融合市场网络中的熵注入：HSBM–MDL方法对新闻驱动的结构重构进行量化分析

《IEEE Access》：Entropy Injection in Fused Market Networks: HSBM–MDL Quantification of News-Driven Structural Reconfiguration

　　摘要：在金融网络分析中，理解语义信息流动如何重组市场拓扑结构仍然是一个未解决的挑战。以往的研究通常侧重于价格相关性或情绪极性，但很少在一个统一的编码框架内量化市场网络对信息流入的结构响应。我们提出了一种基于融合的方法来衡量具有拓扑意识的信息影响。具体而言，我们根据收益率的协同变动构建了一个价格网络（GP），并根据基于大型语言模型（LLM）的文本嵌入构建了一个语义网络（GN），并将它们整合到一个融合网络（GF）中。利用层次随机块模型（HSBM）和最小描述长度原理，我们估计了GF和GP的结构熵（分别为HF和HP），并定义了信息注入的边际结构成本为ΔH=HF?HP。通过使用2023-2025年的标准普尔100指数成分股进行实证分析，我们发现ΔH始终为正，表明相对于价格主干网络，语义信息流入起到了增加熵的作用。高风险时期（波动性升高的阶段）表现出更大的ΔH值，同时市场结构的层次结构也发生了重组，表现为更深的划分和更细粒度的社区形成，这与市场结构的微观碎片化现象一致。在宏观层面上，高波动性时期的标准化模块度（ZQ）下降，表明行业间的分离性减弱，社区间的耦合增强。最后，基于排列的反事实测试表明，ΔH中观察到的制度分离现象不能归因于随机混合，这支持了信息冲击引发有组织结构重组而非随机无序的解释。总体而言，我们的框架提供了一个基于原理的、具有拓扑意识的连接，将语义信息流动与整个市场的风险状态联系起来。