[论文解读] Entropy and Uncertainty Analysis in Financial Markets

Andreia Dionísio, Rui Menezes+1 more|ArXiv.org|Sep 5, 2007

Complex Systems and Time Series Analysis参考文献 4被引用 6

一句话总结

本文提出熵作为金融市场价格波动中不确定性的一种更通用且稳健的度量方式，相较于方差，其能更好地捕捉非线性依赖关系与分散化效应。研究显示，互信息与条件熵在建模系统性风险与特有风险方面优于传统的贝塔与残差风险，尤其在市场收益偏离正态分布时表现更优。

ABSTRACT

The investor is interested in the expected return and he is also concerned about the risk and the uncertainty assumed by the investment. One of the most popular concepts used to measure the risk and the uncertainty is the variance and/or the standard-deviation. In this paper we explore the following issues: Is the standard-deviation a good measure of risk and uncertainty? What are the potentialities of the entropy in this context? Can entropy present some advantages as a measure of uncertainty and simultaneously verify some basic assumptions of the portfolio management theory, namely the effect of diversification?

研究动机与目标

• 评估熵作为衡量投资组合管理中不确定性的更优替代指标。
• 探究基于熵的度量是否能有效反映现代投资组合理论中的分散化效应这一关键假设。
• 在资本资产定价模型的背景下，比较信息论度量（互信息、条件熵、全局相关系数）与传统风险度量（贝塔、R平方、残差方差）的表现。
• 评估线性模型（如市场模型）在残差呈现非正态性、异方差性或自相关性时的局限性。
• 确定在厚尾或非线性收益分布存在的情况下，基于熵的度量是否能提供更可靠的風險评估。

提出的方法

• 基于香农公式，对离散与连续概率分布的熵进行理论推导：离散变量为 $ H(X) = -\sum p_i \log p_i $，连续变量为 $ H(X) = -\int p_X(x) \log p_X(x) dx $。
• 应用条件熵 $ H(X|Y) $ 与联合熵 $ H(X,Y) $，将总不确定性分解为可解释与不可解释部分。
• 使用互信息 $ I(X,Y) = H(Y) - H(Y|X) $ 作为股票收益与市场指数（PSI 20）之间依赖关系的度量，能够捕捉线性与非线性关系。
• 将互信息标准化为全局相关系数 $ \lambda(X,Y) = \sqrt{1 - e^{-2I(X,Y)}} $，其取值范围为 0 到 1，可与线性相关系数直接比较。
• 利用 PSI 20 指数的真实股票数据，对线性市场模型估计值（贝塔、R平方、残差方差）与信息论度量进行实证比较。
• 使用 Ljung-Box、Jarque-Bera、Engle、CUSUM 与 CUSUM-Q 检验对线性市场模型残差进行统计检验，以检测非正态性、自相关性、异方差性与不稳定性。

实验结果

研究问题

• RQ1 熵是否在金融市场价格波动中作为比方差更通用且更稳健的不确定性度量？
• RQ2 基于熵的度量（如互信息与条件熵）是否能有效捕捉投资组合风险中的分散化效应？
• RQ3 信息论度量与传统线性风险度量（如贝塔、残差方差）相比，在解释系统性风险与特有风险方面表现如何？
• RQ4 金融收益中的非线性、厚尾性以及残差非正态性在多大程度上削弱了基于方差的风险模型的可靠性？
• RQ5 由互信息导出的全局相关系数 $ \lambda $ 是否能比线性相关系数 $ R $ 提供更准确的依赖关系评估？

主要发现

• 熵满足不确定性度量的关键公理，当分布为均匀分布时达到最大值，表明其对分布形态具有敏感性。
• 互信息与系统性风险（$ \beta^2 \sigma_m^2 $）呈强正相关，表明其能有效捕捉市场系统性风险暴露。
• 条件熵与特有风险（$ \sigma_{\varepsilon i}^2 $）呈正相关，表明其能可靠度量市场无法解释的特有不确定性。
• 由互信息导出的全局相关系数 $ \lambda $，相比线性相关系数 $ R $，能提供更全面的依赖关系度量，尤其在残差非正态或存在自相关性时表现更优。
• 对残差的统计检验（Ljung-Box、Jarque-Bera、Engle、CUSUM）揭示了大量股票存在显著的非正态性、异方差性与不稳定性，表明线性模型可能无法捕捉真实的风险动态。
• 本研究结论认为，熵作为不确定性度量比方差更具普适性，因其利用了关于完整概率分布的更多信息，包括高阶矩与尾部行为。