[论文解读] Cluster formation and evolution in networks of financial market indices

Junior, Leonidas Sandoval|arXiv (Cornell University)|Nov 22, 2011

Complex Systems and Time Series Analysis被引用 27

一句话总结

本文提出了一种基于阈值的全球金融市场指数网络分析方法，采用斯皮尔曼等级相关系数构建动态聚类，并研究其在金融危机期间的演化过程。通过将距离阈值应用于基于相关性的网络，并分析相关性矩阵的第二特征向量，研究揭示出一种与时区差异相关的持久双聚类结构——美国和欧洲指数构成一组，而太平洋-亚洲指数构成另一组，且两者呈反向相关关系，凸显了市场时机如何在波动性时期塑造系统性风险与网络拓扑结构。

ABSTRACT

Using data from world stock exchange indices prior to and during periods of global financial crises, clusters and networks of indices are built for different thresholds and diverse periods of time, so that it is then possible to analyze how clusters are formed according to correlations among indices and how they evolve in time, particularly during times of financial crises. Further analysis is made on the eigenvectors corresponding to the second highest eigenvalues of the correlation matrices, revealing a structure peculiar to markets that operate in different time zones.

研究动机与目标

• 使用基于相关性的网络对全球金融市场指数的动态聚类进行建模。
• 研究网络结构在诸如黑色星期一（1987年）、亚洲金融危机（1997年）和2001年网络泡沫破裂等金融压力时期如何演变。
• 识别与交易所时区运作相关的相关性矩阵第二特征向量中的结构模式。
• 通过建立具有统计显著性的距离阈值，过滤相关性矩阵中的噪声。

提出的方法

• 使用1986年至2001年期间16至79个国际股票指数的日对数收益率数据，对非交易日和时区错配情况进行调整。
• 计算指数之间的斯皮尔曼等级相关系数，并将距离度量定义为 $ d_{ij} = 1 - c_{ij} $，以确保满足欧几里得性质。
• 使用主成分分析构建三维网络可视化，以最小化节点间距离的失真。
• 应用基于阈值的过滤方法生成资产树，揭示在不同相关性水平下聚类的形成过程。
• 使用随机数据（每个时期1000次模拟）校准噪声阈值，以确定虚假连接开始出现的临界点。
• 分析相关性矩阵中第二大全特征值对应的特征向量，以检测与时区相关的市场结构。

实验结果

研究问题

• RQ1 金融市场指数的聚类在不同时间段（尤其是金融危机期间）如何形成并演化？
• RQ2 时区差异在全球指数相关性矩阵的第二特征向量中扮演何种角色？
• RQ3 在何种阈值下，随机噪声开始主导金融指数网络结构？
• RQ4 与稳定时期相比，高市场波动时期网络拓扑结构如何变化？

主要发现

• 第二特征向量中出现一种持久的双聚类结构：一组为美国和欧洲指数，另一组为太平洋-亚洲指数，后者表现出负载荷，表明由于时区差异导致的反向联动。
• 在金融危机期间，网络结构的规模缩小，反映出相关性上升和分散化程度下降。
• 通过使用随机数据进行经验校准，确定了噪声开始主导的阈值，从而能够可靠识别真实网络结构。
• 1990年代，太平洋-亚洲聚类变得更加显著，表明新兴市场在全球风险传导中的整合程度不断提高。
• 第二特征向量揭示了一种独特且与时间相关的市场结构，这种结构在标准相关性矩阵或单一市场数据中无法观察到。
• 第三特征值偶尔显示出结构，但受到严重噪声污染，限制了其可解释性。