Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title A network analysis of financial time series data
Organization Unit
Authors
  • Maurice Göldi
Supervisors
  • Daning Hu
Language
  • English
Institution University of Zurich
Faculty Faculty of Economics, Business Administration and Information Technology
Number of Pages 45
Date 2014
Abstract Text The stock market is a highly complex and interconnected system. Another level of complexity is added by the temporal evolution of the market. In this work, historic stock market data gathered from the New York Stock Exchange over a period of over 23 years will be analyzed. Specifically, a correlation analysis of price returns will be used to construct network representations of the market data. To capture the dynamics of the market situation different time window sizes and threshold values are applied to the data. The results show, that one optimal value can not satisfy all needs. A thorough understanding of the parameters is needed to select the appropriate variables for the specific task. Furthermore a novel approach to network formation for correlation networks over long time periods is proposed. This method allows the detection of weak but temporally persistent correlations in stock data, which are filtered out in the conventional method of network formation. This method could in future also provide insight in to other data sets of a dynamic nature.
Zusammenfassung Der Aktienmarkt ist ein komplexes, stark vernetztes System mit vielen Abhängigkeiten. Ein weiterer Grad an Vielschichtigkeit liegt in zeitlichen Dynamik des Systems. In dieser Arbeit werden Aktienmarktdaten des New York Stock Exchange über die letzten 23 Jahre analysiert. Insbesondere wird eine Korrelationsanalyse der Kursrendite dazu verwendet, um eine Netzwerkrepräsentation der Marktdaten zu erstellen. Um die Dynamik der Marktsituation abzubilden werden verschiedene Fenstergrössen und Schwellenwerte auf die Daten angewendet und untersucht. Die Resultate zeigen, dass es nicht eine optimale Einstellung aller Parameter gibt, sondern das viel mehr ein gutes Verständnis dieser notwendig ist, um für eine bestimmte Fragestellung die richtigen Einstellungen zu finden. Ausserdem wird eine neue Art der Netzwerkbildung für Korrelationsnetzwerke über lange Zeiträume eingeführt. Mit dieser Methode können schwache, aber zeitlich beständige Korrelationen in einem Aktiennetzwerk identifiziert werden, die bei der herkömmlichen Netzwerkbildung herausgefiltert werden. Diese Vorgehensweise könnte in Zukunft auch auf andere Datensätze dynamischer Natur anwendbar sein.
PDF File Download
Export BibTeX