شبکه‌های معاملات هم‌زمان برای کوواریانس سهام و تخصیص سبد
خلاصه
این پژوهش نزدیکی زمانی معاملات میان سهام US را برای تعریف روابط معامله هم‌زمان و ساخت شبکه‌های پویا به کار می‌گیرد. با خوشه‌بندی طیفی این شبکه‌ها، گروه‌هایی از سهام را شناسایی می‌کند که وابستگی‌هایشان در طول زمان تغییر می‌کند؛ این دسته‌بندی‌ها مکمل طبقه‌بندی بر پایه بخش‌های صنعتی هستند.
نویسندگان با استفاده از داده‌های پُرفرکانس دفتر سفارش محدود در بازه 2017 تا 2019، رابطه مثبت و از نظر آماری معناداری میان معامله هم‌زمان با تأخیر کم و کوواریانس بازده می‌یابند. همچنین برآوردگری برای کوواریانس با بُعد بالا و مبتنی بر شبکه‌ها ارائه می‌کنند. گزارش شده است که سبدهای میانگین‌واریانس با استفاده از این برآوردها، در مقایسه با معیارهای متعارف، نوسان کمتر و نسبت شارپ بالاتری دارند. گزیده چگونگی ساخت معیارها، هزینه‌های معامله یا استحکام نتایج فراتر از دوره داده‌های بررسی‌شده را مشخص نمی‌کند؛ بنابراین، ارزیابی عملی یافته‌های سبد به این جزئیات نیاز دارد.
ایده‌های کلیدی
- زمان‌بندی معاملات میان سهام برای سنجش معامله هم‌زمان و ساخت شبکه‌های پویای سهام به کار می‌رود.
- خوشه‌بندی طیفی گروه‌های معنادار اقتصادی از سهام را شناسایی می‌کند که وابستگی‌هایشان در گذر زمان تغییر می‌کند.
- پژوهش رابطه‌ای مثبت میان معامله هم‌زمان با تأخیر کم و کوواریانس بازده گزارش می‌کند.
- برآوردگر کوواریانس مبتنی بر شبکه، از سبدهای میانگین‌واریانسی پشتیبانی می‌کند که گزارش شده در نوسان و نسبت شارپ از معیارهای متعارف بهترند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.