[논문 리뷰] Identifying Business Sectors from Stock Price Fluctuations

Parameswaran Gopikrishnan, Bernd Rosenow외 2명|ArXiv.org|2000. 11. 08.

Complex Systems and Time Series Analysis인용 수 25

한 줄 요약

이 논문은 주가 변동성의 상관관계 행렬과 수익률에 대한 고유벡터 분석을 사용하여 산업 부문을 식별하는 방법을 제안한다. 미국 주식의 30분 및 일일 수익률을 분석함으로써, 큰 고유값에 해당하는 고유벡터가 안정적이고 경제적으로 의미 있는 부문—예를 들어 통신, 금광 채굴, 은행—을 드러내며, 이는 위험 추정 오류를 줄이는 데 기여하는 더 견고한 포트폴리오 최적화를 가능하게 한다.

ABSTRACT

Firms having similar business activities are correlated. We analyze two different cross-correlation matrices C constructed from (i) 30-min price fluctuations of 1000 US stocks for the 2-year period 1994-95 and (ii) 1-day price fluctuations of 422 US stocks for the 35-year period 1962-96. We find that the eigenvectors of C corresponding to the largest eigenvalues allow us to partition the set of all stocks into distinct subsets. These subsets are similar to conventionally-identified business sectors, and are stable for extended periods of time. Using a set of coupled stochastic differential equations, we argue how correlations between stocks might arise. Finally, we demonstrate that the sectors we identify are useful for the practical goal of finding an investment which earns a given return without exposure to unnecessary risk.

연구 동기 및 목표

• 주가 변동성만으로 외부 정보 없이도 잠재적인 산업 부문을 드러낼 수 있는가를 판단하는 것.
• 주식 수익률 상관관계에서 파생된 부문 군집의 시간적 안정성을 조사하는 것.
• 이러한 부문 군집이 안정적인 위험-수익 비율을 갖는 최적의 투자 포트폴리오를 구성하는 데 실용적으로 유용한가를 평가하는 것.
• 기업 간 상호작용이 주어진 주식 수익률 상관관계를 어떻게 유도하는지 모델링하는 것.

제안 방법

• 정규화된 수익률 $ G_i(t) = \ln S_i(t+\Delta t) - \ln S_i(t) $ 에서 교차상관관계 행렬 $ C_{ij} $ 를 구성하며, $ C_{ij} $ 는 주식 $ i $ 와 $ j $ 간의 상관관계를 측정한다.
• 행렬 $ C $ 를 대각화하여 고유값 $ \lambda_k $ 와 고유벡터 $ \mathbf{u}^k $ 를 구하고, 비상관 시스템의 Marchenko-Pastur 경계를 크게 초월하는 $ \lambda_k $ 를 갖는 것에 집중한다.
• 시장 전반의 영향을 나타내는 가장 큰 고유값의 영향을 제거하여 개별 부문에 해당하는 고유벡터를 분리한다.
• 표준 산업 분류 체계(SIC) 코드를 사용하여 고유벡터 성분을 투영하기 위해 투영 행렬 $ P_{\ell i} $ 를 사용하고, $ X^{k}_{\ell} = \sum_i P_{\ell i} (u^k_i)^2 $ 를 계산하여 부문 기여도를 식별한다.
• 상호작용을 모델링하고 시간적으로 안정적인 상관관계를 설명하기 위해 연립 스토케스틱 미분방정식 $ \tau_i \partial_t g_i = -r g_i + \sum_j J_{ij} g_j + \frac{1}{\tau_i} \xi_i(t) $ 를 적용한다.
• 오직 이격된 고유벡터(부문 성분)만 유지하는 필터링된 상관계수 행렬 $ C' $ 을 사용하여 포트폴리오 최적화에서 위험 예측을 향상시킨다.

실험 결과

연구 질문

• RQ1 주가 변동성만으로도 사전 분류 없이 경제적으로 의미 있는 산업 부문을 드러낼 수 있는가?
• RQ2 상관계수 행렬의 고유벡터에 의해 파악된 부문 군집이 다수 년에 걸쳐 시간적으로 안정적인가?
• RQ3 식별된 부문이 전체 상관계수 행렬을 사용할 때보다 포트폴리오 최적화에서 위험 예측의 정확도를 향상시키는가?
• RQ4 관측된 주식 수익률 상관관계는 기업 수준의 상호작용을 스토케스틱 미분방정식으로 모델링하여 설명할 수 있는가?
• RQ5 부문 고유벡터를 사용하여 상관계수 행렬을 필터링하면 최적 포트폴리오의 위험-수익 비율 안정성에 어떤 영향을 미치는가?

주요 결과

• 가장 큰 고유값에 해당하는 고유벡터($ \lambda_{1000} $) 는 전체 시장 요인을 나타내며, S&P 500 지수와 상관계수가 0.85 ± 0.09 로 나타난다.
• 다음으로 큰 고유값에 해당하는 고유벡터는 중공업, 통신, 금광 채굴, 은행, 석유 정제 등 명확한 산업 부문을 나타내며, SIC 코드 투영을 통해 확인된다.
• 1962–1996년의 일일 수익률을 사용하여 분석한 결과, 상위 3개 고유값에 해당하는 고유벡터는 최대 10년 동안 안정되어 있다.
• 부문 고유벡터의 시간적 안정성은 스칼라 곱 $ O_{ij} = |\mathbf{u}_A^i \cdot \mathbf{u}_B^j| $ 으로 정량화되었으며, $ O_{1000,1000} = 0.93 $ 으로 나타나 시장 요인의 거의 완벽한 안정성을 보여준다.
• 전체 상관계수 행렬 $ C $ 를 사용할 경우, 1995년의 예측 위험은 실현 위험보다 170% 낮아, 높은 오차 추정을 나타낸다.
• 오직 이격된 고유벡터(부문 성분)만 유지하는 방식으로 $ C $ 를 필터링한 후에는 예측 위험이 실현 위험보다 뿐만 아니라 25% 낮아져, 포트폴리오 위험 추정의 안정성과 정확도가 크게 향상됨을 보여준다.