围绕网络泡沫的投资者生成树动力学

Birch J，Pantelous AA，Soram–aki K.基于相关性的网络分析，代表DAX30股票价格回报。计算经济学。2 016;47(4):501–525.27. Kenett DY，Preis T，Gur Gershgoren G，Ben Jacob E.《依赖网络和节点影响：在金融市场研究中的应用》。国际分歧与混沌杂志。2012;22(07):1250181.28. Qian XY、Liu YM、Jiang ZQ、Podobnik B、Zhou WX、Stanley HE。最后对两个受共同外力影响的非平稳时间序列进行了部分lcross-c相关分析。Phys Rev E.2015；91:062816. doi:10.1103/PhysRevE。91.062816.29. Nakajima J，West M.使用潜在阈值模式ls的动态网络信号处理。数字信号处理。2015;47:5–16.30. Musmeci N、Nicosia V、Aste T、Di Matteo T、Latora V.金融市场的多重依赖结构。arXiv:1606048 72[physicssoc-ph]。2016;.31、Kwapie\'n J，O\'swiecimka P，Forczek M，Dro˙zd˙z S.变化时间尺度和波动大小相关的最小生成树过滤。《物理评论》E.2017；9 5(5):052313.32. Holme P，Saram–aki J.时间网络。物理报告。2012;519(3):97–125.33. 现代时间网络理论：学术讨论会。《欧洲物理杂志》B.2015；88(9):1–30.34. Kindleberger CP.气泡。《经济学世界》。斯普林格；1991 . p、 20–22.35。Johansen A，Sornette D.拉丁美洲和亚洲市场的对数周期幂律泡沫以及西方股市的相关反泡沫：一项实证研究。arXiv预印材料/990727 0。1999;.9/1536. Johansen A，Sornette D.《2000年4月纳斯达克股市崩盘：投机泡沫以崩盘告终的长期周期性的又一个例子》。欧洲物理杂志B凝聚态物质和复杂系统。2000;1 7(2):319–328.37. Oechssler J，Schmidt C，Schnedler W。

关于泡沫形成的因素：知情的商人和沟通。经济动力与控制杂志。2011;35(11):1831–1851.38. P’astor L，Verones i P.上世纪90年代末是否存在纳斯达q泡沫？金融经济学杂志。2006;81(1):6 1–100.39. Bakshi G，Wu L.《纳斯达克泡沫时期的风险行为和市场风险价格》。管理科学。2010;56(12):2251–2264.40. 《世纪之交的双重泡沫：技术进步和结构影响》。剑桥Ec经济学杂志。2009年；33(4):779–805.41. Dufwenberg M，Lindqvist，Moore E.《泡沫与经验：一个实验》。《美国经济评论》（AmericanEconomic Review）。2005;95(5):1731–1737.42. Andrade EB，Odean T，Lin S.《兴奋得冒泡：一个实验》。财政部副部长。2015; p、 rfv016.43。Abreu D，Brunner meie r MK.泡沫和崩溃。经济计量学。2003;7 1(1):173–204.44. Corgnet B，K uja l P，Porter D.公告的可靠性、内容和时间对资产交易行为的影响。经济行为与组织杂志。2010;76(2):254–266.45. Heimo T，Kumpula JM，Kaski K，Saram–aki J.用Potts方法检测稠密加权网络中的模。统计力学杂志：理论与实验。2008;2008（08）：P08007.46。王国杰，谢聪，陈YJ，陈S。不同时间尺度下外汇网络的统计特性：来自去趋势交叉相关系数和最小生成树的证据。熵。2 013;15(5):1643–1662.47. Coelho R、Gilmore CG、Lucey B、Richmond P、Hutzler S.世界股票市场相互依存关系的演变来自最小生成树的证据。Physica A：统计力学及其应用。2007;376:455–466 .张伟，李杰，张伟。货币危机与外汇市场的演变：来自最小生成树的证据。

物理学A：统计力学及其应用。2011;390(4):707–718.49. Martin T、Ball B、Karrer B、Newman MEJ。PhysicalReview中的合著和引用模式。Phys Rev E.2013；88:012814. 内政部：10.110 3/物理省。88.012814.50. Wu S，Das Sarma A，Fabrikant A，Lattanzi S，Tomkins A.社交网络中的到达和离开动态。第六届ACM网络搜索和数据挖掘国际会议论文集。ACM；2013年，第233–242.51页。Hric D，Kaski K，Kivela¨M。随机块模型揭示了引文模式及其时间演化的地图。arXiv:170500018[物理学博士]。2017;.Dasgupta K、Singh R、Viswanathan B、Chakraborty D、Mukherjea S、Nanavati AA等。社会及其与移动电信网络中客户流失的相关性。第11届扩展数据库技术国际会议论文集：数据库技术的进步。ACM；2008年，第668–677.10/1553页。Kawale J，Pal A，Srivastava J。MMORPG中的流失预测：基于社会影响的方法。摘自：计算科学与工程，2009年。CSE\'09。国际会议。第4卷。I EEE；2009年，第423–428.54页。Saram–aki J，Moro E，et al.《从秒到月：移动电话的多尺度动态概述》。欧洲凝聚态物质和复合体系的物理基础。2015;88（6）：1–10.11/15图1。1998年至2002年期间，投资者在非起亚股票中的数量以及6个月内投资者的变化。（a） 每个iod内投资者及其各自交易日的累积分布。（b） 在为期6个月的时间窗口内，投资者数量的变化将影响到家庭、非金融机构和金融机构。

每个类别中的投资者人数在跨类别中非常不同，并且它们不会被整个时间段内的平均投资者人数h | nt | i.（c）使用Jaccard系数J（t）=| nt+1来衡量投资者的变化∩ nt | | nt+1∪ nt |，其中nt和nt+1分别代表不同投资者类别和6个月时间窗口的t个月和t+1个月网络中的节点集。J（t）的值越高（越低），连续网络的相似性就越大（越小）。面板（b）和（c）中每个时间窗口的结果绘制在窗口的末端。也就是说，每个点都是使用之前126个交易日（6个月）的数据进行估计的。估计窗口滚动一个月，结果点用实线连接。在面板（b）和（c）中，图中的绿色垂直虚线表示样本期内诺基亚的最高股价，蓝色曲线（轴在右侧）表示诺基亚的股价。在所有面板中，灰绿色曲线对应金融机构，青色曲线对应户主，橙色曲线对应非金融机构。2015年12月图2。1998年至2002年间，诺基亚股票交易在6个月时间窗口内投资者相关性的变化。（a） 两个连续时间窗口jedge（t）之间相关性的平均变化（见方法部分的公式1）。（b） 每个时间窗口中的平均边权重或相关性。每个点都是用过去126个交易日（6个月）的数据进行估计的，估计窗口将滚动一个月。绿色虚线代表样本期内诺基亚的最高股价，蓝色曲线（轴在右侧）代表诺基亚的股价。

灰绿色曲线对应金融机构，青色曲线对应家庭，橙色曲线对应非金融机构。13/15图3。所有投资者的最小和最大生成树。（a） 1998-2002年期间具有6个月时间窗口的合并投资者集合的最小生成树的后向平均权重Lmin（t）（棕色线）。每个数据点都是使用之前126个交易日（6个月）的数据进行估计的，估计窗口将重新滚动一个月。图中的绿色垂直虚线表示样本期内诺基亚的最高股价，蓝色曲线（轴在右侧）表示诺基亚的股价。（b）1999年7月8日至2000年1月4日（危机前），（c）2000年1月5日至2000年7月6日（危机期间），（d）2000年7月7日至2001年1月4日（危机后）之间的最大生成树。青色节点重新显示住户、橙色节点非金融机构和灰绿色节点金融机构。节点规模取决于投资者在此期间的交易量。然而，人们不应该比较不同网络之间的节点大小，因为这些大小在面板之间是不可比较的。14/15图4。1998-2002年6个月内不同投资者类别的（a）最小生成树、Lmin（t）、（b）最大生成树、Lmax（t）的后向平均权重。每个数据点都是根据之前126个交易日（6个月）的数据进行估计的，估计窗口将滚动一个月。图中的绿色垂直虚线代表样本期内诺基亚的最高股价。

石灰绿曲线对应于芬兰金融机构的plo t，青色曲线对应于芬兰家庭的地块，橙色曲线对应于芬兰非金融机构的地块。15/15