Redes de co-negociação para covariância de ações e alocação de carteiras

Resumo

O estudo usa a proximidade temporal das operações entre US ações para definir relações de co-negociação e construir redes dinâmicas. Aplica agrupamento espectral a essas redes para identificar grupos de ações cujas dependências evoluem ao longo do tempo, complementando as classificações por setor industrial.

Usando dados de alta frequência do livro de ofertas limitadas de 2017 a 2019, os autores encontram uma relação positiva estatisticamente significativa entre co-trading de baixa latência e covariância dos retornos. Também desenvolvem um estimador de covariância de alta dimensão informado pelas redes. Relata-se que carteiras de média-variância baseadas nessas estimativas têm menor volatilidade e índices de Sharpe mais altos do que benchmarks padrão. O trecho não especifica a construção dos benchmarks, os custos de transação nem a robustez além do período estudado; portanto, esses detalhes são necessários para avaliar os resultados das carteiras na prática.

Ideias principais

• O momento das operações entre ações é usado para medir o co-trading e construir redes dinâmicas de ações.
• O agrupamento espectral identifica grupos de ações economicamente relevantes cujas dependências mudam ao longo do tempo.
• O estudo relata uma relação positiva entre co-trading de baixa latência e covariância dos retornos.
• Um estimador de covariância informado pelas redes sustenta carteiras de média-variância que, segundo o relato, superam benchmarks padrão em volatilidade e índice de Sharpe.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.