DBSCAN与层次聚类结合的协整检验新方法

1 下载量 183 浏览量 更新于2024-09-03 收藏 604KB PDF 举报
"基于DBSCAN和层次聚类的协整检验方法" 本文主要介绍了一种新的多变量协整检验方法,该方法结合了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法和层次聚类算法,用于在金融市场中识别具有协整关系的股票组合。这种方法由钟明雪和杨建奎提出,并通过沪深300股指期货成分股的数据进行了实证分析。 DBSCAN是一种基于密度的聚类算法,它可以发现任意形状的聚类,并且对异常值有较好的处理能力。在金融领域,它可以帮助识别那些在价格走势上具有相似模式但不完全相同的股票,这些股票可能具有潜在的协整关系。而层次聚类则是一种构建层次结构的聚类方法,可以将对象按照相似性逐步分组,形成一个树状结构,有助于发现不同层级的股票关联。 在实证分析中,研究者选取了2018年第四季度沪深300指数期货成分股的日收盘价数据以及相关股票基本面数据。通过对这些数据应用提出的协整检验方法,他们成功地筛选出17组具有协整关系的股票组合,这表明该方法在实际应用中是有效的。协整关系是指在长期中,尽管股票价格短期内可能会波动,但它们的相对价格保持稳定,这种关系对于实施统计套利策略至关重要。 为了验证方法的稳定性,研究者进行了多次实证分析,结果显示,无论进行多少次实验,最终得到的协整股票组合是一致的,这进一步证实了结合DBSCAN和层次聚类的协整检验方法的稳健性。 关键词涉及的领域包括统计套利、多元协整和聚类算法。统计套利是一种投资策略,依赖于资产间的价格差异,当这些差异回归到正常水平时,投资者可以从中获利。多元协整则是统计学中的概念,用于检测多个非平稳时间序列之间是否存在长期均衡关系。聚类算法在金融领域的应用,如DBSCAN和层次聚类,能够帮助分析师挖掘复杂的市场结构和隐藏的关联性。 这篇首发论文提出了一个创新的金融数据分析工具,结合了两种不同的聚类算法,以更准确地识别股票市场的协整关系,这对于金融市场的研究者和投资者来说具有很高的实用价值。