用自适应多重分形方法评估48个股票市场

测量中嵌入的趋势和非平稳性通常分为两类：全球趋势和局部趋势。除此之外，从数学角度来看，o Ne还有两个重要的趋势类别：多项式趋势和正弦趋势。在全局去趋势中，假定直线ar、多项式或指数函数ar。在经验模式下，通过使用图确定局部极值。1： 在AdaptiveTrending方法中划分典型序列的示意图。在每段中，R+1点与相邻分区重叠。待计算的内在趋势函数【19】。对于接近的局部去趋势，数据的移动平均值为一。在许多情况下，MF-DFA和MF-DXA方法无法消除数据中的叠加趋势，尤其是在正弦趋势存在的情况下[52,53]。作为消除上述趋势傅里叶去趋势波动分析（F-DFA）[54-56]的补充程序，这实际上是一种高通滤波器，建议使用奇异值分解（SVD）[57-60]和自适应去趋势方法[20]。事实上，正弦趋势叠加的最显著特征是MF-DFA或MF-DXA的函数中存在交叉（有关更多详细信息，请参见以下小节）。本文采用自适应去趋势算法去除局部趋势，然后将MF-DXA方法应用于干净数据集。下面，我们将详细介绍自适应MF-DXA（AMF-DXA）作为分析股票数据集的方法。去趋势互相关分析（DCCA）[18,51]是DFA[14,15]方法的推广，该方法只分析了一个时间序列。对基础数据集进行自适应去趋势分析，以消除局部趋势。然后，将干净的数据用作DCCA及其泛化的输入[20]。

为了考虑高阶矩，DCCA方法被修改，引入了所谓的MF-DXA【36】。自适应去趋势MF-DXA有5个步骤（更多详细信息，请参见[18、20、36）]：（I）：假设k=1。。。，t、 我们对长度th2R+1进行分段。每个相邻分区都有R+1个重叠点。对于大小为2R+1的每个窗口，将设置一个任意多项式（Y）。的确，K阶的最佳多项式l与当地趋势相一致。为了构造连续趋势函数，为第v段[20]的重叠部分定义了以下加权函数：Yoverlapν（k）=1.-K- 1RYν（k+R）+k- 1RYν+1（k）（3），其中k=1，2。。。，R+1。R值和拟合函数的or de R是两个自由参数，应适当确定[20]。在这篇论文中，我们等于50个单词的数量。此外，还选择了二阶拟合多项式。每段中的点数通过以下公式计算：2R+1≡ 2×intht-1wadaptive+1i+1。显然，增加WADAPTIVE的值和拟合多项式的阶数会导致几乎所有的函数都被忽略，因此可能会抑制底层数据集的信息。图1表示自适应去趋势算法中的分割示意图。确定每个分区的趋势函数后，每个分区中对应的自适应去趋势数据由xi=zi给出- Yν（i）。（二） ：两个自适应去趋势系列的性能定义为：X（k）≡kXi=1【xi】- hxi]k=1，泰（k）≡kXi=1[yi- hyi]k=1。

，t（4）由于通常平均值在最终结果中不起重要作用，并且因为我们将比较两个不同的时间序列，因此，我们构建了具有零均值和单位方差的数据集。（三） ：我们将上述每个文件分为N个部分≡int（t/s）没有等长的n个重叠段，s，对于每个分段，计算fluctuatio n函数。为了防止数据大小不是s的倍数时数据泄漏，从另一端执行相同的方法，从而确定2个集合。Fxy（s，m）=ssXi=1{X[（m- 1） s+i]- X fit（i，m）}×{Y[（m- 1） s+i]- Y fit（i，m）}（5）对于m=1。。。，Nsand:Fxy（s，m）=ssXi=1{X[t- （m）- 1） s+i]- X fit（i，m）}×{Y[t- （m）- 1） s+i]- Y fit（i，m）}（6）对于m=Ns+1。。。，2Ns，其中X fit（i，m）和Y fit（i，m））是mth段中的任意拟合多项式。之前的研究证实，通过选择线性拟合函数，可以消除常见趋势。没有趋势意味着应该采用z-eroth顺序拟合函数[61]。（四） ：在所有部分的每个局部函数上，平均值定义为：Fxy（q；s）=（NsNsXm=1 | Fxy（s，m）| q/2）1/q（7）。原则上，q可以取除零以外的任何实值。当q=0时，方程（7）变为：Fxy（0；s）=exp2NsNsXm=1ln | Fxy（s，m）|！（8） 对于q=2，检索标准DCCA。（五） ：最后，我们要求函数表现为幂律函数，Fxy（q；s）V sus s的对数曲线图的斜率确定为：Fxy（q；s）~ shxy（q）（9）如果两个基本级数相等，x=y，则hxx（q）=hxy（q），并且除了所谓的广义hurst指数h（q）之外，没有别的。非平稳序列的赫斯特指数（0<H<1）由[62]给出（详见[63,64]的附录）H≡ hxx（q=2）- 1.（10）标准多重实际形式表明，多重分形标度指数为[17，65]τxy（q）=qhxy（q）- E

（11） 其中，E是几何支撑的分形维数，对于一维数据集，E=1【17】。通过多重分形标度指数的勒让德变换，给出了数据的广义奇异性谱fxy（αxy），即fxy（αxy）=qαxy- τxy（q），其中αxy=τxy（q）q称为H¨older指数。对于多重分形级数，αxy有一个谱而不是一个值。H¨older谱的区间，αxy∈ [αminxy，αmaxxy]可由[66–68]αminxy=limq确定→+∞τxy（q）q、 （α）limq=12→-∞τxy（q）q、 （13）根据基因化Hurst指数的值，确定hxy（q），确定相关性和功率谱标度指数。非平稳过程的相关函数为：Cxy（T，T）≡ hx（t）y（t）i~ [t]-γxy+t-γxy- |T- t|-γxy]（14）和γxy=-2Hxy=2- 2hxy（q=2）。功率谱的指数也由βxy=2Hxy+1=2Hxy（q=2）给出- 1.在表2中，我们总结了随机过程的最相关标度指数。不能保证所有基础标度中的每个q都有唯一的标度指数hxy（q）。在某种情况下，我们应该注意范围标度指数1D fGn 1D fBm 2D级联2D fBmHxyhxy（q=2）hxy（q=2）- 1 hxy（q=2）hxy（q=2）- 1γxy2- 2Hxy-2Hxy1- 2Hxy-1.- 2Hxyβxy2Hxy- 1 2Hxy+1 2Hxy2Hxy+2表II：关于一维和二维随机过程的一些标度指数。必须指出的是，对于2D情况，Hurstexponent的值还存在争议，例如，请参见[69，70]。意大利-澳大利亚-马来西亚（k）500 1000 1500 2000 2500 3000 3500 4000 4500 500050100150200250300350400450500550600650700INDIAJan。1995年2014年2月图。2：一些月度股市指数的时间演变。研究了基础数据集。因此，在所有缩放范围内，基础数据集有多个统计行为。

换句话说，存在或不存在短程互相关。HXY的q依赖性表明，交叉函数具有多重分形性质。必须指出的是，趋势调查的重要性至少基于以下两个目的：首先，数据集中存在某些类型的趋势，如正弦趋势，导致数据集中出现交叉[52,53,55,57-59,71-73]。为了使上述趋势的影响最小化，并找到更可靠的统计推断，使用了一些额外的去趋势程序，例如F-DFA（54-56）、奇异值分解滤波（SVD）（5 7-59）、经验模式分解（19）和自适应去趋势算法（20）。在去除全球和局部趋势后，我们通过应用MF-DXA获得了膨胀指数。已经证明，为了根据DFA或DCCAMETHOD找到最可靠的缩放指数值，我们应该设置≤ （t/2），即Ns≥ 2【17】。为了确定函数与标度的对数plo t曲线斜率（方程式（9）），我们使用了如下似然统计：L（数据| hxy（q））~ 经验-χ（hxy（q））（15） 式中：χ（hxy（q））=Xs[Fobs.（q；s）- F fit（s；hxy（q））]σobs。（q；s）（16）此处为F（s；hxy（q））和FOB。（q；s）是由方程（9）确定的函数，分别使用DFA或DCCA直接从数据集计算得出。还有，σobs。（q；s）是与FOB相关的平均标准偏差。（q；s）。最大似然函数将ponds与hxy（q）最佳值的χ最小化相关联。根据以下条件，通过似然函数计算hxy（q）1σ置信区间的误差条值：68.3%=Z+σ+（q）-σ-（q） L（数据| hxy（q））dhxy（q）（17）将根据hxy（q）+σ+（q）报告标度指数a t 1σ浓度区间的最佳值-σ-（q） 每时每刻都是q。

在高斯情况下，σ-（q） =σ+（q）。为了使我们的结果更加合理和完整，我们遵循G.F.Zebende[24]提出的所谓互相关系数的方法：σDCCA（s）≡Fxy（s）Fxx（s）Fyy（s）（18）其中Fxy（s）≡NsNsXm=1Fxy（s，m）（19）和Fxy（s，m）由等式给出。（5） 和（6）。最后我们计算σDCCA=hσDCCA（s）。σDCCA=+1表示完全互相关，σDCCA=0表示基础数据集之间没有交叉相关，而σDCCA=-1表示完全反相关。同时，Kwapie\'n等人提出了一种基于公式（18）量化互相关的改进版本，即q独立互相关系数。我们发现，我们仅在q=2的情况下使用上述度量，而在另一项研究中，我们将考虑更多的q.III.数据描述。本文使用的数据包括48个发达和新兴市场的调整后市场资本化股票市场指数，由摩根士丹利资本国际（MSCI）构建，并从图中下载。3：股市之间的长期重要关系（虚线表示双边关系，实线表示单边关系）。数据流。我们使用1995年1月至2014年2月期间的每日指数价格，相当于每个指数4995个观察值。MSCI的分类取决于三个标准：经济发展、规模、流动性和市场可及性，并将市场划分为发达市场、新兴市场和前沿市场（更多详细信息，请参见http://www.msci.c嗯）。我们的数据库包括23个被归类为发达市场、21个被归类为新兴市场和4个前沿市场。

发达市场包括：加拿大、美国（来自美国）、奥地利、比利时、丹麦、芬兰、法国、德国、爱尔兰、以色列、意大利、荷兰、挪威、葡萄牙、新加坡、西班牙、瑞典、瑞士、英国（来自欧洲）、澳大利亚、香港、日本、新西兰和新加坡（来自太平洋）。新兴市场包括巴西、智利、哥伦比亚、墨西哥、秘鲁（来自美洲）、捷克共和国、埃及、希腊、匈牙利、波兰、俄罗斯、南非、土耳其（欧洲、中东和非洲）、中国、印度、印尼、科雷亚、马来西亚、菲律宾、台湾和泰国（亚洲）。前沿市场为阿根廷（美洲）、摩洛哥（非洲）、约旦（中东）和巴基斯坦（亚洲）。这些数据是这些市场的相对价格指数，在第一次观察中以100为基数。为了说明这些市场的行为，我们在图2中预发了一些市场的时间演化。用一种非常简单的方式，我们可以观察到一些股票市场之间的相似行为，除了规模上的差异。例如，在发达的市场群中，欧洲表现出一些“同步”，例如亚洲的一些市场，即新加坡和日本。新兴市场似乎也表现出高度的“同步”或类似行为，尤其是在欧洲和南美洲。

重要的是要注意土耳其股市的高价值，这可能会导致该市场在C-0.100.10.20.30.40.50.60.70.80.911.1国家指数C C2 4 6 8 10 12 14 18 20 22 24 26 28 30 32 34 38 40 42 44 46 48 500.920.930.940.950.970.980.99期间强劲增长名称索引澳大利亚、捷克共和国、德国、香港、印度、意大利、墨西哥、新西兰、新西兰、巴基斯坦、波兰和葡萄牙、南非、南非、斯里兰卡、新西兰和土耳其等国的地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志性地理标志。4：顶部面板：每个国家的平均全球相关系数（GCC）。底部面板：每个国家的平均全球相关性的缩放。数据分析。当然，这种分析是微不足道的。为了评估这些市场之间的关系，重要的是在线性和非线性条件下使用稳健的技术。四、 股票市场共同运动的结果在上一节中，已经解释了根据基础数据提取可靠信息的数学和计算工具。在本节中，我们将在序列上应用上述方法。A、 协整和因果关系检验的证据通过将时间序列回归到一个非显著常数来证明其稳定性。结果表明，所有变量都存在结构性中断，其中一些结构性中断似乎与股市崩盘和金融危机的存在有关。鉴于所有变量都是非平稳的，我们考虑了估计所有这些变量之间长期关系的可能性。

为了检验所有这些序列之间的协整性，我们使用了格雷戈里和汉森[42]提出的菲利普斯检验，因为标准名称dd de ee ef的幂平均值为0.959067 0.948624 0.969767 0.977078 0969962中值0.96941 0.96059 0.97738 0.97887 0.9771198标准偏差0.027804 0.036165 0.02653 0.007469 0.022081峰度4.8201761.097552 7.553805 1.0746793-2.200398-1.278313-2.712298-0.995404-1.680047最小值0.86383 0.84784 0.870824 0.95692 0.93771最大值0.98162 0.992808 0.99287 0.98999 0.98774N 27 65 47 4表三：GCC的描述性统计。请注意，dd指发达国家与发达国家指数的GCC，与发达国家与新兴国家指数不相关，ee代表新兴国家与新兴国家，EF表示新兴国家与前沿国家指数，f表示前沿国家与前沿国家指数。当序列出现结构断裂时，约翰森试验可能会大大减少。使用Bruce Hansen提供的Gausscode，我们测试了所有变量对（更准确地说，是各自的对数）中是否存在协整，结果表明存在170个二元协整向量。由于Granger因果关系检验不能用于非平稳变量（使用AIC和BIC选择滞后数），因此使用VECM（向量误差修正模型）根据线性因果关系对这些长期关系进行评估。图3显示了使用VECM和相应类型的关系（双边和统一）获得的长范围重要关系。仅以图3为参考，很难分析所有重要关系。

尽管如此，这一图表有助于读者理解五个主要事实：（i）巴西、哥伦比亚、埃及、印度、印度尼西亚、澳大利亚和澳大利亚是与更多外国市场协整的股市；（ii）Granger因果关系有助于分析这些关系的方向，双向关系的显著数量大于单向关系的数量；（iii）新兴市场之间的关系似乎更加明显；（iv）美国似乎不是发动机；（v） 欧洲内部以及欧洲和南美洲之间的牢固关系。B.互信息稳健的方法需要对自然界中记录的各种波动进行统计分析，从而得出可靠的结果。为了从整体上评估股市之间的长期关系，我们使用互信息独立性检验和全球相关系数（GCC）进行了相似分析。由于在存在非协整和非平稳序列的情况下，交互信息可能会失去一些属性，因此我们仅对显示协整证据的指数进行估计。有鉴于此，我们估计了170对指数的互信息和全局相关系数，并根据相关的临界值[49]，所有获得的值都具有统计学意义。图4显示了每个国家获得的全球相关系数的平均值。从图中我们可以看到，除台湾外，大多数国家都表现出较高的值（在0.9到1之间）。这一结果的解释是，台湾没有显示出与任何其他国家的协整关系，不允许对MI进行估计。如果我们分析图4的（b）部分，我们有可能以更好的方式区分每个国家的平均GCC值。