I S T-0.2-0.100.10.22010B C F H I S T-0.2-0.100.10.22011B C F H I S T-0.2-0.100.10.2中心度对长期-termstock performanceB C F H I S T-0.2-0.100.10.2B C F H I S T-0.2-0.100.10.2B C F H I S T-0.2-0.100.10.2B C F H I S T-0.2-0.100.10.2B C F H I S T-0.2-0.100.10.2图4：上市公司对市场波动的敞口。第一行对应于上市公司的中心地位对其股票短期表现的规模效应。第二行对应于上市公司的中心地位对其长期股票表现的规模效应——股票的年度对数收益率。当考虑所有交易公司时，无论市场部门如何，红色/实线对应于影响。圆圈对应于特定市场部门的影响。实心符号对应于使用自举95%置信区间（误差条）不超过零的效应。我们关注七个主要领域：（B）基础材料，（C）消费品，（F）金融，（H）医疗，（I）工业，（S）服务和（T）技术。附录板组成数据。我们使用从RiskMetrics（18）中提取的数据，该数据是2007-2011年对1500多家美国大型企业董事会组成的年度汇编。

我们只使用那些我们可以在股价数据中找到股价信息的上市公司。董事会成员使用RiskMetrics提供的性别、年龄和职责数据手动消除歧义。这些数据还包含董事会成员是否被交易公司视为财务专家的信息。在某些情况下，同一董事会成员在一家公司被归类为财务成员，但在另一家公司被归类为非财务专家。我们决定，如果董事会成员被视为至少一家公司的专家，则将其归类为财务专家。另外一份文件提供了董事会的组成及其每年的财务专业知识。股票价格数据。从WRDS数据库（19）中提取了这些公司2007-2011年的每日收盘价，并根据雅虎财务标准（20）对股票进行了市场分类。每个季度的股票数据和市场分类在另一份文件中提供。交易员数据。我们的数据包括2007-2009年间一家典型的中小型美国贸易公司发送/接收的300多万条即时消息和100多万条日间交易者的交易决定。所有与交易相关的数据都由该公司的交易系统自动捕获，该系统是专门为准确记录而设计的，并被业内大多数其他公司使用。该研究符合机构审查委员会（IRB）的标准。没有受试者互动，所有数据都是100%存档的，公司和受试者都是匿名的。从法律上讲，研究中使用的所有数据均归公司所有。该公司的所有交易员都知道该公司拥有这些数据，他们的通信和交易行为是依法记录的。

我们获得了该公司的书面许可，可以将这些数据用于研究目的和出版，前提是确定该公司及其交易员的特征，并保持身份和匿名。有关更多详细信息，请参阅参考文献。(21, 22). 我们只使用那些能够在交易者沟通中消除歧义的股票代码。股票报价人的提及次数和交易量是标准化的（以保持公司的机密性），并在附加文件中提供。控制邻近矩阵。网络接近度和市场相似性之间的部分Mantel相关性由市场部门F的接近度、T年的平均股价、董事会规模B、具有财务专业知识的董事比例E和地理距离G控制。如果交易公司i和j属于同一部门，接近矩阵F对应于Fi，j=1，否则为0。在其余的控制近似矩阵中，这些矩阵的元素（i，j）对应于企业i和j中测量的值之间的标准化绝对差值的倒数，因此较高的值总是代表具有较高接近度的企业。对于邻近矩阵，Tij=（max{k1}- k1ij）/（max{k1}- min{k1}），其中k1ij=|hlog（pi）i- hlog（pj）i |和hlog（pi）i是一年中股票i的平均原木价格。对于邻近矩阵B，Bij=（max{k2}- k2ij）/（最大值{k2}- min{k2}），其中k2ij=|bi- bj |和Bi是一年中交易公司i的董事会成员总数。对于邻近矩阵，Eij=（max{k3}- k3ij）/（max{k3}- min{k3}），其中k3ij=|ei- ej |和EI是一年中拥有交易公司i财务专业知识的董事会成员的比例。对于邻近矩阵G，Gij=（max{k4}- k4ij）/（max{k4}- min{k4}），其中k4i是公司i和j之间的地理距离，是从邮政编码中提取的地理坐标纬度和经度的函数。

邮政编码是从雅虎财经和HighBeam收集的。通用域名格式。这些数据在附加文件中提供。我们发现，市场相似性与企业规模、董事会规模、董事会财务专家比例和地理距离的控制邻近矩阵之间的大部分可忽略关联（参见附加图S1-S4）。网络接近度和市场相似性之间相关性的稳健性。我们发现，当我们随机生成新的网络接近度矩阵时，图2中显示的每个正相关性也高于网络接近度和市场相似性之间的预期相关性（参见附加图S5）。这些新矩阵是通过自举元素生成的，并替换网络接近度的原始矩阵。此外，如果我们断开电路板（即dij=∞) 超过一定分离度时（参见附加图S6）。基准回报率。为了计算基准回报率，我们使用所有观察公司的平均每日对数回报率zb=hzii。对于单个市场部门，如果我们仅使用hzii或单个市场部门公司的平均每日股票收益率，我们没有发现统计差异。Beta和年度股票收益率的分布如附加图S7所示。多元线性回归模型该模型由performancei定义~ hDii+hlog（pi）i+bi+fi+i、 响应变量绩效可以采用股票的βior或年度股票回报率ri。我们控制当年股票的平均价格（hlog（pi）i）、董事会规模（bi）、各董事会中具有财务专业知识的董事比例（fi）以及高斯噪声(i） 。我们衡量所有预测变量，以便能够比较它们的影响。