A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

Each language version is independently generated for its own context, not a direct translation.

🌏 De Wereldwijde Voorspellers: Hoe de VS de Chinese Beurs "leest"

Stel je voor dat de beurs van New York (VS) en de beurs van Shanghai (China) twee enorme, drukke bibliotheken zijn. Maar er is een groot probleem: ze hebben verschillende openingstijden. De Amerikaanse bibliotheek sluit zijn deuren voordat de Chinese bibliotheek zelfs maar opent.

De auteurs van dit paper, een groep slimme onderzoekers, hebben een manier bedacht om te kijken of de nieuwsberichten uit de gesloten Amerikaanse bibliotheek kunnen helpen voorspellen wat er in de Chinese bibliotheek gaat gebeuren zodra die opent.

1. Het Probleem: Ruis in de Data

Beursdata is als een radio die veel statisch geluid (ruis) heeft. Het is heel moeilijk om het echte signaal te horen. Traditionele methoden kijken vaak alleen naar wat er binnen één land gebeurt, of ze kijken naar grote indexen (zoals de totale markt), maar ze kijken zelden naar individuele bedrijven en hoe ze precies met elkaar verbonden zijn, rekening houdend met het tijdsverschil.

2. De Oplossing: Een "Tijdsgebonden" Koppelnetwerk

De onderzoekers hebben een slimme techniek bedacht die ze een gerichte bipartiete grafiek noemen. Dat klinkt ingewikkeld, maar het is eigenlijk als het tekenen van een koppelnetwerk tussen twee verschillende groepen mensen.

De twee groepen: De ene groep zijn de Amerikaanse bedrijven (de "gevers" van informatie), de andere groep zijn de Chinese bedrijven (de "ontvangers").
De lijntjes (de grafiek): Ze kijken niet naar willekeurige lijntjes. Ze gebruiken een wiskundige test om te zien: "Als bedrijf A gisteren in de VS goed presteerde, helpt dat ons dan om te voorspellen of bedrijf B vandaag in China goed gaat presteren?"
De filter: Ze tekenen alleen een lijntje als het verband sterk en statistisch betrouwbaar is. Dit werkt als een zeef die het ruisige signaal filtert en alleen de echte, waardevolle connecties overhoudt.

3. Het Experiment: Wie is de Meester?

Ze hebben dit netwerk gebruikt om een machine te trainen (een soort slimme computer) om de winst of verlies van aandelen te voorspellen. Ze hebben dit in twee richtingen gedaan:

Van VS naar China: Gebruik de Amerikaanse sluitingskoers van gisteren om de Chinese openingskoers van vandaag te voorspellen.
Van China naar VS: Gebruik de Chinese sluitingskoers om de Amerikaanse koers te voorspellen.

Het verrassende resultaat:
Het is als een ongelijkspel.

De VS is de meester: De informatie uit de VS is een goudmijn voor het voorspellen van de Chinese markt. Als de VS goed doet, weten we vaak al wat er in China gaat gebeuren.
China is de leerling: De andere kant werkt veel minder goed. De Chinese markt heeft veel minder invloed op wat er 's avonds in de VS gebeurt.

Dit komt waarschijnlijk omdat de VS een grotere, meer dominante speler is in de wereldwijde economie. De "nieuws" reist sneller en sterker van Amerika naar Azië dan andersom.

4. De Slimme Computer (Machine Learning)

Om deze voorspellingen te maken, hebben ze tien verschillende soorten "slimme computers" (machine learning modellen) gebruikt. Denk hierbij aan:

Simpele lineaire voorspellers (als een rechte lijn trekken).
Complexe bomen en bossen (Random Forests) die duizenden regels doorzoeken.
Ensembles (een team van modellen dat samenstemt).

Ze hebben ontdekt dat de combinatie van deze slimme netwerken + de specifieke lijntjes tussen de landen het beste werkt. Het is alsof je een team van experts hebt die niet alleen naar hun eigen land kijken, maar ook naar de specifieke signalen van hun partnerland.

5. Waarom is dit belangrijk?

Dit onderzoek toont aan dat je geld kunt verdienen (of verliezen minimaliseren) door te begrijpen wie invloed heeft op wie, en wanneer.

De "Overnachting"-effect: Omdat de VS sluit voordat China opent, zit er een hele nacht aan nieuws en gebeurtenissen tussen. De Amerikaanse markt fungeert als een enorme voorspeller voor wat er 's ochtends in China gebeurt.
Geen magie, maar structuur: Het is niet zomaar gokken. Door de data te structureren in een grafiek (een kaart van connecties), kunnen de computers de ruis filteren en de echte patronen zien.

Samenvatting in één zin:

De onderzoekers hebben bewezen dat je de Chinese beurs van morgen beter kunt voorspellen door te kijken naar wat er gisteren in de VS is gebeurd, mits je een slimme "koppelkaart" gebruikt om te zien welke specifieke bedrijven elkaar beïnvloeden, in plaats van naar de hele markt te kijken als één grote brij.

Het is alsof je de weersvoorspelling voor morgen in Peking beter kunt maken door te kijken naar de windrichting in New York van gisteren, omdat de wind (de marktgevoelens) daar vandaan waait.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting" in het Nederlands.

Titel: Een Benadering met Bipartiete Grafieken voor de Voorspelling van Rendementen in de Kruismarkt van de VS en China

1. Probleemstelling

Het voorspellen van aandelenrendementen is een fundamenteel maar uitdagend probleem in de financiële econometrie, verergerd door ruis, non-stationariteit en niet-lineaire afhankelijkheidsstructuren. Hoewel machine learning-methoden veel worden toegepast voor voorspellingen binnen één markt, is er weinig onderzoek gedaan naar voorspellingen op aandeelniveau tussen verschillende markten, rekening houdend met realistische handelsuren.

De specifieke uitdaging die deze studie aanpakt, is het benutten van de niet-overlappende handelsuren van de Amerikaanse (NYSE/Nasdaq) en Chinese (SSE/SZSE) aandelenmarkten. De meeste bestaande studies focussen op indexniveau of gelijktijdige co-movements, en negeren vaak de expliciete, tijd-geordende causale link tussen individuele aandelen in verschillende markten die door de tijdsverschillen wordt gecreëerd.

2. Methodologie

De auteurs ontwikkelen een tweestaps raamwerk dat een gerichte bipartiete graaf combineert met diverse machine learning-modellen.

A. Data en Definities

Data: Dagelijkse data van 500 aandelen met de hoogste marktkapitalisatie uit de VS en China (periode 2014–2021).
Rendementsdefinities:
- pvCLCL: Rendement van sluiting op dag $t-1$ tot sluiting op dag $t$ (Previous Close to Close).
- OPCL: Rendement van opening op dag $t$ tot sluiting op dag $t$ (Open to Close).
- De studie gebruikt marktexcesseren (raw rendement minus ETF-rendement) om marktbewegingen te controleren.
Tijdsstructuur: Omdat de markten niet overlappen, is de informatie van de VS (dag $t-1$ sluiting) volledig beschikbaar voordat de Chinese markt opent (dag $t$ ). Dit creëert een schone, tijd-geordende voorspellingsstructuur.

B. Stap 1: Constructie van de Gerichte Bipartiete Graaf

Structuur: De graaf $G=(V, E)$ bestaat uit twee disjuncte verzamelingen knopen: $X$ (bronmarkt, bijv. VS) en $Y$ (doelmarkt, bijv. China).
Kantselectie (Feature Selection): Voor elk paar aandelen $(X_j, Y_i)$ $(X_{j}, Y_{i})$ wordt een univariate lineaire regressie uitgevoerd binnen een rollend venster (look-back window van 250 dagen).
- De helling $\beta$ en de bijbehorende t-statistiek worden berekend.
- Een drempelwaarde $\tau$ (gesteld op 2) wordt gebruikt om significante voorspellende relaties te selecteren. Als $|t_\beta| > \tau$ , wordt er een gerichte rand getrokken van $X_j$ naar $Y_i$ .
Doel: Deze stap fungeert als een sparse feature-selection layer. Het filtert ruis en selecteert alleen economisch betekenisvolle, tijd-geordende voorspellers, in plaats van een dicht correlatienetwerk te gebruiken.

C. Stap 2: Machine Learning Voorspelling

De geselecteerde voorspellers (aandelen uit de bronmarkt) worden gebruikt om het rendement van het doel-aandeel te voorspellen.
Modellen: Er worden tien modellen getest, variërend van lineair tot geavanceerd ensemble:
- Lineair/Regulariseerd: OLS, LASSO, Ridge.
- Kernel-based: SVM.
- Boom-gebaseerd: XGBoost, LightGBM, Random Forests, AdaBoost.
- Ensemble-methoden: Gemiddelde en mediaan van de bovenstaande modellen.
Doelwit: Voorspelling van OPCL-rendementen in de doelmarkt.

3. Belangrijkste Resultaten

De experimenten tonen duidelijke en economisch significante bevindingen:

Sterke Asymmetrie in Voorspelbaarheid:
- VS $\to$ China: Amerikaanse pvCLCL-rendementen bevatten substantiële voorspellende informatie voor Chinese intraday (OPCL) rendementen. De Sharpe-ratio's (SR) zijn hier hoog (vaak > 1, soms bijna 2).
- China $\to$ VS: Het omgekeerde effect is beperkt. Chinese data heeft veel minder voorspellende kracht voor Amerikaanse rendementen.
Prestatie van Modellen:
- Regulariseerde modellen (Ridge, LASSO) en ensemble-methoden presteren het beste.
- Het gebruik van VS pvCLCL (sluitingsrendementen) als voorspeller werkt beter dan het gebruik van OPCL-rendementen, wat wijst op de waarde van overnachtingsinformatie.
Waarde van de Graafstructuur:
- Modellen die gebruikmaken van de graaf-gebaseerde feature selectie (kruismarkt) presteren significant beter dan:
  1. Baselines zonder graaf (alleen eigen markt data).
  2. Graaf-modellen die alleen binnen dezelfde markt opereren.
- Dit bevestigt dat de specifieke selectie van kruismarkt-voorspellers via de bipartiete graaf essentieel is voor de prestaties.
Sectorale Patronen: De graaf toont aan dat voorspellende connecties niet beperkt zijn tot binnen dezelfde sector (geen blok-diagonale structuur), maar dat er complexe kruis-sectorale transmissiekanalen zijn (bijv. financiële diensten in China voorspellen nutsbedrijven in de VS).

4. Sensitiviteitsanalyse

Randomisatie van de Graaf: Wanneer de randen van de graaf willekeurig worden vervangen door andere aandelen (zonder de graafdichtheid te veranderen), daalt de voorspellende prestatie aanzienlijk. Dit bewijst dat de prestaties afhangen van de economisch betekenisvolle structuur en niet van generieke diversificatie.
Tijdsvertraging: Als de voorspellers verder in het verleden worden gehaald (bijv. $t-2$ of $t-3$ in plaats van $t-1$ ), neemt de voorspellende kracht af. Dit benadrukt het belang van recente informatie.

5. Bijdrage en Significantie

Methodologische Innovatie: De studie introduceert een nieuw raamwerk dat gerichte bipartiete grafieken gebruikt als een interpreteerbare feature-selectie laag voor machine learning in de financiële context. Dit lost het probleem op van hoe men kruismarkt-afhankelijkheden structureel kan modelleren zonder in de valkuil van gelijktijdige correlaties te trappen.
Economisch Inzicht: Het bevestigt en kwantificeert de dominante rol van de Amerikaanse markt in de prijsvorming van Chinese aandelen, zelfs op het niveau van individuele bedrijven. De asymmetrie is sterker dan eerder beschreven in index-gebaseerde studies.
Interpreteerbaarheid: In tegenstelling tot veel "black-box" deep learning modellen, biedt de graafbenadering inzicht in welke specifieke aandelen en sectoren de voorspelling drijven, wat cruciaal is voor financieel toezicht en risicomanagement.
Beperkingen: De auteurs benadrukken dat de resultaten pre-transactiekosten zijn en geen volledig implementeerbare handelsstrategie vormen, maar eerder bewijs leveren van voorspellende asymmetrie.

Conclusie:
Deze paper toont aan dat het combineren van een gestructureerde, tijd-geordende graafbenadering met machine learning een krachtige methode is om kruismarkt-voorspellingskansen te ontsluiten. De gevonden asymmetrie (VS $\to$ China) en de superioriteit van de graaf-gebaseerde selectie bieden nieuwe inzichten voor het begrijpen van globale informatiestromen in de financiële markten.