[论文解读] A Random Matrix Approach to Cross-Correlations in Financial Data

Vasiliki Plerou, Parameswaran Gopikrishnan+4 more|RePEc: Research Papers in Economics|Aug 1, 2001

Complex Systems and Time Series Analysis被引用 5

一句话总结

本文应用随机矩阵理论（RMT）分析多个股票市场数据集中的金融数据交叉相关性。通过将股票收益的实证相关性矩阵与未相关时间序列的随机相关性矩阵进行比较，识别出少数偏离RMT预测的特征值和特征向量，这些对应于市场整体趋势和行业特定分组，为在投资组合风险管理中区分统计噪声与真实市场结构提供了一种稳健方法。

ABSTRACT

We analyze cross-correlations between price fluctuations of different stocks using methods of random matrix theory (RMT). Using two large databases, we calculate cross-correlation matrices C of returns constructed from (i) 30-min returns of 1000 US stocks for the 2-yr period 1994--95 (ii) 30-min returns of 881 US stocks for the 2-yr period 1996--97, and (iii) 1-day returns of 422 US stocks for the 35-yr period 1962--96. We test the statistics of the eigenvalues $λ_i$ of C against a ``null hypothesis'' --- a random correlation matrix constructed from mutually uncorrelated time series. We find that a majority of the eigenvalues of C fall within the RMT bounds $[λ_-, λ_+]$ for the eigenvalues of random correlation matrices. We test the eigenvalues of C within the RMT bound for universal properties of random matrices and find good agreement with the results for the Gaussian orthogonal ensemble of random matrices --- implying a large degree of randomness in the measured cross-correlation coefficients. Further, we find that the distribution of eigenvector components for the eigenvectors corresponding to the eigenvalues outside the RMT bound display systematic deviations from the RMT prediction. In addition, we find that these ``deviating eigenvectors'' are stable in time. We analyze the components of the deviating eigenvectors and find that the largest eigenvalue corresponds to an influence common to all stocks. Our analysis of the remaining deviating eigenvectors shows distinct groups, whose identities correspond to conventionally-identified business sectors. Finally, we discuss applications to the construction of portfolios of stocks that have a stable ratio of risk to return.

研究动机与目标

• 使用随机矩阵理论（RMT）区分股票收益中的真实交叉相关性与统计噪声。
• 检验股票收益实证交叉相关性矩阵是否符合随机矩阵RMT的普遍预测。
• 识别并解释偏离RMT的特征值与特征向量结构，特别是与市场整体及行业特定影响相关的部分。
• 探讨这些偏离特征向量随时间的稳定性及其在构建稳定风险收益投资组合中的实用性。

提出的方法

• 从多个时间段内大量股票的归一化日收益率或30分钟收益率构建实证交叉相关性矩阵C。
• 应用RMT定义‘零假设’——即来自未相关时间序列的随机相关性矩阵——并给出特征值的理论边界：[λ₋, λ₊]。
• 通过高斯展宽对特征值分布进行‘展开’，并拟合到Marchenko-Pastur分布，以比较实证谱与RMT预测。
• 分析RMT边界内与外的特征值统计特性，重点关注普遍水平间距统计。
• 识别并解释偏离RMT边界的特征值对应的特征向量，特别是最大特征值及其分量。
• 检验偏离特征向量的时间稳定性，并将其分量映射到已知的行业部门。

实验结果

研究问题

• RQ1 金融收益中的交叉相关性在多大程度上符合随机矩阵理论的预测？
• RQ2 实证股票收益相关性矩阵中偏离RMT边界的特征值的来源与解释是什么？
• RQ3 与偏离特征值相关的特征向量是否在时间上保持稳定，且是否对应于可识别的市场结构（如行业）？
• RQ4 能否利用偏离特征向量的结构来构建具有稳定风险收益比率的投资组合？
• RQ5 实证矩阵中特征值间距的普遍统计特性与高斯正交系族（GOE）相比如何？

主要发现

• 实证交叉相关性矩阵的约98%的特征值落在RMT边界[λ₋, λ₊]内，表明大多数交叉相关性在统计上与随机性一致。
• RMT边界内的特征值统计与高斯正交系族的普遍预测高度一致，证实了大多数相关性的随机本质。
• 最大特征值及其对应的特征向量代表影响所有股票的市场整体因素，表明存在一个共同的市场因子。
• 其余偏离的特征向量对应于明确且稳定的股票分组，与公认的行业部门（如金融、公用事业和科技）一致。
• 这些行业特定的特征向量在时间上保持稳定，部分可维持长达30年，表明市场中存在持久的结构性分组。
• 偏离的特征向量可用于构建风险与收益比率稳定的投资组合，展示了其在风险管理中的实际应用价值。