meta-flowflow-imbalancelead-lagnetwork-visualizationstub

Meta-Flow Graph

Definition. 把有向加权网络 G = (V, E, A) 的节点按聚类结果 C_1, \ldots, C_k 合并, 把每对 cluster 间的总净流作为"超图"的边权, 形成 k 个节点的 meta-flow 矩阵 F \in \mathbb{R}^{k \times k}: F_{ab} = \frac{1}{|C_a| \cdot |C_b|} \sum_{i \in C_a, j \in C_b} (A_{ij} - A_{ji}) 满足 F_{ab} = -F_{ba}, 对角 F_{aa} = 0。

解释

  • F_{ab} > 0 ⇒ cluster a 系统性 lead cluster b (净流出方向 a \to b)
  • F_{ab} 的绝对值 = 净流强度 (按 cluster 大小归一化, 避免 size 偏差)
  • 画成网络 (节点 = cluster, 边 = 主导流向, 粗细 = |F_{ab}|) 即为meta-flow graph

与原始 lead-lag 矩阵的关系

原始 A - A^\top 是 p \times p 反对称矩阵; meta-flow F 是其按 cluster 块凝聚到 k \times k 的"代理"。凝聚过程保留方向信息, 但压缩到 k 维, 便于:

  • 解释 (聚类后只关心 10 个 cluster 谁 lead 谁)
  • 可视化 (画 k-node directed graph)
  • 阈值化 → 构造 trading signal (Bennett 2022 §6.1 用 90% 分位阈值过滤 \tilde F_{ij} = \mathbf{1}\{F_{ij} > c\})

RowSum leadingness

把 F 的行求和作为 cluster 的"全局 lead 度": L(i) = \frac{1}{|C_i|} \sum_{j \in C_i} \sum_{p=1}^P (A_{jp} - A_{pj}) L(i) > 0 ⇒ cluster i 系统性 lead, label 0 (最 lead); L(i) 最小 ⇒ label k-1 (最 lag)。Bennett 2022 在美股上得到 k=10 时, 0-3 是 lead, 9 是 strong lag (cluster 内高度聚集 "大 lag 群")。

在美股 lead-lag 上的实证 (Bennett 2022 §5)

  • meta-flow graph 边权直方图 (Hermitian RW) 整体右移于 SIC 行业 cluster 的 meta-flow — 验证 data-driven 聚类能找到更强 flow imbalance。
  • 最大流 F_{4,9} (Manufacturing → Construction), 印证行业间上下游关系。
  • Mining (SIC) ↔ cluster 1 (次 lead), Finance/Insurance/RE ↔ cluster 2 (第三 lead) — 局部与已知 lead-lag 假说吻合, 但整体不能由行业解释。

邻近概念

起源 / 标准文献

  • Bennett, Cucuringu, Reinert (2022) Machine Learning 111:4497–4538 — meta-flow graph 形式化 + 美股实证 (本 wiki 摘要)
  • Cucuringu et al. (2020) "Hermitian matrices for clustering directed graphs" — meta-flow 思想雏形

Open Questions

  • meta-flow graph 的可视化阈值如何选? 原始论文用 90% 分位, 但 75% / 95% 对交易信号 Sharpe 的影响未充分扫描。
  • 多周期 meta-flow 叠加 (日 / 周 / 月) 能否得到更稳定的 cluster 排序?
  • meta-flow 是否可作为"聚类质量"的后验指标 (例如与 modularity 对比)?