[论文解读] Analysis of delay correlation matrices

K. B. K. Mayya, R. E. Amritkar|ArXiv.org|Jan 13, 2006

Complex Systems and Time Series Analysis参考文献 6被引用 7

一句话总结

本文引入对称化延迟相关矩阵以分析多变量时间序列中的时间相关性，将大气与金融系统的真实数据与独立同分布（i.i.d.）随机集合进行比较。结果发现，大气数据存在长期交叉相关性，而金融数据在两天以上的时间延迟下几乎不存在依赖于延迟的相关性，其表现类似于随机矩阵理论行为，特征值对称分布于零附近。

ABSTRACT

We construct and analyze symmetrized delay correlation matrices for empirical data sets for atmopheric and financial data to derive information about correlation between different entities of the time series over time. The information about correlations is obtained by comparing the results for the eigenvalue distribution with the analytical results for the independent, identically distributed random data sets. For the atmospheric case we find long term correlations between different entities of the multivariable time series. For the financial time series we find little correlations between different entities over a time delay beyond about two days. Most of the eigenvalues for the symmetrized delay correlation matrices for the financial data are symmetrically distributed about zero. The delay correlation results for the financial data are similar to the analytical results for the random data sets. However there are considerable deviations for the atmospheric data from the random case.

研究动机与目标

• 开发一种基于对称化延迟相关矩阵检测多变量时间序列中时滞相关性的方法。
• 将大气与金融数据的经验相关结构与独立同分布（i.i.d.）随机数据集的相关结构进行对比。
• 通过分析延迟相关矩阵的特征值分布，识别复杂系统中的持久交叉相关性。
• 确定金融时间序列是否表现出显著的长期时间依赖性，超越短期波动。
• 评估大气系统在变量之间是否表现出非随机的、长程时间相关性。

提出的方法

• 通过计算不同时间滞后下变量之间的互相关性，从经验多变量时间序列数据中构建对称化延迟相关矩阵。
• 应用随机矩阵理论（RMT），将经验矩阵的特征值分布与i.i.d.数据的RMT理论预测进行比较。
• 利用延迟相关矩阵的谱特性——特别是特征值分布——作为识别非随机相关性的诊断工具。
• 分析大气与金融时间序列数据集，检测其与随机矩阵行为的偏离。
• 聚焦于特征值的对称性与分布形状，推断长期时间依赖性的存在或缺失。
• 通过比较不同时间延迟下的结果，评估相关性在超过短时滞（例如两天以上）的持久性。

实验结果

研究问题

• RQ1 金融时间序列在数天以上的时间延迟下，不同主体之间是否表现出显著的时滞相关性？
• RQ2 大气多变量时间序列在变量之间在多大程度上表现出长期交叉相关性？
• RQ3 经验数据的延迟相关矩阵特征值分布与i.i.d.随机数据的特征值分布相比如何？
• RQ4 大气数据的特征值谱是否存在系统性偏离随机矩阵预测，表明存在非随机动力学？
• RQ5 金融数据的相关性在多长的时间尺度后变得可忽略？

主要发现

• 大气数据在不同变量之间表现出显著的长期相关性，其特征值分布与随机矩阵理论预测存在显著偏离。
• 金融时间序列在约两天以上的时间延迟下几乎不存在时滞相关性，其特征值分布对称地集中在零附近。
• 金融延迟相关矩阵的特征值谱与i.i.d.随机数据高度相似，表明缺乏持久的跨变量依赖性。
• 对称化延迟相关矩阵方法成功区分了具有长程时间相关性（大气）与不具有长程时间相关性（金融）的系统。
• 与随机矩阵行为的偏离在大气情况下最为显著，表明存在非平凡的、长程的时间依赖关系。
• 该方法表明，金融数据在短时滞之外不支持强时间相关性结构，与有效市场假说一致。