基于复杂网络的沪深300股票重要节点的评估和分析
时间：2021-01-28 00:00:38 来源：雅意学习网 本文已影响 人 
摘 要 利用复杂网络方法将股票之间的复杂关系抽象为网络，能够更好地掌握股票市场的整体和局部特性以及股票之间内在的联动关系，以沪深300数据为研究样本，通过相关系数构建网络，利用最佳阈值法对网络进行去噪，保留主要股票之间的相互影响.借鉴PageRank算法对社团网络进行重要节点的挖掘，从宏观和微观视角分析各行业股票在市场中的地位.研究发现整个沪深300市场中，采矿业、制造业和金融业是市场“大户”，其股票与市场中的其他股票之间存在紧密联系；网络中的同类型股票存在聚集现象，且股票之间影响关系显著.
关键词 金融工程；股票重要性排序；PageRank算法；社团划分
中图分类号 F830 文献标识码 A
Abstract Using the method of complex network， the complex relationship between stocks can be regarded as a network， which can be better able to grasp the overall stock market and the local characteristics and inherent relationship between stocks. Using the CSI 300 data， the methods of correlation coefficient and the best threshold value， and reserving the mutual influence between the main stocks， this paper built up the complex network. Applying the Page-Rank algorithm to dig the important node for the corporate network， we analyzed the industries"positions in the market in view of the macro and micro perspective. The study shows that the mining， manufacturing and financial industry in the CSI 300 market are major clients， there is close relationship between other stocks， there exist gathered phenomenon and a significant effect for the relationship between the same type of networks.
Key words financial engineering； ranking of the importance of stock； Page-Rank algorithm； community structure partition
1 引 言
股票市场研究一直以来都是金融经济学关注的焦点和热点，目前大部分研究主要集中于股市波动对经济和其他行业的影响以及政治经济和投资者情绪等方面的变动对股市波动的影响两方面，Gatfaoui（2016）以美国股票市场为例研究发现天然气和原油与美国股票市场之间存在相依性[1]；Savita Ramesh（2015）研究发现在2014年印度大选期间股票市场价格对新政府的反应是积极的[2]；Bialkowski，Katrin和Wisniewski（2008）研究了经济合作与发展组织的27个国家在大选期间股票市场波动情况，发现在选举的一周左右国家的收益率方差指数变化比较大[3]；Mishkin（2009）从2008年爆发的金融危机中各国的宏观政策变动出发，发现在金融危机中货币政策对调控股票市场动荡具有重大作用[4]；Ahmed Hasan（2012）利用安曼证券交易市场价格波动指数的月数据发现经济增长率对股票价格波动有正向影响[5]；李国祥、王亚君（2015）研究了股市波动对银行脆弱性的影响，发现股市上涨将降低银行的脆弱性[6]；Shu和Chang（2015）研究了投资者情绪对金融市场的影响机制，发现改进的卢卡斯模型可以充分解释金融市场的异动现象[7].对于股市研究应用，主要是通过利用交易数据构建方程和数学模型等来研究复杂经济系统内部的关联关系或预测系统内部组成部分的变化情况.Girardin，Joyeux（2013）利用GARCH-MIDS方法揭示基本经济要素对于中国股票市场波动发挥了越来越重要的作用[8]；Lim、Sek（2013）利用对称和非对称GARCH类模型对马来西亚股票市场进行实证分析，发现对称的GARCH模型在危机前后比危机时期表现更好，而在危机时期，非对称GARCH模型表现更好[9].
由于股票市场的敏感性和影响因素的多样性，这些传统的方法已经不能满足现有的研究需要.汪小帆、李翔和陈关荣（2012）的《网络科学导论》[10]以及郭世泽和陆哲明（2012）的《复杂网络基础理论》[11]详细地介绍了复杂网络方法及其发展.利用复杂网络方法可以将股票之间的复杂关系抽象为网络，更好地掌握股票市场的整体特性和局部特性以及股票之间内在的联动关系.国内外学者在分析股市波动时，从复杂网络的视角出发，利用最小生成树和平面最大过滤图的方法构建网络.如Majapa Gossel（2016）以南非JSE前100家公司的日收盘价之间的相关性数据为基础，利用最小生成树构建股票网络进行相关研究发现：虽然约翰内斯堡股票交易存在明显的聚类和同质性，但是金融领域和资源领域的股票联系更紧密[12]；Eom，Oh和Kim（2007）通过最小生成树方法，用套利定价模型度量共同经济因素的特性，研究基于相关性网络下股票市场的决定因素，发现在模型中加入一些共同的经济因素后，模型反应的情况更符合实际情况，这些共同的经济因素在股票市场中起到更关键的作用[13]；Yan，Xie和Wang（2015）利用最小生成树和平面最大过滤图证实股票市场网络的拓扑稳定性，实证发现在2005年6月-2007年5月期间，美国次贷危机的鲁棒性比2007年6月-2011年6月更强[14].这两种方法虽然能够得到股票网络主要的层次连接结构，但这样的网络过滤掉的股票市场信息过多，而真实的股票市场并不是股票间简单的单向连接，而是彼此存在相互影响关系的复杂系统.在已有文献中利用复杂网络对股票重要性的研究比较少，且股票节点重要性研究方法主要以社会网络分析和系统科学分析为基础，利用节点度和连边权重通过定义节点效率和评价机制考虑网络节点重要性，王甲生、吴晓平和廖巍等（2012）提出了一种改进的基于凝聚度的节点重要度评估方法，综合考虑了节点的连接特性对节点重要度的影响，并验证了改进方法的可行性和有效性[15]；李玉华、贺人贵和钟开等人（2012）针对动态加权图，提出了等效点权节点重要度评估方法[16]；张益（2011）通过定义虚拟的核心节点，利用灰色关联度的方法，通过各节点与核心节点的关联度判断节点的重要性[17].但是这些方法考虑比较片面，单方面从度或者网络结构来考虑，没有充分结合度、权重和邻居节点之间的关联关系.
