基于随机矩阵理论探索金融网络的核心-外围结构与社区结构
组合数学
2026-04-30 v2
摘要
在金融领域，随机矩阵理论（RMT）是重要工具，用于滤除大数据集中的噪声，揭示股票之间的真实相关性，增强风险管理和投资组合优化。在本研究中，我们使用 RMT 滤除印度国家证券交易所 NIFTY 200 和 NIFTY 500 指数股票收益率的完整交叉相关矩阵中的噪声。此外，我们应用网络理论工具来分析经滤波后的相关结构所构成的市场模式和行业模式，以研究金融网络中的局部相互作用。这使我们能够研究网络的基本属性，如由这些滤波模式构建的网络的核心-外围结构和社区结构，并与由完整交叉相关矩阵构建的网络结果进行比较。结果表明，核心-外围结构包含在市场模式中，而社区结构包含在行业模式中。因此，这两种模式在捕捉各自网络所必需的结构方面均优于完整交叉相关矩阵。进一步，我们利用这些见解构建了基于行业模式网络和完整交叉相关矩阵网络社区的投资组合。结果表明，基于完整交叉相关矩阵构建的投资组合优于行业模式。这些见解为更深入地理解 RMT 在金融市场中的应用提供了依据。
引用
@article{arxiv.2410.07948,
title = {Switching methods of level 2 for the construction of cospectral graphs},
author = {Aida Abiad and Nils van de Berg and Robin Simoens},
journal= {arXiv preprint arXiv:2410.07948},
year = {2026}
}