我们使用随机矩阵理论（RMT）的方法分析了不同股票价格波动之间的相互关系。我们使用两个大型数据库计算互相关矩阵C类收益率的计算依据为：（i）1994年至1995年2年期间1000支美国股票的30分钟收益率，（ii）1996年至1997年2年内881支美国股票30分钟收益，以及（iii）1962年至1996年35年期间422支美国股票1天收益率。我们测试特征值的统计信息${\mathrm{<trans\; data-src="\lambda ">\lambda </trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}}$属于C类针对“零假设”（由互不相关的时间序列构造的随机相关矩阵）。我们发现C类在RMT范围内$<trans\; data-src="[">[</trans>{\mathrm{<trans\; data-src="\lambda ">\lambda </trans>}}_{\mathrm{<trans\; data-src="-">-</trans>}}<trans\; data-src=",">,</trans>{\mathrm{<trans\; data-src="\lambda ">\lambda </trans>}}_{<trans\; data-src="+">+</trans>}<trans\; data-src="]">]</trans>$随机相关矩阵的特征值。我们测试C类在随机矩阵的普遍性质的RMT界内，发现与随机矩阵的高斯正交系综的结果很好地一致，这表明测量的互相关系数具有很大的随机性。此外，我们发现与RMT界外的特征值相对应的特征向量的特征向量分量的分布与RMT预测存在系统偏差。此外，我们发现这些“偏离特征向量”在时间上是稳定的。我们分析了偏离特征向量的分量，发现最大特征值对应于所有股票的共同影响。我们对其余偏离特征向量的分析显示了不同的组，其身份对应于传统确定的商业部门。最后，我们讨论了在构建风险回报率稳定的股票投资组合中的应用。

• 收到日期：2001年8月1日

内政部：https://doi.org/10.103/PhysRevE.65.066126