标志”src=

复杂性
PDF
复杂性/2020年/文章
特殊的问题

造型的经济和金融网络:异构的、动态的,互动

把这个特殊的问题

研究文章|开放获取

体积 2020年 |文章的ID 8872307 | https://doi.org/10.1155/2020/8872307

张Shanglei柴,甄,杜莫,Lei江, ”股市波动相似性和溢出效应在G20 Comovements:一个(ica ARMA-APARCH-M方法”,复杂性, 卷。2020年, 文章的ID8872307, 18 页面, 2020年。 https://doi.org/10.1155/2020/8872307

股市波动相似性和溢出效应在G20 Comovements:一个(ica ARMA-APARCH-M方法

Shanglei柴,1 张甄,2 杜莫,3 和 Lei江4

1商学院、山东师范大学、济南250014年,中国

2大连理工大学系统工程研究所,116024年大连,中国

3会计学院、山东青年政治学院的科学,250103年济南,中国

4浙江大学经济学院金融与经济,310018年杭州,中国

学术编辑器:Xueyong刘
收到了 2020年8月30日
修改后的 2020年11月11日
接受 2020年12月01
发表 2020年12月11日

文摘

金融国际化导致类似的波动和世界各地的金融市场的溢出效应,导致跨境金融风险。本研究检视comovements G20国际股票市场而考虑波动相似性和溢出效应。我们提供一种新的方法使用基于ICA(独立分量分析)——ARMA-APARCH-M模型来阐明是否有溢出效应在20国集团(G20)股票市场类似的动力学。具体来说,我们首先要确定的20国集团(G20)股票市场有类似的波动特性使用模糊c均值时间序列聚类方法,然后调查波动溢出效应的主要来源使用ica ARMA-APARCH-M模型。证据表明ICA方法可以更准确地捕捉市场comovements金融时间序列数据的非正态的分布,将多变量时间序列转换成统计独立的组件(ICs)。我们的研究结果表明,20国集团(G20)股票市场集群分成三个类别根据波动相似性。有溢出效应在股市comovements每组和主要来源可以被识别。本研究有重要意义对国际金融市场的投资者和政策制定者在G20国家。

1。介绍

的上升趋势在全球金融市场蔓延,20国集团(G20),出生在2008年金融危机后,已成为全球最重要的论坛合作应对危机1]。溢出效应暗示对金融市场产生巨大影响将会增加,市场和其他市场的回报和相关性(2]。进一步的解释是,股票市场的波动性将一起随着时间(即。comovements)。那么,我们如何衡量股市的comovements ?一些现有的研究(3- - - - - -5]表明,comovements可以测量的相似性在多个市场因为波动相似性提高跨市场信息流动,从而导致comovements其中。也就是说,我们可以发现,当一个市场的价格下降,其连接市场也将下降,反之亦然。因此,波动相似性衡量聚类分析应用于量化comovements股票市场的研究。

出于这个因素,我们在多元金融时间序列模型,因为它长期以来一直是研究波动率溢出和comovements标准(6]。然而,现存实证文献处理重点冲击波动溢出效应通过多元GARCH模型,它有以下缺点。

首先,GARCH模型仅限于解决二维或三维的问题(7- - - - - -12]。然而,事实不容忽视,有远远超过两个或三个相互关联的金融市场风险如今,这是现有文献缺乏相关的研究。为了填补这一空缺,我们打算解决高维G20金融市场波动性建模问题;因此,一种新的方法来处理这种情况下是必要的。

第二,现有文献不包括波动的研究相似,在20国集团(G20)股市comovements溢出效应。在当今经济全球化越来越多的经济和金融自由化,人们普遍认为,金融市场波动时倾向于使用一种彼此类似的趋势。超过两个市场的波动,有一些共同的潜在因素可能同时传输一个市场(13- - - - - -16]。需要量化的共同波动溢出效应作为一个综合指数市场comovements世界各地。

第三,多重共线性可能发生在多个金融市场波动因素作为解释变量来解释同一市场的波动溢出效应。如果有某些解释变量之间的相关性,结果没有真正解释了溢出效应。因此,一些统计独立的组件,代表原始的多变量时间序列的波动必须分解。

要克服这些缺点,降维的思想反映了所有的信息需要通过一些指标指标。方法,如主成分分析(PCA)或独立分量分析(ICA)可以用来分解的低维空间中不相关的部分信息更有意义的解释。主成分分析假设主成分服从高斯分布;然而,实际的数据通常不服从高斯分布,如厚尾和金融时间序列数据的非正态的。ICA可以解决这些问题。利用ICA在金融数据分析是一个探索性的努力发现一些潜在的推动机制。这是ICA的本质区别和其他数据处理方法,如主成分分析和因子分析。

因此,我们引入ICA在20国集团(G20)股票市场波动溢出效应建模comovements。虽然ICA的基本模型主要应用于信号处理在前面的文学,它最近显示更多的优势在金融时间序列建模(17]。最强的一点是,ICA可以处理更大规模的数据比其他竞争模型与计算成本极低,从而避免维度的诅咒。它也再现了一些高力矩特性的重尾分布和峰态分布存在的金融市场(18- - - - - -20.]。此外,它不需要联合估计,因为每一个组件是独立的。基于上述分析,适当引入ICA研究co-movements二十国集团股票市场。

我们的研究旨在解决这些关键问题如下。(i)我们如何识别comovements G20国家的股票市场,或在20国集团(G20)也有类似的股市波动模式?(2)市场中类似的波动,有溢出效应在市场comovements吗?(3)如果有两个或两个以上的市场的溢出效应,溢出效应的主要来源是什么?解决问题(我),一个ARMA-APARCH-M模型和采用模糊c均值聚类方法探讨comovements根据波动相似性。解决问题(2)和(3),我们提出一个ica ARMA-APARCH-M模型,调查了20国集团(G20)股市comovements的波动溢出效应。

本研究组织如下。部分2讨论了相关文献。节3介绍的方法和理论方面的考虑。数据和实证研究的结果发表在部分4。结论部分5。

2。文献综述

分析跨国股票市场之间的波动溢出效应是高利息的金融文献实证,越来越关注这个问题(6,21- - - - - -26]。波动的传播风险分析研究金融市场之间的波动溢出效应。在这些文献中,广义自回归条件异方差性(GARCH)模型,由Bollerslev [27),被广泛使用。尽管这个模型可以捕获许多金融时间序列的特点,其假设忽略了新信息的象征。坏消息的负面冲击往往会引发较高的波动性比好消息的到来。这一现象表明,它是一个简单的GARCH模型不合理设置正面和负面冲击,对称等的影响。

的不对称的影响,提出了许多扩展模型,例如,丁et al。(28]APARCH(不对称权力拱)模型。从那时起,GARCH模型与不对称项已广泛应用于下列研究股票市场的波动性(23,29日- - - - - -31日]。Mensi et al。23)采用二元APARCH模型来捕捉美国和金砖四国股票市场之间的波动溢出效应。除了GARCH模型,其他一些传统的计量经济学方法用于波动溢出效应研究,如ARMA模型(32],马尔可夫状态变换模型[33,34),和VAR框架(35- - - - - -38]。然而,大量的参数需要估计这些模型时,两个或三个以上的金融资产。为了克服维数的诅咒,近年来提出了一些网络模型(1,18,20.,39- - - - - -44]。耿et al。18]构造波动的能源公司网络使用网络连通性的方法,为风险管理提供参考。

无论哪种方法用于研究金融市场的波动溢出效应,现有文献中常见的缺陷。也就是说,他们没有考虑到常见的波动溢出效应综合指数来衡量风险蔓延带来的同步运动。波动的市场传播从超过两个或三个市场,这可能有共同的潜在元素和一起行动。这种波动的传播在市场一起运动通常被称为市场comovements的波动溢出效应。这可以被一个综合指数,代表多个股票回归残差的加权值的comovements金融变量。

为了解决上述问题,ICA已推广近年来采用。它旨在提取隐含的信息从原始数据的独立组件不知道signal-mixing过程。尽管它的受欢迎程度在信号处理中,应用ICA最近在金融环境中,例如,股票价格预测(45),实现了波动分析(46),有条件协方差预测(14投资组合选择[]47),黄金价格分析(48),和结构性冲击VAR模型的识别(49]。ICA方法有优势,它可以提取底层信息在金融时间序列和金融预测[提供更多有价值的信息45]。研究中的应用ICA可以克服维数的诅咒和捕捉来自多个金融市场一个市场的波动溢出效应。

作为一个基本概念,comovements的识别在国际股票市场已经吸引了许多学者的研究(3,19,50- - - - - -57]。盛等。57分析市场comovements在8个主要股票市场并验证波动溢出效应的存在。陈(52)检查comovements股市小说使用贝叶斯因子模型。尽管这些研究识别comovements的概念,他们没有量化的comovements股票市场。因为Aghabozorgi和格兰(3)指的是股票市场的波动在一个组别comovements,我们采用波动相似性分析量化comovements。波动性之间相似度的定义是一个近距离波动影响因素代表波动特性,即。,market movements are organized into homogeneous groups where the distance of within-group objects is minimized and the distance of cross-group objects is maximized. For distance calculation, the method of grouping time series by clustering analysis has been recently applied to address financial time series issues [58- - - - - -65年]。这些学者认为,集群生成的相似性非常准确和有意义的。因此,我们使用波动相似性衡量一个模糊c均值(FCM)聚类分析量化comovements的股票市场。

3所示。方法

检查波动相似性和溢出效应在20国集团(G20)股市comovements,一个ica ARMA-APARCH-M方法提出了。如图1,我们通过三个步骤来解决这个问题,在介绍中提到的。ARMA-APARCH-M模型是用来获取返回系列的剩余工资,然后使用ICA生成独立的组件(ICs)。计算每一个独立的组件是一个综合指数代表多个股票回归残差的加权值。作为潜在的组件捕获波动是统计独立的,我们可以把一个单变量ARMA-APARCH-M模型集成电路。通过这种方式,从多个金融市场波动溢出效应在comovements可以检查。


图1
方法论的框架图。
3.1。独立分量分析(ICA)

ICA是一个统计和数值分析的方法提取未知信号的独立的组件或随机变量。这种方法最初开发处理盲源分离(BSS),也被称为鸡尾酒会问题。所谓的鸡尾酒会问题是在一个充满各种宴会的对话和音乐,人们仍然可以关注听他们想听的,尽管不同的声音。不知道混合机制,它只是看起来统计独立的组件隐藏在复杂的现象使用线性或非线性观测数据的分解。

假设 表示给定的多变量矩阵的大小 ,和 指的是观察到的混合信号。(基本ICA模型66年)是由 在哪里一个未知的混合矩阵和吗年代是不能直接观察到源矩阵。ICA模型解释了如何生成观察通过混合组件 。独立组件(IC)是一个潜变量,不能直接观察到。ICA的目标是找到一个特定的 分层矩阵W这样 在哪里 是我th矩阵的行Y, 。它是用来估计独立潜源信号 。独立组件(ICs) 必须是统计独立的。当分层矩阵 混合矩阵的逆 ,也就是说, ,ICs 可以用来估计潜在源信号s我。在这项研究中,我们采用FastICA算法提出的Hyvarinen和Oja66年解决分层矩阵W),因为它已被证明可以很好地处理财务数据(14]。这是一个算法的基础上最大化的同时指出定点迭代过程 。nonquadratic函数的导数G用 。它是由以下四个步骤完成:步骤1:选择一个初始权向量W第二步:让 步骤3:让 步骤4:如果不是聚合,回到2

3.2。ARMA-APARCH-M模型

解释的不对称影响金融市场的正面和负面的冲击,丁et al。28)提出一个不对称力量拱APARCH模型考虑到长期记忆属性,这是 在哪里 是股市的对数返回,定义为有条件的总和的意思吗 和为干扰 。有条件的标准偏差 可以估计的相关滞后信息multiperiods。的系数 代表了不对称的效果。估计参数 不是预设的,而是从样本数据估计。

然而,在金融投资,风险越大,预期收益越大,这种现象称为风险回报当风险增加。因此,APARCH模型扩展到一个APARCH-M模型,有条件的可以直接影响的均值方差的回报。此外,证据表明,金融时间序列序列autocorrelated因为它是受自己的惯性和滞后效应的影响。我们将自回归移动平均(ARMA) APARCH-M模型,这是ARMA-APARCH-M命名。 在哪里 是一组 和 系数和 是风险收益的贡献率。其他符号的定义是相同的方程(3)和(4)。

3.3。ica ARMA-APARCH-M模型

假设我们需要调查是否有从其他波动溢出效应z金融市场 一个金融市场x在comovements过程。首先,建立了回归方程z市场: 在哪里 对数的回报吗z金融市场, 代表股票市场的内部市场风险, 回归残差序列,然后呢 贡献率的内部市场风险的回报。然后,ICA将剩余序列变换成几个统计独立的组件,代表多个市场波动的综合指标。 在哪里 独立的组件称为 和 回归残差序列。

第三,建立单变量ARMA-APARCH-M模型从其他检查溢出效应z金融市场 一个金融市场x在comovements过程。也就是说,独立的组件 替换到方程的金融市场意味着什么x作为解释变量来获得一个ica ARMA-APARCH-M模型 在哪里 是独立的贡献率组件 返回。如果 是显著不为零,新综合指数 波动溢出效应在市场x。

4所示。数据和实证结果

4.1。数据

实证调查波动相似性和股市comovements溢出效应,我们每天使用的20国集团(G20)股市收盘价1月02年,2006年,2018年6月18日。值得注意的是,20国集团(G20)是一个全球性的组织处理财务风险,它包括19个国家和欧盟作为一个整体。标准普尔500指数(美国),日经225指数(日本),DAX指数(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),RTS(俄罗斯),上交所复合(中国),MERVAL(阿根廷),所有普通股票(澳大利亚),Bovespa(巴西),BSE Sensex(印度),雅加达综合指数(印度尼西亚),IPC(墨西哥),TASI指数(沙特阿拉伯),INVSAF 40(南非),伊势100(土耳其),综合(韩国)。20国集团(G20)股票价格时间序列的长期趋势表示 如图2。


图2
20国集团(G20)股票价格的波动特征。(a) US_S&P 500 (b) Japan_Nikkei 225 (c) Germany_DAX, (d) France_CAC 40, 100 (e) UK_FTSE Italy_MIB (f) (g) Canada_TSX Russia_RTS (h),(我)China_SSE复合,(j) Argentina_MERVAL Australia_All普通(k), (l) Brazil_Bovespa (m) India_BSE Sensex (n) Indonesia_Jakarta复合,(o) Mexico_IPC (p)沙特Arabia_TASI (q)南Africa_INVSAF 40 (r) Turkey_ISE 100,南Korea_KOSPI (s)。

他们本质上是不稳定这意味着时间序列的分布会随着时间而改变。这种金融时间序列的通用特性使得波动性建模一个具有挑战性的任务,吸引了大量的学者讨论(35,36,67年]。为了解决这个问题,返回 计算为 ,这是对数价格的差异。一些返回系列20国集团(G20)股票市场波动特征如图所示3。


图3
20国集团(G20)股票收益的波动特征。(a) US_S&P 500 (b) Japan_Nikkei 225 (c) Germany_DAX, (d) France_CAC 40, 100 (e) UK_FTSE Italy_MIB (f) (g) Canada_TSX Russia_RTS (h),(我)China_SSE复合,(j) Argentina_MERVAL Australia_All普通(k), (l) Brazil_Bovespa (m) India_BSE Sensex (n) Indonesia_Jakarta复合,(o) Mexico_IPC (p)沙特Arabia_TASI (q)南Africa_INVSAF 40 (r) Turkey_ISE 100,南Korea_KOSPI (s)。

首先,波动趋势似乎是束聚集在一起。这一现象表明,可能存在条件异方差性,这需要进一步的测试。第二,存在显著的不对称反应正面和负面冲击,也叫做杠杆效应。为了进一步解释,事实是,股票市场对坏消息更倾向于暴力和暴力的好消息。在2008年金融危机期间,价格下跌就像悬崖,而股票波动性大幅跃升。因此,不对称条件不容忽视金融时间序列建模时波动性。第三,一些股票回报的波动性特征系列comovements类似于他人。例如,美国和英国的股票市场有类似的波动趋势受到共同因素的影响,如经济发展、国际贸易和投资。它表明可能存在波动相似性在20国集团(G20)股市comovements,必须进一步检查。因此,我们打算最初识别comovements并准确地确定哪些20国集团(G20)股票市场有类似的波动特性。

在波动性建模之前,我们简要分析20国集团(G20)股市的描述性统计。平均值,标准偏差(美国)、偏态、峰态,Jarque-Bera统计,ADF单位根测试,和拱效应提出了异方差性检验表1。每个返回的偏态系列非零,这表明该系列分布偏差相对于正态分布。每个返回系列的峰度大于3,即凸性大于正态分布的分布。Jarque-Bera统计概率相对较大和他们相关 值都是接近于零。
股票指数 的意思是 s D。 偏态 峰度 Jarque-Bera ADF检验: 拱LM测试:
F统计
US_S&P 500 0.0002 0.0120 −0.3770 14.9110 19246.8700 −44.9070 128.3470 123.5320
Japan_Nikkei 225 0.0001 0.0152 −0.5150 11.2390 9314.9420 −59.3620 127.2750 122.5390
Germany_DAX 0.0003 0.0137 −0.0420 9.2260 5238.1310 −57.4980 102.3060 99.2350
France_CAC 40 0.0000 0.0141 −0.0050 9.5690 5831.4690 −59.6110 129.2030 124.3240
UK_FTSE 100 0.0001 0.0117 −0.1440 11.1940 9084.7360 −43.2410 206.3210 194.0850
Italy_MIB −0.0001 0.0152 −0.2310 8.2470 3748.7100 −58.4250 121.9480 117.5950
Canada_TSX 0.0001 0.0110 −0.7060 14.8520 19249.2100 −25.9650 426.8940 377.4150
Russia_RTS 0.0000 0.0215 −0.4130 14.6270 18359.0100 −51.3530 184.1580 174.3580
China_SSE复合 0.0003 0.0168 −0.6120 7.3980 2815.7120 −57.0240 111.4290 107.7900
Argentina_MERVAL 0.0009 0.0197 −0.4830 7.0170 2306.2880 −54.7720 191.8890 181.2690
Australia_All普通 0.0000 0.0106 −0.5830 8.6680 4524.2370 −58.5830 340.7710 308.5220
Brazil_Bovespa 0.0000 0.0170 −0.0390 9.1410 5096.1870 −58.9570 103.6580 100.5060
India_BSE Sensex 0.0000 0.0141 0.1040 13.0620 13687.0800 −54.2680 61.4310 60.3250
Indonesia_Jakarta 0.0001 0.0132 −0.6660 11.5470 10109.4500 −52.3560 118.3860 114.2820
Mexico_IPC 0.0000 0.0123 0.1030 10.1870 6984.7720 −34.9620 65.1940 63.9470
沙特Arabia_TASI 0.0000 0.0171 −0.9680 16.6220 25581.3500 −39.3160 197.4790 186.2460
南Africa_INVSAF 40 0.0000 0.0132 −0.1170 6.9040 2066.9090 −57.3320 157.3460 150.1490
Turkey_ISE 100 0.0000 0.0164 −0.2950 7.1410 2364.6120 −56.5210 40.7560 40.2750
南Korea_KOSPI 0.0000 0.0123 −0.5950 12.9000 13434.3900 −56.9490 167.4950 159.3580
注意:s d是20国集团(G20)股票时间序列回归的标准差。Jarque-Bera是正常的检验统计量。ADF检验的临界值−3.432180水平1%,2.567183−2.862234在5%水平,−10%的水平。
表1
总结描述性统计二十国集团股票的回报。

综上所述,我们可以拒绝零假设,因此得出结论,返回系列不服从正态分布。在这种背景下,一些传统模型正常的假设并不适用。为了克服这个缺点,ICA用于建模,因为它可以复制高峰度作为回报系列[17]。ADF返回系列的测试结果表明,这是一个静止的系列,确认的必要性对数转换价格差异系列。的F统计和 测试结果明显拒绝零假设的拱效应。证据显示,GARCH模型设计时还应注意测量异方差性。总之,我们提供了一种新方法使用ica ARMA-APARCH-M模型来解决市场comovements的跨市场波动溢出效应。

4.2。实证结果
4.2.1。准备Comovements识别的结果

一种方法检测comovements是聚类分析3]。时间序列聚类方法概括为三种类型:原始数据,特征提取和模型参数68年]。在这些方法中,我们选择基于模型的模糊c均值聚类。后建立ARMA-APARCH-M模型提取高维股票回报时间序列的波动特征,模糊c均值(FCM)方法用于聚类的模型参数描述波动特征。系数估计的结果ARMA-APARCH-M模型展示在表2。所有的参数显著非零;因此,实际的数据满足模型的假设条件。不对称系数 在测试是统计学意义,这意味着这种不对称行为确实存在,也就是说,波动的负面影响比正面影响更严重的相同的大小。
股票指数
US_S&P 500 0.0008 −0.3444 −0.0655 0.1482 −0.1697 0.9753 −0.0655 0.0008 −0.3444
Japan_Nikkei 225 −0.0008 −0.5427 0.0755 0.1949 −0.1120 0.9543 0.0755 −0.0008 −0.5427
Germany_DAX 0.0002 −0.3315 0.0002 0.1254 −0.1260 0.9735 0.0002 0.0002 −0.3315
France_CAC 40 −0.0003 −0.3307 0.0276 0.1126 −0.1651 0.9726 0.0276 −0.0003 −0.3307
UK_FTSE 100 −0.0009 −0.3532 0.1028 0.1329 −0.1266 0.9732 0.1028 −0.0009 −0.3532
Italy_MIB −0.0002 −0.3033 0.0101 0.1342 −0.1117 0.9770 0.0101 −0.0002 −0.3033
Canada_TSX 0.0001 −0.2143 −0.0022 0.1196 −0.0976 0.9872 −0.0022 0.0001 −0.2143
Russia_RTS 0.0003 −0.2347 −0.0236 0.1237 −0.0754 0.9823 −0.0236 0.0003 −0.2347
China_SSE复合 −0.0001 −0.1577 0.0414 0.1407 −0.0013 0.9936 0.0414 −0.0001 −0.1577
Argentina_MERVAL −0.0003 −0.5958 0.0879 0.2202 −0.0503 0.9460 0.0879 −0.0003 −0.5958
Australia_All普通 −0.0003 −0.3938 0.0536 0.1503 −0.1124 0.9706 0.0536 −0.0003 −0.3938
Brazil_Bovespa −0.0012 −0.2782 0.0861 0.1144 −0.0681 0.9771 0.0861 −0.0012 −0.2782
India_BSE Sensex 0.0002 −0.2702 0.0267 0.1745 −0.0703 0.9844 0.0267 0.0002 −0.2702
Indonesia_Jakarta复合 −0.0005 −0.3691 0.1101 0.2050 −0.0638 0.9759 0.1101 −0.0005 −0.3691
Mexico_IPC −0.0007 −0.2580 0.0836 0.1386 −0.0903 0.9833 0.0836 −0.0007 −0.2580
沙特Arabia_TASI 0.0012 −0.3862 −0.0848 0.2432 −0.0741 0.9744 −0.0848 0.0012 −0.3862
南Africa_INVSAF40 −0.0006 −0.3108 0.0870 0.1349 −0.1104 0.9772 0.0870 −0.0006 −0.3108
Turkey_ISE 100 0.0011 −0.4093 −0.0432 0.1610 −0.0746 0.9658 −0.0432 0.0011 −0.4093
南Korea_KOSPI −0.0006 −0.2821 0.0795 0.1408 −0.0774 0.9808 0.0795 −0.0006 −0.2821
注意: 表示的系数均值方程, 表示条件方差方程的系数。 的系数是ARMA过程表明自回归和移动平均线。 是展览的风险回报的影响条件方差返回。 是不对称系数。 电力参数的条件异方差性。
表2
系数ARMA-APARCH-M模型估计的结果。

这个结果是一致的结论Ning et al。69年)和贝卡尔特et al。67年]。股票市场的波动性不对称集群是发现更明显比其他金融市场(69年]。与积极的影响相比相同尺寸的负面影响和条件方差的增加更大(67年]。风险回报系数 非零,表示,风险因素产生重大影响的回报。因此,在模型中应考虑的风险因素。电力参数的条件异方差性 > 0,这既不是一个泰勒/ Schwert的模型设定和两个Bollerslev模型的设置,验证APARCH模型的合理性。它不是一个特定的值设置而是一种参数估计。因此,它可以更准确地评估条件方差的影响。提取ARMA-APARCH-M波动特性的模型后,我们使用模糊c均值(FCM)方法来集群20国集团(G20)股票市场分为三个类别,如图4。返回系列的模型识别集群相似的波动模式和处理同时comovements在国际股市。


图4
20国集团(G20)股市的聚类结果。

图显示三组存在明显差异获得的聚类二十国集团股票市场。不同的簇对应于不同的动态模式对应于波动系数。集群1:标准普尔500指数(美国),DAX指数(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),所有普通(澳大利亚)。集群2:日经225指数(日本),上交所复合(中国),MERVAL(阿根廷),BSE Sensex(印度),雅加达综合指数(印度尼西亚),TASI指数(沙特阿拉伯),和100年伊势(土耳其)。集群3:RTS(俄罗斯),Bovespa(巴西)、IPC(墨西哥),INVSAF 40(南非),综合(韩国)。

在集群1中,成员主要是发达的股票市场在欧洲和美国。这些国家之间更紧密的经济联系和贸易联系增加了金融市场的波动性特征相似。

它是特别的,几乎所有集群1市场经历了2008年10月峰值波动,当雷曼兄弟(Lehman Brothers)关闭。这可能是由于美国市场剧烈波动的金融动荡期间,立即被传送到其他集群成员市场1。此外,comovements 1跨多个集群市场剧烈波动的特征存在明显的欧洲主权债务危机从2009年底到2012年底,Brexit投票6月23日,2016年。虽然每个市场的波动是由危机引起的不一致程度上有些相似之处表现出明显的波动模式,因此集群1中可能存在波动溢出效应。为了进一步证实这种效应的存在,更精确的量化在以下小节是必要的。符合我们的发现,Morales-Zumaquero和Sosvilla-Rivero70年)显示,美国股市与其他六个股市密切相关,即。、英国、欧盟、澳大利亚、瑞士、加拿大和日本。

在集群2中,成员主要是不成熟的股票市场在亚洲,如日本、中国、印度、印度尼西亚和沙特阿拉伯。如图所示,周et al。71年];中国市场的波动溢出效应更明显的日本,而不是美国和英国。此外,印度市场也有一个对中国市场的影响。与此同时,他们还特别指出,这些波动溢出效应存在于两个方向。2007年2月在中国市场的大波动已经转移到亚洲市场。这些事实可以归因于亚洲金融一体化的趋势在不断增长。因此,这些亚洲股市聚集成一组基于波动相似性。

在集群3中,成员主要是新兴股票市场的不成熟和开放的外国投资者比其他市场集群1。这三个国家是金砖四国成员,例如,俄罗斯、巴西和南非。由于开放国内金融市场的疲软,他们少受到全球金融危机的影响。

comovements识别最重要的含义是在股票市场风险管理。我们可以发现波动相似性的方法,揭示了comovements全世界的股票市场。这一过程的动机是激发投资者对股市的兴趣更高的回报通过comoving市场的相关信息在同一集群作为先验知识。我们的研究结果证明我们的研究的好处,其中实证讨论允许更好地理解comovements跨多个市场。因此,风险衡量股市波动可以检测到在一个类似于其他comoving市场。

4.2.2。在集群1波动溢出效应

使用ica ARMA-APARCH-M模型,我们试图回答问题(2)和(3)在介绍中提到的。市场中类似的波动,有溢出效应在市场comovements吗?如果有两个或两个以上的市场的溢出效应,溢出效应的主要来源是什么?为了解决这些问题,我们使用FastICA算法(66年在每个集群检查来自多个市场,一个市场的溢出效应。以集群1例。我们选择标准普尔500指数(美国)作为目标或解释变量调查是否其他六个股市(DAX指数),CAC 40,富时100指数、MIB TSX,和所有普通股票)和类似的波动模式集群1波动溢出效应,标准普尔500指数和主要来源。剩余的六个股票收益ARMA-APARCH-M模型如图5。


图5
的残余系列ARMA-APARCH-M模型。(一)DAX指数(德国)、(b) CAC - 40(法国),(c)富时100(英国),(d) MIB(意大利),(e) TSX(加拿大),(f)所有普通股票(澳大利亚)。

首先,我们使用ICA剩余系列 ,和 DAX指数(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),所有普通(澳大利亚)。分层矩阵 由方程(10)。数字矩阵 是每个独立组件(IC)的权重,这是一个综合指数的线性组合得到的残余系列。每个股票市场在每个独立的组件的重量是明确的。

然后,我们进一步发现有价值的东西从每个独立分量的权重, ,或 。在 , 重量的最大绝对值(−143.9797)矩阵的第一行吗 ,明显高于其他序列是什么 ,和 。因此,人们相信 主要代表了残余系列 ,也就是说,MIB (Italy). Respectively, 主要代表了残余系列 ,也就是说,FTSE 100 (UK); 主要代表了残余系列 ,也就是说,DAX (Germany); 主要代表了残余系列 ,也就是说,TSX (Canada); 主要代表了残余系列 ,也就是说,一个ll Ordinaries (Australia); and 主要代表了残余系列 ,也就是说,CAC 40 (France). The ICs shown in Figure6是统计独立;因此,避免多重共线性在接下来的模型。


图6
的时间序列 ,和 集群1。(一)集成电路1,(b)集成电路2,(c)集成电路3,(d)集成电路4,(e)集成电路5,(f)集成电路6。

估计ICs后,我们一个单变量ARMA-APARCH-M模型适合每个人。也就是说, ,和 注册为解释变量方程(9)。系数估计的结果(ica ARMA-APARCH-M集群模型1表中列出3。均值方程和条件方差方程给出了方程(11)和(12),分别。列出每个IC的贡献,表示每个IC的波动溢出效应在方程(标普500(美国)11)。结果表明,存在波动溢出效应从独立组件(ICs)标普500(美国)。根据系数表3,ICs可以命令如下: ,和 。因此,波动溢出效应的主要来源 代表DAX指数(德国),紧随其后的是 代表TSX(加拿大) 代表所有普通股票(澳大利亚) 代表MIB(意大利) 代表富时100(英国) 代表CAC - 40(法国),如图7。

变量 系数 Std.错误 z统计 概率。
集成电路1 −0.0016 0.0001 −17.5293 ≤0.001
集成电路2 −0.0015 0.0001 −17.1906 ≤0.001
集成电路3 −0.0073 0.0001 −84.0053 ≤0.001
集成电路4 −0.0026 0.0001 −24.7667 ≤0.001
集成电路5 0.0021 0.0001 23.7606 ≤0.001
集成电路6 0.0007 0.0001 7.2746 ≤0.001
注意:每个IC系数表示的贡献这表明每个集成电路标准普尔500指数的影响(我们)意味着回归方程。
表3
估计结果(ica ARMA-APARCH-M集群模型1。

图7
DAX指数的波动性溢出效应(德国)、CAC - 40(法国),富时100指数(英国),MIB(意大利),TSX(加拿大),所有普通(澳大利亚),标准普尔500指数(美国)。

这可能对这一事实的返回系列20国集团(G20)股市往往会在同一时间一起行动。人们普遍认为,在国际金融市场存在波动溢出效应,和它们之间的comovements变得更加明显在全球金融危机期间(72年]。一致,沙赫扎德et al。73年)表示,美国股市是一个主要的欧洲市场的溢出效应。同样,BenSaida et al。35)透露,德国市场的风险很大程度上有助于其他市场(美国、英国、法国、荷兰、瑞士、香港和日本),有94.8%的风险溢出效应,紧随其后的是英国为85.3%。

4.2.3。在集群2波动溢出效应

对集群2重复上述过程。我们选择日经225指数(日本)作为目标或解释变量调查是否其他六个股市(SSE复合、MERVAL BSE Sensex雅加达综合指数,TASI指数,和伊势100)相似的波动模式集群2波动溢出效应日经225指数,也就是占主导地位。分层矩阵 是由以下方程:

从每个独立分量的权重, ,或 ,我们可以看到, 主要代表伊势100(土耳其), 代表BSE Sensex(印度), 代表SSE复合(中国), 代表TASI指数(沙特阿拉伯) 代表雅加达综合指数(印度尼西亚), 代表MERVAL(阿根廷),如图8。


图8
的时间序列 ,和 为集群2。(一)集成电路1,(b)集成电路2,(c)集成电路3,(d)集成电路4,(e)集成电路5,(f)集成电路6。

ICs是统计独立;因此,避免多重共线性在接下来的模型。系数估计的结果(ica ARMA-APARCH-M集群2模型如表所示4。均值回归方程和条件方差方程给出了方程(14)和(15),分别。列出每个IC的贡献,表示每个IC日经225指数的影响(方程(日本)14)。
变量 系数 Std.错误 z统计 概率。
集成电路1 0.0010 0.0002 5.5578 ≤0.001
集成电路2 −0.0029 0.0002 −16.9653 ≤0.001
集成电路3 0.0021 0.0002 11.3034 ≤0.001
集成电路4 −0.0015 0.0002 −9.1943 ≤0.001
集成电路5 −0.0044 0.0002 −25.2339 ≤0.001
集成电路6 0.0006 0.0002 3.2686 ≤0.001
注意:每个IC系数表示的贡献这表明每个IC日经225指数的影响(日本)意味着回归方程。
表4
估计结果(ica ARMA-APARCH-M集群模型2。

结果表明,存在波动溢出效应从独立组件日经225指数(日本)。根据系数表4,六个ICs可以命令如下: ,和 。波动溢出效应的主要来源是雅加达综合指数(印度尼西亚),其次是BSE Sensex(印度),上交所复合(中国),TASI指数(沙特阿拉伯),100(土耳其),伊势和MERVAL(阿根廷),如图9。不同于这个结果,周et al。71年)得出的结论是,日本股市更受美国市场的影响,根据发现的留置权et al。74年]。然而,有另一个发现在周et al。71年)股票市场的波动溢出效应的研究逐渐从中国到日本从2006年底和2007年2月和7月之间变得更加明显。这可能是支持来解释我们的结果,存在相对重要的股票市场之间的波动溢出效应在中国和日本,由于这两个市场之间的关系经历了高潮时期从2006年底到2007年7月。


图9
SSE复合(中国)的波动溢出效应,MERVAL(阿根廷),BSE Sensex(印度),雅加达综合指数(印度尼西亚),TASI指数(沙特阿拉伯),和100年伊势(土耳其),日经225指数(日本)。
4.2.4。集群3中波动溢出效应

对集群3重复上述过程。我们选择RTS(俄罗斯)作为目标或解释变量来调查这四个股票市场是否(Bovespa、IPC、INVSAF 40和综合)与类似的波动模式集群3波动溢出效应RTS,占主导地位。分层矩阵 是由以下方程:

从每个独立分量的权重, ,或 ,我们可以看到, 主要代表INVSAF 40(南非), 代表IPC(墨西哥), 代表Bovespa(巴西), 代表综合(韩国),如图10。


图10
的时间序列 ,和 集群3。(一)集成电路1,(b)集成电路2,(c)集成电路3,(d)集成电路4。

ICs是统计独立;因此,避免多重共线性在接下来的模型。系数估计的结果(ica ARMA-APARCH-M集群3模型如表所示5。均值回归方程和条件方差方程给出了方程(17)和(18),分别。列出每个IC的贡献,表示每个IC RTS的影响(俄罗斯)方程(17)。
变量 系数 Std.错误 z统计 概率。
集成电路1 0.0071 0.0002 29.3460 ≤0.001
集成电路2 0.0057 0.0002 25.0421 ≤0.001
集成电路3 0.0025 0.0002 10.6856 ≤0.001
集成电路4 −0.0062 0.0002 −26.0124 ≤0.001
注意:每个IC系数表示的贡献这表明每个IC RTS的影响(俄罗斯)意味着回归方程。
表5
估计结果(ica ARMA-APARCH-M集群模型3。

有明显的波动溢出效应从独立组件(ICs) RTS(俄罗斯)。根据系数表5,四个ICs可以命令如下: ,和 。波动溢出效应的主要来源是INVSAF 40(南非),其次是综合(韩国)、IPC(墨西哥),和Bovespa(巴西),如图11。


图11
股指的波动性溢出效应(巴西)、IPC(墨西哥),INVSAF 40(南非),综合(韩国)RTS(俄罗斯)。

溢出的一个可能原因的传播南非和巴西市场对俄罗斯市场可能是增加近年来金砖国家之间的合作与共赢。金砖五国不受全球金融危机影响的开放国内金融市场的疲弱;因此,这些市场的波动特性明显不同于欧洲和美国的市场集群1。

5。结论

在这项研究中,20国集团(G20)股票市场的波动相似性和溢出效应comovements检查使用ICA, ARMA-APARCH-M模型和模糊c均值聚类方法。这是一个金融时间序列的高维波动问题,涉及19金融市场。我们集群20国集团(G20)股票市场分为三个类别根据波动相似性和检查股票市场的波动溢出效应comovements在每个集群。

本研究对现存文献的贡献在于三个折叠。首先,一个创新的方法来检查G20 comovements股市的波动溢出效应。这是由于这样的事实:金融波动来自一些潜在因素代表金融变量的comovements。第二,我们可以捕获共同来自多个市场的波动溢出效应的comovements金融变量。第三,本研究对投资者和政策制定者在20国集团(G20)有一些影响股票市场。集群分为三个类别,有溢出效应在股市comovements每个集群。此外,主要来源来自多个市场的波动溢出效应可以被识别。

一些有价值的结果可以从波动相似性和20国集团(G20)股市comovements溢出效应分析,总结如下。首先,我们做确认的一个显著特征波动相似性comovements存在的20国集团(G20)股票市场。第二,存在溢出效应在股市comovements组。第三,主要来源可以从溢出过程被识别。此外,考虑到改变股票市场之间的相互作用是投资决策的重要参考和决策,我们的结论是基于该方法提供了20国集团金融市场参与者的实际意义。

投资者应该警告说,它正变得越来越难以构建的投资组合来减少系统性风险通过实时监控和跟踪的主要金融市场的动态增加这些异构代理之间的交互。投资者寻找潜在投资机会在复杂的金融系统应该密切关注这些comoving市场之间的相互依存的动态,并相应地调整自己的投资策略和资产配置。他们可以提前确定跨市场波动溢出效应,进一步寻找套利机会达到提高投资效率的目标。政策制定者、风险监管在金融危机的早期阶段,需要密切关注这些异构的,动态的,互动的金融市场。他们可以更好地制定和实施强有力的相关政策措施,稳定金融体系的主要波动发射机的密切关注。

在未来的研究中,我们建议进行详细探索价格风险引起的高频交易数据,股票市场的波动溢出效应。量化风险基于波动对投资者和政策制定者非常重要。未来的工作将有助于有效地测量和实时监控股票市场的风险。

数据可用性

使用的数据集和分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(71704098号,71971039,和72003110)和山东省自然科学基金(没有。ZR2016GQ03)。

引用

  1. w·张x壮族、y . Lu和j .王”空间连杆在20国集团(G20)股票市场的波动溢出效应及其解释:一个网络框架,“国际金融分析评论文章ID 101454卷,71年,2020年。视图:出版商的网站|谷歌学术搜索
  2. r . p .干和s h·康”,金融危机和美国动力学之间的溢出效应。,金砖四国股市。”在国际商业和金融领域的研究卷,54篇文章ID 101276, 2020。视图:出版商的网站|谷歌学术搜索
  3. 美国Aghabozorgi y w·格兰,“股市co-movement评估使用三相聚类方法,”专家系统与应用程序第41卷。。4、1301 - 1314年,2014页。视图:出版商的网站|谷歌学术搜索
  4. a . y .林和y . n .林”市场相似性和跨境投资业绩,”金融研究快报,2020年文章ID 101751。视图:出版商的网站|谷歌学术搜索
  5. m . Raddant d . y . Kenett,“全球金融市场的联系。”国际货币和金融杂志》上文章ID 102280卷,110年,2021年。视图:出版商的网站|谷歌学术搜索
  6. x v签证官和t·t·a·Tran”造型从美国股票市场波动溢出效应东盟股票市场,“太平洋航运金融杂志,卷59,p。101246年,2020年。视图:出版商的网站|谷歌学术搜索
  7. w·艾哈迈德·p·Sadorsky,沙玛,“最佳对冲比率对清洁能源的股票,”经济模型卷,72年,第295 - 278页,2018年。视图:出版商的网站|谷歌学术搜索
  8. s . a .破坏者和p . Sadorsky对冲新兴市场股票价格与石油,黄金,波动率指数,和债券:DCC之间的比较,ADCC GO-GARCH,”能源经济54卷,第247 - 235页,2016年。视图:出版商的网站|谷歌学术搜索
  9. l . Bauwens s劳伦,j . v . k . Rombouts“多元GARCH模型:一项调查,”应用计量经济学杂志,21卷,不。1,第109 - 79页,2006。视图:出版商的网站|谷歌学术搜索
  10. m . Caporin和m . McAleer”,我们真的需要BEKK和DCC吗?两个多元GARCH模型族的故事。”《经济调查,26卷,不。4、736 - 751年,2012页。视图:出版商的网站|谷歌学术搜索
  11. Chretien和j。奥尔特加,“多元GARCH估计通过Bregman-proximal信赖域方法,”计算统计和数据分析卷,76年,第236 - 210页,2014年。视图:出版商的网站|谷歌学术搜索
  12. r·恩格尔“动态条件相关,”商业和经济统计》杂志上,20卷,不。3、339 - 350年,2002页。视图:出版商的网站|谷歌学术搜索
  13. t . k . Chue f·a·古尔和通用面,“总投资者情绪与股票回报同步性,”银行与金融杂志》上文章ID 105628卷,108年,2019年。视图:出版商的网站|谷歌学术搜索
  14. A . Garcia-Ferrer大肠Gonzalez-Prieto, d .佩纳”有条件地heteroskedastic独立因素模型与应用程序对金融股票回报,”国际期刊的预测,28卷,不。1,第93 - 70页,2012。视图:出版商的网站|谷歌学术搜索
  15. d . Gjika和r·霍法”,股市在中欧comovements:证据从非对称DCC模型,”经济模型33卷,55 - 64、2013页。视图:出版商的网站|谷歌学术搜索
  16. t . Strohsal和e·韦伯时变国际股票市场互动和波动信号的识别,”银行与金融杂志》上,卷。56岁的几个,2015页。视图:出版商的网站|谷歌学术搜索
  17. p . Poncela“独立分量分析,进一步的研究”国际期刊的预测,28卷,不。1,第96 - 94页,2012。视图:出版商的网站|谷歌学术搜索
  18. J.-B。耿,Y.-J。Du,问:吉,d,“回归建模和波动溢出的全球新能源公司网络,”可再生能源和可持续能源的评论文章ID 110214卷,135年,2021年。视图:出版商的网站|谷歌学术搜索
  19. 李x, y胡,d .沈,“注意力分配和国际股票回报comovement:证据从比特币市场,”在国际商业和金融领域的研究卷,54篇文章ID 101286, 2020。视图:出版商的网站|谷歌学术搜索
  20. f . Wu w l。赵,问:吉,d,“依赖、中心和动态网络国际大宗商品期货价格”国际经济与金融审查卷,67年,第132 - 118页,2020年。视图:出版商的网站|谷歌学术搜索
  21. j . Beirne g . m . Caporale m . Schulze-Ghattas和n Spagnolo是“全球和区域新兴股票市场的溢出效应:一个多元GARCH-in-mean分析,“新兴市场回顾,11卷,不。3、250 - 260年,2010页。视图:出版商的网站|谷歌学术搜索
  22. j·l·m·马塞洛·j·l·m·奎洛斯和m·d·m·m·奎洛斯”不对称的方差和溢出效应:政权西班牙股市的变化,“杂志的国际金融市场,机构和金钱,18卷,不。1、1 - 15,2008页。视图:出版商的网站|谷歌学术搜索
  23. w·Mensi Hammoudeh, d . k .阮和s h·康”,全球金融危机和美国之间的溢出效应。,金砖四国股市。”国际经济与金融审查,42卷,第276 - 257页,2016年。视图:出版商的网站|谷歌学术搜索
  24. g . Milunovich和s·索普估值波动溢出效应”,全球金融杂志,17卷,不。1、22页,2006页。视图:出版商的网站|谷歌学术搜索
  25. t . Miyakoshi”,股票回报波动性溢出效应从日本和美国亚洲股市,”杂志的国际金融市场,机构和金钱,13卷,不。4、383 - 399年,2003页。视图:出版商的网站|谷歌学术搜索
  26. a . Ng”波动溢出效应从日本和美国太平洋地区,”国际货币和金融杂志》上,19卷,不。2、207 - 233年,2000页。视图:出版商的网站|谷歌学术搜索
  27. t . Bollerslev“广义自回归条件异方差性,”计量经济学杂志没有,卷。31日。2、307 - 327年,1986页。视图:出版商的网站|谷歌学术搜索
  28. z叮,c·w·j·格兰杰,r·f·恩格尔”一个长记忆特性的股市回报和一种新的模式,”实证金融杂志,1卷,不。1,第106 - 83页,1993。视图:出版商的网站|谷歌学术搜索
  29. a . BenSaida”,好的和坏的波动溢出效应:一个不对称的连通性,”《金融市场,43卷,第95 - 78页,2019年。视图:出版商的网站|谷歌学术搜索
  30. l . Charfeddine和h . Al Refai”政治紧张局势,股票市场的依赖和波动溢出:证据从最近intra-GCC危机,”北美经济和金融杂志》上50卷ID 101032条,2019年。视图:出版商的网站|谷歌学术搜索
  31. m . k . Newaz和j·s·公园”,贸易的影响强度和市场特性不对称波动,溢出效应和非对称的溢出效应:证据从响应国际股票市场对我们的冲击,“经济学和金融学的季度评估卷,71年,第94 - 79页,2019年。视图:出版商的网站|谷歌学术搜索
  32. g .甘农“同步波动传输和溢出效应:我们。和香港股票和期货市场”,国际金融分析评论,14卷,不。3、326 - 336年,2005页。视图:出版商的网站|谷歌学术搜索
  33. 通用盖洛和e·奥特朗托”波动溢出效应,相互依存和co-movements:马尔可夫切换的方法,”计算统计和数据分析,52卷,不。6,3011 - 3026年,2008页。视图:出版商的网站|谷歌学术搜索
  34. 问:霁,w . Bahloul J.-B。耿,r·古普塔,“整个大宗商品市场交易行为连通性:证据从套期保值者的情绪的角度来看,“在国际商业和金融领域的研究52卷,ID 101114条,2020年。视图:出版商的网站|谷歌学术搜索
  35. a . BenSaida h . Litimi o·阿卜杜拉,“全球金融市场波动溢出的转变。”经济模型卷,73年,第353 - 343页,2018年。视图:出版商的网站|谷歌学术搜索
  36. f . x Diebold k . Yilmaz:“给予比接受:预测定向测量的波动溢出效应,”国际期刊的预测,28卷,不。1,57 - 66,2012页。视图:出版商的网站|谷歌学术搜索
  37. d·菲利帕和c . Dragomirescu-Gaina暴露波动溢出效应:基于向量自回归模型,比较分析”金融研究快报18卷,第305 - 302页,2016年。视图:出版商的网站|谷歌学术搜索
  38. x苏,“动态行为和因素在七国集团(G7)股票市场的波动溢出效应,”北美经济和金融杂志》上卷,53篇文章ID 101218, 2020。视图:出版商的网站|谷歌学术搜索
  39. e . Baumohl e . KočendaŠ。Lyocsa, t . Vyrost“网络股票市场之间的波动溢出效应,”自然史答:统计力学及其应用卷,490年,第1574 - 1555页,2018年。视图:出版商的网站|谷歌学术搜索
  40. m, d .张问:霁,l·魏”宏观因素和意识到波动的商品:一个动态网络分析,“资源政策文章ID 101813卷,68年,2020年。视图:出版商的网站|谷歌学术搜索
  41. 问:霁,B.-Y。刘,j . Cunado, r·古普塔“风险溢出美国和其余的七国集团(G7)股市之间使用时变接合部和马尔可夫切换:证据从一个世纪的数据,”北美经济和金融杂志》上卷,51条ID 100846, 2020。视图:出版商的网站|谷歌学术搜索
  42. x刘,h, h·李,z,美国,和美国,“溢出网络的特点在国际金融市场:证据来自G20国家,“自然史答:统计力学及其应用卷,479年,第278 - 265页,2017年。视图:出版商的网站|谷歌学术搜索
  43. Š。Lyocsa、t . Vyrost和e . Baumohl”返回全球溢出效应:网络的方法,”经济模型卷,77年,第146 - 133页,2019年。视图:出版商的网站|谷歌学术搜索
  44. w·Mensi f . z Boubaker, k h . Al-Yahyaee和s . h·康”动态之间的波动溢出效应和连通性的全球、区域和GIPSI股市,”金融研究快报25卷,第238 - 230页,2018年。视图:出版商的网站|谷歌学术搜索
  45. L.-J。花王,c c。赵,C.-J。陆,J.-L。阳,“集成非线性独立分量分析和支持向量回归的股票价格预测,“Neurocomputing卷,99年,第542 - 534页,2013年。视图:出版商的网站|谷歌学术搜索
  46. a . Kumiega t Neururer, b·范·弗利特”为实现波动独立分量分析:分析2008年的股市崩盘,“经济学和金融学的季度评估,51卷,不。3、292 - 302年,2011页。视图:出版商的网站|谷歌学术搜索
  47. a . Hitaj l·麦克利,大肠Rroji”与独立分量分析投资组合选择”,金融研究快报15卷,第159 - 146页,2015年。视图:出版商的网站|谷歌学术搜索
  48. l .西安,k .他和k . k .赖“黄金价格分析基于整体经验模式分解和独立分量分析,“自然史答:统计力学及其应用卷。454年,11-23,2016页。视图:出版商的网站|谷歌学术搜索
  49. c . Gourieroux a Monfort涉嫌和j。住“独立分量分析的统计推断:应用程序结构VAR模型,”计量经济学杂志,卷196,不。1,第126 - 111页,2017。视图:出版商的网站|谷歌学术搜索
  50. t .盒”,定性相似,股价co-movement。”银行与金融杂志》上卷。91年,49 - 69年,2018页。视图:出版商的网站|谷歌学术搜索
  51. h·布鲁里溃疡,w . Tang和j .吴“时变co-movement comovement结构的变化在中国股市:因果网络方法,”经济模型卷,81年,第204 - 181页,2019年。视图:出版商的网站|谷歌学术搜索
  52. 陈平,“理解国际股市co-movements:比较发达市场和新兴市场,”国际经济与金融审查,56个卷,第464 - 451页,2018年。视图:出版商的网站|谷歌学术搜索
  53. K.-I。稻叶型,“各国comovements信息驱动股票回报。”在国际商业和金融领域的研究,51卷,p。101093年,2020年。视图:出版商的网站|谷歌学术搜索
  54. r·麦克唐纳诉Sogiakas, a . Tsopanakis”波动co-movements和欧元区内部经济溢出效应:多元GARCH方法使用金融压力指数的金融压力指数”杂志的国际金融市场,机构和金钱52卷,17-36,2018页。视图:出版商的网站|谷歌学术搜索
  55. c·p·阮、t . v . h .阮和c . Schinckus”机构、经济开放和股票回报co-movements:新兴市场的实证调查,“金融研究快报28卷,第147 - 137页,2019年。视图:出版商的网站|谷歌学术搜索
  56. m . Niţoi和m . m . Pochea”,推动欧盟股市co-movements什么?”国际货币和金融杂志》上卷,97年,页57 - 69,2019。视图:出版商的网站|谷歌学术搜索
  57. x盛、j . Brzeszczyński和b·m·易卜拉欣“国际股票回报co-movements和交易活动,”金融研究快报,23卷,12 - 18,2017页。视图:出版商的网站|谷歌学术搜索
  58. A . Arratia和A .小屋”,一个图形工具来描述金融股票marketsfinancial股票市场集群的演化,“计算经济学第41卷。。2、213 - 231年,2013页。视图:出版商的网站|谷歌学术搜索
  59. j·k·Vermunt j·g·迪亚斯,拉莫斯,“金融时间序列聚类:新见解隐马尔可夫模型的扩展,“欧洲运筹学杂志》上,卷243,不。3、852 - 864年,2015页。视图:出版商的网站|谷歌学术搜索
  60. f·杜兰特和大肠Foscolo依赖金融市场的分析空间contagionfinancial市场空间蔓延,“国际期刊的智能系统,28卷,不。4、319 - 331年,2013页。视图:出版商的网站|谷歌学术搜索
  61. 'Urso p D, l . De乔凡尼,r .了r·l·D 'Ecclesia和e·a·大师”Cepstral-based金融时间序列的聚类,“专家系统与应用程序文章ID 113705卷,161年,2020年。视图:出版商的网站|谷歌学术搜索
  62. p D 'Urso, c .卡佩里·D·D·Lallo r .了起来,“金融时间序列的聚类,自然史答:统计力学及其应用,卷392,不。9日,第2129 - 2114页,2013年。视图:出版商的网站|谷歌学术搜索
  63. 'Urso p D, l . De乔凡尼,r .了起来“GARCH-based健壮的时间序列聚类,模糊集和系统卷。305年,28,2016页。视图:出版商的网站|谷歌学术搜索
  64. h . Esmalifalak ai Ajirlou, s . p .挂和m . Esmalifalak”(Dis)集成水平在全球股市:多维标度和聚类分析,“专家系统与应用程序,42卷,不。22日,第8402 - 8393页,2015年。视图:出版商的网站|谷歌学术搜索
  65. 工程学系。廖和S.-Y。周”,数据挖掘调查co-movements在台湾和中国大陆证券市场未来的投资组合,”专家系统与应用程序,40卷,不。5,1542 - 1554年,2013页。视图:出版商的网站|谷歌学术搜索
  66. a . Hyvarinen和大肠Oja独立分量分析:算法和应用程序”,神经网络,13卷,不。4 - 5,411 - 430年,2000页。视图:出版商的网站|谷歌学术搜索
  67. g·贝卡尔特、大肠Engstrom和a . Ermolov“糟糕的环境,好的环境:一个非高斯非对称波动模型,”计量经济学杂志,卷186,不。1,第275 - 258页,2015。视图:出版商的网站|谷歌学术搜索
  68. t·w·廖”,聚类时间序列数据组织调查,“模式识别,38卷,第1874 - 1857页,2005年。视图:谷歌学术搜索
  69. c .宁、徐d和t . s . Wirjanto“是资产回报不对称波动集群?”银行与金融杂志》上52卷,第76 - 62页,2015年。视图:出版商的网站|谷歌学术搜索
  70. a . Morales-Zumaquero和美国Sosvilla-Rivero外汇和股票市场之间的波动溢出效应在工业化国家,“经济学和金融学的季度评估卷,70年,第136 - 121页,2018年。视图:出版商的网站|谷歌学术搜索
  71. x周、w . Zhang和j .张“中国和世界股票市场之间的波动溢出效应,”太平洋航运金融杂志,20卷,不。2、247 - 270年,2012页。视图:出版商的网站|谷歌学术搜索
  72. k . h . Liow”,在七国集团金融市场波动溢出动力学和关系,“北美经济和金融杂志》上33卷,第365 - 328页,2015年。视图:出版商的网站|谷歌学术搜索
  73. s·j·h·沙赫扎德,j·A·埃尔南德斯·m·拉赫曼,k . h . Al-Yahyaee和m .扎卡里亚,“全球股票市场的网络拓扑:发射器和接收器的溢出效应,”自然史答:统计力学及其应用卷,492年,第2153 - 2136页,2018年。视图:出版商的网站|谷歌学术搜索
  74. d .留置权,g·李,l·杨,y,我们“波动溢出效应。和亚洲股市:比较亚洲货币危机和次级信贷危机时期,“北美经济和金融杂志》上,46卷,第201 - 187页,2018年。视图:出版商的网站|谷歌学术搜索

版权©2020 Shanglei柴等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

对本文没有相关内容可用。
PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点747年
下载524年
引用

相关文章

对本文没有相关内容可用。

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。