Réseaux de co-trading pour la covariance des actions et l’allocation de portefeuille

Résumé

L’étude utilise la proximité temporelle des transactions sur des actions US pour définir les relations de co-trading et construire des réseaux dynamiques. Elle applique un regroupement spectral à ces réseaux afin d’identifier des groupes d’actions dont les dépendances évoluent au fil du temps, en complément des classifications par secteur industriel.

À partir de données à haute fréquence du carnet d’ordres à cours limité couvrant 2017 à 2019, les auteurs trouvent une relation positive statistiquement significative entre le co-trading à faible latence et la covariance des rendements. Ils élaborent également un estimateur de covariance de grande dimension tenant compte des réseaux. Les portefeuilles moyenne-variance utilisant ces estimations afficheraient une volatilité plus faible et des ratios de Sharpe plus élevés que les références standard. L’extrait ne précise ni la construction des références, ni les coûts de transaction, ni la robustesse au-delà de la période étudiée ; ces détails sont nécessaires pour évaluer concrètement les résultats sur les portefeuilles.

Idées clés

• Le calendrier des transactions entre actions sert à mesurer le co-trading et à construire des réseaux boursiers dynamiques.
• Le regroupement spectral identifie des groupes d’actions économiquement pertinents dont les dépendances évoluent au fil du temps.
• L’étude rapporte une relation positive entre le co-trading à faible latence et la covariance des rendements.
• Un estimateur de covariance fondé sur les réseaux permet de construire des portefeuilles moyenne-variance qui, selon l’étude, dépassent les références standard en volatilité et en ratio de Sharpe.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.