北欧证券交易所的交易模式。A.

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：
《Patterns of trading profiles at the Nordic Stock Exchange. A
  correlation-based approach》
---
作者：
Federico Musciotto, Luca Marotta, Salvatore Miccich\\`e, Jyrki Piilo,
  Rosario N. Mantegna
---
最新提交年份：
2015
---
英文摘要：
  We investigate the trading behavior of Finnish individual investors trading the stocks selected to compute the OMXH25 index in 2003 by tracking the individual daily investment decisions. We verify that the set of investors is a highly heterogeneous system under many aspects. We introduce a correlation based method that is able to detect a hierarchical structure of the trading profiles of heterogeneous individual investors. We verify that the detected hierarchical structure is highly overlapping with the cluster structure obtained with the approach of statistically validated networks when an appropriate threshold of the hierarchical trees is used. We also show that the combination of the correlation based method and of the statistically validated method provides a way to expand the information about the clusters of investors with similar trading profiles in a robust and reliable way.
---
中文摘要：
我们调查了芬兰个人投资者的交易行为，通过跟踪个人每日投资决策，选择2003年计算OMXH25指数的股票进行交易。我们从多个方面验证了投资者群体是一个高度异质的系统。我们介绍了一种基于相关性的方法，能够检测异质个人投资者交易档案的层次结构。我们验证了当使用适当的层次树阈值时，检测到的层次结构与通过统计验证网络方法获得的聚类结构高度重叠。我们还表明，基于相关性的方法和经过统计验证的方法相结合，提供了一种方法，可以以稳健可靠的方式扩展具有类似交易概况的投资者集群的信息。
---
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
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Patterns_of_trading_profiles_at_the_Nordic_Stock_Exchange._A_correlation-based_a.pdf (1.4 MB)

2022-5-10 12:33:51 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：证券交易所 证券交易 交易模式 交易所 Hierarchical

北欧证券交易所的交易模式。基于相关性的方法。Federico Musciotoa、Luca Marottaa、Salvatore Miccich`ea、Jyrki Piilob、Rosario N.Mantegnaa、Cadipartment di Fisca e Chimica、巴勒莫德格利研究大学、Viale delleScienze、Ed.18、I-90128、巴勒莫、图尔库大学物理与天文系伊塔利布图库量子物理中心、FI-20014 Turun yliopisto、芬兰大学网络科学中心和经济系、，中欧大学，H-1051，布达佩斯，匈牙利摘要我们通过跟踪个人每日投资决策，调查芬兰个人投资者交易2003年被选为计算OMXH25指数的股票的交易行为。我们从多个方面验证了投资者群体是一个高度异质的系统。我们引入了一种基于相关性的方法，能够检测异质个人投资者交易记录的层次结构。我们验证了当使用适当的层次树阈值时，检测到的层次结构与通过统计验证网络方法获得的聚类结构高度重叠。我们还表明，基于相关性的方法和经过统计验证的方法相结合，提供了一种方法，可以以稳健可靠的方式扩展具有类似交易业绩的投资者群体的信息。关键词：经济物理学，基于相关性的网络，统计验证网络，个人投资者。1.引言金融市场中的价格发现过程是许多异质投资者行动的结果[1,2,3]。理解这项集体任务是如何完成的，是金融和经济物理学中一个长期存在的问题。

理论上考虑了投资者的异质性，并在一系列研究中验证了混沌、孤子和分形。例如，有几位作者在风格化的类别中描述了投资者，如原教旨主义者和图表主义者[4,5,6,7,8,9]。在其他情况下，描述是根据合同投资者[10]和动量投资者[11]或知情和不知情的投资者（例如参见[12,13,14,15]）进行的。有几项研究考虑了个人投资者的投资收益。例如[16]调查了台湾个人投资者的利益，[17]调查了个人投资者的平均交易价值和平均投资组合价值，[18]分析了2010年5月6日闪电崩盘期间在E-mini S&P 500股指期货市场上行动的个人投资者的详细交易决策，[19]引入了一种基于网络的方法来描述在北欧证券交易所交易诺基亚股票的投资者群体的特定交易特征，[20]调查了个人投资者大额订单的订单拆分，[21]提出了散户投资者逆向行为的稳健衡量标准，[22]调查投资者持股与瑞典投资者持股比例之间的关系，以及[23]作者研究新闻对不同类别个人投资者交易行为的影响。其他文献[24、25、26、27、28]调查了一些交易所的市场成员的交易行为，如西班牙证券交易所Infrastructure或伦敦证券交易所。

市场成员不是个人投资者，但他们往往对某一类别的投资者表现出特殊的优势。在本文中，我们调查了芬兰个人投资者对OMXH25指数所选股票的投资行为，即北欧股票市场赫尔辛基市场资本化和流动性最高的股票集合。个人投资者是合法的，可以是公司、金融机构、家庭、ZF组织等。我们能够每天跟踪个人投资决策，因此我们的研究侧重于每日或更长的时间尺度。主要的观察结果是，该系统在许多方面都是高度异构的。出于这个原因，重要的是要设置数据挖掘方法，该方法对于不同投资者及其交易收益的异质性具有鲁棒性。参考文献[19]提出了一种基于统计验证网络概念的方法[29]。在这里，我们介绍另一种基于异质投资者交易文件之间估计的不相似性度量属性的方法。我们表明，我们基于相关性的方法能够检测异质个人投资者交易文件的层次结构，并且当使用适当的层次树阈值时，检测到的层次结构与通过统计验证网络方法获得的聚类结构高度重叠。我们还表明，这两种方法的结合提供了有关投资者群体的信息，这比通过统计验证网络获得的信息更广泛。论文的结构如下。在第2节。

数据库我们描述了本研究中调查的数据库，以及用于投资者交易活动的分类变量。在第3节。我们介绍了一种基于相关性的方法，用于检测个人投资者交易文件的层次结构。在第4节。过度表达的交易文件，我们将统计验证的网络方法应用于OMXH25股票，并展示了获得的结果。在第5节。集群的比较，我们将两种方法得到的集群进行比较，并提出一种方法将它们结合起来，以获得有关金融市场中交易的投资者集群结构的广泛信息。最后，在第6节中，我们简要介绍了我们的结论。2.数据库我们可以访问由芬兰欧洲结算系统（以前是北欧中央证券托管机构芬兰）维护的数据库，该数据库是芬兰中央证券托管机构（FCSD）中芬兰股票和金融资产的持股中央登记机构。该登记册包含所有芬兰投资者和所有要求行使投票权的外国投资者（包括零售和机构投资者）持有的FCSD股票。该数据库根据芬兰簿记系统每天记录公司和金融资产的官方所有权。这些记录包括在全球证券交易所和其他场所执行的交易，这些交易改变了资产的所有权。数据库关联了一定数量的元数据。具体而言，它将投资者分为六大类：a）非金融公司、b）金融和保险公司、c）一般ZF组织、d）非金融机构、e）家庭和f）外国组织。该数据库自1995年1月1日起收集。

Grinblatt和Keloharju在一系列关于个人和机构投资者的交易特征以及个人投资者行为方面的研究[30,31]中也对该数据库进行了调查。在本文中，我们调查了2003年的投资决策。该数据库涵盖了在北欧证券交易所赫尔辛基维努埃交易的所有股票。在这里，我们调查了2003年构成OMXH25市场指数的25只股票中的23只股票的投资决策。出于法律原因，该数据库以不同于外国投资者的方式对待芬兰国内投资者（或要求行使投票权的外国投资者）。事实上，虽然数据库包含有关芬兰国内投资者的非常详细的信息，但外国投资者可以选择使用提名人注册。在最后一种情况下，投资者的簿记账户提供者（例如银行）汇总其所有账户的所有交易，一个单一的被提名人登记编码身份包含多个外国投资者的持有。在本文中，我们研究了投资者在2003年交易OMXH25指数（一组253个每日记录）中包含的股票的交易决策。投资者总数为105005人。不同投资者的交易活动具有高度的异质性。许多投资者在考虑的时间段内只做了几次投资。关于整套投资者的信息汇总在表1中。在以下使用相似性度量进行的分析中，我们对投资者在2003年分析其交易业绩时应遵守的最低投资决策数量设定了限制。我们的选择是因为我们需要能够估计一个相似性度量，该度量最小化了与数量非常有限的属性相关的区分作用。

具体而言，在基于相似性的测试中，我们只考虑那些在2003年期间至少交易过OMXH25股票之一5次的投资者。表2给出了这些投资者的汇总统计数据，因为选定的一组投资者在交易活动水平和投资者特征方面仍然具有高度的异质性，我们需要选择和使用针对不同投资者属性异质性稳健的分析方法。这一需求促使我们分析个人的交易活动。我们最初计划调查用于计算指数的所有25只股票，但我们无法找到其中两只股票的股价时间历史。如果一家机构既可以为自己交易，也可以代表代名人注册投资者进行交易，我们将其交易活动分为两个不同的ID，一个是关于其作为一名本国投资者的活动，另一个是当其为代名人注册投资者（标记为NR）进行交易时。投资者在分类变量方面。2.1. 表征交易活动的名义变量由于我们旨在比较表征每个活跃投资者的交易文件，我们使用离散名义变量来描述其交易活动。具体而言，我们使用参考文献[19]中介绍的名义变量。这些变量定义如下：对于每个投资者i、每个股票k和每个交易日t，我们考虑投资者在交易日t对股票k的卖出量Vs（i，k，t）和购买量Vb（i，k，t）。

对于每只股票和每一天，这些信息被转换成一个带有3个状态的名义变量：主要买入b，主要卖出s，买入和卖出b，这样所有头寸通常在市场收盘前基本上都会平仓。通过考虑比率（i，k，t）=Vb（i，k，t）获得标称变量- Vs（i，k，t）Vb（i，k，t）+Vs（i，k，t）。（1） 对于每个股票k，我们为投资者分配一个主要买入状态b（i，k，t）>θ，当r（i，k，t）<-θ、 而一个买卖国家在什么时候-θ ≤ r（i，k，t）≤ θ与Vb（i，k，t）>0和Vs（i，k，t）>0。在这项工作中，我们使用θ=0.25作为阈值。3.投资者的交易文件我们进行的第一项分析涉及交易活动和交易文件中不同投资者对的相似性。对于这种类型的调查，我们考虑了2003年在所考虑的OMXH25股票中至少进行了五次交易的投资者。表2.3.1给出了这些投资者的汇总统计数据。通过相关性进行交易文件聚类我们通过为每个选定的投资者和OMXH25a交易行为向量的每只股票构建模型，来评估投资者交易文件的相似程度。该向量的组成部分数量相当于2003年交易日数的三倍（253x3=756）。前253个组件将包含投资者是否在特定日期购买（b州）的信息，第二253个组件将包含投资者是否在特定日期出售（s州）的信息，第三个253个组成部分将包含投资者的信息。图1：2003年交易诺基亚的投资者的交易文件相似性的平均链接层次树。

选定的投资者在2003年期间至少进行了5次诺基亚股票交易。可以清楚地检测到由数百名投资者组成的大型集群（见以红色突出显示的层次树区域）。标有红线的投资者属于通过设定d=1.09的切割阈值获得的集群（详情见第5节）。在特定的一天买入、卖出和平仓（bs state）。因此，最终向量是1和0的二进制向量。为了研究这些向量，我们需要一个对两个属性的对称性具有鲁棒性的相似性度量（在大多数情况下，1很少出现，而0在大多数情况下被高度观察到）。因此，我们使用JaccardCoefficient作为相似性度量，因为已知该度量对于非对称二元向量是稳健的[32]。在图1中，我们展示了通过平均连锁层次聚类得到的层次树，其相异性度量定义为di，j=p2（1- Ji，j）其中Ji，jis是investori和investor j之间观察到的Jaccard系数。诺基亚在2003年有7824名投资者至少交易五次，图2：图1中的平均链接层次树区域，通过使用阈值d=1.09进行选择（详情见第5节）。所有剩余的投资者都将从当前的树中移除。图中右边的两个大簇是图1右边用红色突出显示的两个簇。因此，在有限的空间内，7824个元素的层次树的完整可视化并不简单。事实上，只有通过缩放感兴趣的部分，才能欣赏层次树的细节。在图2中，我们展示了涉及1419名投资者的层次结构树的一个区域。

投资文件相似性的层次结构可以在这个细节层次上得到理解。与诺基亚股票观察到的行为相似，其他22只调查股票都观察到了这种行为。分类变量的使用和Jaccard系数的选择使我们能够检测不同投资者交易文件的层次聚类结构。除了平均链接聚类算法外，其他流行的层次聚类算法还有平均单个和完整链接聚类算法。4.过度表达的交易利润在之前的一项研究[19]中，基于经统计验证的网络[29]的不同方法被用于检测在超过5年的时间段内交易诺基亚股票时具有相同交易利润的投资者群。利用[19]中提出的方法，作者能够发现具有类似交易特征的投资者集群。在本研究中，我们希望将通过参考文献[19]中的方法获得的聚类与通过分层结构获得的信息进行比较，分层结构是从我们在前一节中定义的相异性度量开始检测的。分类变量共现的统计验证方法与文献[19]中的方法相同，其工作原理如下。对于每一位投资者，我们都将注意力集中在相应活动周期的交叉点上。我们称之为这个交叉点的长度。在交易者活动的交叉期，我们将投资者i（j）处于A（B）状态的天数称为NA（NB），并用NA，B表示我们检测到投资者i的状态A和投资者j的状态B同时出现的天数。