基于相关性的市场网络中 MST 识别的可靠性
统计金融
2022-06-01 v1 统计方法学
摘要
最大生成树（MST）是市场网络分析中的常用工具。大量文献致力于 MST 计算及其对特定股票市场的解释。然而，文献中甚少关注所得结果不确定性的分析。本文提出一种度量 MST 识别不确定性的通用框架。我们在随机变量网络（RVN）概念框架下研究不确定性。我们考虑大类椭圆分布中不同的基于相关性的网络。我们证明真实 MST 在三个网络中相同：Pearson 相关网络、Fechner 相关网络和 Kendall 相关网络。我们认为在不同不确定性度量中， FDR（错误发现率）最适于 MST 识别。我们研究用于 MST 识别的 Kruskal 算法的 FDR，表明 MST 识别的可靠性在这三种网络中不同。特别地，对 Pearson 相关网络，FDR 本质上依赖于股票收益分布。我们证明，对具 Fechner 相关的市场网络，FDR 对股票收益分布假设不敏感。在 Kendall 相关网络中发现了一些有趣现象。我们的实验表明，Kruskal 算法在 Kendall 相关网络中用于 MST 识别的 FDR 弱依赖于分布，同时其 FDR 值几乎优于其他网络中的 MST 识别。这些事实在实际应用中十分重要。
引用
@article{arxiv.2103.14593,
title = {Reliability of MST identification in correlation-based market networks},
author = {V. A. Kalyagin and A. P. Koldanov and P. A. Koldanov},
journal= {arXiv preprint arXiv:2103.14593},
year = {2022}
}