Графовые методы — мощный инструмент в арсенале количественного инвестора, позволяющий анализировать сложные взаимосвязи.
Рынки — это сети, где активы представляют собой узлы, а связи между ними — ребра графа, которые могут отражать разнообразные метрики: корреляции, объемы торгов или влияние сентиментов.
Обычно самое сложное — стабилизировать результаты анализа и найти тот самый гиперпараметр, например, количество кластеров, и уметь его обосновать. Можно усредниться по наборам данных, сгладить ряды, отфильтровать шум.
🤘 Примеры использования
Корреляционные сети
Один из популярных подходов — построение графов, где узлы — это активы, а ребра отражают степень корреляции между ними. В таких сетях можно выявить группы активов, демонстрирующих схожее поведение на рынке.
# Упрощенный пример
import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt
# Загрузка данных
returns = pd.read_csv("your_data_here.csv")
correlation_matrix = returns.corr()
# Создание графа
G = nx.from_pandas_adjacency(correlation_matrix)
# Визуализация
nx.draw(G, with_labels=True)
plt.show()
Анализ сетей ликвидности
Ликвидность на рынке распределена неравномерно. Графовые методы позволяют определить узловые активы (центры ликвидности), через которые проходит наибольший объем торгов. Такие узлы могут играть ключевую роль в стабильности или волатильности рынка.
Идентификация центральных активов и кластеризация
Важной задачей графового анализа является выявление центральных активов, которые оказывают наибольшее влияние на рынок. Используя метрики центральности (degree, betweenness, closeness), можно определить активы, которые занимают важные позиции в сети.
Анализ цепных реакций
Графы также позволяют анализировать цепные реакции на рынке. Падение одного актива может вызвать каскадное снижение других активов, с которыми он тесно связан. Графовые модели помогают идентифицировать такие потенциальные цепочки.
🫰 Материалы по теме
1. Базовая база с примерами кода по графам. С этого можно начать.
2. Собираем портфель по графу, сравниваем с минволом. Интересное.
3. Собираем интерактивные графы в Plotly. Красивое, можно переиспользовать.
4. Графовые нейронные сети в торговле. Технологичное, но над результатами надо поработать.
Quant Researcher