Lab · A · Grafdiffusjon
Testresultatene for brukerens stoffmodell: laggede sammenhenger, Granger-kausalitet, sparsom VAR(1) og grafdynamikk.
Antall kanter før og etter rensing
Hva det er: Antallet signifikante kanter den samme testen for laggede sammenhenger finner på rå avkastning og på residualavkastning.
Hvilke data den bygger på: leadLag-resultatet fra den valgte kjøringen. Det totale antallet testede tripler (ledende, etterfølgende, lag) vises også.
Hva den viser: På reelle data finnes 170 kanter på rå avkastning og 16 på residualavkastning.
Hva man kan slutte av den: Forskjellen er falsk spredning skapt av markedsfaktoren. Stoffmodellen er bare meningsfull hvis den bygges på residualavkastning.
Kanter for laggede sammenhenger
Hva det er: Par der bevegelsen til én aksje i dag har signifikant korrelasjon med bevegelsen til en annen aksje k dager senere; residual til venstre, rå avkastning til høyre.
Hvilke data den bygger på: L_k(i,j) = corr(ε_i[t], ε_j[t+k]), k = 1..5. p-verdi via Fisher z, deretter kontrolleres den falske oppdagelsesraten ved q = 0,05 med Benjamini–Hochberg.
Hva den viser: Ledende, etterfølgende, lag, korrelasjon og p-verdi; de 15 mest signifikante kantene.
Hva man kan slutte av den: Ligger korrelasjonene rundt 0,1, finnes sammenhengen statistisk, men den er økonomisk svak. Par som gir intuitiv mening (som banker i samme konsern), øker troverdigheten til resultatet.
Granger-kausalitet
Hva det er: En test av om historikken til én aksje bærer informasjon utover en annen aksjes egen historikk.
Hvilke data den bygger på: Bare for par som passerer screeningen for laggede sammenhenger: F-testen av den restriktede og den fulle VAR(p=3)-modellen, etterfulgt av BH-FDR.
Hva den viser: Ledende, etterfølgende, F-verdi og p-verdi.
Hva man kan slutte av den: Er tabellen tom, er lagget kausalitet i disse dataene ikke sterk nok til å passere kontrollen; det er et ærlig og mulig resultat.
Varmeligningen og bølgeligningen
Hva det er: Å tilpasse to fysiske dynamikker på grafen til dataene og sammenligne dem ut av utvalget.
Hvilke data den bygger på: Varmeligningen (x(t+1) = x(t) − a·L·x(t)) og den dempede bølgeligningen på laplacianen til kartgrafen; koeffisientene tilpasses med minste kvadraters metode på de første 70 % av dataene, og feilen måles på de siste 30 %.
Hva den viser: Gjennomsnittlig kvadratfeil ut av utvalget for de to modellene, treffraten for retning, de tilpassede koeffisientene, og hvilken som passer dataene best.
Hva man kan slutte av den: Varme predikerer bare spredning; bølgen predikerer oversving og reversering. Hvilken som vinner, gir en pekepinn om bevegelsen i markedet «sprer seg» eller «svinger»; men er treffraten til begge modellene nær 50 %, er ingen av dem brukbar.
Sparsom VAR(1)-koeffisientmatrise
Hva det er: Et varmekart over matrisen W som knytter residualavkastningen til hver aksje i morgen til residualavkastningene til alle aksjer i dag, og en modellsammenligning.
Hvilke data den bygger på: En egen LASSO for hvert mål i den siste walk-forward-folden; kandidatprediktorer screenes med lag-1-korrelasjon, og λ velges med tidsordnet blokkryssvalidering. Av hensyn til lesbarheten vises høyst 60 aksjer.
Hva den viser: Raden er aksjen som påvirkes, kolonnen aksjen som påvirker; blått er en positiv, rødt en negativ effekt. Under står gjennomsnittlig kvadratfeil for LASSO, ridge og OLS, og antallet koeffisienter forskjellig fra null per mål.
Hva man kan slutte av den: At matrisen er stort sett tom, viser at lagget spredning er sparsom. Er ikke feilen til LASSO klart lavere enn feilen til OLS, kan ikke strukturen som er funnet, skilles fra støy.
Sterkeste ledende
Hva det er: Listen over de fem aksjene som påvirker hver aksje mest.
Hvilke data den bygger på: Rangering etter absoluttverdien til de sparsomme VAR(1)-koeffisientene.
Hva den viser: Hver rad har en ticker og høyst fem ledende aksjer som påvirker residualavkastningen dens i morgen mest, rangert etter størrelsen på koeffisienten.
Hva man kan slutte av den: Finnes det ingen ledende aksje for noen aksje, har LASSO satt alle koeffisientene til null, og det finnes ikke noe lagget spredningssignal i disse dataene.
Investeringsopplysningene, kommentarene og anbefalingene som gis her, faller ikke inn under investeringsrådgivningstjenester. Investeringsrådgivning ytes etter en avtale om investeringsrådgivning som inngås mellom en kunde og meglerhus, porteføljeforvaltningsselskaper eller banker som ikke tar imot innskudd. Signalene her produseres fra historiske data med statistiske modeller, vises likt for alle og er ikke personlig tilpasset; de passer kanskje ikke til din økonomiske situasjon eller til dine preferanser for risiko og avkastning. Å ta investeringsbeslutninger utelukkende på grunnlag av opplysningene som gis her, kan derfor gi resultater som ikke svarer til forventningene dine.