种群动态结构的比较研究

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：
《Dynamic structure of stock communities: A comparative study between
  stock returns and turnover rates》
---
作者：
Li-Ling Su, Xiong-Fei Jiang, Sai-Ping Li, Li-Xin Zhong, Fei Ren
---
最新提交年份：
2016
---
英文摘要：
  The detection of community structure in stock market is of theoretical and practical significance for the study of financial dynamics and portfolio risk estimation. We here study the community structures in Chinese stock markets from the aspects of both price returns and turnover rates, by using a combination of the PMFG and infomap methods based on a distance matrix. We find that a few of the largest communities are composed of certain specific industry or conceptional sectors and the correlation inside a sector is generally larger than the correlation between different sectors. In comparison with returns, the community structure for turnover rates is more complex and the sector effect is relatively weaker. The financial dynamics is further studied by analyzing the community structures over five sub-periods. Sectors like banks, real estate, health care and New Shanghai take turns to compose a few of the largest communities for both returns and turnover rates in different sub-periods. Several specific sectors appear in the communities with different rank orders for the two time series even in the same sub-period. A comparison between the evolution of prices and turnover rates of stocks from these sectors is conducted to better understand their differences. We find that stock prices only had large changes around some important events while turnover rates surged after each of these events relevant to specific sectors, which may offer a possible explanation for the complexity of stock communities for turnover rates.
---
中文摘要：
股票市场群体结构的检测对于金融动力学研究和投资组合风险估计具有重要的理论和现实意义。本文结合PMFG和基于距离矩阵的infomap方法，从价格收益率和换手率两个方面研究了中国股市的社区结构。我们发现，一些最大的社区由特定的行业或概念部门组成，部门内部的相关性通常大于不同部门之间的相关性。与回报率相比，流动率的社区结构更为复杂，行业效应相对较弱。通过分析五个子阶段的社区结构，进一步研究了金融动态。银行、房地产、医疗保健和新上海等行业在不同的子时期轮流组成几个回报率和营业额都最大的社区。即使在相同的子周期内，两个时间序列的不同排名顺序的社区中也出现了几个特定的部门。为了更好地理解它们之间的差异，我们对这些部门的股票价格演变和换手率进行了比较。我们发现，股票价格仅在一些重要事件前后发生较大变化，而在这些事件发生后，与特定行业相关的换手率大幅上升，这可能为股票群体换手率的复杂性提供了一个可能的解释。
---
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：
--> Dynamic_structure_of_stock_communities:_A_comparative_study_between_stock_return.pdf (1.06 MB)

2022-5-25 13:33:53 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：比较研究 Quantitative Econophysics significance Applications

股票群落的动态结构：股票收益率与换手率的比较研究苏丽玲，蒋雄飞，李赛平，3，*华东理工大学商学院，上海200237，中国信息工程学院，宁波大红英大学，宁波315175，中国科学院物理研究所，台北115，浙江财经大学台湾金融学院，杭州310018，中国科学院，华东理工大学，上海200237，华东理工大学中国经济物理研究中心，上海200237（日期：2018年9月19日）。股市社区结构的检测对于金融动力学和投资组合风险估计的研究具有理论和实践意义。本文结合PMFG和基于距离矩阵的infomap方法，从价格收益率和换手率两个方面研究了中国股市的社区结构。我们发现，一些最大的社区由特定行业或概念部门组成，部门内部的相关性通常大于不同部门之间的相关性。与回报相比，营业额的社区结构更为复杂，部门效应相对较弱。通过分析五个子时期的社区结构，进一步研究了金融动态。银行、房地产、医疗保健和新上海等行业轮流组成几个在不同时期回报率和营业额都最大的社区。社区中出现了几个特定部门，即使在同一子时期，这两个时间序列的排名顺序也不同。

为了更好地了解这些部门的差异，我们对这些部门股票的价格演变和换手率进行了比较。我们发现，股票价格仅在一些重要事件前后发生了较大变化，而在这些事件发生后，与特定行业相关的周转率也随之上升，这可能解释了股票群体对于周转率的复杂性。PACS编号：89.65。Gh，89.75-k、 89.75。股票市场是一个典型的复杂系统，个人与上市公司之间存在着不同类型的互动。了解不同公司的回报如何相互关联，并确定其社区结构，对于金融动态研究和投资组合风险估计至关重要。为此，股票相关性的研究引起了人们极大的兴趣[1-14]。值得注意的是，金融市场中的股票之间存在着随机和相互作用的共存。股票相关性矩阵的大多数特征值与随机矩阵理论（RMT）的预测一致【1】，而一些较大的特征值包含特定行业部门或社区内特定股票的共同运动信息【15，16】。揭示股票之间的相互作用及其随时间的变化为投资组合优化和系统风险估计提供了有用的信息[3-5，17-19]。在用于检测股票相关性的各种方法中，提出了最小生成树（MST）的一种扩展，即Pla nar最大过滤图（PMFG），作为一种有效的方法来描述复杂数据集之间的内部结构【20】。

它被用来研究股票价格的集体行为*电子地址：spli@phys.sinica.edu.tw+电子地址：fren@ecust.edu.cnthe定量研究了美国股票市场以及与经济部门相关的集群形成[21]。在用这种方法进行的类似工作中，发现2008-2009年金融危机期间发生了结构变化【22】。它还被用于研究全球57个股票市场指数之间的相关性，在基于相关性的PMFG图中发现了快动态和慢动态【23】。从PMFG图的拓扑结构可以观察种群之间的联系，并检测其局部群落。另一方面，提出了一种信息论（infomap）方法来捕获复杂网络中的社区结构[24，25]。与传统的社区结构识别方法不同，该方法利用链接的权重和方向等有价值的信息将网络分解为模块。它已被用于揭示由PMFG方法构建的股票网络中的社区结构，其中链接权重与相关系数相关【12，23】。为了更好地提取业务部门之间的局部相互作用，基于RMT对股票相关矩阵进行分解，去除背景噪声和全球价格运动。以往对s-tock相关性的研究主要集中在收益率序列上。值得将相关性研究扩展到交易量，因为交易量是反映金融市场流动性的重要变量。已经证明，交易量和价格回报之间存在一种标度关系[26-32]，它们具有普遍的特性，如厚尾分布和长期记忆效应[27，28]。

通过交易量确定的社区结构的研究对于从市场流动性的角度理解股票之间的相互作用很有价值，并且将其与收益序列结构进行比较可以进一步帮助揭示交易量和价格收益之间的关系。通过各种方法，如格兰杰因果关系检验[33]、去趋势交叉相关分析[34]和同步交叉相关分析[35]，对价格回报和成交量之间的cr-oss相关性进行了大量分析。然而，关于交易量之间的相关性的研究仍然是r are[36，37]。研究了韩国股票市场买卖量构建的MST图的拓扑性质[36]。通过使用推理技术，最近的研究表明，交易量可以提供有关市场模式和行业内相互作用的信息【37】。本文结合PMFG和infomap方法，基于中国股票市场股票之间的相互关系，研究了股票群落的动态结构。对以价格回报率和营业额衡量的社区结构进行了全面比较。为了进一步研究社区结构的动态演变，我们研究了由五个时间段的价格回报率和周转率衡量的股票社区，每个时间段的时间跨度约为两年，并根据每个时间段股票市场的特定条件解释其差异。一、 数据和方法a。数据我们研究中使用的数据集来自北京Gildata Reset数据技术有限公司，seehttp://www.resset.cn/.我们的数据库包含中国大陆两家证券交易所之一的上海证券交易所（SHSE）所有A股股票的每日收盘价和交易量。

A股由中国大陆公司发行，并以人民币交易。在金融业的股票中，超过一半的银行在2007年后开始在HSE上进行IPO。为了确保我们的样本股票在主要重要的传统行业中均匀分布，我们选择了2007年10月8日至2015年3月31日在上海证券交易所交易的A-s hare股票，涵盖2008年次贷危机和欧洲债务危机期间，欧洲债务危机于2009年底左右开始。我们进一步选择证券交易所中流动性最强的股票，以确保该股票有足够的交易日，在我们的研究中具有统计意义。过滤标准是不包括连续停牌10天以上或累计停牌30天以上的股票。这一过滤产生了350只A股股票的样本数据集，以及总计625412条每日记录。根据全球行业分类标准（GICS），沙海证券交易所交易的股票分为九个行业：能源、材料、工业、消费品、医疗保健、银行、房地产、信息技术和公用事业。银行和房地产是金融业中的两个重要部门，我们在此单独进行分析。表II是9个行业部门的汇总统计数据，包括部门名称和代码，以及每个部门所选股票的数量。请注意，我们还包括一个被称为“新上海”（SH）的可选部门，这是构成股票社区的基本部门之一。新上海股票是指由在上海从事金融服务和城市建设的公司发行的股票。表一：根据全球行业分类标准（GICS）对行业进行分类。

基本信息包括行业的名称和代码，以及从每个行业中选择的股票数量。stocksEnergy EN 11Materials MA 60 Industrials IN 82消费品CG 86医疗保健HC 30银行BA 11房地产RE 26信息技术IT 27公用事业UT 17众所周知，交易量是反映金融市场流动性的重要变量，是一个非统计系列。由于交易量的非平稳性，我们在实证分析中考虑了交易量的百分比变化，即众所周知的周转率。换手率定义为在t时间内交易的股票数量与该股票的总发行量之比。因此，我们使用换手率来研究股票c相关性，而不是交易量，并与从价格回报中获得的相关性进行比较。B、 相关系数矩阵分解我们使用皮尔逊相关系数来量化各个股票之间的相互关系。对于两种不同股票Xi（t）和Xj（t）的时间序列，例如收益率序列或周转率序列，Pearson\'scorrelation系数定义为scij=h【Xi（t）】- hXi（t）i][Xj（t）- hXj（t）i]iσiσj，（1）其中σi和σj是两个股票序列的标准偏差。如果有N个样本库存，我们将有一个相关矩阵C，其中N×N相关系数作为其元素。许多股票相关性研究表明，股票相关性矩阵中的大多数特征值与RMT的预测符合得很好[1]。rando m矩阵的分析结果如下。

对于N个长度为l的随机时间序列的相关矩阵，极限N内各值λ的概率密度函数（PDF）P（λ）→ ∞ 和L→ ∞ is givenbyP（λ）=Q2πp（λmax- λ） （λ- λmin）λ，（2）其中Q≡ L/N>1，且λ在λmin范围内≤ λ≤ λmax.λmin和λmax是随机m相关矩阵的最小和最大特征值，由λmin，max=1+Q给出 2rQ。（3） 注意，也存在一些值比随机相关矩阵的特征值大得多的e igenvalue。最大特征值实际上量化了整个市场对所有股票的影响【11，15】，而其他一些大特征值包含特定行业部门或社区内特定股票共同运动的信息【15，16】。为了更好地提取股票部门之间的相互作用，我们按照[12]中的步骤，将相关矩阵分解为三种模式：随机模式、市场模式和部门模式。分解方程如下：Cij=crandomij+cmarketij+csectorij=Xλα≤λmaxλαuαiuαj+λuiuj+Xλα>λmaxλαuαiuαj.（4）通过限制于随机矩阵（λα）分析结果的特征值来测量随机模式≤ λmax）及其相关的特征向量，它类似于随机过程中的白噪声。市场模式由最大特征值λ量化，该特征值通常对应于股票市场中所有股票的影响，称为市场范围的影响。随机噪声和市场范围的影响从相关矩阵中去除，其余定义为行业模式，包含有关行业或社区的信息。我们将使用secto rmode构建股票网络并分析其社区结构。C、 网络构造方法PMFG是构建嵌入在给定亏格曲面上的图的最简单方法【20–22】。

构造此类图的一般方法如下：（i）首先按递减顺序对相关系数进行排序，这里采用相关系数的扇形模式。（ii）在排序列表中选择第一个（大st）元素，并将节点i和j之间的边添加到图中。（iii）选择下一个元素并添加边，如果生成的图形嵌入到genusg的表面上；其他人则跳过它。（iv）通过重复步骤（iii）重复该过程，直到考虑了（i，j）的所有对。一般来说，属越大，图中保留的原始信息量就越大。然而，这增加了图形的复杂性。最简单的图是g=0的图，它是拓扑球体的三角剖分。这种平面图被称为平面最大过滤图（PMFG）。PMFGs不仅具有算法上的优势，即平面性测试相对简单，而且还可以提供有关股票市场内部结构的大量信息[20，22]。距离矩阵的使用提供了另一种构建PMFG图的方法，它也被广泛应用于市场结构的研究中【21，22，38】。节点i和j之间的距离计算为dij=p2（1- cij），其中CIJI是相关系数的部门模式。根据这个公式，最小距离对应于最大相关性。在原始的PMFG方法中，将最大相关系数作为边缘权重。同样的图也可以通过最小化距离给出的可选权重来获得。该方法的主要区别在于，我们在步骤（i）中按升序对距离进行排序，因此在步骤（ii）中选择的第一个元素是最小的。

所有其他步骤均应相同。理论上，由相关系数构建的PMFG图与通过距离度量获得的PMFG图是相同的，这在我们的研究中很容易证明。因此，我们将只显示由距离矩阵构造的图的结果。最近，一项新的研究使用绝对相关系数来构建PMFG图[12]。这种方法根据股票之间的相关性大小来检测股票之间的相互作用，而不考虑它们之间的相关性。通过这样做，那些具有高度正相关和负相关的股票可以通过对冲进行连接，而股票之间负相关的反相关部门因此在其社区结构中被观察到[12]。我们还使用绝对相关系数来构建PMFG图，以便与通过distanc e m trix获得的图进行比较。进一步利用infomap方法揭示了由thePMFG方法构建的股票网络中的社区结构。在进行此操作之前，需要根据PMFG图计算a dja cent矩阵。PMFG图中具有边的（i，j）对对应的元素由扇形模式的相关系数构成。对于PMFGgraph中没有边的其他（i，j）对，元素设置为零。我们使用这个邻接矩阵来基于Infomap方法识别股票社区。这种信息论方法被用来揭示加权和有向网络中的社区结构。它利用网络上随机游动的概率流作为真实系统中信息流的代理，并搜索网络节点的模块划分，以最小化随机游动的预期描述长度。有关此方法的更多详细信息，请参阅[25]。二、