中国债券因果关系网络的时频结构

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：
《Time and Frequency Structure of Causal Correlation Network in China Bond
  Market》
---
作者：
Zhongxing Wang, Yan Yan, Xiaosong Chen
---
最新提交年份：
2016
---
英文摘要：
  There are more than eight hundred interest rates published in China bond market every day. Which are the benchmark interest rates that have broad influences on most interest rates is a major concern for economists. In this paper, multi-variable Granger causality test is developed and applied to construct a directed network of interest rates, whose important nodes, regarded as key interest rates, are evaluated with inverse Page Rank scores. The results indicate that some short-term interest rates have larger influences on the most key interest rates, while repo rates are the benchmark of short-term rates. It is also found that central bank bills\'rates are in the core position of mid-term interest rates\'network, and treasury bond rates are leading the long-term bonds rates. The evolution of benchmark interest rates is also studied from 2008 to 2014, and it\'s found that SHIBOR has generally become the benchmark interest rate in China. In the frequency domain we detect the properties of information flows between interest rates and the result confirms the existence of market segmentation in China bond market.
---
中文摘要：
中国债券市场每天公布的利率超过800个。对大多数利率有广泛影响的基准利率是经济学家的主要担忧。本文发展了多变量格兰杰因果关系检验，并将其应用于构建一个有向利率网络，该网络的重要节点被视为关键利率，并用反向页面排名分数进行评估。研究结果表明，部分短期利率对最关键利率的影响较大，而回购利率是短期利率的基准。研究还发现，中央银行票据利率在中期利率网络中处于核心地位，国债利率在长期债券利率中处于领先地位。对2008年至2014年基准利率的演变进行了研究，发现SHIBOR已普遍成为中国的基准利率。在频域中，我们检测了利率之间信息流的性质，结果证实了中国债券市场存在市场分割。
---
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：
--> Time_and_Frequency_Structure_of_Causal_Correlation_Network_in_China_Bond_Market.pdf (351.54 KB)

2022-5-10 13:35:22 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：因果关系 国债券 关系网 Quantitative Econophysics

中国债券市场因果关系网络的时间和频率结构中兴网中国科学院虚拟经济与数据科学研究中心，北京，100190，中国科学院大学经济与管理学院，北京，100080*中国科学院大学经济与管理学院，北京，100080，中国科学院大数据挖掘与知识管理重点实验室，北京，100191，中国科学院陈晓松理论物理研究所，北京，100190，PR China（日期：2021年7月2日）中国债券市场每天公布的利率超过800。对大多数利率有广泛影响的基准利率是经济学家最关心的问题。本文发展了多变量格兰杰因果关系检验，并将其应用于构建一个有向利率网络，该网络的重要节点被视为关键利率，并用反向页面排名分数进行评估。结果表明，一些短期利率对最关键的利率有更大的影响，而回购利率是短期利率的基准。研究还发现，中央银行票据利率在中期利率网络中处于核心地位，而国债利率在长期债券利率中处于领先地位。本文还对2008年至2014年基准利率的演变进行了研究，发现Shibor基本上是中国的基准利率。在频率域中，我们检测了利率之间信息流的特性，结果证实了中国债券市场存在市场分割。PACS编号：89.65。生长激素，89.75。HcI。

简介近年来，物理学家对经济系统的兴趣越来越大[1]。在使用物理方法研究经济学的文献中，复杂网络为我们提供了一个直观而有用的工具来了解复杂系统的性质。复杂网络分析可以以网络的形式显示现实世界中节点之间的关系，是为了研究一些真实网络的拓扑结构，如互联网、电影演员协作网络、引用网络等[2]。在金融市场中，complexnetwork已成功应用于分析银行系统中的金融传染以及基于节点之间的联系和方向的全球股票市场内部结构[3–9]。根据代理之间的联系，复杂系统被划分为不同的集群，系统的动态演化也可以用不同时间窗口中的网络图来描述。一些*yanyan@ucas.ac.cnother学者们研究了一个国家的股票市场内的差异之间的相关性，这有助于投资者构建投资组合并分散投资风险[4-6,10]。此外，除了分析代理人之间的隐藏关系外，如果a公司是b公司的股东，还可以构建公司的所有权网络，那么提取的网络没有学位或学位分析将告诉我们哪些人是样本公司的重要股东[11]。股票市场引起了许多物理学家的注意。根据初步统计（基于www.webofscience.com的数据），大约有3400篇关于金融物理的论文，其中有五分之一集中在股票市场。

但债券市场作为金融市场的重要组成部分，其债券利率（也称为利率）之间的内在关系在大多数经济物理学文献中很少受到关注。利率在投资决策过程和资产配置中发挥着重要作用[12]，经济学家的许多研究表明，利率和经济指标（产出增长、通货膨胀、消费、投资、劳动力和股票价格等）之间存在紧密联系[13–19]，很少有经济学家或物理学家关注债券市场利率之间的关系。各种利率都以各自的速度变化，是否存在对其他利率有广泛影响的基准利率？基准利率是什么？本文试图用复杂网络方法检测中国债券市场的基准利率，并研究所构建网络的拓扑结构。基准利率的确定将有助于货币政策的传导，也有助于金融产品的估值，以及利率市场化的过程[20,21]。世界各地的基准利率各不相同。在美国，联邦基金利率或三个月期票据利率通常被视为基准利率[20,22–25]。而在英国，一个月或三个月的伦敦银行同业拆借利率（Lo ndonInter bank of offered Rate）被视为核心利率[26,27]。参考文献[28]研究了欧元区的利率，发现利率之间的结构更为复杂。基准利率不仅是特定时期内最低的利率，也是大多数其他利率的定价基准。到目前为止，中国还没有普遍接受的基准利率。

在早期，银行间同业拆借利率或回购利率被测试为中国债券市场的基准[21,29,30]，而上海银行间同业拆借利率（SHIBOR）被认为是研究中更好的基准指数[31,32]。几乎所有关于中国利率确定的文献都倾向于从定性分析中得出结果，而没有定量研究，并且只关注有限的短期利率样本。在本文中，债券市场被视为一个复杂的系统，包括所有主要类型的关键债券。各种利率之间存在着大量的相关性，可以用来构建利率的结构网络。Granger因果关系测试在经济学领域得到了广泛应用，最初用于检测两个时间序列之间的因果关系[33–35]，然后扩展到多变量时间序列分析[10,36–38]。最初的双变量格兰杰因果关系检验可能有一些固有的局限性。例如，如果比率A对比率B有影响，而B对另一个比率C有影响，但A对C没有任何影响。当使用成对格兰杰因果关系测试A和C之间的因果关系时，将报告错误的连接模式。为了避免这种情况，早期的研究仅集中在两个时间序列上，本文采用多变量格兰杰因果关系检验来形成一个直接的网络结构，它显示了中国几乎所有策略之间的因果联系和相互关系。根据复杂网络的拓扑结构，我们可以在核心位置找到一个密钥率，即b enchmark利率。网络中的信息流也在频域中研究。

我们找到了中国债券市场存在市场分割的证据。论文组织如下：第。2简要介绍了数据样本，概述了基本格兰杰因果关系检验，重点介绍了多变量形式。接下来是第二节。3.通过一些实证研究来检测中国的基准利率及其动态特性。然后对市场细分和信息流进行检测。4.最后，我们在第二节中得出结论。5.II。数据和方法学。数据我们的样本由中国中央存管结算公司（CCDC）每天公布的800多份利率组成，包括几乎所有在银行间市场交易的债券。早期的研究主要集中于短期货币市场利率，如EPO利率、SHIBOR等。在本文中，我们几乎使用整个样本进行分析，包括公司债券利率、短期票据利率、政策性金融债券利率等。研究时间为2008年1月1日至2014年12月31日。基本数据来自风力。为了保证数据的有效性，应优先考虑数据清理过程。在剔除缺失数据、不到3年的时间序列以及债券交易不活跃的情况后，本研究还剩下13.8个利率，包括中国债券市场短期、中期和长期的主要类型。样本数据及其缩写如表1所示，其中R7d表示7天质押回购利率，HRCB7y表示7年期高等级公司债券利率，以此类推。B.方法学1。时间域中的格兰杰因果关系检验格兰杰因果关系是经济学中广泛使用的检验两个数据序列是否存在格兰杰因果关系的方法[33,34]。

如果序列X有助于减少另一个序列Y的预测误差s，也就是说，X的过去传递了有关Y未来的一些信息，那么可以说X是格兰杰原因Y。是的，这是一种非常有用的方法，格兰杰因果关系只具有统计意义。它不一定符合物理学的因果关系，甚至不符合常识（参考文献[39–41]已经证明了这一点）。这篇论文没有提到这场辩论，从文献[33,34]的意义上来说，这就足够了。表1.我们研究的样本数据及其缩写类型缩写术语样本规模回购利率R 1d-14d 3银行间同业拆借利率IBO 1d-14d 3银行间同业拆借利率1d-1y 8中央银行票据CBB 1d-3y 7国债TB 1d-10y 19政策性金融债券PFB 1d-10y 12高级别公司债券HRCB 1d-10y 12低级别公司债券LRCB 1d-10y 12高级别短期票据HRSN 1d-5y 9低级别公司债券短期票据LRSN 1d-5y 9高级商业银行金融债券SeCBFB 1d-10y 11次级商业银行金融债券，如BFB 1d-10y 12铁路债务RD 1d-10y 11资产支持证券ABS 1d-10y 10两个系列之间的因果关系通常被称为成对G因果关系，或无条件GCAUSION形式。假设有两个时间序列，X和Y，人们想要检测Y到X之间的因果关系。可以考虑向量自回归模型（VAR）。

在VAR公式中，这个概念合理化如下：VAR（p）分解为XtYt=pXk=1Axx，kAxy，kAyx，kAyy，kXt-基特-K+εx，tεy，t（1） 残差协方差矩阵为∑≡ 冠状病毒εx，tεy，t=∑xx∑xy∑yx∑yy（2） VAR模型可以用似然函数或Levinson、Wiggins、Robinson（LWR）算法估计，而模型（p）的阶数可以用贝叶斯信息准则（BIC）确定[38]。回归（1）的x分量是Xt=pXk=1Axx，k·Xt-k+pXk=1Axy，k·Yt-k+εx，t（3）给定x自身的过去，x对y过去的依赖性被封装在系数Axy，k中；特别是，如果以下零假设成立，X对Yi的过去没有条件依赖性：Axy，1=Axy，2=…=Axy，p=0（4），然后写一个简化形式，省略Y:Xt=pXk=1Axx，k·Xt的过去-k+ε′x，t（5）极大似然理论[42]为参数数据建模的分析提供了一个自然框架。这激发了格兰杰因果关系统计的定义。FY→十、≡ 其中，∑xx=cov（εx，t）和∑xx=cov（ε′x，t）分别是VAR模型（3）和（4）的剩余协方差矩阵。在统计学意义上，∑xxx的值衡量基于其自身先前值的X的自回归预测误差，∑′xxx的值代表基于X和Y的先前值的X的预测误差。从这个角度来看，统计FY→当包含变量Y的过去时，Xthus量化预测误差的减少。由于∑xxi总是小于∑′xx，很明显，当没有因果关系时，F=0，当有因果关系时，F>0。当有另一组序列时，也可以逐个进行配对分析，但可能会报告虚假的因果关系。

例如，如果从Y到X之间没有直接的因果关系，但X和Y在Z上有重新回归（可能滞后），那么X和Y之间的因果关系可能会被代表。本文提出了两个速率序列在其他条件下的广义Granger因果检验，然后可以消除Z对因果推断的部分影响[36]。为了避免过多的数学复杂性，我们开发了三个时间序列的分析过程。该框架可以推广到时间序列集。假设Z是另一个变量，我们希望消除Z对从Y-toX推断G-因果关系的任何联合影响。同样，我们可以考虑一个类似于（1）和（2）的VAR（p）模型，但有另一个变量Z，并得到X的完整和简化形式：Xt=pPk=1Axx，k·Xt-k+pPk=1Axy，k·Yt-k+pPk=1Axz，k·Zt-k+εx，t（7）Xt=pXk=1A′xx，k·Xt-k+pXk=1A′xz，k·Zt-k+ε′x，t（8）检验因果关系的零假设仍然是（3），并且统计数据再次写成：FY→X | Z≡ ln |∑′xx |∑xx |（9）衡量的是，与X相比，加上y的过去有助于预测X的程度已经由其自身的过去值和过去的o f Z.2预测。频域中的格兰杰因果关系检验不仅在时域中，格兰杰因果关系也可以在频域中自然分解[35,36]。时间上因果关系的结果确实可以看作是光谱因果关系的平均总频率。

通过傅里叶变换过程，方程（1）被改写成光谱形式。X（λ）Y（λ）=Hxx（λ）Hxy（λ）Hyx（λ）Hyy（λ）Ex（λ）Ey（λ）（10） 其中传递函数H（λ）isH（λ）=（1-pXk=1Ake-ikλ）-1（11）经过适当的系综平均后，我们得到了谱矩阵（也称为交叉功率谱密度，CPSD）：S（λ）=H（λ）∑H（λ）*（12） 从（12）中导出，子过程X的CPSD写为：Sxx（λ）=Hxx（λ）∑xxHxx（λ）*+ 2Re{Hxx（λ）∑xyHxx（λ）*}+ Hxy（λ）∑yyHxy（λ）*（13） 在σxy=0的情况下，考虑不存在瞬时因果关系是有益的。我们总是可以使用Geweke[35]引入的线性变换来实现这一点。因此，方程（13）可以写成更简单的形式：Sxx（λ）=Hxx（λ）∑xxHxx（λ）*+ Hxy（λ）∑yyHxy（λ）*（14） X的CPSD分解为一个“内在”术语和一个“因果”术语。因此，统计学被构造为fy→X（λ）≡ ln（|Sxx（λ）|Sxx（λ）- Hxy（λ）∑yyHxy（λ）*|) （15） 条件不那么苛刻。然而，我们可以很容易地将这个问题转化为非推理形式，并像前面所说的那样解决它[36]。Barnett和Seth[38]开发的Matlabtoolbox中集成了时域和频域的条件Granger因果关系测试程序。在本文中，我们在所有其他利率的条件下，在样本中的每个利率之间应用上述条件G-causalitytest过程。利率之间的G因果关系结构可以用图解法来描述，其中节点表示一个利率，连接两个利率的有向边由通过显著性检验的G因果关系来描述。详细地说，如果Y Granger在所有其他r上导致X条件，那么我们可以看到从Y到X.3的一条直边。