[论文解读] On financial market correlation structures and diversification benefits across and within equity sectors

Nick James, Max Menzies+1 more|arXiv (Cornell University)|Feb 21, 2022

Complex Systems and Time Series Analysis参考文献 59被引用 33

一句话总结

本研究分析了20年美国股票数据，利用交叉相关矩阵和网络诊断方法量化跨行业及行业内分散化收益。研究发现，市场集体行为（通过第一特征值和模块度衡量）在危机期间增强，导致分散化效果降低，并确定了从9个行业均匀抽取的36只股票组合为风险降低的最优方案。

ABSTRACT

We study how to assess the potential benefit of diversifying an equity portfolio by investing within and across equity sectors. We analyse 20 years of US stock price data, which includes the global financial crisis (GFC) and the COVID-19 market crash, as well as periods of financial stability, to determine the `all weather' nature of equity portfolios. We establish that one may use the leading eigenvalue of the cross-correlation matrix of log returns as well as graph-theoretic diagnostics such as modularity to quantify the collective behaviour of the market or a subset of it. We confirm that financial crises are characterised by a high degree of collective behaviour of equities, whereas periods of financial stability exhibit less collective behaviour. We argue that during times of increased collective behaviour, risk reduction via sector-based portfolio diversification is ineffective. Using the degree of collectivity as a proxy for the benefit of diversification, we perform an extensive sampling of equity portfolios to confirm the old financial adage that 30-40 stocks provide sufficient diversification. Using hierarchical clustering, we discover a `best value' equity portfolio for diversification consisting of 36 equities sampled uniformly from 9 sectors. We further show that it is typically more beneficial to diversify across sectors rather than within. Our findings have implications for cost-conscious retail investors seeking broad diversification across equity markets.

研究动机与目标

• 评估不同市场制度下基于行业的投资组合分散化效果。
• 量化危机期间市场集体行为如何削弱传统分散化收益。
• 确定实现有效风险降低所需的最少股票数量，尤其关注行业构成的影响。
• 识别一种最优且成本效益高的股票投资组合，以最大化分散化收益。

提出的方法

• 使用339只美国股票过去20年的日对数收益率数据，分析其交叉相关矩阵。
• 将相关矩阵的第一特征值作为市场集体行为的代理指标。
• 应用网络理论中的模块度检测行业层面的独立性与社区结构。
• 采用层次聚类识别最优的股票分组以实现分散化。
• 对不同规模和行业构成的投资组合进行详尽抽样，以评估风险降低效果。
• 运用随机矩阵理论，区分相关性中的非随机市场结构与噪声。

实验结果

研究问题

• RQ1 作为集体市场行为衡量指标的第一特征值，在金融危机与稳定时期之间如何变化？
• RQ2 在市场相关性较高的时期，基于行业的分散化在多大程度上能降低投资组合风险？
• RQ3 实现充分分散化所需的最少股票数量是多少？该数量是否随行业构成而变化？
• RQ4 在风险降低方面，跨行业分散化与行业内分散化相比，哪种更有效？
• RQ5 能否确定一个在9个行业中均匀抽取的36只股票组合为最优分散化投资组合？

主要发现

• 在2008/2009年全球金融危机（GFC）和2020年新冠疫情崩盘等金融危机期间，相关矩阵的第一特征值显著上升，表明市场集体行为增强。
• 金融稳定时期表现出较低的集体行为，有利于通过非系统性风险降低实现更有效的分散化。
• 本研究验证了30–40只股票的分散化规则，其中从9个行业均匀抽取的36只股票组合被确定为最小化风险的最优方案。
• 跨行业分散化始终比行业内分散化更有效，尤其是在市场压力时期。
• 模块度与第一特征值呈现一致趋势：危机期间集体性增强会降低分散化收益。
• 最优的36只股票组合实现了显著的风险降低，表明广泛覆盖行业比集中于单一行业更有效。