conceptcorrelation-networkspectral-analysisregime-detectionindex-timingfeature-engineering

个股相关网络谱特征 (Correlation Network Spectral Features)

定义

以全市场个股为节点、收益相关系数为边, 把高维相关矩阵压缩为一组刻画市场状态的低维结构特征。逻辑起点: 指数价格是结果变量, 而市场在风险/机会出现前先在结构上留痕 — 上涨广度收窄、同涨同跌加剧、少数共同因子支配力上升。源自 Kriuk (2026) Kriuk 2026 ORCA, 由华安金工在 A 股落地 (summaries/202609-stock-correlation-network-dual-track-timing/202609-stock-correlation-network-dual-track-timing)。

五个观察层面

对每个相关矩阵 C_t, 从五个角度各回答一个问题:

层面 回答的问题 代表统计量
特征值结构 风险是否集中于少数共同因子? \lambda_1、吸收比、谱熵、有效秩、谱间隙、条件数
特征向量结构 共同因子由谁承担? 第一特征向量载荷 HHI、最大载荷、载荷熵、载荷离散度
图拓扑结构 局部冲击是否容易扩散? 阈值化后的边密度、节点度数、度中心化、聚类系数、孤立节点数
相关性分布 联动是全面的还是局部的? 平均绝对相关、中位数、std、偏度、强相关配对占比
动态与状态 结构变化多快、处在什么位置? 核心静态量的多窗口变化率、差分、标准化偏离、二阶差分、252 日分位

维度账: 3 个并行估计器 (60 日 / 120 日滚动 / EWM 半衰期 30 日) × 44 静态特征 = 132 静态; 7 个核心量 × 11 个动态衍生 = 231 动态; 合计 363 维。

三个工程关键

  1. 固定抽样 N=1000: 特征值与矩阵维度直接相关, N 漂移会破坏特征值序列的时序可比性 — 这是动态特征与长期分位特征成立的前提。用 4 组抽样聚合 (2 全市场随机 + 2 中信二级行业分层) 消除抽样随机性。
  2. 三个估计器不择一: "一个结构变化需要多长的窗口才能被确认"这件事本身就携带信息, 快窗口敏感但噪声大, 慢窗口稳定但滞后, EWM 居中。
  3. 不加权: 不按市值加权, 让广度/联动/结构变化本身成为研究对象 (加权对照见 市值加权的两侧分裂 (Market-Cap Weighting Splits Risk and Opportunity) 消融)。

为什么 252 日分位特征最关键

风险模型核心集 71.7% 被分位特征占据, 静态水平仅 33.2%: 市场结构的绝对水平跨时期不可比 (2015 年的高相关与 2024 年的高相关不是一回事), 只有相对历史位置才是可跨期迁移的状态信息 — 与 Label Horizon Paradox (标签视界悖论) 的 "任务/表征设计优先于模型" 同一哲学。

关联