Mạng đồng giao dịch cho hiệp phương sai cổ phiếu và phân bổ danh mục

Tóm tắt

Nghiên cứu dùng mức độ gần nhau về thời điểm giao dịch giữa các cổ phiếu US để xác định quan hệ đồng giao dịch và xây dựng mạng động. Nghiên cứu áp dụng phân cụm phổ lên các mạng này để xác định những nhóm cổ phiếu có quan hệ phụ thuộc thay đổi theo thời gian, bổ sung cho cách phân loại dựa trên ngành.

Dùng dữ liệu sổ lệnh giới hạn tần suất cao trong giai đoạn 2017–2019, các tác giả tìm thấy mối quan hệ dương có ý nghĩa thống kê giữa đồng giao dịch có độ trễ thấp và hiệp phương sai lợi suất. Họ cũng phát triển một bộ ước tính hiệp phương sai nhiều chiều được cung cấp thông tin từ các mạng. Các danh mục trung bình-phương sai sử dụng những ước tính này được báo cáo là có biến động thấp hơn và tỷ lệ Sharpe cao hơn chuẩn so sánh thông thường. Phần trích dẫn không nêu cách xây dựng chuẩn so sánh, chi phí giao dịch hoặc độ vững chắc ngoài giai đoạn dữ liệu nghiên cứu, nên cần các chi tiết đó để đánh giá thực tiễn các kết quả danh mục.

Ý chính

• Thời điểm giao dịch giữa các cổ phiếu được dùng để đo lường đồng giao dịch và xây dựng mạng cổ phiếu động.
• Phân cụm phổ xác định các nhóm cổ phiếu có ý nghĩa kinh tế, với quan hệ phụ thuộc thay đổi theo thời gian.
• Nghiên cứu báo cáo mối quan hệ dương giữa đồng giao dịch có độ trễ thấp và hiệp phương sai lợi suất.
• Bộ ước tính hiệp phương sai dựa trên mạng hỗ trợ các danh mục trung bình-phương sai được báo cáo là tốt hơn chuẩn so sánh về biến động và tỷ lệ Sharpe.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.