基于复杂网络视角的金融指数跟踪最优化研究

以复杂网络视角,采用自适应仿射传播聚类算法,从沪深300指数中选择分散化程度高的聚类中心作为标的,同时对比市值排序选股和权重排序选股,构建二次指数跟踪最优化模型,并进行实证分析与稳健性检验。研究发现:复杂网络聚类选股方法只需50只以内股票,即可实现较高精度的沪深300指数跟踪;当股票数量选择31只时,AAP聚类的误差相对较小且股票数目适中,样本内31只股票的日均跟踪误差为6.35×10^(-5),分别比市值排序和权重排序降低了36.50%和24.85%,样本外31只股票的日均跟踪误差为3.10×10^(-4),比其余两种方法分别降低了45.33%和38.74%;在稳定性检验中,当股票数介于5~35只之间时,AAP聚类选股进行指数跟踪优于其他两种选股的可能性超过80%,表明跟踪结果具有良好的稳健性。