ایکویٹی کوویرینس اور پورٹ فولیو تخصیص کے لیے کو ٹریڈنگ نیٹ ورکس

خلاصہ

مطالعہ US اسٹاکس میں ٹریڈز کے زمانی قرب کو استعمال کر کے کو ٹریڈنگ کے تعلقات متعین کرتا اور متحرک نیٹ ورکس بناتا ہے۔ یہ نیٹ ورکس پر اسپیکٹرل کلسٹرنگ لاگو کرتا ہے تاکہ ایسے اسٹاک گروپ شناخت کیے جا سکیں جن کے باہمی انحصار وقت کے ساتھ بدلتے ہیں، اور جو صنعتی شعبوں پر مبنی درجہ بندیوں کی تکمیل کرتے ہیں۔

2017 سے 2019 کا ہائی فریکوئنسی لمٹ آرڈر بک ڈیٹا استعمال کرتے ہوئے، مصنفین کم تاخیر والی کو ٹریڈنگ اور منافع کے کوویرینس کے درمیان شماریاتی طور پر نمایاں مثبت تعلق پاتے ہیں۔ وہ نیٹ ورکس سے رہنمائی لینے والا ہائی ڈائمینشنل کوویرینس تخمینہ بھی بناتے ہیں۔ ان تخمینوں سے بنے اوسط-واریئنس پورٹ فولیوز کے بارے میں رپورٹ ہے کہ ان میں معیاری بینچ مارکس سے کم اتار چڑھاؤ اور زیادہ شارپ تناسب ہے۔ اقتباس بینچ مارک کی تشکیل، لین دین کے اخراجات یا زیر مطالعہ مدت سے آگے مضبوطی نہیں بتاتا، اس لیے عملی جائزے کے لیے ان تفصیلات کی ضرورت ہے۔

اہم خیالات

• اسٹاکس میں ٹریڈ کے وقت کو کو ٹریڈنگ ناپنے اور متحرک ایکویٹی نیٹ ورکس بنانے کے لیے استعمال کیا جاتا ہے۔
• اسپیکٹرل کلسٹرنگ ایسے معاشی طور پر معنی خیز اسٹاک گروپ شناخت کرتی ہے جن کے باہمی انحصار وقت کے ساتھ بدلتے ہیں۔
• مطالعہ کم تاخیر والی کو ٹریڈنگ اور منافع کے کوویرینس کے درمیان مثبت تعلق رپورٹ کرتا ہے۔
• نیٹ ورک سے رہنمائی لینے والا کوویرینس تخمینہ ایسے اوسط-واریئنس پورٹ فولیوز بنانے میں مدد دیتا ہے جن کی اتار چڑھاؤ اور شارپ تناسب پر معیاری بینچ مارکس سے بہتر کارکردگی رپورٹ کی گئی ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔