[论文解读] Empirics versus RMT in financial cross-correlations

Stanisław Drożdż, Jarosław Kwapień+1 more|ArXiv.org|Nov 5, 2007

Complex Systems and Time Series Analysis被引用 4

一句话总结

本文挑战了在金融相关性分析中传统使用随机矩阵理论（RMT）的做法，表明股票市场动态无法简单地分解为‘市场’因子、行业成分和Wishart分布的噪声整体。通过使用长时间序列，研究发现特征值整体及所有特征信号均表现出多重分形、非线性相关性，表明市场信息编码于单个资产之中，因此需要扩展的RMT框架，以考虑超出噪声的内在相关性。

ABSTRACT

In order to pursue the issue of the relation between the financial cross-correlations and the conventional Random Matrix Theory we analyse several characteristics of the stock market correlation matrices like the distribution of eigenvalues, the cross-correlations among signs of the returns, the volatility cross-correlations, and the multifractal characteristics of the principal values. The results indicate that the stock market dynamics is not simply decomposable into 'market', 'sectors', and the Wishart random bulk. This clearly is seen when the time series used to construct the correlation matrices are sufficiently long and thus the measurement noise suppressed. Instead, a hierarchically convoluted and highly nonlinear organization of the market emerges and indicates that the relevant information about the whole market is encoded already in its constituents.

研究动机与目标

• 调查金融相关性矩阵是否可被有意义地分解为市场、行业和随机Wishart成分。
• 评估标准随机矩阵理论（RMT）在捕捉金融时间序列真实复杂性方面的局限性。
• 评估相关性矩阵的特征值整体是否包含非平凡的信息承载结构。
• 检查整个谱系中特征信号的多重分形特性，特别是中等和低特征值部分。
• 主张重新定义基于RMT的金融建模中的‘噪声’，以包含内在的、非线性的相关性。

提出的方法

• 从长时间窗口（T ≫ N）内N只股票的日收益率构建经验相关性矩阵，以减少测量噪声。
• 应用随机矩阵理论（RMT），以Wishart集合作为零假设，将经验特征值分布与Marchenko-Pastur定律进行比较。
• 使用多重分形去趋势波动分析（MFDFA）分析从相关性矩阵导出的特征信号（主成分），以计算奇异性谱f(α)。
• 利用广义Hurst指数h(q)和奇异性谱f(α)量化所有特征信号的多重分形性，包括第一特征值和中间特征值。
• 比较不同特征信号的奇异性谱f(α)的宽度和峰值位置，以检测持续性或反持续性行为。
• 评估波动率交叉相关性和基于符号的相关性，以评估线性相关性之外的非线性依赖性。

实验结果

研究问题

• RQ1 金融相关性矩阵的特征值整体在多大程度上偏离Wishart随机矩阵集合？
• RQ2 谱系中间部分对应的特征信号是否携带非平凡的、多重分形的信息？
• RQ3 特征信号的多重分形结构在整个谱系中是否均匀分布，还是在最大特征值与中间特征值之间存在显著差异？
• RQ4 波动率和基于符号的相关性如何在超出线性相关性的基础上贡献于市场的非线性结构？
• RQ5 如果内在相关性未被视作噪声，标准RMT框架是否足以对金融相关性矩阵进行建模？

主要发现

• 当使用长时间序列时，经验相关性矩阵的特征值整体不符合Wishart随机矩阵集合，特别是在‘噪声’区域显示出非随机结构。
• 所有特征信号，包括谱系中间部分的特征信号（例如λ₅₂），均表现出显著的多重分形性，表现为奇异性谱f(α)宽度与市场模式（λ₁）相当。
• 中间特征信号Z₅₂的奇异性谱f(α)中心位于α ≈ 0.5，表明持久性与反持久性之间达到平衡，而λ₁的谱更宽且发生偏移。
• 对特征信号i=2至100的平均奇异性谱在α=0.5处达到峰值，表明非市场成分中存在普遍的多重分形结构。
• 波动率交叉相关性和基于符号的相关性揭示了强烈的非线性依赖性，进一步削弱了仅最大特征值携带信息的假设。
• 结果表明，整个市场结构，包括其构成成分，均编码了关于整个系统的信息，挑战了将市场标准分解为市场、行业和噪声的范式。