A new space-time model for volatility clustering in the financial market
提出了一种新的金融市场上相互作用主体的时空模型。它是居里-外斯模型和Järpe 2005年引入的时空模型的结合。该模型的属性推导出重点的临界温度和磁化强度。事实证明，哈密顿量是温度参数的充分统计量，因此可以进行关于该参数的统计推断。因此，例如，可以做出关于当前金融状况离金融危机有多远的声明，并且可以监视金融交易稳定性以检测恶意风险指示信号。
2010-02-03 q-fin.ST q-fin.TR
A proposal of a methodological framework with experimental guidelines to investigate clustering stability on financial time series
在本文中，我们提出了一个实证框架的从业者的角度来看，稳定性的动机。我们的目标是通过提供数据扰动来评估聚类有效性并产生市场见解，我们提出了资产聚类行为的多视图。扰动框架在一个广泛的信用违约互换时间序列数据库中得到说明，该数据库可在www.datagrapple.com上在线获得。
2015-09-17 cs.CE q-fin.ST
Lead-Lag Relationships in Financial Markets: A Comparison of Multiple Clustering Algorithms
Nankai University（南开大学）；University of Oxford（牛津大学）
本文针对领滞关系聚类算法的局限性，引入MiniRocket-KMeans等三种算法并与DTW-KMedoids比较，通过确定最佳聚类数量提升稳定性，验证了领滞交易策略的统计有效性。
2026-08-26 q-fin.ST
Systemic Risk Clustering of China Internet Financial Based on t-SNE Machine Learning Algorithm
随着互联网金融的快速发展，大量研究表明，互联网金融平台在受到宏观经济冲击或脆弱的内部危机时，具有不同的金融系统性风险特征。本文从互联网金融区域发展的角度出发，利用t-SNE机器学习算法，对涉及31个省份、335个城市和地区的中国互联网金融发展指数进行数据挖掘，得到数据。得出了尖峰厚尾特征的结论，进而提出了互联网金融系统性风险的三种分类风险，为互联网金融系统性风险提供了更具区域针对性的建议。
2019-08-30 econ.EM q-fin.ST
Conditional Probability as a Measure of Volatility Clustering in Financial Time Series
在过去的几十年里，金融时间序列的特征和建模已经花费了相当大的努力。一些程式化的事实已经被确定，波动集群或持续性的趋势已经成为中心特征。在本文中，我们提出了一个适当定义的条件概率作为一个新的衡量波动聚类。我们测试这一措施，将其应用到不同的股票市场数据，我们发现一个丰富的时间结构的波动率波动描述得很好的标度关系。缩放中使用的比例因子提供了波动率聚类的直接度量;这种度量可用于开发期权定价、风险管理和经济预测的技术。此外，我们提出了一个随机波动率模型，可以显示许多显着的特征所表现出的经验金融时间序列的波动，包括我们推导出的条件概率的行为。
2006-01-05 physics.soc-ph q-fin.ST
Non-linear correlation analysis in financial markets using hierarchical clustering
距离相关系数（DCC）可用于识别多个变量之间的新关联和相关性。距离相关系数适用于任何维度的变量，可用于确定提供等效信息的较小变量集，仅当变量独立时为零，并且能够检测经典皮尔逊相关系数（PCC）无法检测的非线性关联。因此，DCC比PCC提供更多的信息。我们分析了S\&P500数据库中的大量股票对的距离相关系数，并根据这些相关性度量使用凝聚聚类提供了金融市场状态随机演化的概述。
2023-01-12 q-fin.ST stat.CO
Graph Auto-Encoders for Financial Clustering
深度学习已经在欧几里德数据（例如音频，图像，文本）上显示出显着的结果，但是这种类型的数据在它可以保存的关系信息量方面受到限制。在数学中，我们可以在图结构中对更一般的关系数据进行建模，同时保留欧几里得数据作为关联的节点或边特征。由于图数据的普遍存在，以及它能够容纳多维信息的能力，图深度学习已经成为一个快速新兴的领域。我们着眼于在财务图上应用和优化图深度学习，以产生更明智的公司集群。在量化金融中，从多个数据流中产生聚类非常有用;它不仅允许根据特定任务定制聚类，而且多个数据流的顶点允许跨源模式识别，否则会被忽视。这可以为金融机构提供超越竞争对手的优势，这在高度优化的交易世界中至关重要。在本文中，我们使用新闻同现和股票价格为我们的数据组合。我们优化了我们的模型，以实现78%的平均测试精度，并发现使用双数据源时聚类能力有明显的提高;当与地面实况Bloomberg聚类相比时，聚类纯度从仅顶点数据的32%和仅边缘数据的42%上升到64%。我们提供的框架利用了无监督学习，由于金融市场中未标记数据的数量，我们认为这是未来工作的关键。
2021-12-17 q-fin.ST
On clustering financial time series: a need for distances between dependent random variables
以下工作文件总结了我们在金融时间序列分组方面的工作。它是为一个关于信息几何及其在图像和信号处理中的应用的研讨会而写的。这次研讨会汇集了几位纯数学和应用数学专家以及来自医学成像、雷达信号处理和金融的应用研究人员。提交人属于后一类。本文档是一个很长的介绍，介绍了几何工具在金融应用中的进一步发展，如风险或投资组合分析。事实上，风险和投资组合分析基本上依赖于协方差矩阵。除了已知高斯假设是不准确的之外，协方差矩阵很难从经验数据中估计。为了从经验估计中滤除噪声，Mantegna提出使用分层聚类。在这项工作中，我们首先表明，这一过程是统计上一致的。然后，我们建议使用聚类与更广泛的应用比过滤的经验协方差矩阵的估计相关系数。为了做到这一点，我们需要获得金融时间序列之间的距离，这些时间序列包含了这些交叉依赖随机过程中的所有可用信息。
2016-03-25 q-fin.ST stat.ME
The Random Walk behind Volatility Clustering
金融价格的变化遵循两个普适的性质：它们遵循幂律，并且它们在时间上倾向于聚集。第二个规律性，称为波动率聚集，需要价格变化的一些可预测性：虽然它们的符号在时间上不相关，但它们的振幅（或波动率）是长期相关的。已经提出了许多模型来解释这些问题，特别是基于代理的模型，但这些模型往往调用相对复杂的机制。本文发现了波动率聚集背后的一个基本原因：外生消息对预期的影响。事实上，金融代理人的预期显然会随着新闻的出现而变化;对这一想法建模的最简单方法是假设预期遵循随机游走。我们表明，这种随机游走意味着波动率聚集在一个通用的方式。
2016-12-29 q-fin.ST
Towards Financially Inclusive Credit Products Through Financial Time Series Clustering
University of the Witwatersrand（威特沃特斯兰德大学）
提出一种新颖的时间序列聚类算法，通过分析消费者交易数据理解其金融行为，帮助金融机构在不依赖传统信用评分的情况下提供普惠信贷、储蓄和保险产品。
2024-02-16 cs.CY cs.LG q-fin.ST
Combating Financial Crimes with Unsupervised Learning Techniques: Clustering and Dimensionality Reduction for Anti-Money Laundering
Al-Azhar University（爱资哈尔大学）；Obour Height Institute for Informatics（奥布尔高等信息学院）
针对反洗钱高维行为数据影响聚类效果的问题，本文比较凝聚层次聚类与ICA、KPCA、SVD、LPP四种降维方法的组合，发现KPCA在多数情形下表现最佳。
2024-02-14 cs.LG q-fin.ST
Measuring Volatility Clustering in Stock Markets
提出了一种新的方法来量化复杂时间序列中的聚类行为，并将其应用于金融市场的高频数据。我们发现，无论使用哪种数据集，所有数据都表现出波动率聚集的特性，而使用GARCH模型滤除波动率聚集效应的数据集显著降低了波动率聚集。结果表明，该方法能够有效地度量金融市场的波动率聚集效应。
2007-09-15 physics.data-an q-fin.ST
Relation between Financial Market Structure and the Real Economy: Comparison between Clustering Methods
本文首次将 Directed Bubble Hierarchical Tree 用于股票收益相关性聚类，并与 Linkage、k-medoids 比较，发现其能以更少聚类恢复更多行业结构信息且对危机敏感性不同。
2015-01-21 cs.CE q-fin.ST
Non-stationary Financial Risk Factors and Macroeconomic Vulnerability for the UK
本文提出用非平稳因子模型度量金融压力，以捕捉尾部风险，并在英国数据上通过增长风险分析展示其优于传统平稳方法的优势。
2024-04-01 q-fin.ST
Clustering of Excursion Sets in Financial Market
利用偏移集理论，计算了股票市场指数的局部极值数密度和交叉统计量与阈值的关系。将数值计算的偏移集的数密度与高斯过程的理论预测进行比较，证实本文使用的所有数据集在低（高）阈值处几乎在平均值附近具有局部极值（上交）密度的盈余（几乎缺乏）值，这意味着股票指数的普遍性质。我们估计聚类的几何措施的基础上找到的对的偏移集，澄清以及位于同一地理区域的市场之间的统计一致性的超额概率。同时考虑了各市场间的漂移集的互相关性，构造了凝聚层次聚类矩阵。我们的研究结果表明，峰值统计是更能够捕获块。在此基础上，对包含峰和上交叉点的未加权两点相关函数的最大值的矩阵进行奇异值分解，计算相似性度量。我们的研究结果支持偏移集比标准措施更敏感，以阐明存在的{ \it先验}危机。
2022-07-07 physics.data-an q-fin.ST
Agent-based model with multi-level herding for complex financial systems
在复杂金融系统中，行业结构和波动率聚集分别是空间和时间相关性的重要特征。然而，部门结构的微观生成机制尚未被理解。特别是，如何在一个模型中产生这两个特征仍然具有挑战性。我们引入了一种新的相互作用机制，即，多层次羊群效应，结合波动率聚集，构建基于主体的板块结构研究模型。根据以往的市场表现，代理人进行群体交易，其羊群行为包括股票、行业和市场三个层面的羊群行为。此外，我们提出了从历史市场数据确定关键模型参数的方法，而不是从结果的统计拟合。从模拟中，我们得到了纽约和香港证券交易所的行业结构和波动率聚集，以及交叉相关矩阵的特征值分布。这些性质与实验结果一致。我们的研究结果定量地揭示了多层次羊群效应是部门结构的微观生成机制，并为微观层面金融系统的时空相互作用提供了新的见解。
2015-04-08 q-fin.GN q-fin.ST
Asset-asset interactions and clustering in financial markets
流动性市场的集体现象的特点是在粒子系统的情况。这种物理类比使我们能够从纯粹的随机特征中分离出内在特征。后者是由于作用于多资产系统的“热浴”造成的环境变化的结果，用随时间变化的有效温度定量描述。其余的固有性质可以通过应用经典多体系统的标准方法进行广泛的研究。作为一个例子，我们考虑在纽约证券交易所交易的大量股票，并确定相应的资产-资产“互动”潜力。为了更详细地研究由相互作用势的短距离行为所建议的簇结构，我们对粒子系统的空间分布进行了连接性分析。通过这种方式，我们能够得出独立于特定市场条件的内在集群持久性的结论。
2001-09-03 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
Study on the Identification of Financial Risk Path Under the Digital Transformation of Enterprise Based on DEMATEL-ISM-MICMAC
针对企业数字化转型下金融风险传导路径识别难题，构建风险影响因素体系，提出基于DEMATEL-ISM-MICMAC的风险路径识别方法，探明因素关联与层级结构，为企业风险管理及数字金融研究提供参考。
2023-05-07 q-fin.ST
Financial Atoms and Molecules
原子和分子是我们发明来理解我们周围的物理世界的重要概念实体。它们有用的关键在于将原子核和电子的自由度组织成一个单一的动力学变量，我们可以更好地想象它的时间演化。由于核/电子和原子/分子时间尺度之间的分离，使用这种有效变量代替真正的微观变量是可能的。在时间尺度分离的情况下，识别金融市场中的类似对象可以帮助我们进一步理解它们的动态。为了检测分离的时间尺度，并确定其相关的有效自由度在金融市场，我们设计了一个两阶段的统计聚类方案来分析股票在几个股票市场的价格变动。通过这两个时间尺度的聚类分析，我们发现了一个层次的自组织在现实的金融市场。我们把这些统计上稳健的自组织动力学结构称为金融原子、金融分子和金融超分子。一般来说，这些动态结构的详细组成不能仅仅基于原始的金融直觉来推断，必须根据基础投资组合和市场参与者的投资策略来解释。更有趣的是，我们发现，重大的市场事件，如中国的调整和次贷危机留下了许多金融分子的相关结构的迹象。
2009-03-12 q-fin.GN q-fin.ST
Modelling of dependence in high-dimensional financial time series by cluster-derived canonical vines
我们扩展了现有的金融文献中的模型，通过引入一个集群派生的典型葡萄树（CDCV）Copula模型捕捉金融时间序列之间的高维依赖。该模型使用了一个简化的市场部门vine copula框架，类似于Heinen和Valdesogo（2008）以及Brechmann和Czado（2013）引入的框架，可以通过将资产时间序列置于市场部门指数层次结构上来应用。虽然上述作者已经证明这可以控制高维中vine copula的过度参数化，但他们的模型依赖于提供外部来源的市场和行业指数，由于对这些行业的数量和组成施加限制，限制了其更广泛的适用性。通过实施CDCV模型，我们证明了这种依赖外部指数是多余的，因为我们可以通过直接从资产时间序列的聚类中导出指数的层次结构来实现等同或改进的性能，从而从底层数据中抽象出建模过程。
2014-11-18 q-fin.ST
Adaptive financial networks with static and dynamic thresholds
基于美国和中国股票市场的日数据，研究了具有静态和动态阈值的金融网络的动态行为。与静态阈值相比，动态阈值抑制了个股价格互相关引起的大幅波动，并在动态演化过程中形成稳定的拓扑结构。平均聚类系数、平均度和度的互相关性均具有长程时间相关性。动态网络的度分布呈现双峰特征。
2010-02-18 physics.soc-ph q-fin.ST
Financial factors selection with knockoffs: fund replication, explanatory and prediction networks
我们将仿制程序应用于金融中的因素选择。通过构建虚假但真实的因素，该过程可以控制给定因素集中的错误发现的比例。为了展示其多功能性，我们将其应用于基金复制和解释和预测网络的推理。
2021-03-10 q-fin.ST stat.AP
How news affect the trading behavior of different categories of investors in a financial market
我们调查了大量的单一投资者交易的高流动性的诺基亚股票在2003年至2008年期间的交易行为，目的是确定内生和外生因素，可能会影响他们的行为的相对作用。作为内生因素，我们考虑回报率和波动性，而我们使用的外生因素是每日新闻总数和基于新闻情绪分析的语义变量。数据的线性回归和偏相关分析表明，不同类别的投资者与这些因素的相关性不同。政府和非赢利性机构对新闻和回报或波动性的敏感性较弱，而且通常与前者的相关性大于与后者的相关性。相反，家庭和公司对内生和外生因素都非常敏感，平均而言，波动性和回报率分别比新闻和情绪的数量更相关。最后，金融机构和外国组织介于这两种情况之间，就这些因素的总解释力和相对重要性而言。
2012-07-13 q-fin.ST
AI-Enhanced Factor Analysis for Predicting S&P 500 Stock Dynamics
本研究结合传统金融分析与机器学习，构建先进指标预测标普500股票动态，提升预测准确性并指导投资策略。
2024-12-17 q-fin.ST
A cluster driven log-volatility factor model: a deepening on the source of the volatility clustering
我们引入了一个新的因子模型的日志挥发性进行降维，并考虑全球通过市场的贡献，并通过集群结构和它们的相互作用在本地。我们不假设数据中聚类的先验数量，而是使用定向气泡层次树（DBHT）算法来固定因子的数量。我们使用因子模型和一个新的综合非参数代理来研究波动率对波动率聚集的贡献。在全球范围内，只有市场对波动率聚集有贡献。局部地对于某些聚类，聚类本身在统计上对波动率聚集有贡献。这明显优于其他因子模型，因为可以统计地选择因子，同时还保持经济上相关的因子。最后，我们表明，日志波动性因子模型解释了类似的内存量的主成分分析（PCA）因子模型和探索性因子模型。
2018-05-10 q-fin.ST
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）。
1999-04-07 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
Deterministic Factors of Stock Networks based on Cross-correlation in Financial Market
已知股票市场根据影响单个股票的共同经济因素形成同质股票组，其中不同股票之间具有较高的相关性。利用反映共同经济因素本质属性的套利定价模型，研究了市场中共同经济因素在股票网络形成中的作用。我们发现，真实和模型股票网络之间的一致性程度增加额外的共同经济因素纳入我们的模型。此外，我们发现，与网络中的其他股票有大量联系的个股与共同经济因素的相关性比那些有少量联系的个股更高。这表明，股票市场中常见的经济因素可以用确定性因素来理解。
2007-05-01 physics.data-an q-fin.ST
The Adaptive Multi-Factor Model and the Financial Market
Cornell University（康奈尔大学）
现代技术的发展对金融市场产生了深远的影响。交易所交易基金等成分的引入，以及算法交易等先进技术的广泛使用，导致数据的繁荣，为揭示更深层次的见解提供了更多机会。然而，传统的统计方法总是受到高维度，高相关性和时变性的本能的金融数据。在这篇论文中，我们专注于开发技术来强调这些困难。有了这些方法，我们可以有更多可解释的模型，更清晰的解释和更好的预测。
2021-08-19 cs.LG q-fin.ST stat.ML
The Evolving Causal Structure of Equity Risk Factors
近年来，多因素策略在金融行业越来越受欢迎，因为它们可以让投资者更好地了解其投资组合背后的风险驱动因素。此外，这些战略有望促进多样化，从而在金融动荡时期限制损失。然而，最近的研究报告指出，这些因素之间存在很大程度的冗余，这可能会在金融危机期间加强多因素投资组合之间的风险传染。因此，更好地理解各因素之间的关系至关重要。在因果结构学习方法的最新进展的推动下，本文提出了一个金融风险因素的因果结构及其随时间的演变的研究。特别是，我们分析的数据涵盖了美国股市的11个风险因素，以每日频率计算，跨越了29年。我们的研究结果显示了统计上显着的稀疏化趋势的基本因果结构。然而，这种趋势在金融压力时期会被打破，在这种情况下，我们可以观察到因果网络的致密化，这是由市场因素节点的出度增长驱动的。最后，我们提出了一个比较因素的互相关分析，这进一步证实了因果分析的重要性，以获得更深入的了解因素系统的动态，特别是在经济低迷时期。从风险管理的角度来看，我们的发现尤其重要。它们将股票风险因素因果结构的演变与市场波动和宏观经济环境的恶化联系起来，并表明，在金融危机时期，不同因素的影响归结为市场风险因素的影响。
2021-11-09 cs.CE q-fin.ST
Tracing the temporal evolution of clusters in a financial stock market
本文提出股票收益时间序列聚类方法及图表示框架，将聚类演化映射为组合图问题，以辅助投资组合设计与投资策略，并在马德里证券交易所数据上验证。
2011-11-14 cs.CE math.ST q-fin.ST
Networks, Dynamic Factors, and the Volatility Analysis of High-Dimensional Financial Series
我们考虑加权有向网络分析，在2000-2013年期间，属于标准普尔100指数的一个大面板的股票的波动之间的相互依赖性。特别是，我们专注于所谓的{ \it长期方差分解网络}（LVDN），其中节点是股票，与边$(i,j)$相关的权重表示变量$j$的新息占变量$i$的$h$ -逐步预测误差方差的比例。为了克服维数灾难，我们将面板分解为几个全球性的，市场范围内的因素驱动的组件，和一个独特的一个建模的稀疏向量自回归（VAR）模型。VAR的反演加上适当的识别限制，产生估计的网络，通过它我们可以评估每个公司的{ \it系统性}如何。我们的分析表明，金融公司作为传染源的突出作用，特别是在2007-2008年危机期间。
2016-07-04 q-fin.ST stat.ME
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
Random, but not so much: A parameterization for the returns and correlation matrix of financial time series
对金融时间序列的收益率和相关矩阵提出了一种参数化方法，并研究了其性质。这种参数化可以很容易地引入非平稳性，它显示了几个真实的，观察到的实现，如厚尾，波动聚类，和频谱的相关矩阵的特征值，可以理解为随机矩阵理论的结果的扩展。的特征值的参数化的预测行为相比，巴西资产的特征值，它表明，这些预测适合的数据比随机矩阵理论。
2007-01-02 physics.data-an physics.soc-ph q-fin.ST
Structural clustering of volatility regimes for dynamic trading strategies
University of Sydney（悉尼大学）；University of Melbourne（墨尔本大学）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
本文提出了一种新的方法，通过对非平稳金融时间序列的波动结构进行无监督学习来确定波动结构的个数。我们使用变点检测将一个时间序列划分为局部平稳的段，然后计算段分布之间的距离矩阵。通过优化程序将这些段聚类为学习到的离散波动率状态。使用这个框架，我们确定了金融指数，大盘股，交易所交易基金和货币对的波动率聚集结构。我们的方法克服了严格的假设，实现许多参数的政权切换模型，同时有效地提取时间序列到几个特征的行为。我们的研究结果提供了显着的简化这些时间序列和一个强有力的描述性的分析先前的行为波动。最后，我们创建并验证了一个动态的交易策略，学习时间序列的当前分布和过去的制度之间的最佳匹配，从而在目前的在线风险规避决策。
2021-11-24 cs.CE cs.LG q-fin.RM
Dissecting financial markets: Sectors and states
通过分析一个大的数据集的每日回报率与数据聚类技术，我们确定了经济部门的集群资产具有相似的经济动态。行业规模分布遵循齐普夫定律。其次，我们发现，日常市场范围内的经济活动的模式集群到类，可以识别与市场状态。市场状态的频率分布具有无标度特性，市场状态过程的记忆扩展到长时间（$\sim 50$天）。同一部门的资产在各州的表现相似。我们通过分析市场的可预测性来刻画市场的有效性，发现市场确实接近于有效。我们发现的证据存在一个动态模式后，市场的崩溃。
2002-07-05 cond-mat.stat-mech q-fin.ST
Asset Selection via Correlation Blockmodel Clustering
我们的目标是对金融资产进行聚类，以确定一小部分股票，从而接近整个股票领域的多元化水平。我们开发了一种基于相关块模型的数据驱动的聚类方法，在该模型中，同一集群中的资产彼此高度相关，同时与所有其他资产具有相同的相关性。我们设计了一个算法来检测的集群，理论分析和实践指导。最后，对算法的性能进行了实证分析.
2021-08-13 q-fin.CP q-fin.PM q-fin.ST
Statistical Investigation of Connected Structures of Stock Networks in Financial Time Series
在这项研究中，我们已经调查的决定因素，可以影响连接结构的股票网络。股票网络拓扑性质的代表性指标是与其他股票的链接数。我们使用了金融文献中广泛认可的多因子模型。在多因子模型中，公因子作为自变量，个股收益率作为因变量。我们计算了决定系数，它代表了因变量被自变量解释的程度的测量值。因此，我们在多因子模型中研究了股票网络中的链接数与决定系数之间的关系。我们使用了韩国、日本、加拿大、意大利和英国市场指数上交易的个股。结果如下。我们发现，具有大量链接的股票的平均决定系数比那些与其他股票的链接数量少的股票有更高的值。这些结果表明，共同的因素是显着的确定性因素时，要考虑到股票网络。此外，与其他股票有大量联系的股票可能会更多地受到共同因素的影响。
2007-09-14 physics.data-an q-fin.ST
Block-diagonal idiosyncratic covariance estimation in high-dimensional factor models for financial time series
针对高维金融因子模型中的特质协方差估计，本文利用残差聚类与分块收缩构造两种分块对角估计量，在模拟和历史数据上优于阈值类方法。
2024-07-04 cs.CE q-fin.MF q-fin.ST
Clustering stock market companies via chaotic map synchronization
本文应用两两聚类方法对道琼斯指数成分股进行分析，以识别股票价格的相似时间行为。为此，使用混沌映射聚类算法，其中映射与每个公司相关联，并且金融时间序列的相关系数与映射之间的耦合强度相关联。混沌映射动力学的模拟产生了数据的自然分区，因为属于同一工业分支的公司通常被分组在一起。在投资组合优化策略中，可以利用给定股票市场指数的公司集群的识别。
2004-04-21 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction
RiskX；Hanyang University（翰阳大学）
本文提出PRISM-VQ模型，结合专家先验因子和向量量化离散潜在因子，通过结构条件混合专家生成时间变化因子载荷，提升横截面股票收益预测和投资组合表现。
2026-05-13 cs.CE cs.LG q-fin.ST
Correlation, hierarchies, and networks in financial markets
讨论了定量研究相关矩阵性质的一些方法。相关矩阵在金融市场的投资组合优化和其他几种资产价格动态的定量描述中起着重要的作用。具体地说，我们讨论了如何定义和获得层次树，相关树和网络的相关矩阵。在相关矩阵上执行的用于检测相关矩阵的统计上可靠的方面的分级聚类和其它过程被视为相关矩阵的滤波过程。我们还讨论了一种方法，将层次嵌套的因子模型与从相关矩阵得到的层次树相关联。通过使用Kullback-Leibler距离来量化在过滤过程中保留的信息及其相对于统计波动的稳定性。
2008-09-26 physics.data-an physics.soc-ph q-fin.PM
Inferring financial stock returns correlation from complex network analysis
本文通过复杂网络分析模拟股票收益相关性中的噪声与市场成分，发现高特征向量中心性和聚类的股票主导相关性矩阵，并基于模拟市场随机游走构建的最优投资组合在短期收益上比历史均值-方差方法最高提升50%。
2024-07-29 physics.soc-ph q-fin.PM q-fin.ST
Dynamic Large Spatial Covariance Matrix Estimation in Application to Semiparametric Model Construction via Variable Clustering: the SCE approach
为了更好地理解大型经济和金融时间序列面板的空间结构，并为构建半参数模型提供指导，本文首先考虑估计广义$m$依赖和$β$混合时间序列的大空间协方差阵（使用$J$变量和$T$观测）通过硬阈值正则化，只要${\log J \, \cx^*(\ct)}/{T} = \Co(1)$（前一个方案具有一些时间依赖性测度$\cx^*(\ct)$）或$\log J /{T} = \Co(1)$（后一个方案具有一些上界混合系数）。我们量化的估计的一致性率和时间依赖水平之间的相互作用，讨论了一个直观的resternation方案的阈值选择，并证明了一般的交叉验证结果证明这一点。给定一个一致估计的协方差（相关性）矩阵，利用其与图形模型和半参数的自然联系，在“筛选”解释变量后，我们实现了一种新的前向（和后向）标签置换过程来聚类“相关”变量并构建相应的半参数模型，并通过带符号约束的分组降维方法进一步估计半参数模型.我们称之为SCE（screen-cluster- estimate）方法来建模具有复杂空间结构的高维数据.最后，我们应用这种方法来研究大面板的经济和金融时间序列的空间结构，并找到适当的半参数结构估计消费者价格指数（CPI），以说明其优越性的线性模型。
2011-06-23 q-fin.RM q-fin.ST stat.ME
