Towards identifying the world stock market cross-correlations: DAX versus Dow Jones
与世界全球化有关的影响也影响到金融市场。在量化相关特征的方法，我们研究了60家公司的财务经验相关矩阵，这两个德国Aktienindex（DAX）和道琼斯（DJ）工业平均指数包括在1990年至1999年。基础交叉相关性的时间依赖性使用60个交易日的时间窗口进行监控。我们的研究表明，如果适当考虑时区延迟，这两个遥远的市场基本上合并为一个。这种影响在过去几年中尤为明显。然而，道琼斯指数决定了趋势。
2000-11-29 cond-mat.soft cond-mat.stat-mech q-fin.ST
Stock exchange shares ranking and binary-ternary compressive coding
本文提出了一种方法来排名的投资吸引力的交易所交易的股票的投资风险是不相关的波动性指标，而是有关的指标压缩的时间序列的价格变化。文章详细介绍了排名算法，提供了一个对道琼斯股票指数中所有公司股票进行排名的例子。本文还比较了波动率和压缩率对这些股票的排名结果，并显示了第二个指标的优势，该指标是使用历史金融数据的二元-三元压缩方法形成的。
2021-10-20 q-fin.ST
Macroeconomic Phase Transitions Detected from the Dow Jones Industrial Average Time Series
本文对1997年1月至2008年8月的道琼斯工业平均指数时间序列进行了统计分割和聚类分析。将指数运动和对数指数运动建模为平稳高斯过程，我们分别找到了116和119个统计平稳段。然后可以将其分为五到七个集群，每个集群代表不同的宏观经济阶段。宏观经济阶段主要以其波动性来区分。我们发现，以DJI衡量的美国经济，大部分时间都处于低波动性阶段和高波动性阶段。前者可以大致与经济扩张相关联，而后者包含标准经济周期中的经济收缩阶段。这两个阶段都被一个中等波动性的市场打断，但极高波动性的市场崩溃大多发生在高波动性阶段。从各个阶段的时间分布来看，我们看到1998年年中到2003年年中是一个高波动阶段，2007年年中开始是另一个高波动阶段（当前的全球金融危机）。从低波动性阶段到高波动性阶段的过渡之前是一系列的前兆冲击，而从高波动性阶段到低波动性阶段的过渡之前是一系列的反向冲击。这两种类型的过渡时间大约为一年。我们还确定1997年7月的亚洲金融危机是1998年中期过渡的触发因素，2006年5月与中国市场调整有关的未指明的市场事件是2007年中期过渡的触发因素。
2009-04-20 q-fin.GN q-fin.ST
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。
2011-09-20 q-fin.ST
Entropy and Transfer Entropy: The Dow Jones and the build up to the 1997 Asian Crisis
熵测度在随机时间序列的研究中发挥着重要的作用，它为系统中各个组成部分之间的随机关系的相关结构和因果结构提供了重要的见解。最近的应用熵技术和他们的线性祖先，如皮尔逊相关性和格兰杰因果关系，包括正常以及在系统的动态演化的关键时期。在这里，我测量的熵，皮尔逊相关性和转移熵的道琼斯工业平均指数在一段时间内的价格变化，立即导致和包括亚洲金融危机和随后的小崩溃的道琼斯工业平均指数在1997年10月27日。我使用了一种新的变化的转移熵，动态地调整到个别价格的到达率，并不需要binning的数据显示，相当不同的关系出现从传统的皮尔逊相关系数之间的股票。这些初步结果说明了如何将这种修改形式的TE与使用皮尔逊相关性的结果进行比较。
2018-11-20 q-fin.CP q-fin.RM q-fin.ST
The Cross-Sectional Intrinsic Entropy. A Comprehensive Stock Market Volatility Estimator
考虑到股票市场不确定性的时间维度，本文引入了一种基于内在熵模型的股票市场波动率的横截面估计。建议的横截面内在熵（CSIE）的定义和计算作为一个每日波动率估计整个市场，根据每日交易价格：开盘价，最高价，最低价，收盘价（OHLC），以及每日交易量的所有符号上市的纽约证券交易所（NYSE）和全国证券交易商协会自动报价（NASDAQ）。我们对从CSIE获得的时间序列和由估计器提供的历史波动率进行比较分析：接近收盘价，帕金森，加曼-克拉斯，罗杰斯-萨特，杨-张，和内在熵（IE），定义和计算的历史OHLC每日价格的标准普尔500指数（S&P500），道琼斯工业平均指数（DJIA），和纳斯达克综合指数，分别用于不同的时间间隔。我们的研究使用了大约6000天的参考点，从2001年1月1日开始，直到2022年1月23日，对于纽约证券交易所和纳斯达克。我们发现，CSIE市场波动率估计始终是至少10倍以上的敏感性，市场变化相比，通过市场指数捕捉的波动率估计。此外，贝塔值证实了整体市场指数的波动性风险始终较低，与整个市场在不同时间间隔和滚动窗口的波动性风险相比，低50%至90%。
2022-04-29 q-fin.GN q-fin.MF q-fin.ST
Analysis of Data Clusters Obtained by Self-Organizing Methods
将自组织方法应用于金融市场的研究。作为一个例子，我们考虑的数据时间序列的道琼斯指数2002-2003年（R。Mantegna，cond-mat/9802256）。为了揭示道琼斯指数编制公司股票市场行为的新结构，我们应用SOM（自组织映射）和GMDH（数据处理的组方法）算法。使用SOM技术，我们获得SOM地图，建立一个新的关系，在市场结构。通过GMDH对所获得的簇进行分析。
2004-04-09 nlin.AO q-fin.ST
Probability distribution of returns in the Heston model with stochastic volatility
我们研究了赫斯顿模型，其中股票价格的动态是由一个几何（乘法）布朗运动与随机方差。我们精确地求解了相应的福克-普朗克方程，在对方差进行积分后，找到了股票价格变化（收益）随时间变化的概率分布的解析公式。该公式与道琼斯指数的时间滞后从1到250个交易日非常一致。对于大收益，对数收益的分布是指数的，指数依赖于时间，而对于小收益，它是高斯分布。对于比方差的松弛时间更长的时间滞后，概率分布可以使用贝塞尔函数以缩放形式表示。道琼斯指数1982-2001年的数据遵循7个数量级的标度函数。
2002-11-05 cond-mat.stat-mech q-fin.ST
Dynamics of correlations in the stock market
金融实证相关矩阵的所有公司，其中包括在1990年至1999年的时间段内，德国Aktienindex（DAX）和道琼斯指数的研究使用有限的时间窗口，无论是30或60，交易日。这允许清楚地识别所产生的相关性。在这两个市场上，下跌总是伴随着相关矩阵的一个强集体本征态的相当大的分离，而上涨更具竞争性，因此集体性较低。然而，一般而言，相关矩阵的剩余本征态平均而言与随机矩阵理论的预测一致。与世界全球化的影响也进行了讨论，并量化了道琼斯指数的主导作用。在过去的几年里，这种影响尤其引人注目，为了识别它，正确地解释时区延迟是至关重要的。
2001-03-29 cond-mat.soft cond-mat.stat-mech q-fin.ST
The Anderson-Darling test of fit for the power law distribution from left censored samples
本文给出了幂律分布参数估计的左删失样本下基于Anderson-Darling统计量的极大似然估计和拟合检验。给出了A^2统计量的极大似然估计量的表达式和渐近百分点表。该技术是说明数据从道琼斯工业平均指数，一个例子，在经济物理学，金融，物理学，生物学，并在一般情况下，在其他相关的科学，如复杂性科学的理论和实践的重要性。
2010-04-03 physics.data-an q-fin.ST
A unified theory of order flow, market impact, and volatility
Imperial College London（帝国理工学院）；CentraleSupélec（中央理工-高等电力学院）；Université Paris Dauphine-PSL（巴黎第九大学-巴黎文理研究大学）；Université du Luxembourg（卢森堡大学）
本文提出了一种统一模型，通过Hawkes过程区分核心订单与反应流，揭示订单流、波动性和市场影响之间的内在联系。
2026-02-02 math.PR q-fin.MF q-fin.ST
Market Crash Prediction Model for Markets in A Rational Bubble
著名的对数周期幂律（LPPL）方法是预测金融市场崩溃的少数方法之一。本文在LPPL的基础上，提出了一种新的股票市场崩盘的分析方法，即基于理性泡沫状态的简单假设，建立白箱模型。通过将该模型应用于道琼斯指数和比特币市场价格数据，表明该模型成功地预测了两个市场的一些重大崩溃，这意味着该模型的高灵敏度和泛化能力。
2021-08-23 q-fin.RM q-fin.ST
Gold, Oil, and Stocks
我们采用小波方法，对1987年至2012年期间的主要交易资产（黄金，石油和股票）之间的动态相关性进行时频分析。对日内和每日数据进行分析。我们发现，异质性的相关性在一些投资期限之间的资产对是一个主导特征，在经济低迷时期和金融动荡的所有三对资产的研究。黄金和股票之间的相关性普遍存在异质性。2008年危机后，所有三种资产之间的相关性增加并变得同质化：三种资产对的时间不同，但与特定相关性动态中确定的结构性断裂相一致。一个强烈的暗示出现了：在研究所涉期间，从不同投资视野的角度来看，这三种资产只能在相对较短的时间内用于充分分散的投资组合。
2014-03-24 q-fin.RM q-fin.ST
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。
2017-08-29 q-fin.ST
Modeling stylized facts for financial time series
为了模拟金融时间序列中收益率的经验行为，构造了收益率的多元概率密度函数。它们描述了高斯随机游走的既定偏差，例如收益率分布的近似标度和重尾，长期波动率-波动率相关性（波动率聚类）和收益率-波动率相关性（杠杆效应）。该模型成功地测试，以适应联合分布的100+年的每日价格回报的道琼斯30工业平均指数。
2004-11-03 cond-mat.other q-fin.ST
Multiple time scales in volatility and leverage correlations: An stochastic volatility model
金融时间序列表现出两种不同类型的非线性相关性：（一）波动性自相关性，具有很长的记忆范围，在几年的顺序，和（二）非对称收益率波动性（或“波动”）相关性，是短得多的范围。不同的随机波动率模型已经提出了在过去的帐户这两个相关性。然而，在这些模型中，相关性的衰减是指数的，波动率和杠杆相关性都有一个单一的时间尺度，与观察结果不同。我们通过假设均值回复水平本身是随机的，扩展了线性Ornstein-Uhlenbeck随机波动模型。我们发现，由此产生的三维扩散过程可以解释不同的相关时间尺度。我们发现，结果是在良好的协议与道琼斯指数的每日回报率（1900-2000年）的一个世纪，除了崩溃的日子。
2003-02-05 cond-mat.stat-mech physics.soc-ph q-fin.ST
