[论文解读] Comparative analysis of layered structures in empirical investor networks and cellphone communication networks

Peng Wang, Jun-Chao Ma+3 more|arXiv (Cornell University)|Jul 2, 2019

Complex Network Analysis Techniques参考文献 32被引用 9

一句话总结

本研究使用k均值聚类与H/T断裂聚类算法，比较了实证投资者网络（EIN）与手机通信网络（CN）的分层自我网络结构。研究发现，两类网络均表现出两种截然不同的自我网络类型——一种与理论上的邓巴圈（累积层级为5、15、50、150）相符，另一种则多出一个内层——且层级间的尺度比符合对数正态分布，支持EIN作为投资者信息扩散路径的有效代理。

ABSTRACT

Empirical investor networks (EIN) proposed by \cite{Ozsoylev-Walden-Yavuz-Bildik-2014-RFS} are assumed to capture the information spreading path among investors. Here, we perform a comparative analysis between the EIN and the cellphone communication networks (CN) to test whether EIN is an information exchanging network from the perspective of the layer structures of ego networks. We employ two clustering algorithms ($k$-means algorithm and $H/T$ break algorithm) to detect the layer structures for each node in both networks. We find that the nodes in both networks can be clustered into two groups, one that has a layer structure similar to the theoretical Dunbar Circle corresponding to that the alters in ego networks exhibit a four-layer hierarchical structure with the cumulative number of 5, 15, 50 and 150 from the inner layer to the outer layer, and the other one having an additional inner layer with about 2 alters compared with the Dunbar Circle. We also find that the scale ratios, which are estimated based on the unique parameters in the theoretical model of layer structures \citep{Tamarit-Cuesta-Dunbar-Sanchez-2018-PNAS}, conform to a log-normal distribution for both networks. Our results not only deepen our understanding on the topological structures of EIN, but also provide empirical evidence of the channels of information diffusion among investors.

研究动机与目标

• 通过将EIN的层级结构与手机通信网络（CN）的层级结构进行比较，检验实证投资者网络（EIN）是否真实反映信息扩散路径。
• 探究EIN与CN中的自我网络是否表现出与理论邓巴圈模型相似的分层结构。
• 通过多种聚类算法与理论建模，评估层级结构的稳健性与统计一致性。
• 验证EIN是否真实捕捉了投资者之间有意义的社会联系与信息传播渠道的假设。

提出的方法

• 分别基于高频订单流与手机通话记录，构建了经统计验证的EIN（SVEIN）与SVCN，以减少随机连接带来的噪声。
• 应用k均值与H/T断裂聚类算法，检测EIN与CN中自我网络的分层结构。
• 将经验的层级分布拟合至分层社交结构的理论模型（Tamarit et al., 2018），估计关键参数µ及累积层级间的尺度比。
• 使用统计验证方法（Tumminello et al., 2011a）过滤虚假连接，确保仅保留非随机且显著的连接。
• 通过χ²、Kolmogorov-Smirnov与Anderson-Darling检验，测试尺度比对对数正态分布的拟合优度。
• 比较不同算法与网络类型下的层级配置，评估其一致性与结构相似性。

实验结果

研究问题

• RQ1 实证投资者网络（EIN）与手机通信网络（CN）在其自我网络中是否表现出相似的分层结构？
• RQ2 EIN与CN中连续累积层级间的尺度比是否与理论邓巴圈模型及对数正态分布一致？
• RQ3 两类网络是否均表现出两种截然不同的自我网络类型——一种与邓巴圈相符，另一种多出一个内层？
• RQ4 EIN中的层级结构是否稳健且与CN中的结构具有统计相似性，从而支持其作为投资者间信息扩散代理的使用？
• RQ5 在节点替换下，估计的尺度比是否保持稳定，表明结构的一致性？

主要发现

• EIN与CN均表现出两种主要的自我网络类型：一种为四层结构（累积规模约5、15、50、150），与理论邓巴圈相符；另一种则多出一个约2个替代者的内层。
• 两类网络中连续累积层级间的尺度比在四层结构下分别约为3.2（k均值）与4.0（H/T断裂），接近此前报道的3值。
• EIN与CN中所有自我网络的经验尺度比分布均符合对数正态分布，经χ²、KS与AD检验在5%显著性水平下得到证实。
• Tamarit et al.（2018）的理论模型对经验数据拟合良好，估计的µ值范围为2.5–3.3，表明层级结构具有一致性。
• EIN与CN在层级结构及尺度比分布上的相似性，为EIN真实捕捉投资者间信息扩散路径提供了强有力的实证支持。
• 尽管替代者更替，层级结构仍保持稳定，表明这些自我网络配置具有鲁棒性，非短暂现象。