[論文レビュー] Detecting Network Instability via Multiscale Detrended Cross-Correlations and MST Topology

Jose De Leon Miranda, Marina Dolfin+2 more|arXiv (Cornell University)|Feb 10, 2026

Complex Systems and Time Series Analysis被引用数 0

ひとこと要約

本論文はElastic DCCRを提案する。DCCAとMSTフィルタリングを組み合わせて、クロス相関ネットワークのスケール依存的な位相転換を検出するマルチスケール網インテンシティ指標であり、世界株式指数に適用する。

ABSTRACT

We introduce a multiscale measure of network instability based on the joint use of Detrended Cross-Correlation Analysis (DCCA) and Minimum Spanning Tree (MST) filtering. The proposed metric, the Elastic Detrended Cross-Correlation Ratio (Elastic DCCR), is defined as a finite-difference measure of the logarithmic sensitivity of the average MST length to the observation scale. It captures how the structure of cross-correlation networks deforms across different investment horizons. When applied to a network of global equity indices, the Elastic DCCR rises sharply during episodes of financial stress, reflecting increased short-term coordination among investors and a contraction of correlation distances. The measure reveals scale-dependent reconfigurations in network topology that are not visible in single-scale analyses, and highlights clear differences between stressed and stable market regimes. The approach does not assume covariance stationarity and relies only on scale-dependent detrended correlations; as a result, it is broadly applicable to other complex systems in which interaction strength varies with scale.

研究の動機と目的

• Correlationネットワークが異なる投資時間軸で再編成される必要性を動機づける。
• 共分散の定常性を仮定せず、マルチスケールなネットワークトポロジーの変化を捉えるスケール認識フレームワークを提案する。
• 平均MST長が観測スケールに応してどのように変化するかを定量化する有限差分弾性指標を開発する。
• Elastic DCCRが金融ストレス時の不安定性を示し、単一スケール分析では見えなかった構造を明らかにする。
• 多スケール網アプローチをDieboldらのDCC-GARCHフレームワークと比較して、連結性の異なる視点を強調する。

提案手法

• 標準化され、GARCHフィルタリングされたリターン間のスケール依存のDCCA係数を計算する。
• DCCA係数を相関ベースの距離へ変換する：d_DCCA^{ij}(s,t)=sqrt{2[1-ρ_DCCA^{ij}(s,t)]}。
• 時間・スケール依存のネットワークを構築し、最小全域木（MST）でフィルタリングしてバックボーンを得る。
• Elastic DCCR(t)を2つのスケール間のログMST長の有限差分として定義する：Elastic DCCR(t)=[log L(s_long,t)−log L(s_short,t)]/[log s_long−log s_short]。
• L(s,t)の時間発展とそのスケーリングを分析し、局所べき乗則からの逸脱やマルチスケール構造的な変化を検出する。
• 実データと独立GARCH(1,1)ベンチマークを比較して、多変量構造の真の有効性と単変量ボラティリティとの違いを評価する。

Figure 1: DCCA distances between the S&P 500 and other indices, computed across DCCA scales ranging from $s=10$ to $120$ days using a rolling window of $w=250$ trading days.

実験結果

リサーチクエスチョン

• RQ1 異なる観測時間枠で、クロスマーケットの相関はマルチスケールにわたって再編成されるのか。
• RQ2 スケール間の平均MST長は、安定性を示すスケ-scale-dependent topologyの変化を捉えられるのか。
• RQ3 Elastic DCCRは単一スケール分析では見えない金融ストレスの時期を効果的に識別できるのか。
• RQ4 多スケール網アプローチは、系統的リスクを捉えるVARベースのDieboldらの連結性指標と比べてどのような違いを示すのか。

主な発見

• Elastic DCCRは金融ストレスのエピソード時に上昇し、短期的な協調の高まりと相関距離の縮小を示す。
• この指標は、単一のホライズン分析では見えないMSTトポロジーのスケール依存的再構成を明らかにする。
• 実データは、log L(s,t)とlog sの間で局所的なべき乗則からの逸脱を示す一方で、シミュレートされたGARCHベンチマークでは見られない。
• Elastic DCCRの異常は、ギリシャ資本規制、 Brexit、武漢封鎖、ワクチン発表など、主要な世界的ショックと一致する。
• このアプローチは共分散定常性を要求せず、Diebold–Yilmaz指標を補完する、トポロジー的でマルチスケールな連結性の見方を提供する。

Figure 2: Time evolution of the density of MST-filtered 1-month DCCA distances (left) and the corresponding dynamics of the first four moments (right).