[論文レビュー] Lead-lag detection and network clustering for multivariate time series with an application to the US equity market

Stefanos Bennett, Mihai Cucuringu+1 more|arXiv (Cornell University)|Jan 20, 2022

Complex Systems and Time Series Analysis被引用数 4

ひとこと要約

本稿では、2変量時系列の対比較的リード・ラグ関係を有向重み付きネットワークとしてモデル化し、高不均衡クラスタリングを適用することで、教師なし手法により多変量時系列におけるリード・ラグクラスタを検出する手法を提案する。米国株式データに適用した結果、統計的に有意なクラスタが特定され、年間ボラティリティ10%、シャープレシオ0.62の予測可能なトレーディングシグナルが得られ、S&P 500を上回り、市場相関も低かった。

ABSTRACT

In multivariate time series systems, it has been observed that certain groups of variables partially lead the evolution of the system, while other variables follow this evolution with a time delay; the result is a lead-lag structure amongst the time series variables. In this paper, we propose a method for the detection of lead-lag clusters of time series in multivariate systems. We demonstrate that the web of pairwise lead-lag relationships between time series can be helpfully construed as a directed network, for which there exist suitable algorithms for the detection of pairs of lead-lag clusters with high pairwise imbalance. Within our framework, we consider a number of choices for the pairwise lead-lag metric and directed network clustering components. Our framework is validated on both a synthetic generative model for multivariate lead-lag time series systems and daily real-world US equity prices data. We showcase that our method is able to detect statistically significant lead-lag clusters in the US equity market. We study the nature of these clusters in the context of the empirical finance literature on lead-lag relations and demonstrate how these can be used for the construction of predictive financial signals.

研究の動機と目的

• 教師なし学習を用いて高次元多変量時系列におけるリード・ラグクラスタを検出すること。
• 対比較的リード・ラグ関係を有向重み付きネットワークとしてモデル化し、体系的な分析を可能にすること。
• 金融市場における予測信号として機能する統計的に有意なクラスタを特定すること。
• 合成データおよび実世界の米国株価データを用いて手法の妥当性を検証すること。
• リード・ラグクラスタリングの有用性が、強固で低相関のトレーディングシグナル構築に活用できるかを示すこと。

提案手法

• ノードを時系列、エッジを選択された対比較的指標に基づくリード・ラグ関係として表す有向重み付きネットワークを構築する。
• 最新の有向ネットワーククラスタリングアルゴリズムを用い、カット不均衡が著しく高いコミュニティを検出することで、クラスタ間の強い方向的影響を特定する。
• 複数の対比較的リード・ラグ指標（例：時遅れ付き相互相関、トランスファーエントロピー）を用い、合成実験を通じてその性能を評価する。
• ボラティリティ正規化とローリング最適化を適用し、金融予測におけるシグナルの定常性と信頼性を向上させる。
• 各クラスタ内でのリードタイムリターンに基づき株式をランク付けし、週次で再バランスすることで、予測可能なトレーディングシグナルを生成する。
• ランダムなクラスタラベルを用いたモンテカルロアブレーションスタディを実施し、シグナルの統計的有意性をテストする。

実験結果

リサーチクエスチョン

• RQ1 多変量時系列におけるリード・ラグ関係は、潜在的なクラスタ構造を明らかにするために、有向ネットワークとして効果的にモデル化可能か？
• RQ2 高次元システムにおける有意義な時間的依存関係を捉えるために、異なる対比較的リード・ラグ指標はどのように比較されるか？
• RQ3 米国株式データにおける検出されたリード・ラグクラスタは、統計的に有意であり、既存の金融理論的仮説では説明できないか？
• RQ4 ノイズの多い金融市場において、リード・ラグクラスタ構造を活用して予測可能で低相関のトレーディングシグナルを生成できるか？
• RQ5 クラスタラベルの入れ替えに対して、予測シグナルの性能はどの程度頑健か。これはクラスタ構造の必要性を示唆する。

主な発見

• 本手法は、実証的ファイナンスにおける3つの代表的リード・ラグ仮説では説明できない、米国株式リターンにおける統計的に有意なリード・ラグクラスタを効果的に検出できた。
• 構築されたトレーディングシグナルは、年間シャープレシオ0.62を達成し、片側p値<0.004であり、S&P 500の0.40を著しく上回った。
• 市場リターンとの相関は0.04にとどまり、これは市場全体への露わな露出ではなく、独自の予測信号を捉えている可能性を示している。
• 2012年以降、シグナルのパフォーマンスが低下し、これはクラスタリングの持続性の低下と市場情報効率性の向上と一致した。
• アブレーションテストの結果、帰無仮説（ランダムなクラスタ）下でシャープレシオ≥0.62を観測する確率はp<0.005であり、リード・ラグ構造の有意性が確認された。
• シグナルの平均日収益は2.4ベーシスポイントであり、市場の3.0ベーシスポイントをわずかに下回るが、リスク調整後パフォーマンスが向上し、取引コストも低かった。