چشم انداز شبکه های پیچیده در بورس

Jihun Park ، Chang Hee Cho و Jae Woo Lee*

• گروه فیزیک ، دانشگاه INHA ، اینچئون ، کره جنوبی

بازار سهام یک سیستم پیچیده است که از بسیاری از عوامل متقابل تشکیل شده است. ما پیشرفت های اخیر را با شبکه های پیچیده ساخته شده از همبستگی سری زمانی مالی در بازار سهام در نظر می گیریم. ما برخی از روش ها را مرور می کنیم و در مورد چالش های تولید چنین شبکه های پیچیده ای که آستانه معقول دارند ، بحث می کنیم.

1. معرفی

ما شبکه های پیچیده ای را در بورس سهام در نظر می گیریم که با محاسبه ضرایب همبستگی متقابل بازده لگاریتمی بین اوراق بهادار یا شاخص های سهام تولید می شوند. ما دو اوراق بهادار یا شاخص را با ضرایب همبستگی متقابل به ترتیب نزولی تا تعداد پیوندها ، n = n-1 ، بدون حلقه در حداقل درخت پوششی (MST) متصل می کنیم [1 ، 2]. علاوه بر این ، ما دو اوراق بهادار را تا n = 3 n - 2 وصل می کنیم بدون اینکه اجازه عبور بین پیوندها در یک نمودار حداکثر فیلتر شده مسطح (PMFG) را داشته باشیم ، جایی که N تعداد کل اوراق بهادار است [3]. در یک شبکه آستانه ، همه پیوندها را قطع می کنیم وقتی ضرایب همبستگی متقابل کمتر از مقدار آستانه باشد [4 ، 5]. الگوهای مختلف شبکه های پیچیده با گذشت زمان اطلاعات مهمی در مورد بازار سهام ارائه می دهد.

در این یادداشت ، ما در مورد روش ها و برنامه های اخیر شبکه های پیچیده در بورس سهام و جوانب مثبت و منفی شبکه های آستانه در بورس صحبت می کنیم.

2 بررسی

در یک بورس سهام ، شاخص ها یا قیمت سهام شرکت های انفرادی با گذشت زمان با یکدیگر ارتباط دارند. ایده شبکه های پیچیده هم برای بازار سهام و هم در بازارهای مالی اعمال می شود. ما می توانیم شبکه ای را بر اساس تجارت جهانی بسازیم زیرا وزن پیوندها با جریان تجارت تعریف می شود ، مانند واردات یا صادرات بین کشورها. در یک بورس سهام ، از ضرایب همبستگی متقابل شاخص های سهام یا قیمت اوراق بهادار فردی برای تولید یک شبکه پیچیده استفاده می کند. یک سری زمانی از شاخص سهام را در روز T ، P I T ، در بازار سهام در نظر بگیرید. بازگشت لگاریتمی توسط r i t = log p i t - log p i t - 1 نشان داده شده است. عملکرد همبستگی متقابل است

جایی که σ i و σ j انحراف استاندارد بازده لگاریتمی برای دو شاخص هستند. ما یک ماتریس همبستگی N × N به دست می آوریم. از این ماتریس همبستگی ، می توانیم شبکه های پیچیده ای را در بازار سهام ایجاد کنیم. Mantegna با استفاده از فاصله متریک حداقل درخت پوششی (MST) را معرفی کرد.

MST مانند یک درخت اسکلت در بورس سهام است که با شاخص های همبستگی محکم یا قیمت سهام وصل می شود ، با تعداد پیوندهایی که به عنوان n = n - 1 [1] مشخص شده است. Tumminello و همکاران. یک نمودار حداکثر فیلتر شده مسطح (PMFG) با تعداد پیوندهای مشخص شده به عنوان n = 3 n - 2 در بازار سهام ، که یک تعمیم توپولوژیکی MST است [2] معرفی کرد. Oela و همکاران. شبکه های گزارش شده از شرکت ها بر اساس همبستگی های برگشتی [6]. آنها برخی از پیوندها را اضافه کردند و اجازه می دهند یک ساختار حلقه از رده های ضریب همبستگی نزولی. بوژینسکی و همکاران. نمودار بازار را بر اساس همبستگی قیمت سهام گزارش داد [4]. لی و همکاران. شبکه های پیچیده را در یک بورس سهام با اختصاص یک مقدار آستانه به ضرایب همبستگی متقاطع نرمال معرفی کرد [5]. آنها یک شبکه بدون مقیاس را از محدوده محدود آستانه گزارش دادند. بسیاری از بازارهای سهام با استفاده از روشهای آستانه برای تولید شبکه سهام مورد مطالعه قرار گرفته است [7-17].

در شبکه پیچیده بازار سهام ، گره ها شاخص های سهام یا اوراق بهادار متعلق به بازار سهام هستند. هنگامی که ما همبستگی متقابل بین شاخص های بازارهای جهانی را در نظر می گیریم ، یک گره شاخص سهام کشور مانند NYSE ، KOSPI و NIKKEI است. وقتی همبستگی متقابل را در بازارهای داخل سهام در نظر می گیریم ، گره ها اوراق بهادار مانند اپل و گوگل در بازار سهام ایالات متحده هستند. ما پیوندی را به شبکه های آستانه اختصاص می دهیم که ضریب همبستگی متقابل بین دو شرکت بیشتر از یک آستانه باشد ، مانند

هنگامی که فرد شبکه آستانه را تولید می کند ، هیچ معیار مشخصی برای اختصاص آستانه θ وجود ندارد. بسیاری از محققان به طور اکتشافی مقدار آستانه را انتخاب می کنند [4-16]. اگر مقدار آستانه نزدیک به 1 باشد ، شبکه آستانه به سختی متصل می شود. در بعضی موارد ، ما می توانیم شبکه های تکه تکه شده را مشاهده کنیم. وقتی مقدار آستانه را کاهش می دهیم ، یک شبکه متصل به غول را به دست می آوریم. در برخی از محدوده های یک مقدار آستانه ، شبکه های آستانه توزیع درجه بدون مقیاس را نشان می دهند. سری زمانی بازار داخل سهام اوراق بهادار با یکدیگر بسیار ارتباط دارد. بنابراین ، شبکه های آستانه دارای درجه متوسط بالا و ضریب خوشه بندی بالایی هستند.

پیوندهای شدید بین دو اوراق بهادار به این معنی است که آنها باید همزمان رفتار کنند. بنابراین ، هنگامی که ما یک نمونه کارها را می سازیم ، می توانیم از انتخاب اوراق بهادار بسیار همبسته یا به شدت متصل از یک شبکه آستانه خودداری کنیم. با این حال ، تعیین اکتشافی از مقدار آستانه یک مسئله باز در شبکه های آستانه است. نوبی و همکاران. مقدار آستانه θ را انتخاب کرد =< C i j >+ n σ ، جایی که n یک مقدار داده شده است و σ انحراف استاندارد است [10 ، 11]. اگر n = 0 باشد ، آستانه θ = است< C i j >. If we choose the same value for n , we can consistently compare threshold networks for different markets. In a stock index like the Korea Composite Stock Price Index (KOSPI), there are N securities. When we calculate the cross-correlation, we choose a length for the time window T in a time series. In general, we need criterion T >n برای جلوگیری از سر و صدا و به دست آوردن کیفیت آماری همبستگی متقابل. ما برای مجموعه داده شده N ، T [10] به یک آستانه مناسب نیاز داریم. ما قیمت سهام روزانه 185 اوراق بهادار کره ای را که در KOSPI 200 ذکر شده است برای دوره از 2 ژوئن 2006 تا 30 ژوئن 2009 در نظر گرفتیم. در این دوره ، بحران مالی جهانی 2008 رخ داد. ما دو پنجره زمان را در نظر گرفتیم ، مانند قبل از بحران (2 ژوئن 2006-30 نوامبر 2007) و در طول بحران (3 دسامبر 2007-30 ژوئن 2009). در شکل 1 ، ما شبکه آستانه را با θ = نشان می دهیم< C i j >+ 3 σ در بازار سهام کره ، جایی که (الف) قبل از بحران مالی جهانی 2008 نشان می دهد< C i j >= 0. 23 ، σ = 0. 098 و (b) در طول بحران جهانی نشان می دهد< C i j >= 0. 35 ، σ = 0. 11. ما هنگام وقوع بحران مالی جهانی ، تغییر بزرگی در شبکه های آستانه مشاهده کردیم. تعداد گره های متعلق به بزرگترین خوشه 4. 8 ٪ قبل از بحران و 20 ٪ در طول بحران بود. قبل از بحران مالی ، شبکه های آستانه با همبستگی متقابل بالا در بسیاری از خوشه ها تکه تکه شدند. با این حال ، در طول بحران ، شبکه آستانه شبکه بزرگی را تشکیل داد. بزرگترین خوشه شبکه آستانه در طول بحران 20 ٪ از شاخص بود. قبل از بحران ، بخش مالی به دو خوشه جدا شد و بسیاری از بخش ها در شبکه آستانه مشاهده شد. در طول بحران ، فقط دو بخش (بخش مالی و صنعت سنگین و ساخت و ساز) متعلق به شبکه آستانه بودند. بخش مالی یک گروه بزرگ متصل را تشکیل داد و دو بخش به شدت با پیوندهای زیادی ترکیب شدند.

شکل 1 . شبکه آستانه با آستانه θ =< C i j >+ 3 σ در بازار سهام کره: (الف) قبل از بحران مالی جهانی 2008< C i j >= 0. 23 ، σ = 0. 098 و (b) در طول بحران جهانی< C i j >= 0. 35، σ = 0. 11). برچسب ها نشان دهنده شرکت ها و رنگ گره ها نشان دهنده بخش بازار سهام به شرح زیر است: بخش مالی (مثلث سبز)، صنایع سنگین و ساختمان (مربع قرمز)، محصولات آهن و فلز (سرخابی پلاس)، و غیره. محصولات فلزی (ستاره های آبی).

هنگامی که یک مقدار آستانه را انتخاب می کنیم، می توانیم توزیع ضرایب همبستگی متقاطع را بین سری های زمانی اصلی و یک سری زمانی مخلوط شده مقایسه کنیم. سری های زمانی به هم ریخته همبستگی را از بین می برد اما تابع توزیع بازده را حفظ می کند. وقتی همبستگی را تخمین می زنیم، چند بازده لگاریتمی بالا به شدت به مقدار ضرایب همبستگی کمک می کند. اگر رویدادهایی با مقادیر شدید وجود داشته باشد، این یک مشکل ذاتی در یک سری زمانی است. در یک شبکه آستانه، یک شبکه یک طرفه به دست می آوریم. در دنیای واقعی، جریان اطلاعات بین دو اوراق بهادار نامتقارن و جهت دار است. برخی از محققان از علیت گرنجر، آنتروپی انتقال، آنتروپی علیت و آنتروپی شبکه برای ایجاد یک شبکه جهت دار در بازار سهام استفاده می کنند [18-22].

نقاط قوت یک شبکه آستانه مبتنی بر همبستگی متقابل این است که ساخت شبکه و به دست آوردن روابط بصری بین شرکت ها از طریق شبکه آسان است. هنگامی که تغییرات یک شبکه آستانه را در طول زمان اسکن می کنیم، می توانیم تغییرات پویا را در شبکه مشاهده کنیم، همانطور که در شکل 1 نشان داده شده است. ویژگی های شبکه آستانه به ما در درک ویژگی های بازار سهام کمک می کند. یک نقطه ضعف در شبکه آستانه این است که معیار مشخصی برای تعیین آستانه وجود ندارد. بنابراین، اگر مقدار آستانه را تغییر دهیم، الگوی اتصال به شدت تغییر می کند. وقتی شبکه آستانه را به دست می آوریم، هیچ رابطه علّی بین شرکت ها به دست نمی دهد زیرا شبکه های آستانه بر اساس همبستگی متقابل بین سری های زمانی هستند.

تغییر ساختاری یک شبکه پیچیده در بورس می تواند برای اندازه گیری تأثیر یک بحران و بی ثباتی بازار اعمال شود [10 ، 15 ، 23-31]. یک شوک بزرگ در بازار باید ساختار شبکه سهام را تغییر دهد. طول حداقل درخت پوششی هنگام مواجهه با خطر سیستمیک ، کاهش چشمگیری را تجربه می کند [24]. سلسله مراتب شبکه های تجارت جهانی در یک دوره رکود اقتصادی افزایش می یابد [25]. ویژگی های شبکه های پیچیده ، مانند ضرایب خوشه بندی ، مرکزیت ، اندازه شبکه و نسبت شغل ، با ریسک سیستمیک و بی ثباتی در بورس همراه است [23 ، 27].

به طور خلاصه ، ما یک روش آستانه برای تولید یک شبکه پیچیده از طریق همبستگی متقابل بازده لگاریتمی در بازار سهام معرفی کردیم. ما می خواهیم اطلاعات مفیدی را از یک شبکه پیچیده بدست آوریم. ما خواصی مانند درجه متوسط ، ضرایب خوشه بندی ، مرکزیت و تشخیص جامعه را در شبکه های آستانه تولید شده تخمین می زنیم. ما باید این خصوصیات را با ثبات بازار ، ریسک سیستمیک در بازار ، استراتژی های سرمایه گذاری و غیره مرتبط کنیم تا این اهداف را با استفاده از معیارهای معقول ، شبکه های پیچیده مناسبی برای بازار سهام ایجاد کنیم.

3 نتیجه گیری

ما در مورد روشهای ایجاد یک شبکه آستانه با استفاده از ضرایب همبستگی متقابل بین اوراق بهادار یا شاخص های موجود در بورس بحث کردیم. در روش آستانه ، ما یک مقدار آستانه اکتشافی را برای تولید شبکه سهام اختصاص دادیم. ما برای انتخاب مقدار آستانه برای یک شبکه آستانه به یک معیار مشخص تر نیاز داریم. تغییرات پویا یک شبکه آستانه در بورس می تواند برای درک ریسک سیستمیک و ثبات در بازار اعمال شود.

بیانیه در دسترس بودن داده ها

مشارکتهای اصلی ارائه شده در مطالعه در مقاله/مطالب تکمیلی گنجانده شده است. سوالات بیشتر می تواند به نویسنده مربوطه هدایت شود.

کمک های نویسنده

JP ، CC و JL مفهوم و طراحی تحقیق ، کسب و تجزیه و تحلیل داده ها ، تفسیر ، نوشتن و تجدید نظر را انجام دادند.

منابع مالی

این کار توسط کمک هزینه تحقیقاتی دانشگاه INHA پشتیبانی شد.

تضاد منافع

نویسندگان اعلام می کنند که این تحقیق در غیاب هرگونه روابط تجاری یا مالی که می تواند به عنوان یک تضاد احتمالی منافع تفسیر شود ، انجام شده است.

یادداشت ناشر

کلیه ادعاهای بیان شده در این مقاله صرفاً مواردی است که نویسندگان دارند و لزوماً نمایانگر سازمان های وابسته خود یا موارد ناشر ، ویراستاران و داوران نیستند. هر محصولی که ممکن است در این مقاله ارزیابی شود ، یا ادعایی که ممکن است توسط تولید کننده آن ساخته شود ، توسط ناشر تضمین یا تأیید نمی شود.

منابع

1. ساختار سلسله مراتبی Mantegna R. در بازارهای مالی. Eur Phys J B (1999) 11: 193-7. doi: 10. 1007/s100510050929

2. Mantegna R ، Stanley H. مقدمه ای بر اکونوفیزیک: همبستگی و پیچیدگی در امور مالی. کمبریج: انتشارات دانشگاه کمبریج (2000). پ. 105

3. Tumminello M ، Aste T ، Di Matteo T ، Mantegna R. ابزاری برای فیلتر کردن اطلاعات در سیستم های پیچیده. Proc Natl Acad Sci U S A (2005) 102: 10421-6. doi: 10. 1073/pnas. 0500298102

4. Boginski V ، Butenko S ، Pardalos P ، Pardalos PM. تجزیه و تحلیل آماری شبکه های مالی. داده های آمار محاسبات مقعد (2005) 48: 431-43. doi: 10. 1016/j. csda. 2004. 02. 004

5. لی E ، لی جی ، هنگ ب ، هنگ BH. شبکه های پیچیده در بازار سهام. Comp Phys Commun (2007) 177: 186. doi: 10. 1016/j. cpc. 2007. 02. 047

6. Oela J ، Kaski K ، Kertesz J. خوشه بندی و اطلاعات در شبکه های مالی مبتنی بر همبستگی. Eur Phys J B - ماده متراکم (2004) 38: 353-62. doi: 10. 1140/EPJB/E2004-00128-7

7. Huang W ، Zhuang X ، Yao S ، Yao S. تجزیه و تحلیل شبکه از بازار سهام چین. Physica A: Stat Mech Appl (2009) 388: 2956-64. doi: 10. 1016/j. physa. 2009. 03. 028

8. Tse C ، Liu J ، Lau F ، Lau FC. چشم انداز شبکه از بورس سهام. J امور مالی تجربی (2010) 17: 659-67. doi: 10. 1016/j. jempfin. 2010. 04. 008

9. Namaki A ، Shirazi AH ، Raei R ، Jafari G. تجزیه و تحلیل شبکه از یک بازار مالی بر اساس همبستگی واقعی و روش آستانه. Physica A: Stat Mech Appl (2011) 390: 3835-41. doi: 10. 1016/j. physa. 2011. 06. 033

10. Nobi A ، Maeng S ، Ha G ، Le J. تأثیر بحران مالی جهانی بر ساختار شبکه در یک بازار سهام محلی. Physica A: Stat Mech Appl (2014) 407: 135-43. doi: 10. 1016/j. physa. 2014. 03. 083

11. Nobi A ، Le S ، Kim D ، Le J ، Kim DH. همبستگی و توپولوژی شبکه در شاخص های سهام جهانی و محلی. Phys Lett A (2014) 378: 2482-9. doi: 10. 1016/j. physleta. 2014. 07. 009

12. Kumar S ، Deo N. همبستگی و تجزیه و تحلیل شبکه شاخص های مالی جهانی. Phys Rev E (2012) 86: 026101. doi: 10. 1103/physreve. 86. 026101

13. Ha G ، Lee J ، Nobi A. شبکه آستانه یک بازار مالی با استفاده از مقدار p ضرایب همبستگی. J Korean Phys Soc (2015) 66: 1802-8. doi: 10. 3938/jkps. 66. 1802

14. Xu X ، Wang K ، Zhu L ، Zhang L ، Zhu L. ساخت و ساز کارآمد شبکه های آستانه بازارهای سهام. Physica A: Stat Mech Appl (2018) 509: 1080-6. doi: 10. 1016/j. physa. 2018. 06. 083

15. Rakib M ، Nobi A ، Le J ، Le JW. ساختار و پویایی شبکه های مالی با روش رتبه بندی ویژگی. SCI Rep (2021) 11: 17618. doi: 10. 1038/s41598-021-97100-1

16. Mafwele B ، Le J. روابط بین انتقال مالاریا در آفریقا و عوامل آب و هوا. SCI Rep (2022) 12: 14392. doi: 10. 1038/s41598-022-18782-9

17. Bardoscia M ، Barucca P ، Battiston S ، Caccioli F ، Cimini G ، Garlaschelli D ، et al. فیزیک شبکه های مالی. Nat Rev Phys (2021) 3: 490-507. doi: 10. 1038/s42254-021-00322-5

18. Vyrost T ، Lyocsa S ، Baumohl E ، Baumohl E. شبکه های سهام علیت Granger: نزدیکی و دلبستگی ترجیحی. Physica A: Stat Mech Appl (2015) 427: 262-76. doi: 10. 1016/j. physa. 2015. 02. 017

19. Yao C ، Li H. رویکرد آنتروپی انتقال مؤثر به جریان اطلاعات در بین EPU ، احساسات سرمایه گذار و بازار سهام. فیزیک جلو (2020) 8: 206. doi: 10. 3389/fphy. 2020. 00206

20. Niu H ، Hu Z. شبکه انتقال اطلاعات و شبکه مبتنی بر آنتروپی بین بازار سهام چین و بازار آتی کالا. منبع Pol (2021) 74: 102294. doi: 10. 1016/j. resourpol. 2021. 102294

21. Wang X ، Sun M. یک مدل پیش بینی جدید از شبکه الگوی نمادین چند لایه: بر اساس آنتروپی علیت. Physica A: Stat Mech Appl (2021) 575: 126045. doi: 10. 1016/j. physa. 2021. 126045

22. Qiuna L ، Han L ، Wan Y ، Yin L ، Wan Y. آنتروپی خالص سهام: شواهدی از بازار شرکت رشد چین. آنتروپی (2018) 20: 805. doi: 10. 3390/e20100805

23. Shi Y ، Zheng Y ، Guo K ، Jin Z ، Huang Z ، Guo K. ویژگی های تکامل ریسک سیستمیک در بازار سهام چین بر اساس یک شبکه پیچیده پویا. آنتروپی (2020) 22: 614. doi: 10. 3390/e22060614

24. Oela J ، Chakraborti A ، Kasksi K ، Kertesz J ، Kanto A ، Kaski K ، et al. پویایی همبستگی های بازار: طبقه بندی و تجزیه و تحلیل نمونه کارها. Phys Rev E (2003) 68: 056110. doi: 10. 1103/physreve. 68. 056110

25. او ج ، ساختار و پاسخ در شبکه تجارت جهانی. Phys Rev Lett (2010) 105: 198701. doi: 10. 1103/physrevlett. 105. 198701

26. Yalamova R ، McKelvey B. توضیح آنچه منجر به تصادفات بازار سهام می شود: یک مدل انتقال فاز و پویایی مقیاس پذیری. J Behav Finance (2011) 12: 169-82. doi: 10. 1080/15427560. 2011. 602484

27. Long H ، Zhang J ، Tang N. آیا توپولوژی شبکه بر سهم ریسک سیستمیک تأثیر می گذارد؟چشم انداز شاخص های صنعت در بازار سهام چین. PLOS ONE (2017) 12: E0180382. doi: 10. 1371/joual. pone. 0180382

28. Lee J ، Nobi A. ساختارهای ایالت و شبکه بازار سهام در اطراف بحران مالی جهانی. Comput Econ (2018) 51: 195 210. doi: 10. 1007/s10614-017-9672-x

29. Nobi A ، Tuhin K ، Le J ، Le JW. کاربرد تجزیه و تحلیل مؤلفه اصلی در تکامل زمانی COVID-19. PLOS ONE (2021) 16: E0260899. doi: 10. 1371/joual. pone. 0260899

30. نوبی A ، لی T ، لی جی ، لی JW. ساختار شبکه های جریان تجاری برای کالاهای جهانی. Physica A: Stat Mech Appl (2020) 556: 124761. doi: 10. 1016/j. physa. 2020. 124761

31. Bardoscia M ، Battiston S ، Caccioli F ، Galdarelli G ، Caccioli F ، Caldarelli G. مسیرهای به سمت بی ثباتی در شبکه های مالی. Nat Commun (2017) 8: 14416. doi: 10. 1038/ncomms14416

کلمات کلیدی: سیستم های پیچیده (CS) ، اکونوفیزیک ، شبکه پیچیده ، بازار سهام ، تجزیه و تحلیل سری زمانی

استناد: Park J ، Cho Ch و Lee JW (2022) چشم انداز شبکه های پیچیده در بازار سهام. جلو. فیزیک10: 1097489. doi: 10. 3389/fphy. 2022. 1097489

دریافت: 14 نوامبر 2022 ؛پذیرفته شده: 06 دسامبر 2022 ؛منتشر شده: 23 دسامبر 2022.

رائول ماتسوشیتا ، دانشگاه برزیلیا ، برزیل

Joao Plinio Juchem Neto ، دانشگاه فدرال ریو گراند دو سول ، برزیل ایرام گلریا ، دانشگاه فدرال آلاگواس ، برزیل

کپی رایت © 2022 پارک ، چو و لی. این یک مقاله با دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (CC توسط) توزیع شده است. استفاده ، توزیع یا تولید مثل در سایر انجمن ها مجاز است ، مشروط بر اینکه نویسنده اصلی (ها) و مالک (های) دارای حق چاپ (دارایی) اعتبار داشته باشند و انتشار اصلی در این ژورنال مطابق با عمل دانشگاهی پذیرفته شده استناد می شود. بدون استفاده ، توزیع یا تولید مثل مجاز است که این شرایط را رعایت نمی کند.