[论文解读] Topological Data Analysis of Financial Time Series: Landscapes of Crashes

Marian Gidea, Yuri A. Katz|RePEc: Research Papers in Economics|Mar 13, 2017

Topological and Geometric Data Analysis被引用 4

一句话总结

本文提出了一种基于持久性景观的拓扑数据分析（TDA）框架，用于检测美国股市指数多维时间序列中金融崩盘的早期预警信号。通过应用滑动窗口提取4D点云，并计算1D持久性景观的L^p-范数，研究发现，在2000年网络泡沫崩盘和2008年雷曼兄弟破产前250个交易日中，这些范数的低频功率谱密度和方差均出现强烈且统计显著的上升，表明系统性不稳定性。

ABSTRACT

We explore the evolution of daily returns of four major US stock market indices during the technology crash of 2000, and the financial crisis of 2007-2009. Our methodology is based on topological data analysis (TDA). We use persistence homology to detect and quantify topological patterns that appear in multidimensional time series. Using a sliding window, we extract time-dependent point cloud data sets, to which we associate a topological space. We detect transient loops that appear in this space, and we measure their persistence. This is encoded in real-valued functions referred to as a 'persistence landscapes'. We quantify the temporal changes in persistence landscapes via their $L^p$-norms. We test this procedure on multidimensional time series generated by various non-linear and non-equilibrium models. We find that, in the vicinity of financial meltdowns, the $L^p$-norms exhibit strong growth prior to the primary peak, which ascends during a crash. Remarkably, the average spectral density at low frequencies of the time series of $L^p$-norms of the persistence landscapes demonstrates a strong rising trend for 250 trading days prior to either dotcom crash on 03/10/2000, or to the Lehman bankruptcy on 09/15/2008. Our study suggests that TDA provides a new type of econometric analysis, which goes beyond the standard statistical measures. The method can be used to detect early warning signals of imminent market crashes. We believe that this approach can be used beyond the analysis of financial time series presented here.

研究动机与目标

• 使用拓扑数据分析（TDA）对多维金融时间序列进行系统性风险和金融崩盘早期预警信号的检测。
• 探究市场收益率动态中的拓扑特征（尤其是持久性环路）是否在重大市场崩盘前以可检测的方式演化。
• 开发一种基于TDA的新计量经济学方法，以补充传统统计指标（如方差和自相关性）。
• 在两次重大金融危机（2000年科技泡沫和2008年全球金融危机）背景下，检验基于TDA的信号的稳健性和预测能力。

提出的方法

• 对四个美国股市指数（标普500、道琼斯工业平均指数、纳斯达克综合指数、罗素2000）的日对数收益率应用固定大小（w=50天）的滑动窗口，在每个时间步形成一个4D点云。
• 对每个点云计算持久同调，以在多个尺度上检测和量化拓扑特征，特别是1D环路。
• 构建持久性景观——持久图的功能性汇总——并计算其L^1和L^2范数，作为拓扑稳定性的时变标量指标。
• 使用统计指标分析L^p-范数的时间序列：低频的平均功率谱密度、方差和一阶自相关函数（ACF）。
• 使用500天滚动窗口计算这些统计量，并应用Mann-Kendall检验检测L^p-范数时间序列中的单调趋势。

实验结果

研究问题

• RQ1 主要美国股市指数收益率动态中的拓扑特征是否在金融崩盘前表现出可检测的变化？
• RQ2 持久性景观的L^p-范数能否作为系统性市场压力的早期预警信号？
• RQ3 在2000年和2008年市场崩盘前250天内，L^p-范数时间序列的低频功率谱密度是否存在统计显著的趋势？
• RQ4 TDA-based信号与传统指标（如波动率（VIX）和自相关性）相比，在预测崩盘方面表现如何？
• RQ5 当点云大小发生变化（如从50个数据点增加到100个）时，TDA方法是否具有鲁棒性？

主要发现

• 持久性景观的L^p-范数时间序列在2000年网络泡沫崩盘和2008年雷曼兄弟破产前的时期均表现出强烈的增长趋势。
• 在两次崩盘前250个交易日中，L^p-范数时间序列的低频平均功率谱密度均显示出统计显著的上升趋势，Kendall-tau相关系数分别为0.89和1.00。
• L^p-范数时间序列的方差在崩盘前时期也显著增加，表明拓扑结构的不稳定性加剧。
• L^p-范数的一阶自相关函数在崩盘前无显著趋势，表明该信号并非由线性依赖驱动。
• 在2000年崩盘背景下，基于TDA的早期预警信号优于VIX，因为VIX表现出波动性下降，而L^p-范数的功率谱密度仍强劲上升。
• 当点云大小加倍时，该方法仍保持稳健，表明拓扑信号在轻微数据扰动下具有稳定性。