[논문 리뷰] Sector identification in a set of stock return time series traded at the London Stock Exchange

Claudia Coronnello, Michele Tumminello외 3명|ArXiv.org|2005. 08. 04.

Complex Systems and Time Series Analysis참고 문헌 3인용 수 7

한 줄 요약

이 연구는 92개 런던 증권거래소 주식의 경제 부문 구조를 탐지하기 위해 난수 행렬 이론(RMT), 계층적 군집화(단일/평균 연결법), 그리고 평면 최대 필터링 그래프(PMFG) 방법을 비교한다. 2002년의 일일 및 5분 수익률 데이터를 사용하여 각 방법이 별개의 부문 군집을 드러내는 것으로 나타났으며, RMT는 소비자 비순환 부문에서 뛰어나고, 군집화 방법은 금융 및 서비스 부문에서 유리하다. 이는 상관관계 행렬에 포함된 모든 경제 정보를 한 가지 방법으로는 포괄할 수 없음을 보여준다.

ABSTRACT

We compare some methods recently used in the literature to detect the existence of a certain degree of common behavior of stock returns belonging to the same economic sector. Specifically, we discuss methods based on random matrix theory and hierarchical clustering techniques. We apply these methods to a portfolio of stocks traded at the London Stock Exchange. The investigated time series are recorded both at a daily time horizon and at a 5-minute time horizon. The correlation coefficient matrix is very different at different time horizons confirming that more structured correlation coefficient matrices are observed for long time horizons. All the considered methods are able to detect economic information and the presence of clusters characterized by the economic sector of stocks. However different methods present a different degree of sensitivity with respect to different sectors. Our comparative analysis suggests that the application of just a single method could not be able to extract all the economic information present in the correlation coefficient matrix of a stock portfolio.

연구 동기 및 목표

• 주식 수익률 상관관계 행렬 내 경제 부문 구조를 탐지하는 데 있어 RMT, 계층적 군집화(SLCA/ALCA), PMFG의 효과성 평가 및 비교하기.
• 시간 단위(일일 대비 5분 수익률)가 금융 시계열의 부문 기반 상관관계 탐지에 어떤 영향을 미치는지 조사하기.
• 다른 방법들이 동일한 상관관계 행렬에서 겹치는지 또는 상호보완적인 경제 정보를 추출하는지 판단하기.
• 특히 상관관계가 약하거나 복잡한 부문에 대해 각 방법의 민감도 평가하기.
• 다양한 방법을 병행 적용할 경우 단일 방법에 비해 더 완전한 시장 구조 특성화가 가능하다는 실증적 증거 제공하기.

제안 방법

• 표준 공식을 사용해 92개 LSE 주식의 동기적 로그 수익률 간 상관계수를 계산한다: $\rho_{ij}(\Delta t) = \frac{\langle r_i r_j \rangle - \langle r_i \rangle \langle r_j \rangle}{\sqrt{(\langle r_i^2 \rangle - \langle r_i \rangle^2)(\langle r_j^2 \rangle - \langle r_j \rangle^2)}}$.
• 난수 행렬 이론(RMT)을 적용하여 상관관계 행렬의 고유값과 고유벡터를 분석하여, 랜덤 변동성에 기인하지 않은 통계적으로 안정된 성분을 식별한다.
• 단일 연결 군집화(SLCA)와 평균 연결 군집화(ALCA)를 사용해 상관관계 행렬에서 계층적 트리 구조를 구축하고, 함께 움직이는 주식 군집을 식별한다.
• 평면성 조건을 상관관계 기반 네트워크에 적용하여 평면 최대 필터링 그래프(PMFG)를 구성함으로써, 계층적 구조를 유지하면서 잡음을 걸러내는 방식을 취한다.
• PMFG 내 부문 내 연결 강도를 정규화된 척도로 측정한다: $q_s^4 = c_4 / (n_s - 3)$ 및 $q_s^3 = c_3 / (3n_s - 8)$, 여기서 $c_4$와 $c_3$는 PMFG 내 부문 내 연결 수이다.
• 일일 수익률과 5분 수익률 두 가지 시간 단위에서 결과를 분석하여 상관관계 행렬의 구조적 차이를 비교한다.

실험 결과

연구 질문

• RQ1 RMT, 계층적 군집화(SLCA/ALCA), PMFG 방법은 주식 수익률 상관관계 행렬 내 경제 부문 군집 탐지에 어떻게 비교될 수 있는가?
• RQ2 시간 단위(일일 대비 5분 수익률)가 부문 기반 상관관계 구조 탐지에 어떤 영향을 미치는가?
• RQ3 금융, 서비스, 소비자 비순환 부문과 같이 특정 경제 부문에 대해 어느 방법이 가장 민감한가?
• RQ4 다른 방법의 결과가 얼마나 겹치거나 상호보완적인 정보를 제공하는가?
• RQ5 다양한 방법을 병행 적용할 경우 단일 방법에 비해 더 완전한 경제 정보를 추출할 수 있는가?

주요 결과

• 상관관계 행렬의 구조는 5분 수준에 비해 일일 수준에서 훨씬 더 뚜렷하게 나타나며, 이는 시장 참가자들이 자산 간 상관관계를 반영하는 데 시간이 필요함을 시사한다.
• RMT는 시장 요인(1등 고유벡터), 소비자 비순환 부문(2등), 금융 부문(3등), 기술/자본재 부문(4~5등), 헬스케어 부문(6등)을 주요 고유값 성분으로 식별한다.
• RMT는 서비스 부문을 탐지하지 못하지만, SLCA와 ALCA는 그 주식들을 부분적 또는 제한적으로 군집화할 뿐이므로 이 부문에 대해 민감도가 낮다.
• 서비스 부문은 약한 내부 연결성을 보이며, 5분 수준에서 $q_s^3 \approx 0.06$로 나타나, 크기는 크지만 내부 상관관계가 희박하다는 것을 시사한다.
• SLCA는 고차원 상관관계를 강조하지만, ALCA는 군집 내 평균화를 통해 더 체계적인 시각을 제공하므로 계층적 조직 구조 탐지에 더 효과적이다.
• PMFG는 MST를 넘어서는 정량적 상호 및 내부 군집 연결성을 드러내어, 부문 간 상호의존성 이해에 추가적인 통찰을 제공한다.