Co-Trading-Netzwerke für Aktienkovarianz und Portfolioaufteilung

Zusammenfassung

Die Studie nutzt den zeitlichen Abstand zwischen Geschäften mit US Aktien, um Co-Trading-Beziehungen zu bestimmen und dynamische Netzwerke aufzubauen. Mit spektralem Clustering identifiziert sie darin Gruppen von Aktien, deren Abhängigkeiten sich im Zeitverlauf verändern, und ergänzt damit Klassifizierungen nach Branchen.

Anhand hochfrequenter Limit-Orderbuchdaten von 2017 bis 2019 finden die Autoren einen statistisch signifikant positiven Zusammenhang zwischen Co-Trading mit geringer Latenz und der Kovarianz von Renditen. Außerdem entwickeln sie einen durch die Netzwerke gestützten Kovarianzschätzer hoher Dimension. Für Mittelwert-Varianz-Portfolios, die diese Schätzungen verwenden, werden geringere Volatilität und höhere Sharpe Ratios als bei Standard-Benchmarks berichtet. Der Auszug nennt weder die Konstruktion der Benchmarks noch Transaktionskosten oder Robustheit über den untersuchten Datenzeitraum hinaus. Für eine praktische Bewertung sind diese Angaben daher erforderlich.

Kernaussagen

• Zeitliche Abstände zwischen Aktiengeschäften dienen zur Messung von Co-Trading und zum Aufbau dynamischer Aktiennetzwerke.
• Spektrales Clustering identifiziert wirtschaftlich relevante Aktiengruppen, deren Abhängigkeiten sich im Zeitverlauf ändern.
• Die Studie berichtet einen positiven Zusammenhang zwischen Co-Trading mit geringer Latenz und der Kovarianz von Renditen.
• Ein netzwerkbasierter Kovarianzschätzer unterstützt Mittelwert-Varianz-Portfolios, die laut Bericht bei Volatilität und Sharpe Ratio besser als Standard-Benchmarks abschneiden.

Schlagwörter

# 2302.09382


# Co-trading networks for modeling dynamic interdependency structures and estimating high-dimensional covariances in US equity markets









The time proximity of trades across stocks reveals interesting topological structures of the equity market in the United States. In this article, we investigate how such concurrent cross-stock trading behaviors, which we denote as co-trading, shape the market structures and affect stock price co-movements. By leveraging a co-trading-based pairwise similarity measure, we propose a novel method to construct dynamic networks of stocks. Our empirical studies employ high-frequency limit order book data from 2017-01-03 to 2019-12-09. By applying spectral clustering on co-trading networks, we uncover economically meaningful clusters of stocks. Beyond the static Global Industry Classification Standard (GICS) sectors, our data-driven clusters capture the time evolution of the dependency among stocks. Furthermore, we demonstrate statistically significant positive relations between low-latency co-trading and return covariance. With the aid of co-trading networks, we develop a robust estimator for high-dimensional covariance matrix, which yields superior economic value on portfolio allocation. The mean-variance portfolios based on our covariance estimates achieve both lower volatility and higher Sharpe ratios than standard benchmarks.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.