[논문 리뷰] Lead-lag detection and network clustering for multivariate time series with an application to the US equity market

Stefanos Bennett, Mihai Cucuringu외 1명|arXiv (Cornell University)|2022. 01. 20.

Complex Systems and Time Series Analysis인용 수 4

한 줄 요약

이 논문은 다변량 시간열 데이터에서 리드-레깅 클러스터를 비지도 학습 방법으로 탐지하기 위한 방법을 제안한다. 쌍별 리드-레깅 관계를 방향성 있는 가중치가 부여된 네트워크로 모델링하고, 고불균형 클러스터링을 적용한다. 미국 주식 데이터에 적용한 결과, 통계적으로 유의미한 클러스터를 식별하였으며, 연간 변동성 10%와 샤프 비율 0.62를 기록하는 예측 가능 거래 신호를 생성하였다. 이는 S&P 500을 능가하며, 시장과의 상관관계도 낮았다.

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.

연구 동기 및 목표

• 비지도 학습을 이용해 고차원 다변량 시간열에서 리드-레깅 클러스터를 탐지하기 위해.
• 쌍별 리드-레깅 관계를 방향성 있는 가중치가 부여된 네트워크로 모델링하여 체계적인 분석을 수행하기 위해.
• 금융 시장에서 예측 신호로 활용될 수 있는 통계적으로 유의미한 클러스터를 식별하기 위해.
• 합성 데이터와 실제 미국 주식 가격 데이터를 대상으로 방법의 타당성을 검증하기 위해.
• 리드-레깅 클러스터링이 노이즈가 많은 금융 시장에서 안정적이고 상관관계가 낮은 예측 신호를 구성하는 데 유용한가를 보여주기 위해.

제안 방법

• 노드가 시간열을 나타내고, 간선이 선택된 쌍별 지표에 기반한 리드-레깅 관계를 나타내는 방향성 있는 가중치가 부여된 네트워크를 구축한다.
• 최신 기술인 방향성 네트워크 클러스터링 알고리즘을 사용하여, 클러스터 간 강한 방향성 영향을 나타내는 높은 컷 불균형을 가진 커뮤니티를 탐지한다.
• 다양한 쌍별 리드-레깅 지표(예: 시간 지연가 있는 상관관계, 전이 엔트로피)를 활용하고, 합성 실험을 통해 성능을 평가한다.
• 변동성 정규화와 윈도우 기반 최적화를 적용하여 금융 예측에서의 신호의 정적성과 신뢰도를 향상시킨다.
• 주간으로 재조정하면서 클러스터 내 주식을 지연 수익률 기준으로 순위 매겨 예측 거래 신호를 생성한다.
• 통계적 유의성을 테스트하기 위해 클러스터 레이블을 무작위로 재배치한 몬테카를로 분석(ablation study)을 수행한다.

실험 결과

연구 질문

• RQ1 다변량 시간열의 리드-레깅 관계는 방향성 있는 네트워크로 효과적으로 모델링될 수 있으며, 잠재적인 클러스터 구조를 드러낼 수 있는가?
• RQ2 다양한 쌍별 리드-레깅 지표는 고차원 시스템에서 의미 있는 시간적 의존성을 얼마나 잘 포착하는가?
• RQ3 미국 주식 데이터에서 탐지된 리드-레깅 클러스터는 기존 금융 이론으로 설명되지 않으며 통계적으로 유의미한가?
• RQ4 노이즈가 많은 금융 시장에서 리드-레깅 클러스터의 구조를 활용해 예측 가능하고 상관관계가 낮은 거래 신호를 생성할 수 있는가?
• RQ5 클러스터 레이블을 무작위로 재배치했을 때 신호 성능가 낮아지면, 클러스터의 구조가 필수적인가를 확인할 수 있는가?

주요 결과

• 이 방법은 기존 금융 이론에서 널리 알려진 세 가지 주요 리드-레깅 가설로는 설명되지 않는 통계적으로 유의미한 리드-레깅 클러스터를 미국 주식 수익률에서 성공적으로 탐지하였다.
• 생성된 거래 신호는 연간 샤프 비율 0.62를 기록하였으며, 단측 p-값 < 0.004로 S&P 500의 0.40 샤프 비율을 뛰어넘는 성과를 보였다.
• 시장 수익과의 상관관계가 0.04로 낮아, 이는 시장 전반의 노출이 아니며 고유한 예측 신호를 반영하고 있음을 시사한다.
• 2012년 이후부터 성능이 떨어지며, 이는 클러스터링 지속성 감소와 함께 시장의 정보 효율성 증가와 일치한다.
• 분석 결과, 귀무가설(무작위 클러스터) 하에서 샤프 비율 ≥ 0.62를 관찰할 확률이 p < 0.005임을 확인하여 리드-레깅 구조의 유의미함을 입증하였다.
• 신호의 평균 일일 수익률은 2.4 basis points로 시장의 3.0 basis points보다 略적으로 낮지만, 위험 조정 수익률이 향상되고 전환율도 낮았다.