دادهکاوی بازار سهام ایران با مدل‌سازی فیلترینگ شبکههای پیچیده: رویکرد MST
محورهای موضوعی :
اقتصاد مالی
هادی اسماعیل پورمقدم
1
(گروه اقتصاد، دانشگاه فردوسی ،مشهد، ایران)
تاریخ دریافت : 1401/09/05
تاریخ پذیرش : 1401/12/07
تاریخ انتشار : 1402/01/01
کلید واژه:
G11,
G20,
واژه‌های کلیدی: فیلترینگ بازار سهام,
تحلیل شبکههای پیچیده,
می‌نیمم درخت فراگیر,
متنوع‌سازی. طبقه بندی JEL : D53,
چکیده مقاله :
چکیده
یکی از مهم ترین مسائل در مالی نوین، یافتن روش های کارآمد برای خلاصه کردن و تجسم داده های بازار سهام است. مدل سازی فیلترینگ شبکه های پیچیده در بازار سهام، این امکان را از طریق کاهش اندازه بازار، با دستیابی به اطلاعات قابل اطمینان و با اختلال کمتر فراهم می آورد. به علاوه، از آن جایی که تغییرات قیمت سهام مستقل از یکدیگر نیستند، مطالعه همبستگی تغییرات قیمت سهام با شبکه های پیچیده، درک بیشتری از عملکرد بازار برای سرمایه گذاران فراهم می نماید. در این مقاله، با استفاده از داده های بازار سهام در بورس اوراق بهادار تهران، شبکه بازار سهام ایران با روش آستانه ایجاد می شود و سپس فیلترینگ شبکه بر اساس می نیمم درخت فراگیر (MST) صورت می گیرد. نتایج نشان می دهد مدل سازی فیلترینگ شبکه بازار سهام ایران بر اساس می نیمم درخت فراگیر، می تواند زیرمجموعه ای از بازار سهام را تشکیل دهد که عملکرد کل بازار را با کاهش قابل توجهی در اندازه دنبال نماید و از درجه تنوع سازی مشابهی با کل بازار برخوردار باشد. نتایج تحقیق دلالت بر این دارد روش حاصل از فیلترینگ شبکه مبتنی بر MST، می تواند مجموعه سهام تقلیل یافته ای را نسبت به کل بازار ارائه دهد که رفتار کل بازار را منعکس می کنند. از این رو، به جای تحلیل داده های کل بازار سهام، می توان رفتار مجموعه سهام حاصل را بررسی نمود. این تحلیل ها امکان بینش عمیق تر ساختار داخلی بازار سهام را ضمن کاهش ابعاد فراهم می نماید
چکیده انگلیسی:
Abstract
One of the most important problems in modern finance is finding efficient ways to summarize and visualize stock market data. Modeling the filtering of complex networks in the stock market allows this to be achieved by reducing the market size, obtaining reliable information with less disturbance. Since stock price changes are not independent of each other, the study of the correlation between stock price changes provides a better understanding of market performance for investors. Stock market analysis based on complex networks allows studying the correlation of stock prices. In this paper, using the stock market data in the Tehran Stock Exchange, the Iranian stock market network is created by the threshold method, and then the network filtering is based on MST. The results show that the filtration modeling of Iran's stock market network based on the MST can form a subset of the stock market that follows the performance of the entire market with a significant reduction in size and has a similar degree of diversification with the entire market. These analyzes provide a more in-depth insight into the structure of the stock market while reducing the size.
منابع و مأخذ:
فهرست منابع
اسماعیلپورمقدم، هادی؛ تیمور محمدی؛ محمد فقهیکاشانی و عباس شاکری. (1398). ارائه شاخصی جدید برای انعکاس رفتار بازار سهام با استفاده از رویکرد تحلیل شبکههای پیچیده. فصلنامه اقتصاد مالی، 46: 39-25.
اسماعیل پورمقدم، هادی؛ تیمور محمدی؛ محمد فقهیکاشانی و عباس شاکری. (1398). رشد بخشی و مرکزیت در بازار سهام ایران: رویکرد تحلیل شبکههای پیچیده. فصلنامه پژوهشها و سیاستهای اقتصادی، 90: 341-313.
خطیب سمنانی، محمدعلی؛ سمیه ایزدی و سیدرضا خادمی (1396). مزیت رقابتی دادهکاوی در بانکداری الکترونیکی در برابر نااطمینانیهای اقتصادی. فصلنامه اقتصاد مالی، 39: 145-125.
ولایتی، محمد؛ فرهاد حسینزاده لطفی؛ محمدرضا شهریاری و فریدون رهنمای رودپشتی. (1396). رویکرد دادهکاوی در بخشبندی بازار مشتریان به منظور اتخاذ استراتژیهای کارا (مطالعه موردی صنعت مخابرات). فصلنامه اقتصاد مالی، 41: 266-243.
_||_
Allen, F. & Babus, A. (2009). Networks in finance. In The Network Challenge: Strategy, Profit, and Risk in an Interlinked World; Kleindorfer, P.R., Wind, Y., Eds.; Pearson Education, Inc.: Upper Saddle River, NJ, USA, pp. 367–382.
Bazlamacci, C. F. & Hindi, K. S. (2001). Minimum - weight spanning tree algorithms: A survey and empirical study. Computers & Operations Research, 28: 767-785.
Birch J., Pantelous A. A. & Soramake, K. (2015). Analysis of Correlation Based Networks Representing DAX 30 Stock Price Returns. Computational Economics, 47: 501-525.
Boginski, V., Butenko, S.& Pardalos, P. M. (2006). Mining market data: A network approach. Computers & Operations Research, 33: 3171-3184.
Brida, J. G., Matesanz, D. & Seijas, M. N. (2016). Network analysis of returns and volume trading in stock markets: The Euro Stoxx case. Physica A, 55: 751–764.
Caraiani, P. (2012). Characterizing emerging European stock markets through complex networks: From local properties to self-similar characteristics. Physica A, 391: 3629–3637.
Coletti, P. (2016). Comparing minimum spanning trees of the Italian stock market using returns and volumes. Physica A, 463: 246–261.
De Carvalho, P. J. C., & Gupta, A. (2018). A network approach to unravel asset price comovement using minimal dependence structure. Journal of Banking & Finance, 91, 119-132.
Dimitrios, K. & Vasileios, O. (2015). A Network Analysis of the Greek Stock Market. Procedia Economics and Finance, 33: 340-349.
Eberhard, J., Lavin, J. F. & Montecinos-Pearce, A. (2017). A Network-Based Dynamic Analysis in an Equity Stock Market. Complexity, 17: 1-16.
Elton, E.J. & Gruber, M.J. (1995). Modern Portfolio Theory and Investment Analysis, New York,
Esmaeilpour Moghadam, H., Mohammadi, T., Feghhi Kashani, T. & Shakeri, A. (2019). Complex networks analysis in Iran stock market: The application of centrality, Physica A, 121800.
Eom, C., Oh, G., Jung, W. S., Jeong, H. & Kim, S. (2009). Topological properties of stock networks based on minimal spanning tree and random matrix theory in financial time series. Physica A, 388: 900 – 906.
Fiedor, P. (2014). Networks in financial markets based on the mutual information rate. Physical Review, 89(5): 14-22.
George, S. & Changat, M. (2017). Network approach for stock market data mining and portfolio analysis, International Conference on Networks & Advances in Computational Technologies (NetACT), Thiruvanthapuram, 251-256.
Jallo, D., Budai, D. Boginski, V. Goldengorin, B. & Pardalos, P.M. (2013). Network-based representation of stock market dynamics: an application to American and Swedish stock markets models. Algorithms Technol. Netw. Anal: 32, 93–106.
Jo, S. K., Kim, M. J., Lim, K., & Kim, S. Y. (2018). Correlation analysis of the Korean stock market: Revisited to consider the influence of foreign exchange rate. Physica A: Statistical Mechanics and its Applications, 491, 852-868.
Kheyrkhah, A., Rahnamay Roodposhti, F. & Aliafsar Kazemi, M. (2016). Using the Theory of Network in Finance. International Journal of Finance and Managerial Accounting: 2, 9-23.
Kito, T., Ueda, K. (2014). The implications of automobile parts supply network structures: A complex network approach. CIRP Annals-Manufacturing Technology, 63(1), 393-396.
Kruskal, J. B. (1956). On the Shortest Spanning Subtree of a Graph and the Traveling Salesman Problem. Proceedings of the American Mathematical Society, 19: 56-65.
Laloux, L., Cizeau, P., Cotters, M. & Bouchaud. J. (2000). Random matrix theory and financial correlations. Mathematical models and methods in applied sciences, 3: 1-7.
Long, W., Guan, L., Shen, J., Song, L. & Cui, L. (2017). A complex network for studying the transmission mechanisms in stock market. Physica A: 484, 345–357.
Majapa, M. & Gossel, S. J. (2016). Topology of the South African stock market network across the 2008 financial crisis. Physica A, 445: 35–47.
Nier, E., Yang, J., Yorulmazer, T. & Alentorn, A. (2008). Network models and financial stability. Working Paper No. 346, Bank of England.
Pecora, N. & Spelta, A. (2015). Shareholding relationships in the Euro Area banking market: A network perspective. Physica A: Statistical Mechanics and its Applications, 43: 1-12.
Rudin, A. M., & Morgan, J. S. (2006). A portfolio diversification index. The Journal of Portfolio Management, 32(2): 81–89.
Sharma, K., Shah, S., Chakrabarti A.S., & Chakraborti, A. (2017) Sectoral Co-movements in the Indian Stock Market: A Mesoscopic Network Analysis. In: Aruka Y., Kirman, A. (eds) Economic Foundations for Social Complexity Science. Evolutionary Economics and Social Complexity Science, Singapore: Springer.
Shi, Y., Li, L., Wang, Y., Chen, J., & Stanley, H. E. (2019). A study of Chinese regional hierarchical structure based on surnames. Physica A: Statistical Mechanics and its Applications, 518, 169-176.
Song, J. W., Ko, B., & Chang, W. (2018). Analyzing systemic risk using non-linear marginal expected shortfall and its minimum spanning tree. Physica A: Statistical Mechanics and its Applications, 491, 289-304.
Tong, C., Chen, J., & Buckle, M. J. (2018). A network visualization approach and global stock market integration. International Journal of Finance & Economics.
Tse, C. K., Liu, J. & Lau, F. C. M. ( 2010). A network perspective of the stock market. Journal of Empirical Finance, 17: 659–667.
Tumminello, M., Lillo, F. & Mantegna, R. N. (2010). Correlation, hierarchies, and networks in financial markets. Journal of Economic Behavior & Organization, 75: 40 – 58.
Vandewalle, N., Brisbois, F. & Tordoir, X. (2001). Non - random topology of stock markets. Quantitative Finance, 1: 372 - 374.
Xu, X. J., Wang, K., Zhu, L., & Zhang, L. J. (2018). Efficient construction of threshold networks of stock markets. Physica A: Statistical Mechanics and its Applications, 509, 1080-1086.
Yang, C., Chen, Y., Niu, L. & Li, Q. (2014). Cointegration analysis and influence rank-A network approach to global stock markets. Physica A, 400: 168–185.
Zhang, J., Zhou, H. & Jiang, L. (2010). Network topologies of Shanghai stock index. Physics Procedia, 3(5):1733–1740.
Zhang, Y., Cao, X., He, F. & Zhang, W. (2017). Network topology analysis approach on China’s QFII stock investment behavior. Physica A: Statistical Mechanics and its Applications, 473: 77-88.
Zhao, L., Li, W.& Cai, X. (2016). Structure and dynamics of stock market in times of crisis. Physics Letters A, 380: 654–666.
Zhong, T., peng, Q. Wang, X. & Zhang, J. (2016). Novel indexes based on network structure to indicate financial market. Physica A, 443: 583–594.
