Измерение линейной и нелинейной причинности между финансовыми рынками

Сводка

В статье предлагается модель для изучения зависимости между финансовыми инструментами, выходящей за рамки обычной корреляции. Для выявления причинно-следственных связей применяются перенос энтропии и сходящееся перекрестное отображение, а суррогаты преобразования Фурье помогают отделить линейный вклад от нелинейного. Мотивация состоит в том, что корреляция может хорошо отражать линейную причинность, но не учитывать нелинейные зависимости, из-за чего влияние рынков друг на друга может казаться слабее.

Авторы сообщают о значимой нелинейной причинности между фондовыми индексами Германии и США. Они обсуждают, как измерение обоих видов причинности может помочь в исследовании рыночных сигналов, парной торговле и управлении портфельными рисками, в том числе при поиске ранних сигналов аномального поведения. Эти результаты мотивируют дальнейшие применения, но не доказывают, что такие сигналы надежно улучшают торговые результаты. Описанные данные относятся к изученным индексам; во фрагменте нет сведений о выборке, проверках устойчивости или практической доходности стратегий, построенных на этих показателях.

Ключевые идеи

• Корреляция Пирсона отражает линейную зависимость, но может не выявлять нелинейные связи.
• Модель объединяет перенос энтропии и сходящееся перекрестное отображение с анализом суррогатных данных.
• В исследовании сообщается о нелинейной причинности между фондовыми индексами Германии и США.
• Показатели причинности могут помочь в парной торговле, исследовании сигналов и управлении портфельными рисками.
• Фрагмент не подтверждает торговую эффективность стратегий, построенных на этих показателях.

Теги

# 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.

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.