[论文解读] Eigen-entropy measure to study phase separation in market behavior

Anirban Chakraborti, Hrishidev+2 more|arXiv (Cornell University)|Oct 10, 2019

Complex Systems and Time Series Analysis被引用 1

一句话总结

本文提出了一种新的熵度量方法——特征熵（eigen-entropy），该方法基于相关性网络中股票的特征中心性（eigen-centralities）推导而来，用于量化金融市场的随机性并检测市场相变。通过对1990至2022年S&P-500与日经225指数长达32年的数据进行分析，研究揭示了市场秩序与无序转变与市场崩盘和泡沫形成之间的关联，其表现优于最大随机性的Wishart样本集基准。

ABSTRACT

One of the spectacular examples of a complex system is the financial market, which displays rich correlation structures among price returns of different assets. The eigenvalue decomposition of a correlation matrix into partial correlations - market, group and random modes, enables identification of dominant stocks or influential and sectors or communities. The correlation-based network of leaders and communities changes with time, especially during market events like crashes, bubbles, etc. Using a novel entropy measure - eigen-entropy, computed from the eigen-centralities (ranks) of different stocks in the correlation-network, we extract information about the (or randomness) in the market and its modes. The relative-entropy measures computed for these modes enable us to construct a phase space, where the different market events undergo phase-separation and display order-disorder transitions, as observed in critical phenomena in physics. We choose the US S&P-500 and Japanese Nikkei-225 financial markets, over a 32-year period, and study the evolution of the cross-correlation matrices computed over different short time-intervals or epochs, and their corresponding eigen-entropies. We compare and contrast the empirical results against the numerical results for Wishart orthogonal ensemble (WOE), which has the maximum disorder (randomness) and hence, the highest eigen-entropy. This new methodology helps us to better understand market dynamics, and characterize the events in different phases as anomalies, bubbles, crashes, etc. This can be easily adapted and broadly applied to the studies of other complex systems such as in brain science or environment.

研究动机与目标

• 开发一种基于熵的新度量方法，用于量化金融相关性网络中的随机性与结构性变化。
• 通过动力学相空间中的相分离，检测市场中的关键事件，如崩盘与泡沫。
• 将实证市场行为与代表最大随机性的Wishart正交系综（WOE）进行比较。
• 通过分析市场模式（市场、群体、随机）中特征熵的变化，实现市场异常的检测。

提出的方法

• 提出特征熵作为基于相关性网络特征向量中股票排名（特征中心性）的度量。
• 在短时间区间（时间段）内计算互相关矩阵，以捕捉不断演变的市场结构。
• 利用市场模式（市场、群体、随机）之间的相对熵构建相空间，以检测相变。
• 应用特征值分解提取主导模式：全市场范围、基于行业板块和随机成分。
• 将实证得到的特征熵值与Wishart正交系综（WOE）的理论最大值进行比较。
• 通过特征熵的时间序列分析，识别类似于物理学中临界现象的有序-无序相变。

实验结果

研究问题

• RQ1 特征熵如何有效量化金融市场的随机性或结构性秩序水平？
• RQ2 特征熵能否检测到与现实世界事件（如崩盘或泡沫）相对应的市场动态相变？
• RQ3 实证得到的特征熵值与Wishart正交系综的理论最大熵相比如何？
• RQ4 在不同市场制度下，市场模式（市场、群体、随机）在熵特征上表现出多大程度的差异？
• RQ5 模式之间的相对熵在多大程度上可作为市场不稳定或临界相变的可靠指标？

主要发现

• 特征熵有效捕捉了市场结构的转变，揭示了在市场事件期间出现的明显有序-无序相变。
• S&P-500与日经225指数在重大崩盘前均表现出显著的特征熵上升，表明随机性增强。
• 实证得到的特征熵值始终低于Wishart正交系综的最大熵，表明市场中存在超越纯粹随机性的内在结构。
• 模式之间的相对熵使相空间映射成为可能，市场事件在其中被聚类为对应异常、泡沫或崩盘的独立区域。
• 该方法在32年期间成功识别出两个市场的关键相变，稳定与动荡制度之间具有清晰的分离。
• 由于其基于相关性与熵动力学的理论基础，该方法可推广至其他复杂系统，如脑网络或环境系统。