一种用于金融市场监管的流动性评价方法

摘要

本发明提供一种用于金融市场监管的流动性评价方法，包括：步骤L1，基于获取的交易记录建立交易网络有向图；所述交易记录包括卖方、买方、交易量、交易次数；所述交易网络有向图中，节点代表交易者，边由卖方指向买方，边上的权重为交易量；步骤L2，对所述交易网络有向图网络做k‑core分解，将所述交易网络有向图按层划分；步骤L3，计算每两层之间的流动性指标；步骤L4，基于层间的所述流动性指标，生成层间流动性分布图。

说明书

技术领域

本发明涉及金融市场监管领域，具体涉及一种用于金融市场监管的流动性评价方法。

背景技术

目前关于金融市场流动性的研究主要分为三部分：流动性的衡量、流动性和收益率的关系以及流动性风险。

流动性的衡量主要分为三种指标：

第一个是价格型指标,比如保证金比例、买卖价差、市场影响成本等。这类指标是关于流动性的硬性体现，简单易用；

第二个是数量型指标，比如深度、宽度、成交额、换手率等。这类指标是对整个市场行情的一个分析总结，是从订单薄变化角度进行了充分考量，考虑了整个系统的稳定性；

第三个是时间型指标，主要包括执行时间和交易频率。这类指标主要是基于交易速度考虑，是流动性变化的直接体现，能及时发现市场波动。

流动性和收益率的关系也有很多研究。一开始有人发现预期收益是买卖价差的凹函数，也就是收益和流动性是有显著联系的。有学者用换手率和Nasdaq方法确定了流动性和收益率呈负相关、非线性关系。还有使用 VAR方法和非因果检验发现收益率变化驱动流动性变化。以及使用随机贴现因子和FGLS估计方法发现流动性冲击对资产预期收益具有正向影响。

流动性风险的研究相对较少，因为投资者在一定风险承受能力下主要关心的就是收益。目前有用纽交所的实时交易数据发现个股流动性风险存在共性，当经济衰退时投资风险变化，市场流动性变低。也有人分析了央行流动性、融资流动性和市场流动性三者之间的关系，发现在新证券化产品设计下，融资流动性风险和市场流动性风险之间联系更紧密。还有人通过双差分模型发现流动性和风险性呈负相关。

总的来说，流动性的衡量、流动性和收益率的关系以及流动性风险，是三个较主流的研究方向，每种方法从不同的方向来分析流动性问题，各有优劣。近几年市场流动性研究相对较少，主要还是基于已有指标做一些实证研究。

以上提到的流动性研究方法都是从单一指标衡量的，较少关注流动性与其他市场变量的多重关系。尤其是，上述方法都只能得出一个具体的数值，却无法分析每部分交易者占的比重，以及很难发现流动性指标下降的原因。并且，交易市场的交易数据量很大，现有技术方法不仅效率低，也无法从这些数据中找到流动性发生异常的原因。

发明内容

为解决上述现有技术中存在的问题，提供一种用于金融市场监管的流动性评价方法，包括：

步骤L1，基于获取的交易记录建立交易网络有向图；所述交易记录包括卖方、买方、交易量、交易次数；所述交易网络有向图中，节点代表交易者，边由卖方指向买方，边上的权重为交易量；

步骤L2，对所述交易网络有向图网络做k-core分解，将所述交易网络有向图按层划分；

步骤L3，计算每两层之间的流动性指标；

步骤L4，基于层间的所述流动性指标，生成层间流动性分布图。

优选的，所述步骤L2中，所述k-core分解基于加权后的度进行分解，公式为

其中，k′

优选的，所述流动性指标为Amivest指标，公式如下：

其中v

将所述流动性指标采用以下公式归一化，

其中，L′

本发明提供一种用于金融市场监管的流动性评价方法，包括：

步骤C1，基于获取的交易记录建立交易网络有向图；所述交易记录包括卖方、买方、交易量、交易次数；所述交易网络有向图中，节点代表交易者，边由卖方指向买方，边上的权重为交易量；

步骤C2，对所述交易网络压缩后按类划分节点；

步骤C3，计算每两类之间的流动性指标；

步骤C4，基于类间的所述流动性指标，生成类间流动性分布图。

优选的，所述步骤C2中，包括：

步骤C2-1，基于Dinic最大流算法获取待分类的节点中任意两节点之间的最大流；

步骤C2-2，输出目标压缩网络，所述压缩网络的两节点之间边的权重包括两节点之间的最大流以及计算最大流时所经过的节点个数。

优选的，所述步骤C2中，还包括：

步骤C2-3，对压缩网络运用图网络算法Node2vec获取节点表达；

步骤C2-4，基于所述节点表达，利用全连接神经网络对所述待分类的节点分类。

优选的，所述步骤C2-3包括：

步骤C2-3-1，在Node2vec算法中，将与当前节点相连的一个节点的采样概率按以下公式设置，然后生成节点序列集合；

其中，i为与当前节点相连的一个节点，n

步骤C2-3-2，基于所述节点序列集合，采用word2vec算法获取所述节点表达。

本发明提供一种判断交易者对市场的影响力的方法，包括：

步骤J1，利用上述的方法生成第一个层间流动性分布图；

步骤J2，删除代表待判断的交易者的交易节点后，利用上述的方法生成第二个层间流动性分布图；

步骤J3，根据所述第一个层间流动性分布图和第二个层间流动性分布图的比较结果判断待判断的交易者对市场的影响力。

本方提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述方法的步骤。

本发明提供一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述方法的步骤。

本发明具有如下特点和有益效果：本发明与现有技术相比，可以更细粒度刻画市场流动性，而且能及时发现市场中具体某一部分的变化。以往的流动性指标只有单一的数值，人们无法判断为什么指标会下降，是哪部分交易者带来的影响。如果用流动性分布来刻画，可以很清楚看到具体某部分变化带来的影响。这一点也是比现有技术更有力的一个分析方法。

附图说明

图1示出了根据本发明一个实施例的网络结构图。

图2示出了根据本发明一个实施例的k-core分解示意图。

图3示出了根据本发明一个实施例的非加权k-core层间流动性分布示意图。

图4示出了根据本发明一个实施例的加权k-core层间流动性分布示意图。

图5示出了根据本发明一个实施例的加权k-core层间流动性分布示意图压缩网络示意图。

图6示出了现有技术的Node2Vec算法的原理图。

图7示出了根据本发明一个实施例的类间流动性分布示意图。

图8示出了根据本发明一个实施例的k-core分解示意图。

图9示出了根据本发明一个实施例的去掉某部分的k-core图。

图10示出了根据本发明一个实施例的去掉某部分的k-core图。

图11示出了根据本发明一个实施例的去掉某部分的k-core图。

图12示出了根据本发明一个实施例的去掉某部分的k-core图。

具体实施方式

下面结合附图和具体实施例对本发明加以说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

发明人在进行金融市场流动性研究时，发现现有技术中的研究方法都是从单一指标衡量的，较少关注流动性与其他市场变量的多重关系。该项缺陷是由研究学者缺少跨领域研究的意识导致的。因为研究该方向的学者大都是金融领域，他们主要关心指标变化，而且分析原因都会从其他市场指标辅助分析，缺乏用其他领域来分析该方向的经验。

发明人经过对金融网络深入研究发现，解决该项缺陷可以通过对交易网络做多层剖分，然后将原始的流动性指标细分为多层间的流动性分布，用分布代替数值来刻画流动性变化。这样就不再是从单一的数值变化来衡量流动性变化，而是关注多个时间片的分布变化来衡量流动性变化。此方法的优点就是除了发现整体流动性变化，还可以发现具体某一层或某些交易者带来的影响。

本发明可以用于股票市场或期货市场中的流动性异常检测，当市场流动性发生不正常变化时，交易所或券商可以用此发明挖掘流动性发生异常的直接原因，将原因定位到具体的客户群体，然后可以对该客户群体进行调查以制定更合适的交易规则。因此本发明可以帮助市场监管部门稳定股票期货交易市场。

本发明的目的是解决上述现有的单一指标无法对市场流动性做更细化描述的缺陷，提出了一种将交易网络进行按层或按类进行剖分，将流动性数值转化为流动性分布图的方法。

根据本发明的一个实施例，提供一种将交易网络按层划分进行分析的方法。

步骤L1，获取交易记录，建立交易网络。

根据本发明的一个实施例，如图1所示，首先按照卖方、买方、交易量、交易次数的格式处理好数据，然后根据此格式建立交易网络有向图。根据本发明的一个实施例，节点代表交易者，边由卖方指向买方，边上的权重为交易量或交易次数。图1中，节点1、2、3、4、5、6代表交易者的编号。

步骤L2，对网络做k-core分解，按层划分。

k-core算法是简化复杂网络并得到核心子网络的算法，其可以简单有效地运用到多个领域，用于从复杂的关系网络中提取高度相关的子结构。一个图的k-core是指反复去除度小于等于k的节点后，所余下的子图的所有节点的度都大于k。其中，节点的度是指与该节点相连的边的条数。

根据本发明的一个实施例，对交易网络进行k-core分解，找出整个交易网络中处在核心位置的交易者。如图2所示，通过k-core分解将此网络分为了3层，第一层有8个节点、第二层有3个节点、第三层有4个节点。图中的k

k与k

以上介绍的是非加权分解，非加权k-core分解是纯粹按照度值分解。根据本发明的一个实施例，也可以采用加权分解的方法。加权k-core分解考虑了交易量，公式如下：

其中，k′

经过k-core分解将交易网络分层后，可以看到内层的节点处于交易网络中的核心位置，对市场的流动性有着重要的影响力。

步骤L3，计算每两层之间的Amivest流动性指标。

根据本发明的一个实施例，可以采用如下公式计算Amivest流动性指标：

其中v

其中，l′

步骤L4，生成层间流动性分布图(也称为热力图)。

图3是基于非加权k-core分解得到的层间流动性分布图，图4是基于加权k-core分解得到的层间流动性分布结果。两个图中的横纵坐标都是 k

根据本发明的一个实施例，提供一种对交易网络按类划分进行分析的方法。

步骤C1，获取交易记录，建立交易网络。此步骤与前述的对交易网络按层划分的方法中的建立交易网络的技术手段相同。

步骤C2，对网络进行压缩。对网络进行压缩是为了研究特定节点之间的关系，例如选取特定节点，将其他节点均视为桥接节点。如图5所示，左半部分的图是原始网络图，包含0到9共10个节点。选取原始网络图中编号为1、2、4、5的四个节点进行网络压缩，压缩后的结果如图5中的右半部分网络图，其中，节点2和5之间在原图中没有边连接，在压缩后，节点2和5之间有边连接。节点1和4也是如此。对于图5中的节点 1和节点4，无论节点1和节点4之间有直接交易还是间接交易，都视为节点1和节点4有连接。例如节点4卖10手给其他人，然后又经过一系列传播，最终流向了节点1，那么可以看做节点4卖10手给节点1。根据本发明的一个实施例，压缩网络算法的具体过程如算法1所示。

该压缩网络算法的输入为网络的邻接矩阵A，以及需要压缩的目标节点集合S，输出为压缩后的网络G。

首先初始化目标网络G为空，然后在集合S选出所有的Source、Target 节点对，寻求是否存在路径可以从Source到Target。将邻接矩阵A分解成两个矩阵U、V，矩阵U代表不含Source和Target的剩余节点之间的连接关系，矩阵V代表与Source和Target直接相连形成的子网络连接关系。然后对子网络运用Dinic最大流算法得到Source和Target直接的流量MaxFlow。当找出所有的Source、Target节点对之间的最大流(最大交易量)时算法结束，输出目标压缩网络G。压缩网络G的边的权重有两种，一个是交易量的最大流MaxFlow，一个是计算最大流时所经过的小节点个数NodeNum。

步骤C3，将网络按照压缩网络算法压缩之后，对压缩网络运用图网络算法Node2vec进行分类。

Node2Vec算法是图网络的经典算法，包括两个阶段，第一阶段根据网络结构生成节点序列集合，第二阶段运用word2vec算法学习节点表达。图6示出了Node2Vec算法的原理，原始的Node2Vec算法是按照采样概率α

本发明中，第一阶段基于压缩网络生成节点序列，与经典算法不同的是，在本发明的一个实施例，进行节点序列生成依据的是压缩网络中节点对之间经过的小节点(散户)个数，小节点个数越少，两个节点相连的概率越大，进行游走的时候会有更大的概率。根据本发明的一个实施例，将采样概率1/q设置为指数形式e

步骤C4，计算每两类之间的Amivest流动性指标。

此步骤与前述按层划分网络的方法中计算Amivest流动性指标的技术手段相似。

步骤C5，生成类间流动性热力图。图7是根据本发明一个实施例的类间流动性热力图，图中的横纵坐标都是用字母表示的类编号，其中，

H：高频类专业机构，

P：非高频的程序化交易机构，

B：规模化普通投资者，

I：产业类趋势投资者，

T：非产业类趋势投资者，

S：小型投资者，

M：中型投资者；

图中的矩形块代表对应横纵坐标两类之间的交易，矩形块的数字代表两类之间的交易占比，矩形块的颜色越深，代表这两类之间的交易占比越大。可以看到类间流动性更为平滑，当某些类整体有较大变化时，通过观察流动性热力图可以看到这些类的变化。

例如，首先我们会根据交易者的一些特征对交易者进行分类，人工分类或者模型分类均可。假如2021年3月2日某些客户进行了非正常的大笔交易，这种行为是其平时很少会做的，那么可以绘制3月2号之前几天的类间流动性分布图，然后与3月2号的类间流动性分布图对比来发现差异，如果差异得分较高则为异常。

根据上述实施例的描述，可以看出本发明可以分别通过层间流动性和类间流动性判断出异常交易者。根据本发明的其他实施例，也可以综合考虑层间变化和类间变化，以更准确发现对市场造成影响的用户群体，这可以通过将这两部分的交易者取交集来实现，交集部分的交易者对市场的结构影响较大，是需要重点排查的对象。如果市场承受风险能力较低，可以同时排查这两部分交易者，或者人工再做一下筛选。基于筛选结果，有利于市场监管部门对市场的调控，起到监督市场并发现市场变化的效果。

根据本发明的一个实施例，提供一种判断交易者对市场的影响力的方法，包括：

步骤1，基于获取的交易记录，建立交易网络有向图，其中，节点代表交易者，边的权重为交易量；边的方向为卖方指向买方；根据本发明的一个实施例，边的权重为交易次数；

步骤2，基于k-core分解将交易网络有向图划分为不同的层，获取 k-core分解图，其中，处于外层的节点是k-core分解在循环删除度较小的节点时被删除的节点；根据本发明的一个实施例，所述k-core分解是非加权分解；根据本发明的一个实施例，所述k-core分解是加权分解；

步骤3，删除交易网络有向图中待分析影响力的指定节点，基于k-core 分解将删除节点后的交易网络有向图划分为不同的层，获取删除节点后的 k-core分解图；

步骤4，根据删除节点前后的k-core分解图的变化程度，判断所删除的节点的影响力。

例如，在怀疑2021年3月2日某些交易者对市场造成了很大的影响，但无法从指标角度有效衡量的情况下，可以采用以上方法，将这些节点去掉，重绘k-core图，观察网络结构变化程度，即可分析这部分节点集的影响力。图8是根据本发明一个实施例的原始的未删除节点的k-core分解图，图9至图12分别是删除不同的节点集后获得的k-core分解图。每张图右侧不同灰度的圆点及其对应的数字代表不同的层，每张图的左侧大小不同的圆点及对应的数字代表节点度的大小。将图9至图12分别与图8比较后可以看出，图10依旧保留着原始k-core图应有的结构，而图9、图11、图12的网络显得松散，网络核心发散，网络层数明显减少。因此图9对应的被删除的节点集的影响力较小，而图9、图11、图12对应的被删除的节点集的影响力较大。

应该注意到并理解，在不脱离后附的权利要求所要求的本发明的精神和范围的情况下，能够对上述详细描述的本发明做出各种修改和改进。因此，要求保护的技术方案的范围不受所给出的任何特定示范教导的限制。