Nonlinear Stochastic Model of Return matching to the data of New York and Vilnius Stock Exchanges
V. Gontis, A. Kononovicius
我们将纽约和维尔纽斯证券交易所的收益率实证数据与金融市场的非线性双随机收益率模型进行匹配，并进行了标度分析。
We scale and analyze the empirical data of return from New York and Vilnius stock exchanges matching it to the same nonlinear double stochastic model of return in financial market.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Economic sector identification in a set of stocks traded at the New York Stock Exchange: a comparative analysis
我们回顾了最近文献中使用的一些方法来检测属于同一经济部门的股票收益率是否存在一定程度的共同行为。具体来说，我们讨论的方法基于随机矩阵理论和层次聚类技术。我们将这些方法应用于在纽约证券交易所交易的一组股票。调查的时间序列记录在每天的时间范围。所有考虑的方法都能够检测到经济信息和集群的存在，其特征在于股票的经济部门。然而，不同的方法提供了不同的信息所考虑的集。我们的比较分析表明，仅应用单一方法无法提取一组股票相关系数矩阵中存在的所有经济信息。
Analysis of the trends in the index of the Dow Jones Industrial Average (DJIA) of the New York Stock Exchange (NYSE)
假设价格图表可以根据经验分解为随机和非随机两个分量。非随机成分，它可以被视为价格（趋势）在一个时期的近似规则行为，是一条几何线。因此，随机分量以各种幅度围绕非随机分量波动。此外，一个时期的趋势形状在另一个时期可能不同。它进一步假设，可以找到统计证据的几种类型的趋势和价格的下一个运动的方向之间的各种关系。这些假设是测试的道琼斯工业指数（道）的历史数据和证实。此外，统计数据表明，道琼斯指数近期的一些趋势可以用来预测该指数的近期走势。因此，预测DJIA的衰退即将到来，这可能预示着世界范围的经济危机。
Correlations and Flow of Information between The New York Times and Stock Markets
我们使用随机矩阵理论（RMT）和信息论来分析2015-2016年期间10个月内《纽约时报》的64，939条新闻与40个世界金融指数之间的相关性和信息流。这组新闻被量化，并使用情绪分析工具转化为每日极性时间序列。RMT的结果表明，一个共同的因素导致世界指数和新闻，甚至有相同的动态。此外，在加入白噪声时，发现全局相关结构保持不变，这表明相关性不是由于样本大小效应。同样，我们发现很多信息从新闻流到世界指数的具体延迟，对交易目的具有实际意义。我们的研究结果表明，新闻和世界指数之间存在着深刻的关系，并显示了新闻驱动世界市场运动的情况，为支持行为金融学作为当前经济范式提供了新的证据。
A Copula Approach on the Dynamics of Statistical Dependencies in the US Stock Market
我们使用纽约证券交易所TAQ数据库的日内数据分析了2007年至2010年4年期间标准普尔500指数成分股的统计依赖结构。基于Copula的方法，我们发现，统计依赖性是非常强的边缘分布的尾部。这种尾部依赖性高于二元高斯分布，这在许多相关系数的计算中是隐含的。我们比较了尾部依赖市场的平均相关水平作为一个常用的数量，并揭示了一个接近线性的关系。
Power Laws and Gaussians for Stock Market Fluctuations
对纽约证券交易所的每日交易量及其每日波动进行了幂律尾部和长期趋势分析。我们还为较长时间间隔（如数月而不是数天）的高斯分布过渡建模。
Statistical Properties of Statistical Ensembles of Stock Returns
我们选择在纽约证券交易所交易的n只股票，并从股票价格时间序列中形成我们数据库的k个交易日的每日股票收益的统计集合。我们分析每个合奏的股票收益率提取其前四个中心时刻。我们观察到，这些时刻是波动的时间，是随机过程本身。我们通过研究中心矩的概率密度函数和时间相关特性来刻画中心矩的统计特性。
Random Matrix Theory Analysis of Cross Correlations in Financial Markets
我们证实了普遍的行为，如特征值分布和间距的随机矩阵理论（RMT）预测的互相关矩阵的东京证券交易所的每日股票价格从1993年至2001年，这已经报告了纽约证券交易所在以前的研究。它示出的互相关矩阵的特征值分布的随机部分是稳定的，即使确定性的相关性。一些偏差的小特征值统计范围以外的普遍性类的RMT不能完全解释与确定性的相关性，在以前的研究中提出的。我们研究了随机性对确定性相关的影响，发现随机性导致确定性特征值和随机特征值之间的排斥。这被解释为RMT中的“水平排斥”，并解释了与市场数据中观察到的先前研究的一些偏差。我们还研究了这些市场中相关的问题组，并提出了一种改进的方法来确定相关的RMT组的基础上。东京证券交易所和纽约证券交易所的股票属性之间存在一些特征差异。
Increasing market efficiency: Evolution of cross-correlations of stock returns
我们分析了纽约证券交易所的回报率的互相关性的时间变化。我们发现，股票日收益率之间的领先滞后关系在不到20年的时间里消失了。我们发现，即使对于高频数据，时间相关交叉关联函数的不对称性也有减小的趋势，峰值位置向原点移动，峰值变得尖锐和高，从而减弱了Epps效应。所有这些发现都表明市场变得越来越有效。
Symmetry alteration of ensemble return distribution in crash and rally days of financial markets
我们选择在纽约证券交易所交易的$n$股票，并从股票价格时间序列中形成我们数据库中每个$k$交易日的每日股票收益的统计集合。我们研究了每个交易日的集合收益率分布，发现集合收益率分布的对称性在市场的崩溃和反弹日发生了剧烈的变化。我们将这些实证结果与基于单指数模型的数值模拟进行比较，得出结论，该模型无法解释极端日的市场行为。
Maximum Entropy Production Principle for Stock Returns
在我们以前的研究中，我们已经调查了纽约和华沙的证券交易所的股票收益率描述的时间序列的结构复杂性，采用两个估计的香农熵率的基础上Lempel-Ziv和上下文树加权算法，这是最初用于数据压缩。描述对数股票收益的时间序列的这种结构复杂性可以用来衡量潜在价格形成过程的内在（无模型）可预测性，在实践中检验有效市场假说。我们还将标准交易算法的盈利能力与估计的可预测性相关联，发现这些算法在任何重要程度上都没有使用股票回报的固有结构。为了找到一种方法来使用的结构复杂性的股票收益率的预测的目的，我们提出了最大熵生产原则，适用于股票收益率，并测试它在上述两个市场，探讨是否有可能提高预测的股票收益率的结构复杂性的基础上，这些和上述原则。
Coherence-based multivariate analysis of high frequency stock market values
本文解决了从高频历史值中推导股票价格拓扑结构的问题。使用低频数据的类似研究已经提供了有价值的见解。然而，在这些情况下，数据需要收集更长的时间，然后必须消除趋势。提出了一种基于观测视界短周期上度量函数平均的有效方法。由于标准的基于相关性的度量无法捕捉不同时刻的依赖性，因此在处理高频数据时，不期望其表现最佳。因此，讨论了更合适的度量的选择。特别地，提出了一种基于相干性的度量，因为它能够检测两个时间序列之间的任何可能的线性关系，即使在不同的时刻。平均技术被用来分析一组100个高成交量的股票的纽约证券交易所，观察在2008年3月。
ANN Model to Predict Stock Prices at Stock Exchange Markets
证券交易所被认为是许多国家金融部门的主要参与者。大多数从事股票交易的股票经纪人都使用技术、基本面或时间序列分析来预测股票价格，以便为客户提供建议。然而，这些策略通常并不能保证良好的回报，因为它们是根据趋势而不是最有可能的价格来指导的。因此，有必要探索改进的预测方法。该研究提出了使用人工神经网络，即具有误差反向传播的前馈多层感知器，并开发了一个配置为5：21：21：1的模型，在130，000个周期中具有80%的训练数据。该研究开发了一个原型，并在内罗毕证券交易所和纽约证券交易所等股票市场2008-2012年的数据上进行了测试，预测结果显示MAPE在0.71%和2.77%之间。使用Encog和Neuroph进行的验证实现了相当的结果。因此，该模型能够对典型的股票市场进行预测。
Stochastic Evolution of Stock Market Volume-Price Distributions
使用纽约股票市场（NYSM）的数据，我们测试了四种不同的双参数模型，以适应相应的量价分布在每个$10$分钟滞后：伽玛分布，逆伽玛分布，威布尔分布和对数正态分布。衡量市价总值的量价数据似乎遵循一种特定的统计模式，而不是类似研究中衡量的价格演变。我们发现，逆伽马模型给出了一个更好的适合量价演变比其他模型。然后，我们专注于逆伽马分布作为NYSM数据的模型，并分析作为一个随机过程的分布参数对的演变。假设这些参数的演变是由耦合的朗之万方程，我们推导出相应的漂移和扩散系数，然后提供洞察理解的股票市场的演变机制。
Quantile Correlations: Uncovering temporal dependencies in financial time series
本文利用分位数相关函数对金融时间序列的时间相关性进行了实证研究。这项研究使用了纽约证券交易所标准普尔500指数成份股的盘中数据。在建立了一个经验的概述，我们比较了分位数为基础的相关函数的随机过程从甘精胰岛素家族，并发现显着的差异。这促使我们提出基于分位数的相关函数作为一个强大的工具来评估随机过程和经验数据之间的协议。
On fitting the Pareto-Levy distribution to stock market index data: selecting a suitable cutoff value
所谓的Pareto-Levy或幂律分布已经成功地用作描述与全球股票市场指数数据的极端变化相关联的概率的模型，并且其具有来自经验数据的形式$Pr(X>x) ~ x**(-alpha) for gamma< x <infinity. The selection of the threshold parameter gamma$，因此，指数α的确定通常通过使用基于双对数标度的简单图形方法来完成，其中幂律概率图显示斜率等于幂律分布指数的直线。该过程可以被认为是主观的，特别是关于阈值或截止参数γ的选择。在这项工作中提出了一个更客观的程序，基于统计测量的经验和帕累托-列维分布之间的差异。该技术说明了从纽约证券交易所指数和墨西哥股票市场指数（IPC）的数据集。
The stabilizing effect of volatility in financial markets
在金融市场，更大的波动性通常被认为是更大的风险和不稳定的同义词。然而，市场的大起大落往往是在价格回报只有小幅波动的长时期之后。为了研究这个令人惊讶的特征，在这里我们建议使用平均首次命中时间，即股票收益率首次经历大的负或正变化的平均时间，作为价格稳定性的指标，并将其与波动性的标准度量相关联。在纽约证券交易所交易的$1071$股票的日收益率的实证分析中，我们发现，这种稳定性的措施显示非单调的行为，最大值，作为波动率的函数。此外，我们表明，经验数据的统计特性可以再现的非线性赫斯顿模型。这一分析意味着，与传统观点相反，不仅高波动性值，而且低波动性值都可能与金融市场的更高不稳定性相关。
Joint analysis and estimation of stock prices and trading volume in Barndorff-Nielsen and Shephard stochastic volatility models
我们引入了Barndorff-Nielsen和Shephard随机波动率模型的一个变体，其中非高斯Ornstein-Uhlenbeck过程描述了交易强度的一些度量，如交易量或交易次数，而不是不可观察的瞬时方差。在一个非扩散但允许跳跃的二元模型中，我们基于鞅估计函数给出了一个显式估计。假设这两个量都是在固定宽度的离散网格上观测的，并且观测视界趋于无穷大。我们证明了估计量是相合的和渐近正态的，并给出了渐近协方差矩阵的显式表达式。我们的方法是通过有限样本实验和统计分析，在纽约证券交易所（NYSE）的国际商业机器公司（IBM）的股票和微软公司（MSFT）的股票在纳斯达克上市的五年的历史。
Correlation based networks of equity returns sampled at different time horizons
我们研究了2001-2003年期间在纽约证券交易所交易的300只最具资本化的股票的投资组合的平面最大过滤图。拓扑性质，如最短路径的平均长度，介数和程度计算不同的平面最大过滤图通过采样的回报率在不同的时间范围从5分钟到一个交易日。这一分析证实，所选择的股票构成一个层次系统逐步结构的抽样时间范围增加。最后，定量研究了与经济部门相关的团簇形成。
The Power (Law) of Indian Markets: Analysing NSE and BSE trading statistics
本文分析了印度金融市场波动的性质。我们已经研究了个股的价格回报率，其中包括印度国家证券交易所（NSE）的逐点数据以及印度最大的两个交易所NSE和孟买证券交易所（BSE）的每日收盘价数据。我们发现，在印度市场的价格回报遵循厚尾累积分布，符合幂律指数$α\sim 3$，类似于发达市场中观察到的。然而，交易量和交易数量的分布与纽约证券交易所（NYSE）的分布有所不同。此外，在印度市场，不同股票的价格走势高度相关。
Variety and Volatility in Financial Markets
我们通过考虑单个时间序列和同时交易的股票集合的统计特性来研究金融市场中股票交易的价格动态。我们使用在纽约证券交易所交易的$n$股票来形成每日股票收益的统计集合。对于我们的数据库的每个交易日，我们研究了整体收益率分布。我们发现，一个典型的集合收益率分布存在于大多数的交易日，除了崩溃和反弹的日子和这些极端事件之后的日子。我们分析每个集合返回分布提取其前两个中心矩。我们观察到，这些时刻是波动的时间，是随机过程本身。通过研究集合收益分布中心矩的概率密度函数和时间相关特性，刻画了集合收益分布中心矩的统计特性。一般来说，时间平均和投资组合平均价格收益具有不同的统计特性。我们从这些差异中推断出股票之间和不同交易日之间相关性的相对强度。最后，我们将我们的经验结果与单指数模型预测的结果进行了比较，得出结论，这个简单的模型无法解释集合收益率分布的二阶矩的统计特性。
Scaling of the distribution of price fluctuations of individual companies
我们提出了一个现象学研究的股票价格波动的个别公司。我们系统地分析了两个不同的数据库，涵盖美国三大股票市场的证券：（a）纽约证券交易所，（b）美国证券交易所，（c）全国证券交易商协会自动报价股票市场。具体来说，我们考虑（i）交易和报价数据库，我们分析了1000家美国公司1994- 95年2年期间的4000万条记录，以及（ii）研究和证券价格中心数据库，我们分析了大约16，000家公司1962- 96年35年期间的3500万条每日记录。我们研究了不同时间尺度$Δt$的收益率的概率分布，其中$Δt$的变化因子为$\approx 10^5$-从5分钟到$\approx$ 4年。对于从5分钟到大约16天的时间尺度，我们发现，分布的尾部可以很好地描述的幂律衰减，其特征在于指数$α\approx 3$ -以及稳定的Lévy制度$0 < α< 2$之外。对于时间尺度$Δt \gg (Δt)_{\times} \approx 16 $天，我们观察到的结果与缓慢收敛到高斯行为一致。我们还分析了不同公司的回报之间的交叉相关性的作用，并将这些相关性与市场指数的回报分布联系起来。
Inverse cubic law of index fluctuation distribution in Indian markets
金融市场活动的主要统计特征之一是指数等市场指标的波动分布。虽然发达的股票市场，例如，纽约证券交易所（NYSE）的股票收益率分布呈现出具有幂律指数特征的厚尾分布，但这种现象的普遍性一直存在争议，尤其是在新兴市场。在这里，我们调查了印度金融市场的几个指数的分布，印度是世界上最大的新兴市场之一。我们使用了国家证券交易所（NSE）的逐点数据，以及NSE和孟买证券交易所（BSE）的每日收盘数据。我们发现指数收益率的累积分布在1分钟和1天的时间尺度上都具有长尾，并且符合指数为α \approx 3的幂律。这一“逆立方定律”在数量上与发达市场中观察到的相似，从而为市场波动行为的普遍性提供了强有力的证据。
Causality and Correlations between BSE and NYSE indexes: A Janus Faced Relationship
我们研究了纽约证券交易所（NYSE）和孟买证券交易所（BSE）的月平均收盘价指数之间的多尺度时间相关性和因果关系的连接，为期300个月，包括印度经济的自由化的时间段和逐步全球曝光。多尺度分析;在NYSE和BSE中观察到了明显可识别的1、2和3年非平稳周期调制，其中NYSE在3年尺度上对BSE的变化进行了描述。有趣的是，在一年的时间尺度上，这两个交易所仅在动荡时期锁相，而在三年的时间尺度上，在更长的时间框架内观察到同相性质。两年的时间段，具有一年和三年变化的特点，作为过渡制度。标准化后的纽交所股票价值与疯牛病股票价值之间存在9个月的格兰杰因果关系。令人惊讶的是，观察到的格兰杰因果关系的高频变化揭示了疯牛病的行为得到反映在纽约证券交易所指数波动，经过一个较小的时间滞后。这种两面神面临的关系表明，较小的证券交易所可以提供一个自然的环境，模拟市场波动的大得多的交易所。这可能是因为高频波动构成金融时间序列的一个普遍部分，预计在开放的市场经济中也会表现出类似的特征。
Clustering of volatility as a multiscale phenomenon
金融市场中的价格动态已被实验（数据分析）和理论（模型）深入研究。然而，一个完整的随机特性的波动仍然缺乏。众所周知，绝对收益率在很长的时间范围内具有记忆性，这种现象被称为波动的聚集性。在本文中，我们证明了波动率的相关性是幂律与非唯一的标度指数。这种多尺度现象，这是众所周知的物理学家，因为它是相关的充分发展的湍流和无序系统，最近指出的金融序列。从历史收益率序列出发，我们还推导了波动率的分布，其结果符合对数正态分布。在我们的研究中，我们考虑了纽约证券交易所（NYSE）每日综合指数收盘（1966年1月至1998年6月）和纽约联邦储备银行认证的美元/德国马克（USD-DM）中午购买利率（1989年10月至1998年9月）。
Order book model with herd behavior exhibiting long-range memory
在这项工作中，我们提出了一个具有羊群行为的订单簿模型。建议的模型是建立在两个不同的方法：最近的实证研究的详细订单簿记录金泽等人。120，138301]和金融羊群行为模型。结合这些方法，我们可以提出一个模型，复制绝对收益和交易活动的长期记忆。我们将模型的统计特性与比特币汇率和纽约证券交易所报价机的经验统计特性进行了比较。我们还表明，在高频绝对收益率时间序列的谱密度的断裂可能与向均衡价格收敛的机制。
Uncovering the evolution of non-stationary stochastic variables: the example of asset volume-price fluctuations
我们提出了一个框架，用于描述具有非平稳分布的值的随机观测量的演变。该框架适用于纽约证券交易所交易的资产的经验量价。使用Kullback-Leibler散度，我们从金融数据分析中使用的四个双参数模型标准中评估最佳模型。在我们目前的数据集，我们得出结论，逆$Γ$分布是一个很好的模型，特别是对于最大的量价波动的分布尾部。提取相应的参数值的时间序列，我们表明，它们随时间演变的随机变量本身。对于控制量价分布尾部的参数的特定情况，我们能够提取描述数据中观察到的最大量价波动的Ornstein-Uhlenbeck方程。最后，我们讨论了如何从分布参数的随机演化到（非平稳）可观测的随机演化，并将我们的结论用于物理学和生物学中的其他应用。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。