围绕网络泡沫的投资者生成树动力学

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：
《Dynamics of Investor Spanning Trees Around Dot-Com Bubble》
---
作者：
Sindhuja Ranganathan, Mikko Kivel\\\"a, Juho Kanniainen
---
最新提交年份：
2017
---
英文摘要：
  We identify temporal investor networks for Nokia stock by constructing networks from correlations between investor-specific net-volumes and analyze changes in the networks around dot-com bubble. We conduct the analysis separately for households, non-financial institutions, and financial institutions. Our results indicate that spanning tree measures for households reflected the boom and crisis: the maximum spanning tree measures had clear upward tendency in the bull markets when the bubble was building up, and, even more importantly, the minimum spanning tree measures pre-reacted the burst of bubble. At the same time, we find less clear reactions in minimal and maximal spanning trees of non-financial and financial institutions around the bubble, which suggest that household investors can have a greater herding tendency around bubbles.
---
中文摘要：
我们通过从投资者特定净交易量之间的相关性构建网络来识别诺基亚股票的暂时投资者网络，并分析网络泡沫周围的变化。我们分别对家庭、非金融机构和金融机构进行分析。我们的结果表明，家庭的生成树度量反映了繁荣和危机：当泡沫形成时，最大生成树度量在牛市中有明显的上升趋势，更重要的是，最小生成树度量预先反应了泡沫的破裂。与此同时，我们发现非金融和金融机构围绕泡沫的最小和最大生成树中的反应不太明确，这表明家庭投资者可能会在泡沫周围有更大的羊群倾向。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Dynamics_of_Investor_Spanning_Trees_Around_Dot-Com_Bubble.pdf (424.96 KB)

2022-6-1 06:05:12 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：动力学 投资者 Institutions correlations Quantitative

网络公司BubbleSindhuja Ranganathan1，*、Mikko Kivel¨a、Juho Kanniaine1 Industria l and Information Management/坦佩雷理工大学，坦佩雷，芬兰达2科学院计算机科学系/阿尔托大学，埃斯波，芬兰达当前地址：坦佩雷，工业和信息管理/坦佩雷理工大学，芬兰*sindhuja。ranganathan@tut.fiAbstractWe通过从投资者特定净交易量之间的相关性构建网络，并分析围绕网络泡沫的网络变化，为诺基亚股票识别临时投资者网络。我们分别对家庭、非金融机构和金融机构进行分析。我们的结果表明，家庭的生成树度量反映了繁荣和危机：当泡沫形成时，最大生成树度量在牛市中有明显的上升趋势，更重要的是，最小生成树度量预先反应了泡沫破裂。目前，我们在泡沫周围非金融和金融机构的最小和最大生成树中发现了不太明确的反应，这表明家庭投资者可以在泡沫周围有更大的羊群倾向。简介在金融机构中，个人或代理人的战略互动和集合可以在决定其财务结果方面发挥关键作用。在最近的过去，了解投资者的行为和运作方式一直是行为金融学关注的焦点。在之前的文献中，投资者交易策略和投资者行为是使用传统回归方法在总体层面上进行研究的[1、2、3、4、5、6、7]。现有文献已成功分析了股票和汇率网络的演变及其结构变化【8、9、10、11、12、13】。

文献[14、15、16]分析了经济和金融泡沫对股市的影响。然而，投资者网络已经得到了大量的研究，尽管最近已经应用复杂网络方法来识别投资者网络[17，18]，但我们仍然缺乏研究金融危机前后投资者网络的动态。本报告旨在通过使用包含芬兰家庭和机构在赫尔辛基交易所的所有交易的独特投资者交易记录数据，重点关注互联网泡沫期间投资者关联网络的动态，从而成为了解投资者网络的第一步。我们特别关注投资者网络结构的随机和非渐进变化如何与股票价格过程相关的问题。这项研究为揭示对股票市场实际机制的理解开辟了道路，以识别多米诺骨牌效应，这种效应可以传播给投资者，并推动股票市场进入危机状态。本文利用投资者特定日净流量的时间序列，为诺基亚（Nokia）获得投资者相关矩阵。诺基亚是千年来最重要的科技公司之一。同时，在赫尔辛基证券交易所的数据样本中，诺基亚是流动性最强的股票，还有其他基于诺基亚股票市场数据的研究，例如参考文献。18、19、20岁。对投资者的三大类别：金融机构、家庭和非金融机构的投资者相关性进行了估计。相关矩阵可以解释为链路加权的1/15网络，所有节点连接的结果网络中的链路可以使用不同方法的数量进行过滤【12、2、1、22、23】。

股市网络分析中一种优雅而流行的方法是使用最小或最大生成树方法来寻找全相关网络的“主干”[8、9、11、24、25、26]。最近开发了几种更复杂的相关矩阵构造和滤波方法[21、23、27、28、29、30、31]，但利用这些方法还有待于将来的研究。与其他金融相关网络相比，本文开发的投资者网络动力学分析引入了两个理论挑战。首先，投资者的集合比股票的数量要大得多，而活跃投资者的集合是强时变的。绝大多数用于分析动态或时间网络的方法都基于这样的假设，即只有链路发生变化，节点集是稳定的[32，33]。此外，投资者集合中的变化甚至限制了基于单独分析每个网络快照的方法的适用性，因为对网络大小敏感的指标无法在投资者数量可能极其不同的不同时间窗口中进行比较。第二个挑战与时间序列的广泛稀疏性有关，因为很少有投资者非常活跃，而其他许多投资者非常不活跃。积极投资者可以使用高时间分辨率和短观察窗长度进行调查，但不频繁投资者需要较低的分辨率和较长的时间窗。这里所做的传统相关分析需要选择一个时间分辨率水平和观察窗长度，而这个选择必须是两个极端之间的折衷。我们在位移为一个月的六个月时间窗口内构造网络的最小和最大跨越率。

我们对家庭交易之间的估计相关性的结果表明，在股票价格的临界点（股价开始下跌）之前，最大生成树的平均权重增加，最小生成树的平均权重减少，之后它们保持相当稳定。换句话说，当泡沫传播时，平均而言，一个投资者在最大生成树中与另一个投资者的相关性越来越正，但与此同时，在最小生成树中，与距离最远的投资者的相关性，即交易风格，变得更为负。这表明，在2000年诺基亚价格暴跌之前，家庭变得两极分化。然而，由于无法观察到金融机构的强大影响，机构投资者最小和最大投资树的平均权重与金融风险的演变没有那么明显的关系。本文分析了2000年网络公司泡沫前后诺基亚投资者的行为。当资产价格偏离其基本价值时，就会出现泡沫。一般来说，在泡沫期间，投资者购买股票是为了预期未来收益，当泡沫破裂时，价格会突然下跌，互联网泡沫也是如此。特别是在20世纪90年代末，基于互联网的股票占据了股票市场的主导地位，对基于互联网和技术的初创企业的投资也非常少，他们的预期非常乐观。随着人们开始向以科技为基础的初创公司投入资金，他们在股市的股价变得非常高。在2000年初，对这些公司的投资大幅减少，许多预期能产生利润的公司倒闭，导致泡沫破裂。

紧接着，出现了恐慌性抛售，市场暴跌。文献中已经从不同的角度对泡沫进行了广泛的研究。根据参考文献35，泡沫期间的市场价格遵循幂律加速，并具有低周期振荡。网络泡沫具有类似的特征，最终导致崩溃（例如，参见参考文献[36]）。有一种观点认为，泡沫的产生是由于市场中普遍存在的不确定性。【37】在这方面，参考文献38提供的证据表明，由于高水平的不确定性与网络泡沫期间市场的高价格和高回报波动性相匹配，一些股票的价格突然上涨的不确定性是合理的。互联网泡沫期间市场价格的突然上涨和下跌与各种来源的风险变化有关。Bakshi和Wu【39】表明，随着纳斯达克100指数估值的上升，作为风险衡量指标的回报波动性增加，2/15扩散风险的市场价格估计值变为负值（1999年9月21日至2000年1月5日），跳跃风险的市场价格变得异常高。关于泡沫发生的另一个观点是，当投资者认为新的创新会带来机会，并期望未来获得高额利润时，泡沫就会发生。泡沫发生的其他原因还有交易者缺乏经验[41]、投资者的情绪[42]、投资者的过度自信[4 3]和公开声明[44]。泡沫破裂有几个原因。根据参考文献38，网络泡沫破裂的原因之一是科技股的预期盈利能力变低。并非所有泡沫都会导致崩盘，但当泡沫崩盘时，它会向市场发出重要信息。根据参考。

40、当泡沫破裂时，这表明有必要实施泡沫时期出现的新创新。这需要社会和经济支持，以继续发展有利于经济的创新。结果接下来，我们将描述如何围绕1998-2002年的网络泡沫构建一系列投资者投资诺基亚股票的相关网络，并报告与这些网络变化相关的基本统计数据。然后，我们继续研究从这些完全连通网络中提取的最小和最大生成树。我们分别报告了对芬兰家庭、金融机构和非金融机构的分析结果。网络中的节点：主动投资者我们构建的网络中的节点是投资者，为了估计n对节点之间的相关性，我们需要有关于其交易行为的大量数据。图1a描述了1998年至2002年期间投资者的分布情况，并显示有许多投资者只交易了几天，但相对较少的投资者交易了几天，从而对数据进行了分析。我们采取两个步骤来解决网络建设中与稀疏数据相关的问题：首先，我们只考虑在特定时间段内至少交易20天的活跃投资者。其次，每个活跃投资者的日净交易量是一周内的平均值（即，我们是pplyinvestor特定的简单移动平均值）。我们通过移动一个6个月的滑动时间窗口来调查1998-2002年iod的总样本。通过使用每个6个月时间窗口的活跃投资者的上述定义，图1b描述了活跃金融机构、家庭和非金融机构数量在这些时间窗口内的演变。

我们看到，在样本期内，活跃家庭和非金融机构的数量呈积极趋势，而活跃金融机构的数量保持稳定。重要的是，泡沫“破裂”对活跃交易卢比的数量没有明显的影响。尽管每个时间窗口中的投资者数量可以保持稳定，但投资者群体可能会有很大的差异。确实如此，如图1c所示，我们使用Jacc ard指数调查每个后续时间窗口中重叠的投资者数量。请注意，活动标准（在s ix个月内至少观察20次）适用于每个估计周期，间隔为一个月，并且该过滤对Jacc ard索引值有影响。我们观察到，与金融机构相比，家庭网络之间的相似性较低，这意味着随着时间的推移，活跃家庭投资者的营业额相对较高。这意味着，特别是对于相对不活跃的家庭投资者来说，不同时间窗口中的网络必然会非常不同，如果我们在网络静态中观察到任何稳定，它们不能仅用网络的稳定性来解释，而是需要用系统中的其他一些组织原则来解释。网络中的链接：交易模式中的相关性我们使用每个时间窗口内投资者对交易模式的皮尔逊相关性来构建投资者之间的a链接b（有关详细信息，请参阅方法）。皮尔逊相关系数3/15已广泛用于股票价格时间序列的网络分析[8]，在分析个人投资者交易方面也有一些明显的优势。

交易量异常高的观察值可以代表重要信息到达的天数，我们有兴趣分析投资者是否以同样的方式对信息作出反应，因此，衡量指标对异常大的价值敏感是一个理想的属性。与皮尔逊相关相反，克恩达尔和斯皮尔曼相关是在看排名顺序，而不是度量信息，因此它们没有适当地对这些异常天数进行加权。不仅节点在不同的时间窗口之间发生变化，而且链接的权重（相关性）也相对不稳定。为了量化这一点，我们测量了保留在两个连续时间窗口中的节点之间的平均绝对变化不相关（参见方法中的公式1）以及图2中所有节点对之间的平均相关性。图2a显示了在随后时期出现的投资者对之间相关性的平均变化。两个连续时间窗口之间的相关性变化与时间窗口内相关性的标准偏差具有相同的顺序。也就是说，网络的链接相对不稳定，但正如我们将在下一篇文章中看到的那样，网络的全球组织和相关统计数据仍然相对稳定。最小/最大生成树我们生成的投资者净交易量的相关矩阵可以解释为所有节点对（即投资者）连接的加权网络。特别是，投资者i和j通过ρij的权重联系在一起∈ [-这是投资者每日净交易量之间的皮尔逊相关系数。显然，这些全连通图的拓扑结构是独立的，所有信息都在权重中。

为了分析结构，需要过滤掉部分边缘，并且存在各种方法进行过滤[21、22、23、31]。根据股票价格分析文献[8，9]，我们采用了一种最简单的过滤方法，并构建了相关网络的最大（a ndminimum）生成树。最大生成树分析的思想是过滤尽可能多的边，以便网络仍然连接，并且不会过滤出可能高的权重（或相关性）（有关详细信息，请参阅方法部分）。根据参考文献17，可以从已实现交易中识别信息链接，因此，具有类似交易行为的交易员可以拥有（私人）信息渠道。根据投资网络中信息传输推断的思想，最大生成树将反映所有投资者之间的最小交互集，并且它们之间仍然有最强的信息流。然而，将经验投资网络解释为信息网络可能会受到质疑，因为如果两个投资者只是在相同的公共信息渠道中遵循相同的投资策略，那么他们肯定会在相同的方向上交易，甚至彼此都不了解。一般来说，最大生成树在保持图的连通性的同时，选择最相似的交易策略，反映了实际的信息渠道与否。最大生成树的平均权重显示了投资者在一个连通图中平均是如何聚集在一起还是分散在一起的，而这个数量已经被预先显示为对股价相关性中的危机作出反应的。