论文部分内容阅读
本文的目的在于研究股票市场价格跳跃行为的关联方式和影响机制。和以往的研究不同，本文采用 NETS算法以及 Space算法得到一种新的衡量指标—长期偏相关系数来作为各只股票之间相关性的衡量。它不仅包含同期时间序列内各只股票之间的关联关系，同时囊括了跨期时间序列的滞后阶信息；此外，本文研究的重点是离散值时间序列，通过计算每只股票价格跳跃次数，以此刻画股票价格变化的跳跃性特征。结合复杂网络的描述性统计分析以及尝试通过指数随机图模型建模，深层次挖掘了股票价格跳跃性网络的拓扑结构和内部特征。 在此基础上借助R软件以及相关函数包做了以下工作： 1.NETS算法以及 Space算法非常适合处理高维低样本量情况下的网络数据的参数估计问题，并且通过两种算法可以对衡量时间序列变量间关联性的常用量化指标—偏相关系数进行优化和拓展； 2.借助网络数据可视化手段，并结合分析网络数据的统计特征，发现股票价格跳跃行为网络内部节点的度分布、介数以及中心性等方面具有独特的表现，有助于挖掘和分析特征背后的现实意义。另外，股票价格跳跃行为网络具有明显的小世界特性和无标度性； 3.借助Newman算法对观测网络的股票节点实现快速聚类，发现平均系数最大的两大社团主要属于银行、建筑、制造等二次分类产业，充分说明这些产业对于观测网络的跳跃行为的传播，也就是对网络的连通性具有较高的贡献度，因此这些产业处于网络的中心位置； 4.使用指数随机图模型，实验结果证明拟合效果在变量 P值以及模型拟合优度上都表现出色，说明模型在很大程度上包含了网络的结构信息（主要特征包括中心度、边共享伙伴(ESP)以及捷径长度分布）。