基于网络嵌入技术的、以投资者需求为导向的金融市场细分方法

《Decision Support Systems》：An investor demand-oriented approach for financial market segmentation based on network embedding techniques

　　摘要：金融市场细分长期以来主要依赖以供给为导向的方法，这些方法侧重企业业务市场，而很少关注以需求为导向的方案，后者注重投资者共同的偏好和行为。本研究通过提出一种以投资者需求为导向的金融市场细分方法来弥补这一不足，该方法包括三个基本阶段：基于投资者共同关注的金融网络构建、利用网络嵌入技术进行网络表示学习，以及在对网络嵌入结果进行聚类。通过在美股市场应用该方法，并在中国股市中进行交叉验证，我们首先证明了该方法能够反映股票间的相似性，因为网络嵌入的相似性与股票间的超额共动性存在显著的正相关关系。随后，我们将股市划分为不同的同类群体，这些群体内部具有显著的共动性。通过与传统的行业分类、基于地理位置的分类、基于文本的分类以及基于搜索集群的投资环境进行比较，全面评估了该方法的实用性和有效性。结果表明，该方法不仅在捕捉群体内部同质性和群体间异质性方面表现更好，而且在预测超额共动性和股票回报方面也优于传统的分类方法。本研究通过拓展这一重要但尚未充分研究的以需求为导向的方法领域，为金融市场细分的设计科学研究做出了贡献。通过系统地揭示投资者的潜在偏好和行为共性，该方法可被整合到自动化决策支持系统中，从而提升金融市场分析的准确性和效率。

引言：在商业研究中，通过将企业划分为同质化群体来概述竞争对手是非常重要的。诸如行业分类之类的市场细分，使研究人员能够聚焦于“科学抽象的类别”[1]，并从群体层面了解企业间的相互关系及竞争格局[2]。特别是在金融市场研究中，识别出同质的股票群体，即同类股票，有助于对公司的估值进行“公平比较”，提高风险和回报分析的准确性，还有助于因子投资和智能贝塔投资[3]，这对于分析师和投资者制定有效的投资决策至关重要。现有的方法主要依赖于传统的基于规则的静态行业分类体系，如标准行业分类法（SIC）和北美行业分类系统（NAICS），这类方法因缺乏时效性且容易误分类而常常受到批评[4]。还有一些方法则采用基于文本的技术，从企业年度报告或10-K文件中的业务描述中提取行业层面的洞察，这些方法侧重于企业快速变化的商业模式（例如[5]、[6]、[7]）。然而，以往的细分方法本质上仍属于供给导向，因为它们侧重于核心产品或服务[1]、[8]，缺乏关注投资者需求变化的需求导向视角。由于以下重要原因，这一缺陷依然明显。首先，基于供给的金融市场细分可能导致“一刀切”的做法，无法满足投资者复杂多样的需求。相比之下，以需求为导向的方法将投资者共同的偏好和行为特征作为核心考量[1]，这有助于更深入地理解投资者的行为模式，从而更好地解释诸如股价形成和同步性等重要的市场现象。其次，与以产品或业务市场为中心的供给导向方案不同，需求导向视角着眼于企业在争夺投资者有限资源（如有限的认知和信息处理能力）过程中的同类竞争者，因此可作为现有供给导向方法的必要补充。第三，与传统供给导向方法相比，以需求为导向的方法更能捕捉快速变化的金融市场动态，因为投资者会表现出动态的风格偏好[9]，这有助于分析师和资产管理者更有效地识别市场趋势和潜在风险，如价格泡沫或资金匮乏的板块。这些差异凸显了研究金融市场细分的需求导向方法的必要性和重要性，它通过实现更精准的同类分析并制定更有效的投资策略，有助于金融决策的制定。

因此，本研究试图提出一种新的以投资者需求为导向的细分方法。遵循设计科学范式，我们采用基于核理论的设计方法，开发了一种三阶段方法，将股市划分为同质化群体，这些群体的定义是其在投资者对股票的共同关注网络中具有结构上的等价性。在第一阶段，我们利用来自大型投资门户网站的投资者对股票的共同关注数据来构建共同关注网络，旨在捕捉不同股票之间相互关联的投资者信息需求。第二阶段旨在衡量网络中每对股票之间的同质性程度。我们通过使用网络嵌入技术将原始的关系型网络转换为基于相似性的网络，从而学习所有股票的向量表示，以此实现这一目标。在第三阶段，我们运用K均值和谱聚类等聚类算法，将股票划分成不同的非重叠簇。为了验证所设计的这种方法，我们收集了2019年9月至2022年2月期间雅虎财经上关于罗素3000指数股票的投资者共同关注记录，共建立了30个股票网络，这些网络每月都能反映投资者需求结构的动态变化。我们采用了LINE [10]、DeepWalk [11]、RWR-GAE [12]和MAGI [13]等网络嵌入方法来学习股票的节点嵌入，然后利用节点嵌入之间的余弦相似度和欧几里得距离来衡量每个网络中股票对之间的相似性。我们遵循设计科学的研究原则[14]，对该方法进行了系列评估。首先，为了证明基于我们方法的股票同质性的微观基础，我们通过展示股票对之间的网络嵌入相似性与股票对之间的超额共动性存在显著的正相关关系，证明了使用基于网络嵌入的相似性来衡量股票同质性是合理且恰当的。其次，我们通过证明属于同一簇的股票即使在考虑了其他影响共动性的因素后仍表现出显著的回报共动性，来评估群体内部的同质性。此外，我们还评估了该方法在捕捉企业特征方面的群体内部异质性能力，结果表明所形成的簇并非已知投资类别的变体。同时，我们也验证了该方法在捕捉群体间差异和相关性方面的能力，进一步证明了该方法的有效性。最后，我们还将该方法与传统的行业分类、基于地理位置的分类以及基于文本的分类[5]进行了明确比较。结果表明，我们的方法在捕捉群体内部同质性方面优于现有方法。我们还进行了各种额外的分析，以检验评估结果的一致性，这些分析为该方法的有效性和稳健性提供了支持。我们还在中国股市重复进行了整个设计过程，以证明所设计方法的普适性和实用性。

本研究有多方面的贡献。首先，我们通过提出一种以投资者需求为导向的细分方法，为金融市场细分的设