[论文解读] Quantifying and Modeling Long-Range Cross-Correlations in Multiple Time Series with Applications to World Stock Indices

Wang Duan, Boris Podobnik+2 more|SSRN Electronic Journal|Feb 10, 2011

Complex Systems and Time Series Analysis被引用 4

一句话总结

本文提出一种改进的时间滞后随机矩阵理论（TLRMT），用于量化多个金融时间序列中的长程交叉相关性，应用于48个全球股票指数。研究发现收益率幅度的幂律衰减交叉相关性（标度指数为0.25），并通过全球因子模型（GFM）加以解释，识别出10个与全球因子弱相关的指数，为国际风险管理和投资组合分散化提供了新见解。

ABSTRACT

We propose a modified time lag random matrix theory in order to study time lag cross-correlations in multiple time series. We apply the method to 48 world indices, one for each of 48 different countries. We find long-range power-law cross-correlations in the absolute values of returns that quantify risk, and find that they decay much more slowly than cross-correlations between the returns. The magnitude of the cross-correlations constitute "bad news" for international investment managers who may believe that risk is reduced by diversifying across countries. We find that when a market shock is transmitted around the world, the risk decays very slowly. We explain these time lag cross-correlations by introducing a global factor model (GFM) in which all index returns fluctuate in response to a single global factor. For each pair of individual time series of returns, the cross-correlations between returns (or magnitudes) can be modeled with the auto-correlations of the global factor returns (or magnitudes). We estimate the global factor using principal component analysis, which minimizes the variance of the residuals after removing the global trend. Using random matrix theory, a significant fraction of the world index cross-correlations can be explained by the global factor, which supports the utility of the GFM. We demonstrate applications of the GFM in forecasting risks at the world level, and in finding uncorrelated individual indices. We find 10 indices are practically uncorrelated with the global factor and with the remainder of the world indices, which is relevant information for world managers in reducing their portfolio risk. Finally, we argue that this general method can be applied to a wide range of phenomena in which time series are measured, ranging from seismology and physiology to atmospheric geophysics.

研究动机与目标

• 量化多个金融时间序列中全球股票指数收益率幅度之间的长程交叉相关性。
• 解决传统相关性模型在捕捉金融市场间持久性、长记忆依赖性风险方面的局限性。
• 构建一个全球因子模型（GFM），通过单一主导性全球因子解释交叉相关性，降低维度并提升可解释性。
• 实现全球市场风险的预测，并识别与全球市场波动无关的个体指数，以实现最优投资组合分散化。
• 证明该方法在金融领域之外的可推广性，例如地震学、生理学和大气地球物理学等领域。

提出的方法

• 将时间滞后随机矩阵理论（TLRMT）改进以检测多变量金融时间序列中显著的时间滞后交叉相关性。
• 采用主成分分析（PCA）提取全球因子作为第一主成分，以在去除全球趋势后最小化残差方差。
• 利用随机矩阵理论验证：仅有三个主成分（包括全球因子）在解释交叉相关性方面具有统计显著性。
• 对全球因子应用GJR-GARCH(1,1)模型，以捕捉对‘好消息’和‘坏消息’的非对称波动响应，实现风险预测。
• 使用公式（28）计算全球因子与每个个体指数之间的交叉相关性，以识别与全球市场走势弱相关的指数。
• 将指数幅度之间的长程交叉相关性建模为全球因子幅度自相关性的结果，采用幂律标度。

实验结果

研究问题

• RQ1 全球股票指数日收益率幅度之间是否存在长程交叉相关性？若存在，其标度行为如何？
• RQ2 单一全球因子能否解释多个国际股票指数中观察到的显著交叉相关性？
• RQ3 指数收益率与其幅度之间的时间滞后交叉相关性在衰减速率上存在差异吗？这对国际投资组合风险意味着什么？
• RQ4 哪些个体股票指数与全球因子的相关性最低？它们在市场全球崩盘期间是否可作为避险资产？
• RQ5 能否通过GJR-GARCH(1,1)模型对全球因子的波动率进行建模与预测？该方法是否能实现系统性风险的可靠预测？

主要发现

• 收益率绝对值（即风险）的长程幂律交叉相关性以标度指数0.25缓慢衰减，表明全球风险传播具有持久性。
• 全球因子解释了所有指数收益率总方差的30.75%，以及三个显著主成分方差的75.34%，证实其主导地位。
• 仅有三个主成分在解释交叉相关性方面具有统计显著性，验证了在GFM中使用单一全球因子的合理性。
• 10个世界指数——冰岛、马耳他、尼日利亚、肯尼亚、以色列、阿曼、卡塔尔、巴基斯坦、斯里兰卡和蒙古——与全球因子的交叉相关系数低于0.1，表明其与全球市场的关联性较弱。
• 通过GJR-GARCH(1,1)建模的全球因子条件波动率，成功预测了系统性风险，并捕捉到市场冲击下的非对称响应。
• 全球因子条件波动率的聚类与重大市场事件（如2008年金融危机）相对应，聚类的高度和宽度分别反映市场崩盘的规模与持续时间。