地理位置和距离对中国股市金融动态的影响

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：
《Geography and distance effect on financial dynamics in the Chinese stock
  market》
---
作者：
Xing Li, Tian Qiu, Guang Chen, Li-Xin Zhong, Xiong-Fei Jiang
---
最新提交年份：
2016
---
英文摘要：
  Geography effect is investigated for the Chinese stock market including the Shanghai and Shenzhen stock markets, based on the daily data of individual stocks. The Shanghai city and the Guangdong province can be identified in the stock geographical sector. By investigating a geographical correlation on a geographical parameter, the stock location is found to have an impact on the financial dynamics, except for the financial crisis time of the Shenzhen market. Stock distance effect is further studied, with a crossover behavior observed for the stock distance distribution. The probability of the short distance is much greater than that of the long distance. The average stock correlation is found to weakly decay with the stock distance for the Shanghai stock market, but stays nearly stable for different stock distance for the Shenzhen stock market.
---
中文摘要：
本文以个股的日数据为基础，研究了包括上海和深圳股市在内的中国股市的地理效应。上海市和广东省可以在股票地理部门进行识别。通过研究地理参数的地理相关性，发现除了深圳市场的金融危机时间外，股票位置对金融动态有影响。进一步研究了股票距离效应，观察到股票距离分布的交叉行为。短距离的概率比长距离的概率大得多。研究发现，上海股市的平均股价相关性随股价距离的变化呈弱衰减，而深圳股市的平均股价相关性在不同的股价距离下几乎保持稳定。
---
分类信息：

一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
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：
--> Geography_and_distance_effect_on_financial_dynamics_in_the_Chinese_stock_market.pdf (1.07 MB)

2022-5-10 14:13:53 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：中国股市 国股市 对中国 Geographical Quantitative

地理位置和距离对中国股市金融动态的影响邢丽亚，田秋华，*, 南昌航空大学信息工程学院熊飞江达南昌330063浙江财经大学金融学院财富管理与量化投资协同创新中心杭州310018浙江财经大学中国金融研究院杭州310018，宁波大红英大学信息工程学院310018，宁波，315175，中国摘要基于个股的每日数据，研究了包括上海和深圳股市在内的中国股市的地理效应。上海市和广东省可以在股票地理区域中识别。通过研究地理参数的地理相关性，发现除了深圳市场的金融危机时间外，股票位置对金融动态有影响。进一步研究了股票距离效应，观察到股票距离分布的交叉行为。短距离的概率比长距离的概率大得多。研究发现，上海股市的平均股价相关性随股价距离的衰减很弱，而深圳股市的平均股价相关性在不同股价距离下几乎保持稳定。关键词：经济物理学；股票市场地理位置：89.65。生长激素，05.45。总磷*通讯作者。

地址：南昌航空大学信息工程学院丰和大道南696号，南昌，330063，中国。电子邮箱：天秋。edu@gmail.com（田秋）。提交给Physica的预印本20221年4月25日简介股票市场对国家经济有着至关重要的作用，因此市场的演变吸引了来自不同研究领域的科学家的极大兴趣，如经济学家、数学家和物理学家。其中，许多物理学家在过去20年中致力于金融动力学的研究[1–14]，并从统计物理学的角度揭示了一些程式化的事实。收益率和收益区间分布的标度行为已在不同的市场中得到验证[1-4,15-18]。研究发现，波动性聚类在大多数市场中都是普遍存在的[3,19]。金融市场广泛研究了时间相关性和时空相关性[20,21]。人们提出了各种模型来理解金融动力学的潜在机制[22–25]，经济动力学也从实验角度进行了研究[26,27]。之前的研究已经获得了丰富的财务动态特征。然而，很少有研究通过使用单个股票的长期经验数据来关注地理因素对金融动态的影响。事实上，地理位置如何影响金融是一个重要的经济问题，经济学文献对此进行了广泛讨论。人们曾经认为，电信和互联网的快速发展改变了地理位置在金融中的作用[28]。经济空间不再重要[29–31]。然而，一种对比的观点认为，空间效应仍然至关重要[32,33]。地理信息对跨境公平模式有重要影响[34]。

文化距离也会导致交易成本[35]。Lucey等人发现，文化距离越小，国家对联系越高[36]。到目前为止，地理位置和距离如何影响金融动态仍存在争议。在本文中，我们试图通过运用随机矩阵理论、互相关函数等，以中国股票市场的单只股票的日常数据为基础，了解地理因素对股票市场的影响。我们的结果表明，股票位置仍然对财务动态有影响。研究发现，股票距离仅对上海股市有影响，但对深圳股市没有影响。数据集和地理区域这些数据集基于2005年1月1日至2010年12月31日中国股市的单只股票的每日数据。由于市场在2008年左右经历了金融危机，数据涵盖了金融危机之前、之中和之后的三个阶段。为保证股票的流动性，只选择交易天数不少于150天的股票。最后，上海股市（SH）选择了778只股票，深圳股市（SZ）选择了474只股票。股票所在地表示为公司总部所在地，所选股票所在地覆盖中国所有省份。在上海股市，公司总部位于上海市的股票有153只，占上海股市的19.67%。在深圳股市，公司总部位于广东省的股票数量为121只，占深圳股市的25.53%。

这表明，持有高流动性股票的公司仍然倾向于将总部设在金融中心周围的地区。在研究地理因素对金融动态的影响之前，让我们先介绍一下回报和相关性的定义。对于股票i，时间t′的价格回报率Ri（t′）定义为一天内价格Pi（t′）的对数回报率，Ri（t′）=ln Pi（t′）- lnπ（t′）- 1） （1）股票i的标准化收益率ri（t′）定义为，ri（t′）=ri（t′）- hRi（t′）iσi（2），其中σi=qhRii- 赫里。价格回报的股票相关性定义为，cij=hrirji（3）。在过去的研究中，基于随机矩阵理论[37–39]对经济部门进行了广泛的研究。除中国股市外，大多数成熟市场都可以识别出商业部门。中国股市的股票由ST和蓝筹股板块确定[38]。为了理解地理位置如何影响金融动态，我们在这里应用随机矩阵理论来揭示地理区域。基于等式（3）中价格收益的股票相关性，分析了相关矩阵C的特征值和特征向量。通过搜索前几个最大特征值的特征向量中的主要成分，可以识别地理部门。如图1所示，上海和深圳股市前四个最大特征值的特征向量的绝对值| ui |。对于这两个市场，最大特征值λ的特征向量均为均匀分布。也就是说，与商业部门[40,41]类似，最大特征值对应于地理部门的某种“市场模式”。

然而，0.000.020.040.06 | ui（0）| ui（0）| 0.000.040.080.12 | ui（1）| ui（1）| 0.000.050.100.15 | ui（2）|上海| ui（2）124200300 400 500 600 7000.050.10 | ui（3）|库存（i）0.000.020 040.060.000.050.100.15。前四个最大特征值的特征向量| ui |的绝对值显示出来，左侧面板显示SH，右侧面板显示SZ。根据库存位置排列，库存位置顺序为安徽省、北京省、福建省、甘肃省、广东省、广西省、贵州省、海南省、河北省、河南省、黑龙江省、湖北省、湖南省、吉林省、江苏省、江西省、辽宁省、内蒙市、，宁夏、青海省、山东省、陕西省、陕西省、上海市、四川省、天津市、西章市、新疆、云南省、浙江省和重庆市。对于第二和第三大特征值，可以观察到位于上海市的股票分别主导上海股市，位于广东省的股票分别主导深圳股市。对于第四大特征值λ，我们无法找到重要的组成部分，即没有确定具体的行业。结果表明，位于上海市和广东省的股票在上海和深圳股市中起着至关重要的作用，金融中心的位置在金融动态中仍然至关重要。地理相关性动态进一步研究了地理因素对股票相关性动态的影响。我们制作了一张库存位置的二维地图。如图2所示，根据库存位置，将所有库存映射到一个N×N晶格上，N=10000。

对于SZ市场而言，在金融危机之前和之后，地理相关性Gc（n）随着n的增加而增加，而在金融危机期间随着n的减少而衰减。当n大于大约5500时，地理相关性GC（n）在所有三个时间段内的影响都变小。结果表明，股票位置对市场相关性有影响，尤其是对SH市场。此外，对于这两个市场，我们发现金融危机期间的相关性远高于金融危机前后的相关性，金融危机后的相关性也高于金融危机前的相关性。这表明，无论公司位于何处，金融危机时期的股票相关性都比正常市场时期强得多，高相关性可能会在很长一段时间内放松。2000 4000 6000 100000.250.300.350.400.450.500.552000 4000 6000 100000.200.250.300.350.400.450.500.550.60（a）SH GC（n）n（b）SZ GC（n）BFCIFCAFC nFig。3.为SH和SZ显示地理参数n上的地理相关性GC（n）。星星、圆圈和三角形分别代表金融危机之前、之中和之后的时期。为了证实这些发现，我们对不同地点的股票进行了统计，并计算了统计数据超过1000次的平均地理相关性，如图4所示。与原始数据不同的是，GC（n）对于不同的地理参数n是稳定的。金融危机期间的股票相关性始终高于金融危机前后的相关性，这也与实际市场中观察到的一致。

通过对实际市场和shuf fled数据的Gc（n）进行t检验，可以在两个市场的大部分时间内检测到它们之间的显著差异，p值为零。这表明股票的位置确实对市场相关性有影响。SZ市场的金融危机期是一个例外，当真实市场的GC（n）与shuf fled数据没有显著差异时，p值为0.64。众所周知，上海上市公司主要是大型企业，深圳上市公司主要是中小企业。我们的研究结果在一定程度上意味着，中小企业在遭遇金融危机时，其股票动态表现出更为同质的行为，因此位置变得不那么重要。0.20.30.40.40.50.62000.4000.100000.30.40.50.20.30.40.40.50.60.72000.4000.100000.30.40.5SH（BFC）（a）GC（n）SH（IFC）（c）GC（n）SH（AFC）（e）GC（n）SZ（BFC）（b）GC（n）SZ（IFC）（d）GC（n）nnSZ（AFC）（f）GC（n）图4。显示地理参数n上的shuf fled数据的地理相关性GC（n），结果为1000次以上的平均值。面板（a）、（c）、（e）分别针对SH市场金融危机之前、之中和之后的时期，以及（b）、（d）、（f）分别针对SZ市场金融危机之前、之中和之后的时期。茎表明错误条。0 200 400 600 80010-410-310-210-10 200 600 80010-410-310-210-1SH p（d）d（km）d=86.8km（a）SZp（d）d（km）d=101.6km（b）图5。股票距离分布以对数线性标度显示（a）SH市场和（b）SZ市场。实线是指数函数。股票相关性的距离效应互联网缩短了世界的距离，信息变得非常容易获取。

那么，它是否应该改变地理距离在股票市场中的作用，以及远距离是否应该削弱股票联系？为了回答这个问题，我们首先研究了股票距离分布。计算每个省份内的种群对的种群距离。如图5所示，31.030.822.6222.6222.5822.5422.5022.46114.56114.32114.08113.84经纬度（b）深圳31。631.431.2121.9126.0121.3（a）上海市城市规划121。0图。6.面板（a）和（b）分别显示了股票在上海和深圳市的位置分布。位于城市不同区域的股票用不同的颜色标记。对于上海市而言，位于浦东新区、宝山区、嘉定区、金山区、闵行区、南汇区、松江区、青浦区的股票分别用红色、绿色、青色、品红、橙色、暗色、紫色和灰色圆圈标记。黄埔区、静安区、卢湾区、徐汇区、长宁区、虹口区、杨浦区、普陀区和闸北区被合并为黑圈。就深圳市而言，位于南山区、宝安区、福田区、罗湖区、龙岗区和盐田区的股票分别以黑色、绿色、红色、青色、品红和橙色圆圈标记。短距离的概率比长距离的概率大得多。对于两阶段的股票距离分布，发现了一种交叉行为，特别是对于SH市场。交叉点位于SH市场约87公里处，SZ市场约102公里处。

分布的衰减可以通过指数函数f（x）=ea+bx，以及（a，b）来表示=(-1.099, -0.022）和（a，b）=(-2.251, -0.003），以及（a，b）=(-1.648, -0.005）和（a，b）=(-2.262, -0.003），分别适用于SZ市场的前一阶段和后一阶段。长距离应主要来自位于不同城市的股票对，而城市间的距离通常较长。短距离主要是从城市内部的股票对。然后，我们调查了几个大城市的存量区位分布，图6显示了上海和深圳市的存量区位分布。在图6中，不同地区的股票用不同的颜色标记。从沪深两市的股票区位分布来看，可以观察到股票的区域内聚集效应。导致聚集的原因可能很复杂。对于许多中国城市来说，他们通常都有城市规划。例如，如果城市的某个区域计划用作工业用地，那么许多公司会在该区域内建造工厂，这可以部分解释库存位置的内部区域聚集。其他一些因素，如相似的业务、良好的基础设施和城市的交通系统，也可能导致库存位置聚集。0.00.20.40.00.20.40.60.810 100 10000.00.20.40.60.00.20.60.810 100 10000.00.20.40.6（a）SH（BFC）C（d）（C）SH（IFC）C（d）（e）SH（AFC）C（d）（b）SZ（BFC）C（d）（d）SZ（IFC）C（d）（f）d（km）SZ（AFC）C（d）d（km）图7。