Stock co-jump networks
股票共同跳跃网络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。
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：摘要使用股票高频数据构建共同跳跃网络，并明确考察收益预测用途，直接支持金融高频计量与收益预测分类。
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…
股票共同跳跃网络
- 研究问题
- 如何用网络模型描述股票共同跳跃依赖、识别其社群，并考察市场是否跳跃时的网络差异及其收益预测用途？
- 方法与思路
- 作者提出含依赖多元 Poisson 边的度修正块模型，扩展 SCORE 谱聚类算法，并用标普 500 成分股高频数据构建网络。
- 材料陈述的贡献
- 摘要称 SCORE-DMP 的社群识别具有强一致性；实证网络社群特征不同于 GICS 行业分类，并对股票收益预测有帮助。
- 阅读关注点
- 应核对共同跳跃检测、网络边和依赖结构定义、强一致性条件，以及市场跳跃分类和预测评价是否避免前视信息。
- 阅读边界
- 所给出版社摘要未说明检测误差、社群识别条件或预测增益数值；网络相关性不能直接视为因果传播或系统性风险。
原文摘要
We propose a Degree-Corrected Block Model with Dependent Multivariate Poisson edges (DCBM-DMP) to study stock co-jump dependence. To estimate the community structure, we extend the SCORE algorithm in Jin (2015) and develop a Spectral Clustering On Ratios-of-Eigenvectors for networks with Dependent Multivariate Poisson edges (SCORE-DMP) algorithm. We prove that SCORE-DMP enjoys strong consistency in community detection. Empirically, using high-frequency data of S&P 500 constituents, we construct two co-jump networks according to whether the market jumps and find that they exhibit different community features than GICS. We further show that the co-jump networks help in stock return prediction.