托拜厄斯·旺德;马丁·赫勒;奥利弗·坎普斯 确定标准普尔500指数金融数据市场状态中的主导产业部门。 （英语） Zbl 07759081号 《统计力学杂志》。理论实验。 2023年，第4期，文章ID 043402，21页（2023年）. 摘要：了解和预测金融市场等复杂经济系统中不断变化的市场条件对金融机构和监管机构等各种利益相关者来说至关重要。基于标准普尔500指数股票市场部门关联矩阵的动态可以通过聚类算法用一系列不同的状态来描述的发现，我们尝试识别主导每个状态关联结构的工业部门。为此，我们使用可解释人工智能（XAI）的方法，对1992-2012年标准普尔500指数的每日股市数据，为每个数据点的每个特征分配相关性得分。为了比较特征对整个数据集的重要性，我们开发了一个聚合过程，并应用贝叶斯变化点分析来确定最重要的部门相关性。我们表明，每个状态的相关矩阵仅由少数几个部门相关性支配。特别是能源和IT部门被确定为决定经济状况的关键因素。此外，我们还表明，仅使用八个具有最高XAI相关性的扇区相关性的简化代理模型可以复制90%的集群分配。总的来说，我们的发现意味着金融市场动态的额外维度降低。{©2023作者。由IOP Publishing Ltd代表SISSA Medialab srl出版} MSC公司： 91G70型 统计方法；风险措施 62P05号 统计学在精算科学和金融数学中的应用 关键词：经济物理学;金融;可解释人工智能;群集;市场状态 软件：TensorFlow公司 PDF格式BibTeX公司 XML格式引用 \textit{T.Wand}等人，《统计力学杂志》。理论实验2023，第4期，文章ID 043402，21页（2023；Zbl 07759081） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Abadi，Met al.2015 tensorflow:异构系统上的大规模机器学习www.tensorflow.org [2] 阿罗西，R2022年财务0.1.70https://pypi.org/project/yfinance网站/ [3] 阿什温，P。；Timme，M.，《当不稳定性有意义时》，《自然》，436，36-37（2005）·数字对象标识代码：10.1038/436036b [4] 伯姆·W·。；Hornik，K.，《通过简单拒绝方法生成随机相关矩阵：为什么它不起作用》，Stat.Probab。莱特。，87, 27-30 (2014) ·Zbl 1298.65077号 ·doi:10.1016/j.spl.2013.12.012 [5] 德国联邦金融服务监管局2018Big数据符合人工智能www.BaFin.de/SharedDocs/Downloads/EN/dl_bdai_studie_EN.html [6] Brown，S.J.，《证券收益中的因素数量》，J.Finance，44124762（1989）·doi:10.1111/j.1540-6261.1989.tb02652.x [7] 胆汁，胎儿.2015Kerashttps://github.com/fchollet/keras [8] 剂量，V。；Menzel，A.，气候变化对物候影响的贝叶斯分析，全球。更改生物量。，10, 259-72 (2004) ·数字对象标识代码：10.1111/j.1529-8817.2003.00731.x [9] Fernex，D。；Noack，B.R。；Semaan，R.，基于集群的网络建模——从快照到复杂动态系统，科学。高级，7，eabf5006（2021）·doi:10.1126/sciadv.abf5006 [10] Geron，A.，《使用Scikit-Lean、Keras和Tensorflow进行手工机器学习》（2019年），加利福尼亚州塞巴斯托波尔：O'Reilly Media，加利福尼亚州塞巴斯托波尔 [11] 贾达，L。；Marsili，M.，最大似然数据聚类算法及其应用，Physica A，315，650-64（2002）·Zbl 1001.65013号 ·doi:10.1016/S0378-4371（02）00974-3 [12] 戈兹戈尔，G。；Lau，C.K M。；Lu，Z.，《能源消费与经济增长：来自经合组织国家的新证据》，《能源》，153，27-34（2018）·doi:10.1016/j.energy.2018.03.158 [13] 格拉本，P.B。；Hutt，A.，通过符号动力学检测动力系统的递归域，物理学。修订稿。，110 (2013) ·doi:10.1103/PhysRevLett.110.154101 [14] Grojean，C。；A.保罗。；钱，Z。；Strümke，I.，《从粒子物理中学习可解释机器的教训》，《自然物理学评论》。，4, 284-6 (2022) ·doi:10.1038/s42254-022-00456-0 [15] Heßler，M。；Kamps，O.，《关键转变的贝叶斯在线预测》，《新物理学杂志》。，24 (2022) ·数字对象标识代码：10.1088/1367-2630/ac46d4 [16] 海肯斯，A.J。；Guhr，T.，《在市场关联结构中识别内生金融危机长期前兆的新尝试》，J.Stat.Mech。(2022) ·Zbl 07531149号 ·doi:10.1088/1742-5468/ac59ab [17] 赫肯斯，A.J。；Guhr，T.，《金融协方差和相关性的新集体测量》，《物理学A》，604（2022）·Zbl 07582070号 ·doi:10.1016/j.physa.2022.127704 [18] 海肯斯，A.J。；克劳斯，S.M。；Guhr，T.，《揭示与集体市场运动相关的关联结构动态》，J.Stat.Mech。(2020) ·Zbl 1459.91223号 ·doi:10.1088/1742-5468/abb6e2 [19] 赫特，A。；斯文森，M。；Kruggel，F。；Friedrich，R.，用聚类方法检测时空信号中的不动点，Phys。版本E，61，R4691-3（2000）·doi:10.1103/PhysRevE.61.R4691 [20] Kasperowicz，R.，《电力消耗与经济增长：来自波兰的证据》，J.Int.Stud.，146-57（2014）·doi:10.14254/2071-8330.2014/7-1/4 [21] 考夫曼，J。；Esders，M。；拉夫·L。；蒙塔文，G。；W·萨梅克。；Müller，K-R，《通过神经网络从聚类到聚类解释》，IEEE Trans。神经网络。学习。系统。，1, 1-15 (2022) ·doi:10.1109/TNNLS.2022.3185901 [22] 科普，A。；Bamer，F。；塞尔泽，M。；雀巢公司，B。；Markert，B.，《力学的可解释人工智能：物理解释本构模型的神经网络》，Front。材料。，8, 636 (2022) ·doi:10.3389/fmats.2021.824958 [23] 拉鲁。；西佐，P。；Bouchaud，J-P；Potters，M.，《金融相关性矩阵的噪声修饰》，《物理学》。修订稿。，83, 1467-70 (1999) ·doi:10.1103/PhysRevLett.83.1467 [24] 兰德克，W。；医学博士托穆雷。；贝当古，法学硕士。；米切尔，M。；Kenyon，G.T。；Brumby，S.P.，《解释层次网络的个人分类》，第32-38页（2013年） [25] Lu，W-C，《电力消费与经济增长：来自17个台湾行业的证据》，《可持续发展》，9，50（2017）·doi:10.3390/su9010050 [26] Münnix，M.C。；岛田，T。；Schäfer，R。；Leyvraz，F。；塞利格曼，T.H。；Guhr，T。；Stanley，H.E.，《识别金融市场的状态》，科学。众议员，2644（2012）·doi:10.1038/srep00644 [27] MacQueen，J.，《多元观测分类和分析的一些方法》，第5.1卷，第281-97页（1967年）·Zbl 0214.46201号 [28] Mantegna，R.N.，《金融市场内的相关性程度》，AIP Conf.Proc。，411, 197-202 (1997) ·doi:10.1063/1.54189 [29] Mantegna，R。；Stanley，H.，《经济物理学导论》。《金融的相关性和复杂性》（2000），剑桥：剑桥大学出版社，剑桥·Zbl 1138.91300号 [30] Markowitz，H.，《投资组合选择》，J.Finance，7，77（1952）·doi:10.2307/2975974 [31] Marsili，M.，《金融市场剖析：部门和国家》，Quant。金融，2297-302（2002）·Zbl 1405.91755号 ·doi:10.1088/1469-7688/2/4/305 [32] 马蒂，G。；尼尔森，F。；毕考斯基，M。；Donnat，P.，《金融市场二十年相关性、层次结构、网络和集群的回顾》，《信息几何的进展：理论和应用》，第245-74页（2021年），查姆：斯普林格，查姆·Zbl 1471.91547号 [33] 麦金尼，W。；范德沃尔特，S。；Millman，J.，《Python中统计计算的数据结构》，第56-61页（2010年） [34] Molnar，C.，《可解释机器学习》。《黑匣子模型解释指南》（2022年），慕尼黑：Leanpub，Munich [35] 蒙塔文，G。；粘合剂A。；拉普什金，S。；W·萨梅克。；米勒，K-R；W·萨梅克。；蒙塔文，G。；Vedaldi，A。；汉森，L.K。；Müller，K-R，《分层关联传播：概述》，《可解释人工智能》，《深度学习的解释、解释和可视化》，第193-209页（2019年），查姆：斯普林格，查姆 [36] 蒙塔文，G。；W·萨梅克。；Müller，K-R，解释和理解深层神经网络的方法，数字。信号处理。，73, 1-15 (2018) ·doi:10.1016/j.dsp.2017.10.11 [37] Neubauer，M.S。；Roy，A.，《高能物理的可解释人工智能》（2022） [38] Plerou，V。；Gopikrishnan，P。；罗森诺，B。；洛杉矶阿马拉修女。；Stanley，H.E.，金融时间序列中交叉相关性的普遍性和非均匀性，物理学。修订稿。，83, 1471-4 (1999) ·doi:10.1103/PhysRevLett.83.1471 [39] Reback，Jet al.2022pandas-dev/pandas:熊猫（v1.4.3）https://zenodo.org/record/3509134 [40] Rinn，P。；斯捷潘诺夫，Y。；彭克，J。；Guhr，T。；Schäfer，R.，《准静态系统动力学：以金融为例》，Europhys。莱特。，110 (2015) ·doi:10.1209/0295-5075/110/68003 [41] Rudin，C.，停止解释高风险决策的黑箱机器学习模型，而使用可解释模型，Nat.Mach。智力。，1, 206-15 (2019) ·数字对象标识代码：10.1038/s42256-019-0048-x [42] 标准普尔道琼斯指数2018行业分类www.msci.com/documents/10199/4547797/Reffective+Until+28+2014.xls（访问时间：2022年3月3日） [43] W·萨梅克。；蒙塔文，G。；Vedaldi，A。；Hansen，L.K。；缪勒，K-R，《可解释人工智能》，《深度学习的解释、解释和可视化》（2019年），查姆：斯普林格，查姆 [44] 桑多瓦尔，L.，巴西股市地图，高级综合系统。，15 (2012) ·doi:10.1142/S0219525912500427 [45] 桑多瓦尔，L。；Franca，I.D P.，《危机时期金融市场的相关性》，Physica A，391，187-208（2012）·doi:10.1016/j.physa.2011.07.023 [46] Schäfer，R。；Guhr，T.，局部归一化。《揭示非平稳金融时间序列的相关性》，Physica A，389，3856-65（2010）·doi:10.1016/j.physa.2010.05.030 [47] Shrikumar，A。；格林塞德，P。；昆达杰，A。；Precup，D。；Teh，Y.W.，《通过传播激活差异学习重要特征》，第70卷，第3145-53页（2017年），PMLR [48] 斯捷潘诺夫，Y。；Rinn，P。；Guhr，T。；彭克，J。；Schäfer，R.，《准静态国家的稳定性和等级：以金融市场为例》，J.Stat.Mech。(2015) ·Zbl 1456.62115号 ·doi:10.1088/1742-5468/2015/08/P08011 [49] van den Berg，MKuiper，O2020Xai，金融行业。可解释人工智能（XAI）的概念框架www.internationalhu.com/research/projects/explaninable-AI-in-the-financial-sector [50] 冯·德·林登，W。；剂量，V。；美国冯·图桑，《贝叶斯概率论》。《物理科学应用》（2014），剑桥：剑桥大学出版社，剑桥·Zbl 1358.62008号 [51] 张杰。；巴格尔，S.A。；Lin，Z。；Brandt，J。；沈，X。；Sclaroff，S.，通过激励反向支持实现自上而下的神经注意，国际计算机杂志。愿景，1261084-102（2018）·数字对象标识码：10.1007/s11263-017-1059-x 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。