Redes de co-trading para la covarianza bursátil y la asignación de carteras

Resumen

El estudio utiliza la proximidad temporal de las operaciones entre US acciones para definir relaciones de co-negociación y construir redes dinámicas. Aplica agrupamiento espectral a estas redes para identificar grupos de acciones cuyas dependencias evolucionan con el tiempo, complementando las clasificaciones basadas en sectores industriales.

Con datos de alta frecuencia del libro de órdenes limitadas que cubren 2017 a 2019, los autores encuentran una relación positiva y estadísticamente significativa entre el co-trading de baja latencia y la covarianza de rendimientos. También desarrollan un estimador de covarianza de alta dimensión que incorpora información de las redes. Se informa de que las carteras de media-varianza que usan esas estimaciones tienen menor volatilidad y ratios de Sharpe más altos que las referencias estándar. El fragmento no especifica cómo se construyeron las referencias, los costes de transacción ni la robustez más allá del periodo estudiado, por lo que hacen falta esos detalles para valorar las conclusiones sobre las carteras en la práctica.

Ideas clave

• La sincronización de las operaciones entre acciones se utiliza para medir la co-negociación y construir redes bursátiles dinámicas.
• El agrupamiento espectral identifica grupos de acciones económicamente relevantes cuyas dependencias cambian con el tiempo.
• El estudio informa de una relación positiva entre la co-negociación de baja latencia y la covarianza de rendimientos.
• Un estimador de covarianza que incorpora información de las redes respalda carteras de media-varianza que, según se informa, tienen menor volatilidad y ratios de Sharpe más altos que las referencias estándar.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.