[논문 리뷰] A Random Matrix Approach to Cross-Correlations in Financial Data

Vasiliki Plerou, Parameswaran Gopikrishnan외 4명|RePEc: Research Papers in Economics|2001. 08. 01.

Complex Systems and Time Series Analysis인용 수 5

한 줄 요약

이 논문은 다양한 주식시장 데이터셋에서의 금융 데이터 상의 상관관계를 분석하기 위해 무작위 행렬 이론(RMT)을 적용한다. 주식 수익률의 경험적 상관행렬을 무작위로 상관관계가 없는 시계열의 것과 비교함으로써, RMT 예측에서 벗어나는 소수의 고유값과 고유벡터를 식별한다. 이들은 시장 전반적인 추세와 부문별 그룹화와 관련이 있으며, 포트폴리오 리스크 관리에서 통계적 노이즈와 진정한 시장 구조를 구분하는 견고한 방법을 제공한다.

ABSTRACT

We analyze cross-correlations between price fluctuations of different stocks using methods of random matrix theory (RMT). Using two large databases, we calculate cross-correlation matrices C of returns constructed from (i) 30-min returns of 1000 US stocks for the 2-yr period 1994--95 (ii) 30-min returns of 881 US stocks for the 2-yr period 1996--97, and (iii) 1-day returns of 422 US stocks for the 35-yr period 1962--96. We test the statistics of the eigenvalues $λ_i$ of C against a ``null hypothesis'' --- a random correlation matrix constructed from mutually uncorrelated time series. We find that a majority of the eigenvalues of C fall within the RMT bounds $[λ_-, λ_+]$ for the eigenvalues of random correlation matrices. We test the eigenvalues of C within the RMT bound for universal properties of random matrices and find good agreement with the results for the Gaussian orthogonal ensemble of random matrices --- implying a large degree of randomness in the measured cross-correlation coefficients. Further, we find that the distribution of eigenvector components for the eigenvectors corresponding to the eigenvalues outside the RMT bound display systematic deviations from the RMT prediction. In addition, we find that these ``deviating eigenvectors'' are stable in time. We analyze the components of the deviating eigenvectors and find that the largest eigenvalue corresponds to an influence common to all stocks. Our analysis of the remaining deviating eigenvectors shows distinct groups, whose identities correspond to conventionally-identified business sectors. Finally, we discuss applications to the construction of portfolios of stocks that have a stable ratio of risk to return.

연구 동기 및 목표

• 무작위 행렬 이론(RMT)을 사용하여 주식 수익률의 진정한 상관관계를 통계적 노이즈에서 분리하는 것.
• 실제 주식 수익률의 상관행렬이 랜덤 행렬에 대한 RMT의 보편적 예측을 따르는지 테스트하는 것.
• 특히 시장 전반적이고 부문별 영향과 관련된 RMT 예측에서 벗어나는 고유값과 고유벡터의 구조를 식별하고 해석하는 것.
• 이러한 벗어난 고유벡터의 시간에 따른 안정성과 안정적인 리스크-수익 포트폴리오 구성에의 유용성을 탐색하는 것.

제안 방법

• 다양한 시간 간격(일간 또는 30분 단위)의 대규모 주식 수의 정규화된 수익률에서 경험적 상관행렬 C를 구성한다.
• RMT를 활용해 '귀무가설'을 정의한다—즉, 상관관계가 없는 시계열에서 유도된 랜덤 상관행렬이며, 고유값에 대한 이론적 범위 [λ₋, λ₊]를 설정한다.
• 고유값 분포의 '펼침'을 위해 가우시안 확산을 적용하고 마르친코-파스트르 법칙에 적합시켜 경험적 스펙트럼을 RMT 예측과 비교한다.
• RMT 범위 내외의 고유값 통계적 성질을 분석하며, 특히 보편적인 수준 간격 통계를 중점적으로 다룬다.
• RMT 범위를 벗어난 고유값에 대응하는 고유벡터를 식별하고 해석하며, 특히 가장 큰 고유값과 그 성분에 초점을 맞춘다.
• 벗어난 고유벡터의 시간적 안정성을 테스트하고, 그 성분을 알려진 사업 부문에 대응시킨다.

실험 결과

연구 질문

• RQ1 금융 수익률의 상관관계가 무작위 행렬 이론(RMT)의 예측을 어느 정도 따르는가?
• RQ2 실제 주식 수익률 상관행렬에서 RMT 범위를 벗어나는 고유값의 기원과 해석은 무엇인가?
• RQ3 벗어난 고유값에 대응하는 고유벡터는 시간에 따라 안정적인가, 그리고 명백한 시장 구조(예: 부문)와 일치하는가?
• RQ4 벗어난 고유벡터의 구조를 활용해 리스크-수익 비율이 안정적인 포트폴리오를 구성할 수 있는가?
• RQ5 경험적 행렬에서 고유값 간격의 보편적 통계적 성질은 가우시안 직교군(GOE)과 어떻게 비교되는가?

주요 결과

• 경험적 상관행렬의 약 98%의 고유값이 RMT 범위 [λ₋, λ₊] 내에 포함되어 있어, 대부분의 상관관계가 무작위성과 통계적으로 일치함을 시사한다.
• RMT 범위 내 고유값 통계는 가우시안 직교군(GOE)의 보편적 예측과 뛰어난 일치를 보이며, 다수의 상관관계가 무작위적 성격을 지닌다는 것을 확인한다.
• 가장 큰 고유값과 그에 대응하는 고유벡터는 모든 주식에 균일하게 영향을 주는 시장 전반적 영향을 나타내며, 공통 시장 요인을 의미한다.
• 나머지 벗어난 고유벡터는 금융, 통신, 기술 등 기존에 알려진 사업 부문과 일치하는 명확하고 안정된 주식 그룹을 나타낸다.
• 이 부문별 고유벡터는 시간이 지나도 안정적이며, 일부는 최대 30년간 지속되어 시장 내 지속적인 구조적 그룹화를 나타낸다.
• 벗어난 고유벡터는 리스크 대비 수익 비율이 안정적인 포트폴리오를 구성하는 데 활용될 수 있으며, 리스크 관리에 실용적 유용성을 보여준다.