Подходы, основанные на графах, революционизируют анализ различных реальных систем, и фондовый рынок не является исключением.
Отдельные акции и индексы фондового рынка связаны между собой, и при рассмотрении фондового рынка в виде графика появляются интересные закономерности. В последние годы исследователи анализируют фондовый рынок, используя графические подходы, и необходимо рассматривать эти работы с разных точек зрения. Мы обсуждаем существующие работы на основе графов с пяти точек зрения: построение графов фондового рынка, фильтрация графов фондового рынка, кластеризация графов фондового рынка, предсказание движения акций и оптимизация портфеля. Это исследование содержит краткое описание основных методов и алгоритмов, относящихся к основанным на графах подходам к фондовому рынку.
Ключевые слова: фондовый рынок, фильтрация графиков, кластеризация графиков, оптимизация портфеля, прогноз движения акций.
Keywords: stock market, graph filtering, graph clustering, portfolio optimization, stock movement prediction.
Диаграмма определяется как набор из двух наборов: узлы и набор ребер между этими узлами. Многие реально существующие системы, такие как биологические структуры, социальные сети, финансовые системы и коммуникационные сети, представленные графиками, используются исследователями с помощью различных инструментов, методов и алгоритмов для создания и анализа диаграмм. Фондовый рынок представляет собой финансовую систему, которую можно оценить графически. Заявления, основанные на графиках и анализе фондового рынка, резко возросли. В этом исследовании будет представлен опрос крупных исследований, применяющих основанные на графиках подходы к акциям, анализу рынка и прогнозированию. Основная цель состоит в том, чтобы обобщить подходы, основанные на графиках, которые хорошо практикуются. До сих пор очень немногие исследования были посвящены опросу графических подходов к анализу и прогнозированию фондового рынка.
— Это одно из немногих исследований, предлагающее всестороннее обсуждение методов построения биржевых диаграмм.
— Мы обобщили и критически обсудили ключевые вопросы, алгоритмы фильтрации и кластеризации для фондового рынка графика.
— Статья основана на графике и основанные на машинном обучении подходы к прогнозированию движения акций и оптимизации портфеля.
Классификация используемых методов представлена на рисунке 1.
Рис. 1. Таксономия обсуждаемых методов
Помимо корреляции, можно построить график фондового рынка только по объему торгов. Мы можем рассматривать отдельных трейдеров как узлы графа, а торговые отношения между ними — как ребра. Наличие проторгованного объема можно использовать для построения невзвешенного графика, а количество проторгованного объема можно использовать для построения взвешенного графика. При использовании этой стратегии, основанной на объеме торгов, для каждой акции будет один график. Этот граф будет направлен с направлениями, например, от узла продавца к узлу покупателя.
График фондового рынка может быть построен с использованием условного индекса причинности Грейнджера (CGCI), линейной меры причинно-следственной связи. CGCI определяется с использованием векторных авторегрессионных моделей. Его можно определить как отношение дисперсий неограниченной и ограниченной невязок векторной авторегрессионной модели. После расчета CGCI его статистическую значимость можно измерить с помощью F-теста. Если CGCI значителен, между двумя узлами будет граница.
CGCI является мерой причинности, сформулированный граф может быть направленным [8]. Также можно использовать значение коэффициента линейной регрессии для построения графика фондового рынка [9]. В этом методе серия возвратов одного узла регрессируется по сравнению с сериями возвратов другого узла. F-статистика регрессии используется для построения границы между этими узлами [9].
Применение графических подходов к анализу и прогнозированию фондового рынка развивается. Традиционно, Исследователи в основном сосредотачиваются на части анализа, такой как фильтрация, кластеризация и выявление интересных закономерностей. Опять-таки, c увеличением вычислительной мощности все больше внимания уделяется приложениям для прогнозирования движения запасов.
Два основных метода построения графиков фондового рынка основаны на корреляции и взаимной информации и их варианты. Исследователи используют методы фильтрации графов, график фондового рынка в большинстве случаев тесно связан. Объединение данных биржевой диаграммы с традиционным временем пакетных данные могут улучшить прогнозирование движения запасов. Подходы на основе графиков также могут повысить эффективность портфеля. Прогноз движения запасов и портфель оптимизации с использованием подходов на основе графов по-прежнему зарождающаяся стадия. Будущие исследования должны быть направлены на улучшение предсказания движения запасов и оптимизации портфеля производительности с использованием графических подходов.
Литература:
- Асте Т., Ди Маттео Т., Хайд С. Сложные сети на гиперболических поверхностях. Физика Стат. мех. заявл. 346 (1), 20–26 (2005)
- Асте, Т., Шоу, В., Маттео, Т.Д.: Структура корреляции и динамика на волатильных рынках. New J. Phys. 12(8), 085009 (2010)
- Бхардвадж Г., Суонсон Н. Р.: Эмпирическое исследование полезности моделей ARFIMA для прогнозирования макроэкономических и финансовых временных рядов. Ж. Эконом. 131 (1), 539–578 (2006)
- Богинский В., Бутенко С., Пардалос П. М. Статистический анализ финансовых сетей. вычисл. Стат. Анализ данных. 48(2), 431–443 (2005)
- Бонанно Г., Калдарелли Г., Лилло Ф., Вандевалле С. М. Н., Мантенья Р. Н. Сети акций на финансовых рынках. Евро. физ. Дж. Б. 38 (2), 363–371 (2004).
- Бонанно, Г., Вандевалле, Н., Мантенья, Р.Н.: Таксономия индексов фондового рынка. физ. Ред. E 62(6), R7615–R7618 (2000 г.)
- Чен, Ю., Вэй, З., Хуан, X.: Включение корпоративных отношений с помощью графовых сверточных нейронных сетей для прогнозирования цен на акции. В: Труды 27-й Международной конференции ACM по управлению информацией и знаниями, стр. 1655–1658 (2018).
- Папана, А., Кырцу, К., Кугиумцис, Д., Дикс, К.: Финансовые сети, основанные на причинно-следственной связи по Грейнджеру: тематическое исследование. Физика Стат. мех. заявл. 482, 65–73 (2017)
- Константинов Г., Чорус А., Ребманн Дж.: Сетевой и машинный подход к распределению факторов, активов и смешанному распределению. Дж. Портф. Управление 46(6), 54–71 (2020)
