Đo lường quan hệ nhân quả tuyến tính và phi tuyến giữa các thị trường tài chính

Tóm tắt

Bài viết trình bày khuôn khổ nghiên cứu sự phụ thuộc giữa các công cụ tài chính vượt ra ngoài tương quan thông thường. Bài viết áp dụng entropy truyền và ánh xạ chéo hội tụ để xác định các mối quan hệ nhân quả, sau đó dùng dữ liệu thay thế từ biến đổi Fourier để phân biệt thành phần tuyến tính với phi tuyến. Động lực của nghiên cứu là tương quan có thể phản ánh tốt quan hệ nhân quả tuyến tính nhưng bỏ sót sự phụ thuộc phi tuyến, từ đó có thể đánh giá thấp mức độ các thị trường ảnh hưởng lẫn nhau.

Các tác giả báo cáo quan hệ nhân quả phi tuyến có ý nghĩa thống kê giữa các chỉ số cổ phiếu tại Đức và Hoa Kỳ. Họ thảo luận cách đo cả hai dạng nhân quả có thể hỗ trợ nghiên cứu tín hiệu thị trường, giao dịch cặp và quản lý rủi ro danh mục, trong đó có khả năng tạo tín hiệu cảnh báo sớm về hành vi bất thường. Những phát hiện này gợi ý các ứng dụng tiếp theo, chứ không chứng minh rằng tín hiệu như vậy cải thiện đáng tin cậy kết quả giao dịch. Bằng chứng được mô tả chỉ liên quan đến các chỉ số đã khảo sát; phần trích dẫn không nêu chi tiết mẫu dữ liệu, kiểm định độ vững hay hiệu suất thực tế của các chiến lược xây dựng từ những thước đo này.

Ý chính

• Tương quan Pearson nắm bắt sự phụ thuộc tuyến tính nhưng có thể bỏ sót các mối quan hệ phi tuyến.
• Khuôn khổ kết hợp entropy truyền và ánh xạ chéo hội tụ với phân tích dữ liệu thay thế.
• Nghiên cứu báo cáo quan hệ nhân quả phi tuyến giữa các chỉ số cổ phiếu Đức và Hoa Kỳ.
• Các thước đo nhân quả có thể hỗ trợ giao dịch cặp, nghiên cứu tín hiệu và quản lý rủi ro danh mục.
• Phần trích dẫn không chứng minh hiệu suất giao dịch của các chiến lược dựa trên những thước đo này.

Thẻ

# 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.

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.