[论文解读] Detecting Network Instability via Multiscale Detrended Cross-Correlations and MST Topology

Jose De Leon Miranda, Marina Dolfin+2 more|arXiv (Cornell University)|Feb 10, 2026

Complex Systems and Time Series Analysis被引用 0

一句话总结

该论文提出了 Elastic DCCR，一种将DCCA与MST筛选相结合的多尺度网络不稳定性度量，用于检测跨相关网络在尺度上的拓扑变化，并应用于全球股票指数。

ABSTRACT

We introduce a multiscale measure of network instability based on the joint use of Detrended Cross-Correlation Analysis (DCCA) and Minimum Spanning Tree (MST) filtering. The proposed metric, the Elastic Detrended Cross-Correlation Ratio (Elastic DCCR), is defined as a finite-difference measure of the logarithmic sensitivity of the average MST length to the observation scale. It captures how the structure of cross-correlation networks deforms across different investment horizons. When applied to a network of global equity indices, the Elastic DCCR rises sharply during episodes of financial stress, reflecting increased short-term coordination among investors and a contraction of correlation distances. The measure reveals scale-dependent reconfigurations in network topology that are not visible in single-scale analyses, and highlights clear differences between stressed and stable market regimes. The approach does not assume covariance stationarity and relies only on scale-dependent detrended correlations; as a result, it is broadly applicable to other complex systems in which interaction strength varies with scale.

研究动机与目标

• 说明为什么需要表征相关网络在不同投资期限下如何重新组织。
• 提出一个感知尺度的框架，在不假设协方差平稳的前提下捕捉网络拓扑的多尺度变化。
• 开发有限差分弹性度量，以量化平均 MST 长度对观测尺度的响应。
• 证明 Elastic DCCR 在金融压力时期发出不稳定信号，并揭示单尺度分析所隐藏的结构。
• 将多尺度网络方法与 Diebold 等人的 DCC-GARCH 框架进行比较，突出对连通性的不同视角。

提出的方法

• 计算标准化、经过 GARCH 滤波的收益之间的尺度相关 DCCA 系数。
• 将 DCCA 系数转换为基于相关性的距离，使用 d_DCCA^{ij}(s,t)=sqrt{2[1-ρ_DCCA^{ij}(s,t)]}。
• 构建时空尺度相关的网络，并用最小生成树（MST）进行筛选以获得骨干网络。
• 将 Elastic DCCR(t) 定义为在两个尺度之间对数 MST 长度的有限差分：Elastic DCCR(t)=[log L(s_long,t)−log L(s_short,t)]/[log s_long−log s_short]。
• 分析 L(s,t) 的时间演化及其尺度依赖性，以检测偏离局部幂律行为和多尺度结构性转变。
• 将真实市场数据与合成独立 GARCH(1,1) 基准进行比较，以评估真实的多变量结构与单变量波动性的差异。

Figure 1: DCCA distances between the S&P 500 and other indices, computed across DCCA scales ranging from $s=10$ to $120$ days using a rolling window of $w=250$ trading days.

实验结果

研究问题

• RQ1 跨市场相关性是否在不同观测期限上以多尺度方式重新组织？
• RQ2 跨尺度的平均 MST 长度是否能捕捉指示不稳定性的尺度相关拓扑变化？
• RQ3 Elastic DCCR 是否能有效识别在单一尺度分析中不可见的金融压力时期？
• RQ4 多尺度网络方法与基于 VAR 的 Diebold 等人的连通性衡量在捕捉系统性风险方面有何差异？

主要发现

• Elastic DCCR 在金融压力事件中上升，表明短期协调增强且相关距离收缩。
• 该度量揭示在单一尺度分析中不可见的 MST 拓扑的尺度相关重新配置。
• 真实市场数据在 log L(s,t) 对 log s 的关系上表现出偏离局部幂律的行为，而合成的 GARCH 基准则不然。
• Elastic DCCR 的异常与全球重大冲击（如希腊资本管控、英国脱欧、武汉封锁、疫苗宣布）相关。
• 该方法不需要协方差平稳性，并提供连通性的拓扑多尺度视角，与 Diebold–Yilmaz 指标互补。

Figure 2: Time evolution of the density of MST-filtered 1-month DCCA distances (left) and the corresponding dynamics of the first four moments (right).