带耦合时序网络、重要性节点识别及投资组合研究—–以股票市场为例

时序网络可以更好地描述复杂网络中节点拓扑结构的动态演变.考虑到节点在不同时间层的相互影响及多层网络中的层间时序关联耦合关系,本文提出了一种基于向量自回归(VAR)模型的带耦合时序网络,研究网络的构建过程及性质,并将其应用于纳斯达克100、标普500、深证100和上证180四个股票市场的实证分析.结果表明:与已有模型(比如文献[15]及[16])相比,本文提出的带耦合时序网络模型无论在重要性节点识别的分辨率,还是投资组合的内样本及外样本表现上,都具有明显的优势.同时本文还基于重要性节点序列探讨了“外围”股票的确定方法.这些研究可进一步丰富时序网络理论,为金融市场研究提供新的技术工具.