Lead-lag detection and network clustering for multivariate time series with an application to the US equity market
多变量时间序列的领先—滞后检测与网络聚类：美国股票市场应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究多变量时间序列领先—滞后结构，并明确构造股票市场预测信号。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
多变量时间序列的领先—滞后检测与网络聚类：美国股票市场应用
- 研究问题
- 如何从多变量时间序列中识别成组的领先与滞后关系，并判断美国股票市场中的这些群组能否提供预测信号？
- 方法与思路
- 作者将两两领先—滞后关系表示为有向网络，组合不同关系度量与网络聚类方法，并在合成序列和美国日度股价中验证。
- 材料陈述的贡献
- 摘要称该框架检出统计显著的美国股票领先—滞后群组，讨论其金融解释，并展示利用这些群组构造预测信号。
- 阅读关注点
- 应核对领先—滞后度量及聚类选择、显著性检验和多重比较处理，以及预测信号是否经过独立样本或滚动窗口验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告预测效果或检验细节，领先关系也不直接代表因果关系。
原文摘要
In multivariate time series systems, it has been observed that certain groups of variables partially lead the evolution of the system, while other variables follow this evolution with a time delay; the result is a lead-lag structure amongst the time series variables. In this paper, we propose a method for the detection of lead-lag clusters of time series in multivariate systems. We demonstrate that the web of pairwise lead-lag relationships between time series can be helpfully construed as a directed network, for which there exist suitable algorithms for the detection of pairs of lead-lag clusters with high pairwise imbalance. Within our framework, we consider a number of choices for the pairwise lead-lag metric and directed network clustering components. Our framework is validated on both a synthetic generative model for multivariate lead-lag time series systems and daily real-world US equity prices data. We showcase that our method is able to detect statistically significant lead-lag clusters in the US equity market. We study the nature of these clusters in the context of the empirical finance literature on lead-lag relations and demonstrate how these can be used for the construction of predictive financial signals.