多元时间序列的领先-滞后检测与网络聚类及其在美国股票市场中的应用
机器学习
2022-01-21 v1 机器学习
统计金融
统计方法学
摘要
在多元时间序列系统中,已观察到某些变量组部分地领先于系统的演化,而其他变量以时间延迟跟随该演化;其结果是时间序列变量间存在领先-滞后结构。本文中,我们提出一种用于检测多元系统中时间序列领先-滞后簇的方法。我们证明,时间序列间成对的领先-滞后关系网络可有益地视作有向网络,对此存在合适的算法用于检测具有高度成对不平衡的领先-滞后簇对。在我们的框架内,我们考虑了若干种成对领先-滞后度量与有向网络聚类组件的选择。我们的框架在多元领先-滞后时间序列系统的合成生成模型以及每日真实世界美国股票价格数据上均得到验证。我们展示了我们的方法能够检测美国股票市场中的统计显著领先-滞后簇。我们在领先-滞后关系的实证金融文献背景下研究这些簇的性质,并演示如何将其用于构建预测性金融信号。
引用
@article{arxiv.2201.08283,
title = {Lead-lag detection and network clustering for multivariate time series with an application to the US equity market},
author = {Stefanos Bennett and Mihai Cucuringu and Gesine Reinert},
journal= {arXiv preprint arXiv:2201.08283},
year = {2022}
}
备注
29 pages, 28 figures; preliminary version appeared at KDD 2021 - 7th SIGKKDD Workshop on Mining and Learning from Time Series (MiLeTS)