Transfer Entropy Networks to Rank Influence over Time with Application to the Brazilian Stock Market
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
7404 |
3219,753
|
|
|
7405 |
3219,753
|
Informations:
Pesc publication
A entropia de transferência é uma técnica relativamente recente para medir a transferência de informações ou influência entre dois eventos aleatórios representados por suas séries temporais. No entanto, em muitos cenários, um conjunto de eventos podem se influenciar mutuamente, tanto direta quanto indiretamente. Esta tese propõe uma metodologia para caracterizar a influência em tais cenários através da construção de redes de entropia de transferência (arestas ponderadas, direcionadas) e usando métricas clássicas de centralidade de rede para determinar os nós (eventos) influentes e influenciados mais bem classificados. A metodologia é aplicada ao mercado de ações brasileiro usando 32 anos de dados históricos (cotações diárias das ações) para construir uma única rede, bem como uma sequência de redes ao longo do tempo (a partir de janelas de tempo com sobreposição). Entre as muitas descobertas, a análise estática indica que a influência não está nem moderadamente correlacionada com indicadores financeiros clássicos (por exemplo, volume monetário) e que algumas ações são influentes e influenciadas ao mesmo tempo. Além disso, as ações influentes e influenciadas mais bem classificadas são muito dinâmicas, em contraste com as ações mais bem classificadas de acordo com indicadores financeiros clássicos (por exemplo, volume monetário). Por fim, também é proposto nessa tese um modelo analítico simples para prever a informação mútua entre dois eventos, bem como a entropia de transferência.
Transfer entropy is a relatively recent technique to measure the information transfer or influence between two random events represented by their time series. However, in many scenarios a set of events can mutually influence one another, both directly and indirectly. This thesis proposes a methodology to characterize influence in such scenarios by building transfer entropy networks (weighted, directed) and using classic network centrality metrics to determine top-ranked influential and influenced nodes (events). The methodology is applied to the Brazilian stock market exchange using 32 years of historical data (daily stock prices) to build a single network as well as a sequence of networks over time (from overlapping time windows). Among the many findings, the static analysis indicates that influence is not moderately correlated with classic financial indicators (e.g., stock volume), and that some stocks are both influential and influenced. Moreover, top-ranked influential and influenced stocks are both very dynamic, in contrast to stocks that are top-ranked according to classic financial indicators (e.g., stock volume). Last, a simple analytical model to predict the mutual information between two events as well as the transfer entropy is also proposed.