گونه شناسی شبکه های مالی بر اساس ویژگی های مکان شناختی آن ها (مطالعه ای در بورس اوراق ‏بهادار تهران)‏

مهندسی مالی و مدیریت اوراق بهادار

مقاله 14، دوره 11، شماره 45، دی 1399، صفحه 319-342   

نوع مقاله: مقاله پژوهشی

نویسندگان

مجید منتشری¹؛ حجت الله صادقی^{* 2}

¹گروه حسابداری و مالی، دانشکده مدیریت ، دانشگاه یزد، یزد، ایران

²گروه حسابداری و مالی، دانشکده مدیریت، دانشگاه یزد، یزد، ایران.

چکیده

هدف این ‏پژوهش ایجاد و معرفی یک شبکه مالی جدید و بررسی معیارهای مرکزیت سهام برای بهینه سازی ‏سبد سهام سرمایه گذاران و همچنین شناسایی رهبران بازار سهام می باشد. در این پژوهش 100 ‏شرکت برتر بورس اوراق بهادار که دارای بیشترین سرمایه ثبت شده اند در بازه زمانی دی ماه 1388 تا ‏دی ماه 1398 انتخاب شدند. شبکه مالی با استفاده از قیمت پایانی تعدیل شده به بازده لگاریتمی ‏تبدیل و ضریب همبستگی پیرسون بازده های سهام محاسبه گردید. از مفاهیم تئوری گراف و الگوریتم ‏پریم برای کشف روابط و فاصله های موجود بین سهام برای ساخت حداقل درخت پویا استفاده گردید. ‏نتایج نشان داد بر اساس معیار مرکزیت درجه، سهام مخابرات ایران و بانک آینده، بر اساس معیار ‏مرکزیت نزدیکی، سهام سرمایه گذاری بهمن، تامین سرمایه امید و بانک گردشگری، بر اساس معیار ‏مرکزیت بینابینی، سهام تامین سرمایه امید، سرمایه گذاری بهمن و بیمه آسیا و بر اساس معیار ‏مرکزیت تنگنا، سهام بیمه آسیا، بانک گردشگری و تامین سرمایه امید بیشترین تاثیر را بر شبکه مالی ‏و بازار سهام دارند. همچنین در نهایت شبکه مالی به 9 خوشه تقسیم شد که هر خوشه نشان دهنده ‏ارتباط قوی تر اجزای آن با یکدیگر می باشد. ‏

کلیدواژه‌ها

شبکه مالی؛ حداقل درخت پویا؛ معیارهای مرکزیت ‏

مراجع

 

منابع

1, Gan, S. L., & Djauhari, M. A. (2015). New York Stock Exchange performance: evidence from the forest of multidimensional minimum spanning trees. Journal of Statistical Mechanics: Theory and Experiment, 2015(12), P12005.

2, Coletti, P. (2016). Comparing minimum spanning trees of the Italian stock market using returns and volumes. Physica A: Statistical Mechanics and its Applications, 463, 246-261.

3, Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.

4, Fama,E. F., & French, K. R.(1997). Industry costs of equity.Journal of financial economics, 43(2), 153-193.

5, Mantegna, R. N. (1999). Hierarchical structure in financial markets. The European Physical Journal ‎B-Condensed Matter and Complex Systems, 11(1), 193-197.‎

6, Bonanno, G., Caldarelli, G., Lillo, F., Micciche, S., Vandewalle, N., & Mantegna, R. N. (2004). ‎Networks of equities in financial markets. The European Physical Journal B, 38(2), 363-371.‎

7, Tumminello, M., Lillo, F., & Mantegna, R. N. (2010). Correlation, hierarchies, and networks in financial markets. Journal of Economic Behavior & Organization, 75(1), 40-58.

8, Graham, R. L., & Hell, P. (1985). On the history of the minimum spanning tree problem. Annals of the History of Computing, 7(1), 43-57.

9, Al-Taie, M. Z., & Kadry, S. (2017). Python for graph and network analysis (pp. 1-184). Cham: Springer International Publishing.

10, Gower, J. C., & Ross, G. J. (1969). Minimum spanning trees and single linkage cluster ‎analysis. Journal of the Royal Statistical Society: Series C (Applied Statistics), 18(1), 54-64.‎

11. Majapa, M., & Gossel, S. J. (2016). Topology of the South African stock market network across the ‎‎2008 financial crisis. Physica A: Statistical Mechanics and its Applications, 445, 35-47.‎
12. 12. Li, Y., Jiang, X. F., Tian, Y., Li, S. P., & Zheng, B. (2019). Portfolio optimization based on network topology. Physica a-Statistical Mechanics and Its Applications, 515, 671-681. doi:10.1016/j.physa.2018.10.014
13. 13. Khoojine, A. S., & Han, D. (2019). Network analysis of the Chinese stock market during the ‎turbulence of 2015-2016 using log-returns, volumes and mutual information. Physica a-‎Statistical Mechanics and Its Applications, 523, 1091-1109. doi:10.1016/j.physa.2019.04.128‎.
14. 14. Wegner, D. L. B. (2019). A note on liquidity policies and financial networks. Journal of Financial ‎Economic Policy, 11(3), 451-456. doi:10.1108/jfep-10-2018-0148.‎
15. 15. Inekwe, J. N., Jin, Y., & Valenzuela, M. R. (2018). Global financial network and liquidity risk. ‎Australian Journal of Management, 43(4), 593-613. doi:10.1177/0312896218766219‎
16. 16. Eng-Uthaiwat, H. (2018). Stock market return predictability: Does network topology matter? Review of ‎Quantitative Finance and Accounting, 51(2), 433-460. doi:10.1007/s11156-017-0676-3‎
17. 17. Brida, J. G., Matesanz, D., & Seijas, M. N. (2016). Network analysis of returns and volume trading ‎in stock markets: The Euro Stoxx case. Physica A: Statistical Mechanics and its ‎Applications, 444, 751-764.‎
18. 18. Wang, Y., Li, H., Guan, J., & Liu, N. (2019). Similarities between stock price correlation networks and co-main product networks: Threshold scenarios. Physica A: Statistical Mechanics and its Applications, 516, 66-77.
19. 19. Iori, G., & Mantegna, R. N. (2018). Empirical analyses of networks in finance. In Handbook of Computational Economics (Vol. 4, pp. 637-685). Elsevier.
20. 20. Tumminello, M., Coronnello, C., Lillo, F., Micciche, S., & Mantegna, R. N. (2007). Spanning trees and bootstrap reliability estimation in correlation-based networks. International Journal of Bifurcation and Chaos, 17(07), 2319-2329.
21. 21. Brida, J. G., & Risso, W. A. (2009). Dynamic and Structure of the Italian Stock Market based on returns and volume trading. Economics Bulletin, 29(3), 2420-2426.
22. 22. Newman, M. (2018). Networks. Oxford university press.
23. 23. Rochat, Y. (2009). Closeness centrality extended to unconnected graphs: The harmonic centrality index (No. CONF).
24. 24. Cheng, B. (2006). Using social network analysis to investigate potential bias in editorial peer review ‎in core journals of comparative/international education.‎
25. 25. Scott, J. (2000). Social network analysis: A handbook. 2nd edn sage publications.‎
26. Dangalchev, C. (2006). Residual closeness in networks. Physica A: Statistical Mechanics and its ‎Applications, 365(2), 556-564.‎