[论文解读] Modelling and prediction of financial trading networks: An application to the NYMEX natural gas futures market

Brenda Betancourt, Abel Rodríguez+1 more|arXiv (Cornell University)|Oct 3, 2017

Complex Systems and Time Series Analysis参考文献 45被引用 5

一句话总结

本文提出一种结合动态随机块模型与隐马尔可夫模型的方法，用于建模和预测纽约商品交易所（NYMEX）天然气期货市场中的金融交易网络。通过捕捉随时间变化的社区结构与转移动态，该方法能够高精度地实现对交易者互动的短期预测，并准确识别系统性风险事件。

ABSTRACT

Over the last few years there has been a growing interest in using financial trading networks to understand the microstructure of financial markets. Most of the methodologies developed so far for this purpose have been based on the study of descriptive summaries of the networks such as the average node degree and the clustering coefficient. In contrast, this paper develops novel statistical methods for modeling sequences of financial trading networks. Our approach uses a stochastic blockmodel to describe the structure of the network during each period, and then links multiple time periods using a hidden Markov model. This structure allows us to identify events that affect the structure of the market and make accurate short-term prediction of future transactions. The methodology is illustrated using data from the NYMEX natural gas futures market from January 2005 to December 2008.

研究动机与目标

• 开发一种统计框架，用于建模金融交易网络随时间演变的结构，突破静态描述性总结的局限。
• 利用隐马尔可夫模型识别潜在的交易社区及其动态演变，捕捉市场结构的时间变化。
• 通过将完整网络建模为时变块结构的概率分布，实现在短期内对未来交易的高精度预测。
• 检测改变网络拓扑结构的市场事件，例如系统性风险事件或交易行为的结构性转变。
• 为表示有向加权交易网络的数组型时间序列数据，提供一种可扩展的、概率化的分析方法。

提出的方法

• 使用随机块模型根据每个时间周期内交易者之间的相似互动模式将其分组为社区，假设在给定社区归属的情况下，边之间条件独立。
• 应用隐马尔可夫模型（HMM）连接连续的时间周期，将网络的潜在状态（例如社区结构）建模为在离散状态上的马尔可夫过程。
• 采用具有条件共轭先验的贝叶斯分层模型，对块归属、边概率和转移概率进行建模，实现完整的后验推断。
• 实施吉布斯采样，利用块分配、边概率、转移矩阵和超参数的完整条件分布，对非共轭参数采用梅特罗波利斯-黑斯廷斯更新。
• 使用狄利克雷过程先验以允许未知且灵活的交易社区数量，适应数据的复杂性。
• 通过贝塔-二项分布和狄利克雷-多项式似然，构建未来边的预测分布，实现对未来交易的概率化预测。

实验结果

研究问题

• RQ1 如何在超越静态汇总统计的基础上，建模金融交易网络的时变结构？
• RQ2 在纽约商品交易所（NYMEX）天然气期货市场中，哪些潜在的社区结构浮现出来，它们如何随时间演变？
• RQ3 能否通过动态网络模型实现对未来交易互动的高精度预测？
• RQ4 哪些市场事件或结构性转变可以通过网络拓扑和社区动态的变化被检测到？
• RQ5 将随机块模型与隐马尔可夫模型结合，相较于静态或纯描述性模型，能否显著提升预测性能？

主要发现

• 所提出的模型成功识别出2005至2008年纽约商品交易所（NYMEX）天然气期货市场中具有明确区分且随时间变化的交易社区，揭示了市场结构变化与宏观经济事件的关联。
• 该模型在预测未来交易方面表现出高精度，性能显著优于静态网络模型和基线指数随机图模型（ERGMs）。
• 隐马尔可夫结构有效捕捉了不同网络状态之间的转换，通过社区构成的突变实现系统性风险事件的检测。
• 即使在完全共轭性不可用的情况下，使用非共轭先验并结合梅特罗波利斯-黑斯廷斯更新，仍能实现稳健的推断，尤其适用于α和β等超参数。
• 通过分析块归属和边概率，模型识别出关键交易者和频繁交易对手，支持监管监督与系统性风险监测。
• 泊松-狄利克雷过程先验允许未知且数据自适应的社区数量，避免过拟合，提升模型灵活性。