※ 引述《peter308 (pete)》之铭言：
: 最小生成树(Minimal spanning tree)
: 是一种用来研究股票市场(或更广泛的金融市场)的网络拓朴的一种技巧
: 首先先透过收集市场时间序列的数据
: 建构一个关联矩阵
: 得到这个关联矩阵后
: 1. 设定阀值
: 2. 建构最小生成树
: 就能建构出一个对于这个股票市场网络拓朴的地图
: 有了这个"股票市场的拓朴"地图
: 就有非常多后续的应用能实行
: 比方说:
: 这个拓朴的确切结构是什么? 星形? 随机? 还是小世界? 甚至是scale-free ?
: 有什么特征?
: 聚集系数，最短路径，中心度，社团划分，度分布,等等
: 都可以计算出来...
: 又会有什么后续的市场演化行为可以预期?
: 有人开始把这样的演算技巧应用在股市的套利上了吗?
: 能否分享一些见解和讨论呢??
: (太机密的可以保留没关系 可以分享初潜想法就好)
: 感谢喔!!
最近读到一篇今年发在Scientific Reports的文章
标题是
"Topological Characteristics of
the Hong Kong Stock Market: A
Test-based P-threshold Approach
to Understanding Network
Complexity"
我认为这篇最新出炉的文章把我前篇文章提到的概念
作为一个很完整具体的学术研究案例报告和呈现
也替未来在这个方向上的可行性上做出一些评估
其实抛开经济理论的复杂性和争议,
如果只针对金融复杂网络上的拓朴结构做细部的研究探讨
这类研究拓朴网络的学术文章
其实很有可行性和潜在应用价值。
因为他们非常技巧性地避开
金融理论目前在学术上的争议和不完备性
比方说: 基本分析和技术分析谁比较好
有效市场假说或理性投资行为到底正确与否等等学术争议。
目前学界的方法大致上如下:
1. 定义出节点的属性(股票代号、或是外资、法人等等)
2. 从股票市场的时间序列建构出关联矩阵 (一般常用Pearson 关联系数法)
但是Pearson法好像有一些争议,像这篇文章就针对这步骤做出改良。
3. 找出阀值 (大于阀值的矩阵系数为1，小于阀值则为零或其他方法)
怎么决定阀值大小很关键!
4. 从关联矩阵就能透过最小生成树或是planar maximally filtered graph(PMFG)法,
等等去建构出网络拓朴地图来
(其实有非常多类似的找拓朴结构的算法，
所以这个步骤的成效应该是能否获利的关键所在。)
5. 有了这个拓朴地图，就知道这个拓朴地图怎么随时间演化。
(可以用来做历史回测)
我粗略的相信， 未来这个拓朴地图如果可以被很精准的绘制出来
以后的金融市场的动向可能可以像气象局预测天气一样
3~5天内的预报可以到非常准。
或许现在已经可以做到了?? 只是还没公开而已??
其实我上面列举的step1~step5 已经是很正规严谨的学术研究方法了
大概1999年左右就有人提出了
现在发表的文章还用类似方法也已经没价值了。
所以 如果有基金管理公司用来在股市套利
根本一点也不奇怪!!
还是希望这个讨论串能引出更多讨论和火花 ....