服务粉丝

我们一直在努力
当前位置：首页 > 财经 >

基于『成交数据』的股票联动研究

日期： 来源：量化投资与机器学习收集编辑：全网Quant都在看


量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。


标题：Co-trading networks for modeling dynamic interdependency structures and estimating high-dimensional covariances in US equity markets
作者：Yutong Lu，Gesine Reinert，Mihai Cucuringu

受市场各参与方及资金流动等相互作用，不同股票之间往往会表现出价格联动或共振的现象。随着市场高频交易参与度的增加，这种共振的现象愈发明显。本文中，作者使用高频的成交数据来研究股票间共同成交（文中称为co-trading，即一只股票发生成交的极短时间内，另一只股票也发生成交）的现象，构建了co-trading network来对股票市场复杂的联动进行建模。
通过对co-trading network的分析与建模，作者主要有以下发现：
  • 对股票进行基于co-trading network的聚类，聚类的结果与传统行业分类有较高重合度。但同时也包含了传统行业分类所不具有的信息，即同一聚类中有很多不属于同一行业的股票。
  • 在2017-2019年期间，日度co-trading network中，不同行业的股票更加频繁的被聚在一起，说明不同行业股票之间的联动在逐步增加。
  • 通过对co-trading network时序数据的分析，可以将市场清晰的分为三个阶段（regime）。
  • Co-trading矩阵与收益率协方差矩阵存在显著的关联性，说明共同成交能够显著解释股价的联动。
  • 基于co-trading network改进的协方差矩阵，应用在组合优化中能够显著提高组合的夏普比率。

如何使用高频数据来度量两个股票共同成交？

首先解释下什么是共同成交（co-trading），如上图所示，不同的点表示不同时间产生的成交。以成交 为例，把当前成交单前后 时间内（如500毫秒）发生的成交作为共同成交。那么图中 和 为 的共同成交。而 因为离 发生的时间超过了 ，所以不是。

我们可以统计两个股票在一段时间内发生共同成交的笔数，从而衡量它们共同成交的程度（co-trading score），文中给出以下公式：
看着有些复杂，实则很好理解。假设有两个股票i和j，我们使用它们最近一个交易日的所有成交单数据，那么：
  • 分子的第一项表示股票i的所有成交单中，是股票j所有成交单的共同成交单的笔数。
  • 分子的第二项表示股票j的所有成交单中，是股票i所有成交单的共同成交单的笔数。
  • 分母表示股票i与股票j当日成交单笔数的开方乘积。
同样以上图为例，假设蓝色点表示股票i，红色点表示股票j，那么它们的co-trading score计算如下：

1、站在股票i的角度， 属于 的共同成交， 不是股票i任何成交单的共同成交；分子第一项为1。

2、站在股票j的角度， 属于 的共同成交， 不是股票j任何成交单的共同成交；分子第二项为1。

3、分母为 

如何构建共同成交网络（co-trading network）？
对股票池中，任意两个股票按找上述的方法计算co-trading score，就可以构建co-trading network。我们用co-trading score构成的矩阵表示这个网络，该矩阵有以下特点：
  • 所有元素的值都大于0，
  • 且是一个对称的矩阵。
  • 计算出日度的矩阵，更长时间，如5日的矩阵可以用过去5个日度矩阵的均值表示。
本文使用2017年至2019年，标普500成分股的成交数据进行实证分析，其中计算co-trading的时间间隔delta选用500毫秒。如下图，为使用全部样本数据构建的co-trading network。
以下是该网络中，使用eigenvector centrality作为影响力度量指标，排名前十的公司：
如果把所有股票的影响力（特征向量中心度，eigenvector centrality）根据GICS一级行业分类进行加总，我们可以看出信息技术、金融和通信服务行业的影响力最大：
如果把股票之间的co-trading score按照行业计算均值，可以构建如下行业间的关联图，其中变的宽度表示行业间共同成交的强弱。例如房地产和金融行业的共同成交的程度比其与其他行业更加明显。

对Co-trading network进行聚类分析

使用普聚类方法对co-trading network进行聚类分析，其中聚类簇群的数量是可以自定义的。
如下图，分别使用2017至2019年每年1月份的数据，构建了三个co-trading network，并在每个网络中选取了权重排名前1%的边。可以发现，在过去的3年中，行业间的co-trading越来越多。而如金融，地产及能源行业，它们行业内的co-trading反而越来越弱。这说明，co-trading随着时间的变化还是非常大的，对co-trading network进行时序的分析也尤为重要。
如果把每天的co-trading network使用上述方法取类为20个簇群，我们可以计算过取3年中任意两天聚类结果的相似度（对于两种聚类的相似度，作者参考Hubert和Arabie 1985，使用Adjusted Rand Index），并绘制以下热度图。可以看出，沿着热度图左上至右下方向夜色越来越深，而且按颜色深浅可以明显分为三个区域，说明市场存在3个不同的regime。
对以上热力图进行普聚类，过去三年，每天所属簇群的结果如下：

Co-trading network与收益率协方差矩阵的关系

对股票收益率协方差矩阵与co-trading network（下式C）及股票行业分类（下式S，作为控制变量）进行回归分析：
使用quadratic assignment procedure (QAP)方法进行回归，结果如下，可以看出co-trading network与协方差矩阵之间的关系显著为正。

co-trading network是否能提高组合表现？

对于一个线性因子模型：
协方差可以用以下等式表示：
参考Ait-Sahalia和Xiu (2017)，上式右边两项可以由特征值及特征向量进行估计：
其中第二项表示股票的特质收益矩阵，参考Ait-Sahalia和Xiu (2017)，为了提高协方差估计的稳健性，可以对特质收益矩阵进行过滤，仅保留在某一分类方法下属于同一聚类的元素值。作者分别使用了基于GICS的固定分类及基于co-trading network的时变聚类法。使用基于前一交易日5分钟数据计算的协方差矩阵作为对于下一交易日的协方差估计，并测试全局最小方差组合的收益。以下是两个分类方法的对比，可以明显看出基于co-trading聚类作为分类的方法明显优于GICS，策略的表现更加稳健，夏普比率更高：
参考文献
Lu, Yutong and Reinert, Gesine and Cucuringu, Mihai, Co-trading networks for modeling dynamic interdependency structures and estimating high-dimensional covariances in US equity markets (February 18, 2023).
Yacine Ait-Sahalia and Dacheng Xiu. "Using principal component analysis to estimate a high dimensional factor model with high-frequency data". In: Journal of Econometrics201.2 (2017), pp. 384–399.
David Dekker, David Krackhardt, and Tom AB Snijders. "Sensitivity of MRQAP tests to collinearity and autocorrelation conditions". In: Psychometrika 72.4 (2007), pp. 563–581.

文章推荐

相关阅读

  • 体验了一下最新的AI

  • 先给昨天说的注册制“价格笼子”做几个补充：1. 笼子是单向的，买入报价不得高于市价102%，买单报低价不限制；卖出报价不得低于市价98%，卖单报高价不限制。2. 对于5元以下的股票，由于

  • 这个板块开始爆发！

  • 总看我文章的粉丝知道，我对白酒板块比较偏爱。我投资的基金里对白酒基金的加仓次数最多，仓位最重。我以前已经多次说过白酒板块的优势了。这里就不再赘述了。有机构认为最近白

  • 以ETF参与投资的优势

  • ETF底层资产是一个指数，指数投资的优势:第一，ETF是一篮子股票组合，分散化投资，避免单个股票黑天鹅的风险。单个股票弹性可能更大，但个股存在一些暴雷风险。第二，ETF解决了择股难的

  • ETF常见术语

  • 之前介绍了ETF基本概念，一只股票是个股，一篮子股票是ETF。且ETF的篮子里面除了股票，还可以是债券、黄金、商品等各种资产。看好某个行业、某类资产，用ETF一网打尽，像股票一样实时

  • 想做矩阵账号运营？看这里...

  • 前两天，我在微博上更新一条内容，我说赚钱的方式，只有两种要么做精细化要么你做铺量精细化没什么好说的，来说说铺量吧。所有的铺量，底层是首先是要有账号，没有多账号，你啥都搞不了。

  • 书房拾遗第102期

  • 前言：书房有些问答，有记录和分享价值，却因散落在不同地点，部分朋友可能看不见，挺可惜的。老唐尝试顺手将它们拾起来，做个保存和分享，命名为《书房拾遗》。收录过程中，在不改变原意的

  • 摊大饼

  • 在《聪明的投资者》一书中，针对普通投资者，格雷厄姆给了一套解决方案，下面是筛选原则：1）适当但不要过分分散化，持股数量应限制在最少10只，最多30只不同的股票之间。2）挑选的每一家公

  • 全职炒短的感悟

  • 前几天，跟两个好朋友录制完了最新一期的播客，谈谈从2020年到现在的两年多，大家作为自由职业者的一些变化，我的转变可能是最大的。从记者、互联网运营为主的打工人到实体店老板，而

聚合标签

中国 自己的 美国 都是 疫情 的人 的是 亿元 三星 手机 华为 这款 车型 万元 企业 小米 日本 俄罗斯 民警 项目

热门文章

  • “复活”半年后　京东拍拍二手杀入公益事业

  • 京东拍拍二手“复活”半年后，杀入公益事业，试图让企业捐的赠品、家庭闲置品变成实实在在的“爱心”。 把“闲置品”变爱心 6月12日，“益心一益·守护梦想每一步”2018年四

最新文章

  • 基于『成交数据』的股票联动研究

  • 量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校

  • 2022年，就那么回事

  • Hi，这是寻瑕向你祝贺新年的第五年，照例，我送了一首歌给你。如果每一个年份，也需要像社畜一样书写自己的年度总结，2022年可能会这样发言：我是诸神的黄昏，是流年的王者，起步极高但势头

  • 2022年度股民心酸总结

  • 2022年度股民总结1月:亏 2月:亏 3月:亏 4月:亏 5月:亏 6月:亏 7月:亏 8月:亏 9月:亏 10月:亏 11月:亏 12月:亏麻了（段子常看常新，老歌没事听听，原文点击蓝字直达~）1月《权益大风