سنجش علیت خطی و غیرخطی میان بازارهای مالی

خلاصه

این مقاله چارچوبی برای بررسی وابستگی میان ابزارهای مالی فراتر از همبستگی متعارف ارائه می‌کند. برای شناسایی روابط علّی از آنتروپی انتقال و نگاشت متقابل همگرا استفاده می‌کند و سپس با جانشین‌های تبدیل فوریه، سهم خطی را از غیرخطی تفکیک می‌کند. انگیزه این است که همبستگی می‌تواند علیت خطی را به‌خوبی نشان دهد، اما وابستگی‌های غیرخطی را از دست بدهد و درنتیجه شدت تأثیر متقابل بازارها را کمتر از واقع برآورد کند.

نویسندگان از وجود علیت غیرخطی معنادار میان شاخص‌های سهام آلمان و ایالات متحده گزارش می‌دهند. آنها مطرح می‌کنند که سنجش هر دو شکل علیت می‌تواند به پژوهش درباره سیگنال‌های بازار، معاملات زوجی و مدیریت ریسک سبد کمک کند و حتی سیگنال‌های هشدار زودهنگام برای رفتار غیرعادی فراهم آورد. این یافته‌ها زمینه‌ساز کاربردهای بیشتر هستند، اما ثابت نمی‌کنند که چنین سیگنال‌هایی به‌طور قابل‌اتکا نتایج معاملاتی را بهبود می‌بخشند. شواهد توصیف‌شده به شاخص‌های بررسی‌شده محدود است و گزیده، جزئیاتی درباره نمونه، آزمون‌های استحکام یا عملکرد عملی استراتژی‌های مبتنی بر این سنجه‌ها ارائه نمی‌دهد.

ایده‌های کلیدی

• همبستگی پیرسون وابستگی خطی را نشان می‌دهد، اما ممکن است روابط غیرخطی را از دست بدهد.
• چارچوب، آنتروپی انتقال و نگاشت متقابل همگرا را با تحلیل جانشین ترکیب می‌کند.
• پژوهش از وجود علیت غیرخطی میان شاخص‌های سهام آلمان و ایالات متحده گزارش می‌دهد.
• سنجه‌های علیت می‌توانند در معاملات زوجی، پژوهش سیگنال و مدیریت ریسک سبد راهگشا باشند.
• گزیده، عملکرد معاملاتی استراتژی‌های مبتنی بر این سنجه‌ها را اثبات نمی‌کند.

برچسب‌ها

# Linear and nonlinear causality in financial markets


# Linear and nonlinear causality in financial markets









Identifying and quantifying co-dependence between financial instruments is a key challenge for researchers and practitioners in the financial industry. Linear measures such as the Pearson correlation are still widely used today, although their limited explanatory power is well known. In this paper we present a much more general framework for assessing co-dependencies by identifying and interpreting linear and nonlinear causalities in the complex system of financial markets. To do so, we use two different causal inference methods, transfer entropy and convergent cross-mapping, and employ Fourier transform surrogates to separate their linear and nonlinear contributions. We find that stock indices in Germany and the U.S. exhibit a significant degree of nonlinear causality and that correlation, while a very good proxy for linear causality, disregards nonlinear effects and hence underestimates causality itself. The presented framework enables the measurement of nonlinear causality, the correlation-causality fallacy, and motivates how causality can be used for inferring market signals, pair trading, and risk management of portfolios. Our results suggest that linear and nonlinear causality can be used as early warning indicators of abnormal market behavior, allowing for better trading strategies and risk management.

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.