经统计验证的投资组合重叠和系统性风险网络

尽管考虑到我们方法的统计性质，这一缺陷是不可避免的，但总的来说，这些结果表明，只要不考虑异常回报，经验证的投资组合的回报率平均比未经验证的投资组合的回报率更高（绝对值）。买卖网络：对冲基金的案例在分析经过验证的证券网络之前，我们先说明我们方法的另一个有趣应用。我们的数据集允许我们为每个日期t建立买入（或卖出）二方网络，对应于每个机构在t之间获得（或卖出）的头寸- dt和t:ABUYis（t）=1如果是Wis（t）-Wis（t）- dt）>0，否则为0；ASELLis（t）=1如果Wis（t）- Wis（t）- dt）<0，否则为0。然后，对这些两部分工作的验证突出了以惊人相似的方式更新其投资组合的机构。作为一个案例研究，我们考虑对冲基金（HF）买入/卖出网络，这意味着我们只考虑HF买入或卖出的头寸（放弃所有其他链接），并将验证程序应用于这些子网络。对这一特定基金子集的关注源于2007年8月的大规模量化崩盘，在此期间，量化高频基金，尤其是那些采用市场中性策略的基金，在出现显著（尽管不完全）反转之前的几天内承受了巨大的损失（见[44]）。此外，我们希望调查HF在2000-2001年互联网泡沫结束时是否以同步方式反应。至于图3，图10显示，在购买/出售网络中验证的HF比例在时间上大致恒定，但还有一些更有趣的局部变化（尤其是在2008年前后）。

关于验证网络中邻居的平均数量，我们可以看到，销售网络的波动滞后于购买网络的波动3个月：事实上，在这种滞后下，互相关是最大的，并且非常高（0.8）。这可能是因为HF的典型持仓时间小于3个月：买入的股票将在3个月后卖出。值得注意的是，图10右侧的面板指出了一个事实，即平均而言，购买网络比出售网络更密集。这也反映在平均邻居数的自相关性中，对于销售网络，自相关性下降得更快。由于我们的数据集只包含多头仓位，我们只能得出结论，当它们打开多头仓位时，高频更加同步，并且以一种不太同步的方式清算它们。为了评估高频行动的同步性，我们使用每个基金的平均有效邻居数作为第一个近似值，清楚地观察到，在点组合顶部之后，购买模式越来越同步。在这个日期买入股票可能有两个原因：要么是高频的策略没有意识到泡沫破裂，仍在使用趋势跟踪，要么是他们利用泡沫破裂的机会折价买入股票。值得注意的是，同步销售滞后于购买，总体上没有那么激烈。关于全球金融危机期间，我们观察到2007年第三季度出现了一个买入峰值，2007年第四季度出现了一个卖出峰值。第一个峰值可能确实与2007年8月的大规模金融危机有关。然而，被强制平仓的所谓多空市场中性基金应该出现在卖出网络中，而不是买入网络中。如果这场危机发生在三个月后，这一点就会被观察到。

不幸的是，在融化和报告之间有将近两个月的延迟，这可能隐藏了事件。无论如何，这场崩盘都是一个同步事件，因为2007年9月底的买入网络密度显然是一个异常值：因此，HF在同一季度的投资组合中获得了非常相似的多头头寸，然后，预计在下个三个月底之前将其清算。0.250.300.350.4019920002001200220032004205200620072008200920102011201212014TateFaction of validated Institutions TypeBuy Sell 234567199920002001200220032004205200620072008200920102011201212014TateAverage Degreety Pe Buy sellFIG。10.对冲基金买入/卖出子网络中已验证机构的分数（左）和已验证网络中的平均学位（右）。在这里，最初的两方网络仅由对冲基金和它们在两方之间获得/出售的头寸组成- dt和t.经验证的证券网络的时间演变在本节中，我们最终使用我们的方法来检测具有统计意义的证券共同所有权，以便识别证券之间的传染渠道。因此，我们将验证程序应用于证券所有权重叠osq（t）=PiAis（t）Aiq（t）（而不是机构投资组合重叠oij（t）=PsAis（t）Ajs（t））。两种证券之间存在经验证的联系，反映出它们拥有非常相似的所有者群体，这再次转化为一种潜在的通过转售传播渠道。图11显示了证券上经过验证的网络投影的聚合特征的时间演化。与机构投影的情况相反（图。

在这里，我们观察到有效证券的稳定增长：越来越多的股票可以参与潜在的转售（或关闭类似机构）。此外，通过验证证券平均程度的增长，验证网络变得更加密集，这标志着零售传染渠道的扩散。请注意，存在与数据库涵盖的所有重大金融危机相对应的局部最大值：2001年的互联网泡沫、2007-2008年的全球金融危机和2010-2011年的欧洲主权债务危机。就机构而言，证券所有权的相似模式在所考虑的时间跨度结束时最大。经过验证的证券网络的平均程度不断增长，这一事实归结为机构选择证券，而不是相反。虽然我们数据集中的机构数量多年来有所增加，但证券的数量基本保持不变。如果一家新机构随机选择投资哪些资产，那么证券网络的平均程度将保持不变。如果只是因为流动性限制，情况并非如此。因此，平均而言，新机构的投资组合与现有机构的投资组合相关。为了检测观察到的模式是否涉及特殊类别的证券，我们根据彭博行业分类系统（BICS）[45]对经验证的网络进行了分析，该系统以其主要业务为基础，首先通过收入来源衡量，其次通过营业收入、资产和市场感知衡量。

因此，每种证券都属于以下行业之一：通信、消费信贷、主要消费品、能源、金融、医疗保健、工业、材料、技术、公用事业（或其他）。特别是，我们试图检测同一类别的证券是否倾向于在经过验证的网络中连接在一起。为此，我们将连接两个具有相同BICSlabel的证券的有效链接表示为内部链接，并将内部度计算为仅限于内部链接的安全度。如图12所示，内部联系更紧密的证券类别是（尤其是）金融类，在较小程度上是消费性的。这并不意味着投资组合重叠集中在这些类别上，而是在属于它们的证券中存在相对较多的传染渠道。0.000.050.100.150.2019992000200120022003200420520062007200820092010201120122012014已验证证券的比率10203040199920002001200120032004205200620072008200920012014ateaverage degreeFIG。11.出现在已验证网络（左面板）中的证券比例及其在已验证网络（右面板）中的平均程度随时间的变化。与经过验证的机构网络不同，经过验证的证券数量在时间上稳步增长。然而，验证链接的数量以更快的速度增长，这一点可以通过不断增加的平均度来证明。

实线对应于跨度为0.2的数据点的局部加权最小二乘回归（黄土）。0.10.20.30.41999200020012002200320042052006200720082009201020112012201321014已验证证券的数据分数2。02.53.03.54.019992000200120022003200420520062007200820092010201120122012014日期证券原始编号（log10）024619992000200200120032004205200620072008200920012011201222014日期平均内部度1。01.52.02.53.03.519992000200120022003200420520062007200820092010201120122014有效内部链接的数据（log10）部门通信消费者自由裁量消费主食能源金融保健工业材料其他技术用途图。12.已验证证券网络的统计数据，按BICS类别分类：已验证证券的分数（左上面板）、原始二分网络中的证券总数（右上面板）、平均内部度（左下面板）和已验证网络中的内部链接（右下面板）。后两个数量是通过仅考虑连接同一类别证券的有效链接而获得的。更具内部关联性的证券类别包括金融类（包括以下二级行业：银行、商业金融、消费金融、金融服务、人寿保险、财产及意外伤害、房地产）和非必需消费品（包括：航空公司、服装和纺织产品、汽车、赌场和游戏、消费服务、分销商、教育服务、娱乐资源、家居和办公产品、房屋建筑、家居装修、休闲产品、餐厅、旅游和住宿）。结论在这项工作中，我们提出了一种精确的方法，根据相似的投资模式推断金融机构投资组合之间的统计稳健联系。

该方法解决了评估两个不同规模和多元化的投资组合的重叠是由于市场资本和所有者数量非常不同的资产的随机分配造成的可能性的问题。使用由二部配置模型[40]提供的适当的零假设，可显著提高已验证网络检测特征的统计意义。请注意，该方法是通用的，并且可以应用于代表一组具有共同属性（例如，成员资格、物理属性、文化和品味、生物功能等）的实体的任何二部网络，并且其中存在（不太可能）相似的邻居组是有意义的。本研究随后得出结论：，就在金融危机或泡沫破裂之前，机构持股的相似性显著增加。对于股票市场来说，或许令人担忧的是，2008年达到峰值并随后大幅下降的拟议再销售风险代理，从2009年到我们的数据集结束（2013年）再次增加，达到了自2007年以来从未见过的水平。尽管我们的方法依赖于二进制所有权信息，但我们还发现，平均而言，重叠证券对应于已验证投资组合的更大份额，这可能会加剧零售损失。此外，建议的验证方法可以有效地检索在市场动荡时期（当验证链接是流动损失传播的渠道时）即将承受重大损失的机构，以及在市场繁荣时期（当重叠投资组合变成自我强化的泡沫时）增长最快的机构。

最后，我们表明，随着传染渠道的进一步扩散，可参与潜在转售的证券数量正在稳步增长。在这项工作中，我们只调查了投资组合重叠的模式，而不是它们导致重新销售的可能性。这是一个更复杂的问题，需要其他数据集和计量经济学技术。然而，即使我们无法从我们的发现中得出任何有力的暗示，我们进行的所有分析都证实了我们方法的一致性，并表明重叠投资组合确实在金融动荡中发挥了作用。此外，必须更好地描述持股与未来投资组合变化之间的关系。事实上，即使两个策略不同的机构汇聚到一个类似的投资组合中，这并不意味着它们会以同样的方式同时更新后者。然而，正如[23,24]所指出的，部分机构可能会遵循（明确的）等效策略，这意味着投资组合重叠和随后的再销售风险增加，从而触发进一步的杠杆调整。最后，在更大的数据集上重复我们的分析，以涵盖其他泡沫和危机，并检查不同市场投资模式的差异，将是有益的。方法提取13-F组分(https://www.sec.gov/)根据Factset所有权数据库，从1999年第一季度到2013年第四季度，涵盖价值超过1亿美元的合格资产的机构，这些机构必须在每个季度末向SEC报告其长期头寸。由于13-F数据集只包含超过10000股或200000美元的头寸，因此非常小的头寸已经被过滤掉。该数据集由一组约1500÷3500家机构组成，持有一组证券的头寸，其规模约为12500（见图。

1).请注意，子基金的投资组合合并为一份报告。除了原始所有权数据外，我们的数据集还包含有关机构和证券的元数据。多个测试下的重要级别，以便选择适当的阈值（重要级别）*（t） 为了在验证过程中使用，我们必须考虑所测试的多个假设（对应于具有非零重叠的可能机构对的数量NPAIR（t））。这里我们使用了相当严格的Bonferroni校正[46]，这意味着我们将阈值设置为P*（t） =/npairs（t）。请注意，重要级别的选择仍然存在一些随意性。文中给出的结果是用 = 10-3.我们用不同的, 并采用了不那么严格的错误发现率（FDR）标准[47]，没有发现重大的质量差异。事实上，虽然验证网络的最终大小明显取决于阈值，但网络统计数据的相对时间变化受所用特定值的影响要小得多。超几何分布方法的解决问题正如引言中所述，[34]中提出的将原始二部网络划分为同质证券子网络的方法有一些固有的局限性，尤其是当证券的特征是投资者数量极不均匀时（这通常发生在股票市场数据中）。事实上，在这种情况下，拆分程序通常会转化为几乎空的子集，尤其是对于大量投资者持有的证券。在这些子集中，重叠只能假设几个值，受所考虑的安全性数量有限的限制，从而导致p值的可能结果为数不多、间隔较远。

然后，问题出现在使用多假设检验校正的全局阈值时。事实上，由于机构在许多证券子网络上以相同的程度进行比较，npairs（t）的规模与I（t）Dmax（t）的规模相同≡ I（t）maxsds（t）：对于大型和异构系统，验证阈值变得非常小，并在有限的尺寸范围内消失。这些问题导致了一个严重的解决问题，因为P*（t） 太小，无法验证大多数子网络中最小的非零p值。因此，经过验证的网络在构建时几乎变成空的。总的来说，虽然[34]中提出的方法适用于异构程度很低的小型网络，但在大规模和高度异构的网络中，sameapproach是不可行的。二部配置模型中的p值确定等式（1）中使用的概率分布，需要解决由机构和证券的异质性引起的技术问题。例如，很难先验地比较资产非常少的投资组合和资产非常多的投资组合。然而，二部配置模型（BiCM）[40]提供了一个适用于此类情况的零网络模型。我们将读者发回[40,41,48]以了解该方法的更多细节。在下文中，我们将省略所考虑数量的明确时间依赖性，因为每个日期都采用相同的程序。简而言之，BiCM规定将空模型简单地构建为集合Ohm 最大随机的二部网络，在其制度和安全度序列平均等于原始网络的度序列的约束下。