DSpace Home
→
Електронні публікації
→
Фізико-математичний факультет
→
Кафедра інформатики та прикладної математики
→
View Item

Visibility graphs and precursors of stock crashes

Соловйов, Володимир Миколайович; Соловйова, Вікторія Володимирівна; Тулякова, А. Ш.

URI: http://elibrary.kdpu.edu.ua/xmlui/handle/123456789/3567
https://doi.org/10.33111/nfmte.2019.003

Date: 2019

Abstract:

Based on the network paradigm of complexity, a systematic analysis of the dynamics of the largest stock markets in the world has been carried out in the work. According to the algorithm of the visibility graph, the daily values of stock indices are converted into a network, the spectral and topological properties of which are sensitive to the critical and crisis phenomena of the studied complex systems. It is shown that some of the spectral and topological characteristics can serve as measures of the complexity of the stock market, and their specific behaviour in the pre-crisis period is used as indicators-precursors of crisis phenomena. The influence of globalization processes on the world stock market is taken into account by calculating the interconnection (multiplex) measures of complexity, which modifies in some way, but does not change the fundamentally predictive possibilities of the proposed indicators-precursors. Виходячи з мережної парадигми складності, у роботі проведено системний аналіз динаміки найбільших фондових ринків світу. За алгоритмом графа видимості щоденні значення фондових індексів перетворено у мережу, спектральні і топологічні властивості якої чутливі до критичних і кризових явищ досліджуваних складних систем. Показано, що деякі із спектральних і топологічних характеристик можуть слугувати мірами складності фондового ринку, а їх специфічна поведінка у передкризовий період використовуватись у якості індикаторів-передвісників кризових явищ. Вплив процесів глобалізації на світовий фондовий ринок враховано шляхом розрахунку міжмережніх (мультиплексних) мір складності, які певним чином модифікують, але не змінюють принципово прогнозних можливостей запропонованих індикаторів-передвісників. В работе проведен системный анализ динамики крупнейших фондовых рынков мира, базируясь на сетевой парадигме сложности. Согласно алгоритму графа видимости ежедневные значения фондовых индексов преобразованы в сеть, спектральные и топологические свойства которой чувствительны к критическим и кризисным явлениям исследуемых сложных систем. Показано, что некоторые из спектральных и топологических характеристик могут служить мерами сложности фондового рынка, а их специфическое поведение в предкризисный период использоваться в качестве индикаторов-предвестников кризисных явлений. Влияние процессов глобализации на мировой фондовый рынок учтено путем расчета межсетевых (мультиплексных) мер сложности, которые определенным образом модифицируют, но не меняют принципиально прогнозных возможностей предложенных индикаторов-предвестников.

Description:

1. The Global Risks Report 2019. World Economic Forum.2019. URL: http://www3.weforum.org/docs/WEF_Global_Risks_Report_2019.pdf. 2. Roubini N., Rosa B. The Makings of a 2020 Recession and Financial Crisis. 2018. URL: https://www.project-syndicate.org/commentary/financialcrisis-in-2020-worse-than-2008-by-nouriel-roubini-and-brunello-rosa-2018- 09?barrier=accesspaylog. 3. Малинецкий Г. Г. Теория самоорганизации. На пороге IV парадигмы. Компьютерные исследования и моделирование. 2013. Т. 5. № 3. С. 315–366. 4. Prigogine I. From Being to Becoming Time and Complexity in the Physical Sciences. New York: W. H. Freeman & Company, 1980. 272 p. 5. Barrat A., Barthelemy M., Vespignani A. Dynamical processes on complex networks. Boston: Cambridge University Press, 2008. 347 p. 6. Cohen R., Havlin S. Complex networks. Structure, robustness and function. New York: Cambridge University Press, 2010. 248 p. 7. Albert R., Barabasi A.-L. Statistical Mechanics of Complex Networks. Reviews of Modern Physics. 2002. Vol. 74. P. 47–97. 8. Newman M., Watts D., Barabási A.-L. The Structure and Dynamics of Networks. Princeton: Princeton University Press, 2006. 456 p. 9. Newman M. E. J. The structure and function of complex networks. SIAM Reviews. 2003. Vol. 45. No. 2. P. 167–256. 10. Boccaletti S., Latora V., Moreno Y., Chavez M., Hwang D.-U. Complex networks: Structure and dynamics. Physics Reports. 2006. Vol. 424. Is. 4–5. P. 175–308. 11. Bianconi G. Interdisciplinary and physics challenges in network theory. Europhysics Letters. 2015. Vol. 111. № 5. P. 1–7. 12. Danilchuk G., Soloviev V. Dynamics of graph spectral entropy in financial crisis. Socio-economic aspects of economics and management. 2015. Vol. 2. P. 227–234. 13. Марш П. Новая промышленная революция. Потребители, глобализация и конец массового производства / Пер. с англ. А. Шоломицкой. – М.: Изд-во Института Гайдара, 2015. 420 с. 14. Соловйов В. М., Соловйова К. В. Кількісні методи оцінки складності в прогнозуванні соціально-економічних систем. Прогнозування соціально-економічних процесів: сучасні підходи та перспективи: монографія / За ред. О. І. Черняка, П. В. Захарченка. Бердянськ: Видавець Ткачук О. В., 2012. 542 с. 15. Соловйов В. М. Мережні міри складності соціальноекономічних систем. Вісник Черкаського університету. Серія «Прикладна математика. Інформатика». 2015. № 38 (371). С. 67–79. 16. Boccaletti S., Bianconi G., Criado R., delGenio C. I., GómezGardeñes J., Romance M., Sendiña-Nadal I., Wang Z., Zanin M. The structure and dynamics of multilayer networks. Physics Reports. 2014. Vol. 544. No. 1. P. 1–122. 17. Donner R. V., Small M., Donges J. F., Marwan N., Zou Y., Xiang R., Kurths J. Recurrence-based time series analysis by means of complex network methods. International Journal of Bifurcation and Chaos. 2011. Vol. 21. No. 4. P. 1019–1046. 18. Соловйов В. М., Тулякова А. Ш. Графодинамічні методи дослідження складності сучасних фондових ринків. Нейро-нечіткі технології моделювання в економіці. 2016. № 5. С. 152–179. 19. Lacasa L., Luque B., Ballesteros F., Luque J., Nuño J.C. From time series to complex networks: The visibility graph. PNAS. 2008. Vol. 105. No. 13. P. 4972–4975. 20. Luque B., Lacasa L. Ballesteros F., Luque J. Horizontal visibility graphs: Exact results for random time series. Physical Review E. 2009. Vol. 80. Iss. 4. P. 1–11. 21. Qian M. C., Jiang Z. Q., Zhou W. X. Universal and nonuniversal allometric scaling behaviors in the visibility graphs of world stock market indices. Journal of Physics A: Mathematical and Theoretical. 2010. Vol. 43. No. 33. P. 1–12. 22. Birch J. L. Modelling Financial Markets using Methods from Network Theory: Thesis degree of Doctor in Philosophy. Liverpool, 2015. 132 p. URL: https://livrepository.liverpool.ac.uk/2028739/1/BirchJen_Aug2015_ 2028739.pdf. 23. Liu F., Wang N., Wei D. Analysis of Chinese Stock Market by Using the Method of Visibility Graph. The Open Cybernetics & Systemics Journal. 2017. Vol. 11. P. 36–43. 24. Yan W., Serooskerken E. T. Forecasting Financial Extremes: A Network Degree Measure of Super-Exponential Growth. PLoSONE. 2015. Vol. 10. No. 9. P. 1–15. 25. Johansen A., Ledoit O., Sornette D. Crashes as critical points. International Journal of Theoretical and Applied Finance. 2000. Vol. 3. No. 2. P. 219–255. 26. Vamvakaris M. D., Pantelous A. A., Zuev K. M. Time series analysis of S&P 500 index: A horizontal visibility graph approach. Physica A. 2018. Vol. 497. P. 41–51. 27. Serafino M., Gabrielli A., Cardarelli G., Cimini G. Statistical validation of financial time series via visibility graph. 2017. URL: arXiv:1710.10980v1. 28. Nicosia V., Lacasa L., Latora V. Network structure of multivariate time series. Scientific Reports. 2015. Vol. 5. P. 1–7. 29. Musmeci N., Nicosia V., Aste T., Di Matteo T., Latora V. The multiplex dependency structure of financial markets. Complexity. 2017. P. 1–13. 30. Bargigli L., di Iasio G., Infante L., Lillo F., Pierobon F. The multiplex structure of interbank networks. Quantitative Finance. 2015. Vol. 15. P. 673–691. 31. Li S., Wen S. Multiplex Networks of the Guarantee Market: Evidence from China. Complexity. 2017. P. 1–7. 32. Stephen C. Dynamic Phase and Group Detection in Pedestrian Crowd Data Using Multiplex Visibility Graphs. Procedia Computer Science. 2015. Vol. 53. No. 1. P. 410–419. 33. Індекси фондових ринків. Yahoo Finance. URL: http://finance.yahoo.com. 34. Soloviev V., Belinskij A. Methods of nonlinear dynamics and the construction of cryptocurrency crisis phenomena precursors. Proceedings of the 14th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer. Kyiv, 2018. Vol. II. P. 116–127.URL: http://ceur-ws.org/Vol2104/paper_175.pdf. 35. Soloviev V., Saptsin V., Chabanenko D. Financial time series prediction with the technology of complex Markov chains. Computer Modelling and New Technologies. 2010. Vol. 14. No. 3. P. 63–67. 36. Soloviev V., Saptsin V., Chabanenko D. Markov Chains application to the financial-economic time series prediction. Computer Modeling and New Technologies. 2011. Vol. 15. No. 3. P. 16–20. URL:arXiv:1111.5254v1. 37. Chatzis S. P., Siakoulis V., Petropoulos A., Stavroulakis E., Vlachogiannakis N. Forecasting stock market crisis events using deep and statistical machine learning techniques. Expert Systems With Applications. 2018. Vol. 112. P. 353–371.

Show full item record