摘要

本文探讨了金融市场中投资者集群的时间分布及其在预测专家建议中的应用。研究基于2015至2017年间20,000名外汇交易者的真实交易数据，展示了这些集群分布符合Ewens抽样分布的特性。此外，研究还应用了Aggregating Algorithm (AA)算法于实际交易数据，以提升交易者风险组合的回报。然而，当面对过多具有相似交易模式的“专家”交易者时，AA算法的表现受限。为克服这一挑战，研究采用了Statistically Validated Networks (SVN)与层次聚类方法，结果显示这两种方法均能显著提升AA算法的盈利能力和回报的平滑性。

原理

本文的核心在于利用Ewens抽样分布来描述交易者集群的时间分布，并通过Aggregating Algorithm (AA)算法结合专家建议进行在线预测。AA算法通过不断调整对各个专家的信任度，以最小化累积损失。在实际应用中，由于交易者数量众多且行为模式相似，直接应用AA算法效果不佳。因此，研究引入了Statistically Validated Networks (SVN)和层次聚类方法，通过识别和利用交易者之间的同步行为，优化了AA算法的性能。

流程

研究首先通过滑动窗口构建交易者网络，使用交易不平衡比率来衡量交易者之间的同步性，并基于此构建统计验证网络(SVN)。随后，应用Infomap聚类算法对交易者进行分组。在每个时间窗口内，算法会根据交易者的同步行为动态调整集群，进而优化AA算法的预测性能。具体来说，AA算法在每个时间点根据专家（交易者）的预测和实际结果调整权重，而集群化的AA算法则进一步在集群层面进行权重调整，以减少噪声并提升预测的准确性。

应用

本文的研究成果在金融风险管理、投资策略优化以及市场分析等领域具有广泛的应用前景。通过理解和预测交易者集群的行为，金融机构可以更有效地管理风险，优化投资组合，并提升市场预测的准确性。此外，这种方法还可以扩展到其他需要复杂决策支持的领域，如供应链管理、网络安全等。