本文基于结构平衡理论、随机矩阵理论和三元组极化指标,研究2010—2024年S&P 500签名金融网络中结构失衡的部门来源。结果表明,系统性风险期间的全球极化下降主要源于部门之间的负相关与冲突,而非部门内部失衡;COVID-19危机期间部门内负边和失衡程度明显高于2008年全球金融危机。进一步的置换检验、拓扑保持随机模型和宏观回归表明,该结构特征具有统计显著性,全球供应链压力与通胀不确定性共同解释了约68.2%的全球极化变动。
报告标题:《Sectoral inter-dependencies drive the loss of structural balance in signed financial networks》(部门间相互依赖推动带符号金融网络结构平衡的丧失)。
作者:Kartik Dahake、Abhijit Chakraborty。
机构:印度科学教育与研究学院蒂鲁帕蒂分校物理系、人文与社会科学系,以及日本理化学研究所跨学科理论与数学科学项目。
研究主题:以S&P 500成分股为对象,利用结构平衡理论、随机矩阵理论(RMT)、带符号网络和极化指标,分析金融市场在稳定期与系统性危机期间的结构失衡来源。报告没有传统意义上的股票评级、目标价或投资建议,其核心是金融网络结构与系统性风险的学术研究。
报告的中心论点是:市场整体结构平衡的丧失,主要不是由同一行业内部的冲突引起,而是由行业之间的负相关、相互不兼容和跨行业三元关系积累所导致。在COVID-19危机期间,行业内部大体仍然保持高度协调,但行业边界上的冲突显著增加,从而造成全市场极化程度下降和结构失衡。
报告将股票市场建模为带符号网络:股票之间的正相关代表价格趋同或协同行动,负相关代表反向运动或冲突。三只股票构成一个三元组,可能形成四种符号组合:
+++:三个关系均为正;+--:一个正关系、两个负关系;++-:两个正关系、一个负关系;---:三个关系均为负。如果一个三元组含有偶数条负边,即+++或+--,则被视为平衡三元组;如果含有奇数条负边,即++-或---,则属于失衡或受挫三元组。其直观含义是:在一个稳定的分群结构中,同一群体内部应当偏正相关,不同群体之间则可以形成较稳定的负相关关系;但如果一个三元组同时包含互相矛盾的正负关系,就会产生结构张力。
图1解读:图中蓝色边为正相关,洋红色边为负相关。左侧两类三元组被归为平衡,右侧两类被归为失衡。该图是全文方法论的基础,因为后续的全球极化、行业内极化和行业间极化,本质上都是对这些三元关系中平衡与失衡比例的统计。
报告将这种思想从心理学和社会网络延伸到金融市场,并进一步联系到自旋玻璃和能量景观概念。市场在稳定期可以处于低能量、近似有序状态;系统性冲击期间则可能陷入局部极小值或“拥塞状态”,即网络无法通过少量边的改变迅速恢复整体协调。
既有研究已经表明,系统性危机期间金融网络会出现更多受挫三元组,但没有充分回答这些失衡究竟集中于何种尺度。本文试图区分:
主样本使用Yahoo Finance的S&P 500日度复权收盘价,覆盖2010年1月4日至2024年12月30日。研究选取在整个期间持续存在、缺失观测不超过25个的股票,最终得到426只股票。行业分类采用GICS,但采用静态行业映射,以避免行业分类变动干扰时间序列比较。
全样本被划分为56个重叠窗口,每个窗口252个交易日,即约一年;相邻窗口重叠63个交易日。研究者认为252日窗口在稳定性与状态识别之间具有折中作用:窗口太短会增加噪声,窗口太长则可能掩盖危机期间的结构转变。缺失价格采用前向填充,序列起点缺失则使用后向填充。
此外,研究采用2005—2015年S&P 500数据作为独立稳健性检验样本,最终保留392只股票并构建40个重叠窗口,以检验结论是否同样适用于2008年全球金融危机。
价格首先转换为对数收益率:
[ R_i(t)=\ln[p_i(t+\Delta t)/p_i(t)] ]
其中日度数据令(\Delta t=1)。随后根据各股票的波动率对收益率进行标准化,从而避免不同价格尺度和波动水平对相关系数造成干扰。
研究构建股票收益率的等时交叉相关矩阵,并利用Marchenko–Pastur(MP)理论判断哪些特征值代表随机噪声,哪些代表真实市场结构。MP理论描述了独立随机收益率构成的相关矩阵的特征值分布;落在MP上界以内的特征值通常视为噪声,而显著高于上界的特征值则可能对应市场共同因子或行业群组因子。
本研究的特殊之处在于(T=252<N=426),即样本长度小于股票数量,相关矩阵属于奇异的反Wishart情形,理论上有(N-T)个零特征值。作者认为,虽然存在零特征值,但非零特征值的分布仍可通过交换N与T的方式与Wishart结构联系,因此MP上界仍然可以用于识别有效特征模态。
相关矩阵被分解为三部分:
研究随后使用群组相关矩阵构建带符号网络,使全球市场共同波动与随机噪声不再主导行业间关系。
研究根据随机相关矩阵的均值和标准差进行阈值处理,只保留统计上显著的正负连接。极化指标定义为:
[ P=\frac{N_+-N_-}{N_++N_-} ]
其中(N_+)为平衡三元组数,(N_-)为失衡三元组数。该指标范围为[-1,1]:
相比直接统计失衡三元组,极化指标进行了网络密度标准化,因此能够避免不同时间窗口网络连接数量变化带来的机械偏差。
作者分别计算:
进一步地,全球极化被写成行业内和行业间极化的加权和:
[ P_G=W_G^{\text{intra}}P_G^{\text{intra}} +W_G^{\text{inter}}P_G^{\text{inter}} ]
这使得全球指标不仅能告诉我们“市场是否失衡”,还能够回答“失衡主要来自网络的哪一部分”。
图2展示了COVID-19危机阶段一个窗口的经验特征值谱、MP理论分布以及随机化相关矩阵谱。该窗口为2021年4月9日至2022年4月6日,(T/N=0.59)。图中最大特征值约为127.21,而MP上界为5.302,前者约为后者的24倍,说明存在极强的市场共同模态。
经验谱的大部分部分与MP曲线和随机化矩阵的谱高度重合,说明大多数特征值可解释为有限样本噪声。随机化试验进行了10,000次,虽然偶有特征值略微超过MP上界,但没有出现与经验数据中最大特征值相当的显著离群值。因此,作者认为超过MP上界的经验特征值具有真实金融含义,而不是样本长度造成的假象。
图3(a)显示最大特征向量的各股票分量几乎同号且较为均匀,说明最大特征值对应全市场模态,即各行业股票共同响应宏观信息。作者用逆参与率(IPR)进一步衡量其是否集中于少数股票。完全分散情况下,(IPR=1/N=0.00235),实际平均值为0.00280±0.00029,二者非常接近,表明市场模态在426只股票之间高度分散。
图3(b)显示第二大特征向量具有明显正负分化,不同行业的分量符号不同。例如能源和科技与医疗保健、公共事业等行业呈现相反方向。这种符号相反被解释为行业间反向运动,是后续负边和跨行业结构失衡的来源。需要注意的是,特征向量符号本身存在整体翻转的不确定性,但相对符号关系仍然有解释价值。
图4(a)显示平衡三元组数量长期显著高于失衡三元组。2010年以后,行业间平衡三元组通常多于行业内平衡三元组,但早期窗口曾出现相反情况。图4(b)显示失衡三元组在2014年第三季度以前几乎不存在,随后行业间失衡逐渐增加,并在COVID-19期间明显升高。
最重要的发现是,COVID-19期间行业内失衡三元组也明显出现并持续到危机后的恢复阶段,而在2008年全球金融危机期间则没有观察到行业内失衡三元组。这表明两次危机的网络拓扑并不相同:2008年危机更像是行业之间的系统性冲击,而COVID-19由于封锁政策对同一行业内不同商业模式产生了差异化影响,导致行业内部也出现了负相关。
图5分别展示11个GICS行业的(P_{\text{intra}})及对应行业指数。大多数行业在绝大多数时期维持接近1的极化水平,意味着行业内部几乎不存在受挫三元组。即使行业指数大幅下跌,只要行业内股票同步下跌,其收益相关性仍可能为正,因此行业内部依旧形成平衡结构。
较明显的例外包括房地产、工业、非必需消费品和必需消费品。房地产在2020年末至2021年末的行业内极化显著下降,作者将其与疫情对商业地产、酒店、零售地产和工业地产的不同影响联系起来。该解释具有经济直觉:封锁重创酒店和零售物业,但工业生产类物业受到的冲击相对不同。
房地产和通信服务行业在图中存在数据起点差异,原因是二者分别在2016年和2018年以后才作为独立GICS行业存在,因此早期缺少相应行业指数或行业内三元组。图中缺失的极化值不应直接解释为极化下降,而是表示该时间窗口没有形成足够三元组,指标在数学上未定义。
图6(a)展示房地产—通信服务组合。2016年末至2017年末,该组合的行业间极化最低达到0.69;COVID-19阶段则下降至约0.86。图6(b)展示医疗保健—能源组合,其在2022年至2023年初的极化最低达到0.77。
作者进一步分析导致失衡的股票对,并使用控制S&P 500整体市场因素后的偏相关系数,以排除单纯市场共同波动的影响:
补充表S1—S3进一步给出了每个组合前五个高频负边及其形成的三元组构成。房地产—通信服务组合在2016—2017年包含136个+++、29个++-和27个+--三元组,没有---三元组;这说明其失衡主要由++-而非全负三元组造成。能源—医疗保健组合则包含483个+++、153个++-、796个+--和7个---,其结构更复杂,但负边仍集中在行业边界。
这些例子对应的经济解释包括:2017年电子商务扩张和“零售末日”压制传统零售房地产,却利好数字平台;疫情后现场娱乐复苏而自助仓储REIT表现相对不同;俄乌冲突期间能源和制药行业受到不同方向的供给与价格冲击。
图7表明,2010—2015年(P_G)基本等于1,市场处于高度结构平衡状态。2015年后,极化出现小幅波动,与2015—2016年股市抛售、2018年“Volmageddon”和2019年回购市场危机等事件大致对应。COVID-19期间(P_G)出现全样本中最明显的下降,最低约为0.944,随后逐渐恢复。
图中的S&P 500指数总体长期上升,但指数上涨并不意味着网络结构一定平衡;反之,指数下跌期间如果股票同步运动,也可能形成较高的行业内平衡。因此,(P_G)捕捉的是相关结构与符号拓扑,而不是简单的价格涨跌方向。
图8(a)是全文最直接的证据之一:全球行业间极化曲线几乎与全球极化曲线重合,而全球行业内极化长期接近1。这意味着全球失衡主要由行业间部分解释。图8(b)显示早期阶段行业内三元组权重较高,但此后行业间三元组占比长期超过行业内三元组,且两者权重始终加总为1。
因此,作者并非仅凭行业内失衡数量较少就得出结论,而是利用极化水平和三元组权重进行加权分解。该方法能区分“某一部分失衡程度高”与“该部分在全网络中的规模大”这两个不同因素。
研究使用两类零模型:
每个窗口生成1,000个随机网络,并计算:
[ z=\frac{P_{\text{emp}}-\langle P_{\text{rand}}\rangle}{\sigma(P_{\text{rand}})} ]
图9显示,在两种零模型下,全球、行业内和行业间极化的z分数总体都显著高于3。传统重连模型下,行业间与全球极化在COVID-19期间达到数百量级;STP模型下仍保持高度显著。说明观察到的结构不是简单由网络密度或节点度数造成,而具有真实的拓扑约束。
不过,z分数极高也意味着经验网络与零模型存在巨大结构差异,并不直接等于结构平衡“越高越好”,而是说明经验极化状态与随机基准显著不同。对金融风险而言,危机期间的关键不是极化指标是否显著,而是其相对于自身历史水平是否下降。
2005—2015年独立样本显示,2008年危机期间行业间失衡三元组明显增加,但行业内失衡三元组仍然缺失。补充图S2也显示各行业内部极化大多维持在接近1的水平。
补充图S4显示,2008年危机初期全球极化由约1下降至约0.993,随后伴随危机缓解而恢复。与COVID-19相比,2008年全球极化下降幅度较小,且危机之后较快恢复。补充图S3显示,2008年行业间极化虽受冲击,但整体波动不如COVID-19期间剧烈。
图11进一步量化了两次危机的差异。COVID-19期间行业内负边密度约为2%—8%,而2008年危机最高仅约0.5%。基于两次危机各7个峰值的精确置换检验,单侧p值为(2.9\times10^{-4}),支持两次危机具有不同的行业内网络拓扑。
作者据此提出:2008年全球金融危机主要是经济体系内部金融和杠杆失衡的内生冲击,行业间联系遭到破坏;COVID-19则是外生的公共卫生与政策冲击,同一行业内部不同企业受到封锁、消费方式变化和供应链阻断的影响并不一致,因此更容易产生行业内负边。
作者选取两个宏观变量:
图10显示二者与全球极化均呈负相关。GSCPI最大值与(P_G)的相关系数为-0.73,p值为(1.59\times10^{-10});CPI标准差与(P_G)的相关系数为-0.82,p值为(1.90\times10^{-14})。
OLS回归使用标准化解释变量,并采用异方差与自相关稳健标准误,以处理重叠窗口带来的序列相关。模型的(R^2=0.682),调整后(R^2=0.670),意味着约68.2%的全球极化变化可由供应链压力峰值和通胀不确定性共同解释;整体F统计量为22.49,p值为(8.49\times10^{-8}),两个解释变量系数均为负且在5%水平显著。
表1还报告VIF均为4.09,低于通常采用的5阈值,因此作者认为不存在严重多重共线性。不过,提供的原文未展示表1中具体的回归截距、各变量系数、标准误和t值,因此只能确认方向、显著性和整体拟合度,无法进一步判断两个变量在标准化单位下的相对边际影响。
需要谨慎的是,该回归揭示的是统计关联而非严格因果关系。供应链压力、通胀不确定性、疫情政策、能源价格和市场波动可能同时受共同冲击影响,因此“供应链压力导致结构失衡”的因果结论仍需更强的识别设计支持。
静态行业分类存在简化。作者固定GICS行业映射有利于纵向比较,但忽略了公司业务结构、行业归属和产业链位置随时间变化的事实,尤其是通信服务和房地产行业的分类变迁可能影响跨期比较。
窗口重叠会增加有效样本相关性。56个窗口之间有63天重叠,因此观测并非独立。作者在回归中使用HAC标准误是合理的,但图表中极化曲线的连续性也部分来自技术性重叠,而不完全是经济状态的持续性。
缺失数据填充可能影响相关性。前向填充将缺失期间收益率近似为零,可能降低波动并影响相关矩阵;虽然缺失股票已经经过筛选,但该处理仍应被视为潜在测量偏差来源。
极化指标依赖阈值和三元组选择。RMT过滤、随机阈值以及只使用闭合三元组都会影响网络密度和符号结构。作者通过两类零模型和2008年样本增强了稳健性,但仍未展示不同窗口长度、不同阈值或不同相关度量下的完整敏感性分析。
经济解释部分存在推断成分。例如GOOGL与零售REIT之间的负相关被联系到“零售末日”,能源与医疗保健之间的负相关被联系到俄乌冲突,这些解释在时间和行业逻辑上具有合理性,但报告没有进行事件研究或因果检验,因此更适合表述为可能机制,而非确定原因。
这份报告建立了一条较完整的分析链条:先利用RMT从相关矩阵中滤除随机噪声和全市场共同因子,再将剩余群组结构转化为带符号网络,最后通过平衡三元组、失衡三元组和极化指标,识别结构性风险在行业内与行业间的分布。
最重要的实证发现包括:
总体而言,作者的立场是:系统性金融风险并非只是个别公司或单一行业的局部问题,而是行业之间相互依赖、相互冲突的累积结果。当供应链压力、通胀不确定性或其他宏观冲击改变行业间相对表现时,局部负相关会通过跨行业三元关系扩散,最终表现为全市场结构平衡的下降。该框架具有跨市场推广潜力,但其预测性、因果性以及在实时风险预警中的实用价值,仍需通过更多市场、更多危机样本和更严格的稳健性检验加以验证。
2608.12023.pdf