Сети совместной торговли для ковариации акций и распределения портфеля

Сводка

В исследовании близость времени сделок по акциям US используется для определения взаимосвязей совместной торговли и построения динамических сетей. Спектральная кластеризация этих сетей выявляет группы акций, зависимости между которыми меняются со временем, дополняя классификацию по отраслям.

На основе высокочастотных данных книги лимитных ордеров за период с 2017 по 2019 авторы находят статистически значимую положительную связь между совместной торговлей с низкой задержкой и ковариацией доходностей. Они также разрабатывают высокоразмерную оценку ковариации с учётом сетей. Согласно статье, портфели со средневариационной оптимизацией на основе этих оценок имеют меньшую волатильность и более высокие коэффициенты Шарпа, чем стандартные бенчмарки. В отрывке не указаны принципы построения бенчмарков, транзакционные издержки или устойчивость результатов за пределами изученного периода, поэтому для практической оценки нужны эти сведения.

Ключевые идеи

• Время сделок по акциям используется для измерения совместной торговли и построения динамических сетей акций.
• Спектральная кластеризация выявляет экономически значимые группы акций, зависимости между которыми меняются со временем.
• В исследовании сообщается о положительной связи между совместной торговлей с низкой задержкой и ковариацией доходностей.
• Оценка ковариации с учётом сетей лежит в основе портфелей со средневариационной оптимизацией, которые, согласно статье, превосходят стандартные бенчмарки по волатильности и коэффициенту Шарпа.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.