RowSum Leadingness
Definition. 对有向加权网络 G 邻接 A (或反对称化 A - A^\top), 节点 i 的 leadingness 是其行求和: L(i) = \sum_{j=1}^p (A_{ij} - A_{ji}) 等价于"从 i 流向全图的净权重"。在 skew-symmetric A 上, 全局和为 0, 因此 L(i) 大的节点系统性 lead, L(i) 小的系统性 lag。
性质
- 反对称性: \sum_i L(i) = 0 (因为 \sum_i \sum_j A_{ij} = \sum_i \sum_j A_{ji})
- 方向敏感性: 与 PageRank (Brin & Page 1998) / eigenvector centrality (Newman 2018) 不同, RowSum 不依赖随机游走收敛, 直接用绝对流量。
- 可加性: 对 cluster 易于求 L(C) = \frac{1}{|C|}\sum_{i \in C} L(i) — 配合 Hermitian 聚类生成 cluster-level 排序 (Bennett 2022 §3.4)。
与其他 ranking 方法对比
| 方法 | 形式 | 特点 |
|---|---|---|
| RowSum | \sum_j (A_{ij} - A_{ji}) | 直接, 无参数, 无收敛 |
| PageRank | 解 (I - \alpha D^{-1} A)v = (1-\alpha)\mathbf{1} | 隐含"重要性"递归 |
| Eigenvector centrality | 解 A v = \lambda v | 仅无向, 收敛到 dominant eigenvector |
| Bradley-Terry | \log p(i > j) = \beta_i - \beta_j | pairwise 比较, EM/MLE 估计 |
| Hubs & Authorities (HITS) | 联合解 \mathbf{a} = A \mathbf{h}, \mathbf{h} = A^\top \mathbf{a} | 区分 hub 与 authority |
RowSum 是 PageRank 在反对称邻接下的简化版, 不需要阻尼因子 / 收敛判断; 缺点: 对边权分布不均敏感 (单条 dominant edge 可支配总 leadingness)。
在美股 lead-lag 上的应用 (Bennett 2022)
- k=10 聚类后, RowSum leadingness 排序得到 label 0-9, 0 是最 lead, 9 是最 lag。
- 实证发现: lead cluster (0-3) 内的 stocks 没有显著更高的成交量 / 市值 (Spearman 0.01 / -0.15) — 拒绝 Lo-MacKinlay 1990 / Chordia-Swaminathan 2000 假说。
- 配合 meta-flow graph (见 Meta-Flow Graph), 提供"cluster 谁 lead 谁" 的可解释性。
邻近概念
- Lead-Lag Detection — 上游 metric
- Hermitian Spectral Clustering — 配套聚类
- Meta-Flow Graph — 衍生可视化
- Lead-Lag Equity Forecasting — 下游应用
起源 / 标准文献
- Huber (1962) "Rank statistics" — RowSum 思想的雏形
- Gleich & Lim (2011) "PageRank beyond the web" — RowSum 在 lead-lag 上的"非随机游走" 解释
- Bennett, Cucuringu, Reinert (2022) Machine Learning 111:4497–4538 — 美股 lead-lag RowSum 应用 (本 wiki 摘要)
- Wu, Zheng, Zhang, Liu (2010) — 早期 PageRank-based lead-lag
- Basnarkov et al. (2019) — PageRank lead-lag ranking 改进
Open Questions
- RowSum 边权需不需要"重要性加权" (例如 ATR / ADV 归一化) 以防单只大票主导?
- 与 PageRank 实证对比: 美股 lead-lag ranking 上哪个更稳定 / 与未来收益更相关?
- Bradley-Terry / d'Aspremont 2021 等 pairwise comparison ranking 是否在 lead-lag 场景下更优?