洪振木，趙 杰

（安徽財(cái)經(jīng)大學(xué)金融學(xué)院，安徽蚌埠 233030）

股票市場(chǎng)由眾多相互關(guān)聯(lián)的個(gè)體構(gòu)成，通常被認(rèn)為是一個(gè)典型的復(fù)雜系統(tǒng)，股票市場(chǎng)中不同行業(yè)之間也存在著聚集現(xiàn)象，使得重大突發(fā)事件帶來(lái)的風(fēng)險(xiǎn)迅速蔓延至整個(gè)股票市場(chǎng)。2019年12月新型冠狀病毒開(kāi)始在我國(guó)境內(nèi)擴(kuò)散，引發(fā)了金融市場(chǎng)的大幅震蕩〔1〕。作為金融市場(chǎng)的核心組成部分，股票市場(chǎng)在疫情沖擊下的整體結(jié)構(gòu)變化以及投資組合優(yōu)化無(wú)疑是眾多投資者和投資機(jī)構(gòu)最為關(guān)心的問(wèn)題。

復(fù)雜網(wǎng)絡(luò)理論自20世紀(jì)圖論誕生以來(lái)被眾多專(zhuān)家學(xué)者用來(lái)描述含有相互作用的實(shí)際系統(tǒng)，利用個(gè)體之間的某種聯(lián)系將節(jié)點(diǎn)連接成一個(gè)網(wǎng)絡(luò)，通過(guò)研究網(wǎng)絡(luò)的特性來(lái)反映實(shí)際系統(tǒng)的特點(diǎn)和系統(tǒng)中個(gè)體之間的作用關(guān)系。這種描述方法早期更多地應(yīng)用于描述實(shí)際系統(tǒng)整體的網(wǎng)絡(luò)拓?fù)湫再|(zhì)，揭示系統(tǒng)中的網(wǎng)絡(luò)關(guān)系，關(guān)沫等〔2〕通過(guò)Internet監(jiān)測(cè)數(shù)據(jù)和統(tǒng)計(jì)手段證實(shí)了Internet是一種同時(shí)具有“小世界”和“無(wú)尺度”網(wǎng)絡(luò)特征的復(fù)雜網(wǎng)絡(luò)。Onnela等〔3〕基于復(fù)雜網(wǎng)絡(luò)的視角對(duì)股票關(guān)聯(lián)網(wǎng)絡(luò)的基本拓?fù)浣y(tǒng)計(jì)性質(zhì)進(jìn)行了分析。張來(lái)軍等〔4〕通過(guò)分析股票關(guān)聯(lián)網(wǎng)絡(luò)特性得出股票指標(biāo)之間的關(guān)聯(lián)性。近年來(lái)越來(lái)越多經(jīng)濟(jì)管理領(lǐng)域的專(zhuān)家學(xué)者利用復(fù)雜網(wǎng)絡(luò)對(duì)金融市場(chǎng)進(jìn)行建模，分析投資風(fēng)險(xiǎn)在股票市場(chǎng)中的傳導(dǎo)機(jī)制，優(yōu)化投資組合。謝赤等〔5〕利用隨機(jī)矩陣?yán)碚摵拖嚓P(guān)系數(shù)動(dòng)態(tài)演化模型對(duì)所選取的數(shù)據(jù)進(jìn)行優(yōu)化，利用閾值法解釋風(fēng)險(xiǎn)在網(wǎng)絡(luò)中的傳染效應(yīng)；陳超洋等〔6〕歸納了構(gòu)建網(wǎng)絡(luò)模型的算法和系統(tǒng)性風(fēng)險(xiǎn)的測(cè)度方法，并基于復(fù)雜網(wǎng)絡(luò)視角對(duì)系統(tǒng)性風(fēng)險(xiǎn)的難點(diǎn)問(wèn)題進(jìn)行了展望。李?lèi)?ài)忠等〔7〕分析了非系統(tǒng)性風(fēng)險(xiǎn)以網(wǎng)絡(luò)形式進(jìn)行傳染、溢出和蔓延等現(xiàn)象。

在全球化影響下，世界各國(guó)在政治、經(jīng)濟(jì)等領(lǐng)域間的聯(lián)系越來(lái)越密切，國(guó)家和地區(qū)間的資金流動(dòng)存在著一定程度的相關(guān)性〔8〕，使得諸如金融危機(jī)和新冠疫情等重大突發(fā)事件能夠迅速在世界范圍內(nèi)產(chǎn)生影響。對(duì)于2008年金融危機(jī)給我國(guó)股票市場(chǎng)帶來(lái)的影響，Yan等〔9〕用復(fù)雜網(wǎng)絡(luò)分析了美國(guó)次貸危機(jī)沖擊下中國(guó)金融市場(chǎng)的穩(wěn)定性；秦春雷等〔10〕分別從宏觀和微觀的角度分析金融危機(jī)影響下證券市場(chǎng)復(fù)雜網(wǎng)絡(luò)特性隨時(shí)間變化特點(diǎn)，采用移動(dòng)窗口的方法對(duì)股票市場(chǎng)的變化進(jìn)行動(dòng)態(tài)研究；謝赤等〔11〕利用滑窗分析法構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)，從網(wǎng)絡(luò)節(jié)點(diǎn)和連邊變化角度研究金融危機(jī)前后股票市場(chǎng)的變化，并利用仿真模擬沖擊研究股票市場(chǎng)受到重大沖擊時(shí)的變化和股票市場(chǎng)的穩(wěn)健性；馮霞等〔12〕在分析航空網(wǎng)絡(luò)魯棒性時(shí)使用仿真攻擊的方法；李延雙等〔13〕則將仿真攻擊應(yīng)用到分析股災(zāi)的外生沖擊對(duì)中國(guó)股市網(wǎng)絡(luò)的影響；劉超等〔14〕利用復(fù)雜網(wǎng)絡(luò)分析了金融危機(jī)期間中國(guó)同業(yè)拆借市場(chǎng)的相關(guān)特性以及在應(yīng)對(duì)金融危機(jī)時(shí)同業(yè)拆借市場(chǎng)利率所表現(xiàn)出來(lái)的市場(chǎng)性和穩(wěn)定性。對(duì)于此次新冠疫情對(duì)金融市場(chǎng)的影響，方意等〔15〕基于帶有動(dòng)態(tài)窗口期的事件分析法分析了新冠疫情會(huì)對(duì)金融市場(chǎng)的風(fēng)險(xiǎn)帶來(lái)顯著的影響，并結(jié)合系統(tǒng)性風(fēng)險(xiǎn)的理論框架，針對(duì)突發(fā)性政策事件提出政策建議；徐宏等〔16〕采用事件研究法分析了新冠疫情對(duì)中國(guó)股票市場(chǎng)的影響。目前已有的研究大多側(cè)重于分析在疫情沖擊下的股價(jià)波動(dòng)性、利用復(fù)雜網(wǎng)絡(luò)從理論層面研究股票市場(chǎng)或金融市場(chǎng)網(wǎng)絡(luò)結(jié)構(gòu)，缺乏對(duì)系統(tǒng)的分析和具體投資策略的研究。

本文在新冠疫情沖擊背景下，從復(fù)雜網(wǎng)絡(luò)視角出發(fā)構(gòu)建投資組合。邊際貢獻(xiàn)主要有：（1）從疫情沖擊前后股票收益率相關(guān)系數(shù)矩陣中提取每只股票與市場(chǎng)中其他股票之間的相關(guān)系數(shù)向量，計(jì)算兩個(gè)時(shí)期同一股票對(duì)應(yīng)的相關(guān)系數(shù)向量之間的歐氏距離，以此度量該股票在受疫情影響前后與其他股票之間連接性變化，進(jìn)而反映股票市場(chǎng)受到?jīng)_擊時(shí)各股票節(jié)點(diǎn)的穩(wěn)定性；（2）利用GN算法對(duì)股票關(guān)聯(lián)網(wǎng)絡(luò)進(jìn)行社團(tuán)劃分，將股票歐氏距離和社團(tuán)劃分相結(jié)合，以分散風(fēng)險(xiǎn)為原則進(jìn)行投資策略的優(yōu)化。

1 研究方法與模型設(shè)定

在股票關(guān)聯(lián)網(wǎng)絡(luò)中以股票個(gè)體作為網(wǎng)絡(luò)節(jié)點(diǎn)，節(jié)點(diǎn)之間的連邊代表股票收益率變動(dòng)的相關(guān)性大小。由于股票收益率相關(guān)系數(shù)會(huì)存在負(fù)值，所以本文將相關(guān)系數(shù)轉(zhuǎn)化為“距離”來(lái)表示節(jié)點(diǎn)之間的相關(guān)性，由此構(gòu)造股票市場(chǎng)的關(guān)聯(lián)網(wǎng)絡(luò)。

1.1 復(fù)雜網(wǎng)絡(luò)的構(gòu)建 選取股票日度交易數(shù)據(jù)，股票i在第t日的收盤(pán)價(jià)為P（t），可以算出股票i在不同時(shí)期的對(duì)數(shù)收益率，記為ri（t）：

式（1）中Δt為計(jì)算收益率的時(shí)間周期（本文表示日間隔）。根據(jù)任意2只股票i和j的收益率序列計(jì)算在觀測(cè)區(qū)間內(nèi)股票價(jià)格波動(dòng)的相關(guān)系數(shù)ρij：

式中，ri和rj分別為股票i和j的收益率序列，E［·］表示數(shù)學(xué)期望，ρij∈［-1，1］。如果2只股票之間完全正（負(fù)）相關(guān)，則ρij=±1；如果2只股票之間完全無(wú)關(guān)，則ρij=0。計(jì)算任意2只股票之間收益率相關(guān)系數(shù)構(gòu)成相應(yīng)的相關(guān)系數(shù)矩陣A。

相關(guān)系數(shù)矩陣A表示所選股票間收益率相關(guān)性，會(huì)出現(xiàn)負(fù)值元素，所以需要把相關(guān)系數(shù)矩陣轉(zhuǎn)化為距離矩陣。用dij來(lái)表示股票i和j之間的距離：

由式（3）可知相關(guān)系數(shù)越大，股票之間距離越小。將距離作為構(gòu)建網(wǎng)絡(luò)的關(guān)聯(lián)性指標(biāo)，把距離矩陣導(dǎo)入Matlab軟件中得到相應(yīng)的MST網(wǎng)絡(luò)。

1.2 投資組合構(gòu)建

1.2.1 歐氏距離 歐氏距離也稱(chēng)“歐幾里得度量”，它表示在M維空間中兩個(gè)點(diǎn)之間的真實(shí)距離。本文將n個(gè)時(shí)期市場(chǎng)中股票對(duì)數(shù)收益率相關(guān)系數(shù)矩陣分別記為A1，A2，...，An。矩陣的每一行（或每一列）都代表著股票節(jié)點(diǎn)與網(wǎng)絡(luò)中其他股票節(jié)點(diǎn)之間的相關(guān)關(guān)系，可以將其看作表示股票節(jié)點(diǎn)與整體網(wǎng)絡(luò)的關(guān)系向量。以其中以1只股票G為例，每個(gè)周期T都有對(duì)應(yīng)的向量表示股票G與網(wǎng)絡(luò)的關(guān)系。記為G=（GT1，GT2，...，GTN），GTm=（xm1，xm2，...，xmk）在股票市場(chǎng)從周期Tm到周期Tm+1時(shí)，股票節(jié)點(diǎn)與市場(chǎng)之間的關(guān)系發(fā)生變化，本文引用歐氏距離來(lái)度量這種變化：

根據(jù)式（4）可求得股票相關(guān)系數(shù)向量在不同時(shí)期之間的變遷距離矩陣，通過(guò)提取矩陣對(duì)角線數(shù)據(jù)來(lái)衡量同一股票在相鄰周期之間的距離變化（以下簡(jiǎn)稱(chēng)“股票歐氏距離”）。并以此反映所選股票相對(duì)市場(chǎng)中同時(shí)變化的其他股票價(jià)格變化是否敏感，是否會(huì)對(duì)市場(chǎng)波動(dòng)產(chǎn)生明顯的結(jié)構(gòu)性變化。若某只股票歐氏距離大說(shuō)明股票市場(chǎng)受到?jīng)_擊時(shí)會(huì)給該股票帶來(lái)較大的影響。在進(jìn)行投資組合構(gòu)建時(shí)選擇股票歐氏距離小的股票來(lái)降低投資風(fēng)險(xiǎn)。

1.2.2 復(fù)雜網(wǎng)絡(luò)社團(tuán)劃分 選用GN算法對(duì)股票網(wǎng)絡(luò)進(jìn)行社團(tuán)劃分，其基本思想是通過(guò)計(jì)算出網(wǎng)絡(luò)中相對(duì)于源節(jié)點(diǎn)的各節(jié)點(diǎn)的介數(shù)，通過(guò)刪減介數(shù)最大的邊將網(wǎng)絡(luò)中的點(diǎn)逐漸分離出去，在達(dá)到事先設(shè)定的社團(tuán)數(shù)量時(shí)停止這一過(guò)程，從而將網(wǎng)絡(luò)劃分為分離的社團(tuán)。同時(shí)引入模塊度Q來(lái)衡量社團(tuán)劃分效果，Q值越大表示社團(tuán)劃分效果越好。本文構(gòu)建的網(wǎng)絡(luò)屬于無(wú)向網(wǎng)絡(luò)，其Q函數(shù)表達(dá)式如下：

式中，nc是社團(tuán)數(shù)量，M是整個(gè)網(wǎng)絡(luò)的邊數(shù)，lv是社團(tuán)v內(nèi)部所包含的邊數(shù)，dv是社團(tuán)v中所有節(jié)點(diǎn)度值之和。

2 股票關(guān)聯(lián)網(wǎng)絡(luò)的構(gòu)建

2.1 數(shù)據(jù)采集預(yù)處理 選取能夠近似反映中國(guó)股市漲跌情況的滬深300成分股日收盤(pán)價(jià)數(shù)據(jù)，時(shí)間為2019年3月1日—2022年3月1日，數(shù)據(jù)來(lái)源于Wind數(shù)據(jù)庫(kù)。從300只股票中剔除數(shù)據(jù)連續(xù)缺失超過(guò)10 d的股票，取最終剩余的270只股票作為觀測(cè)樣本。在觀測(cè)期間滬深300指數(shù)收益波動(dòng)情況見(jiàn)圖1。

圖1 滬深300指數(shù)收益率波動(dòng)圖

根據(jù)滬深300指數(shù)收益率波動(dòng)，結(jié)合疫情發(fā)生前后產(chǎn)業(yè)發(fā)展情況將時(shí)間跨度模糊劃分為4個(gè)階段：第一階段（2019年3月—2019年12月），股票市場(chǎng)還未受到疫情影響，投資者決策主要依據(jù)市場(chǎng)行情；第二階段（2020年1月—2020年10月），疫情暴發(fā)各大產(chǎn)業(yè)均受到影響，投資者情緒低落，證券市場(chǎng)受到?jīng)_擊；第三階段（2020年11月—2021年8月），產(chǎn)業(yè)恢復(fù)期，產(chǎn)業(yè)開(kāi)始復(fù)蘇，投資者情緒開(kāi)始好轉(zhuǎn)；第四階段（2021年9月—2022年3月），疫情基本得到控制，只在局部發(fā)生小規(guī)模的疫情感染現(xiàn)象，故本文將前3個(gè)階段作為主要研究對(duì)象，利用2021年度數(shù)據(jù)來(lái)檢驗(yàn)投資組合策略的效果。通過(guò)公式（1）、（2）和（3）對(duì)原始數(shù)據(jù)進(jìn)行處理，以股票間的距離為連接依據(jù)生成對(duì)應(yīng)各階段的最小生成樹(shù)網(wǎng)絡(luò)，并通過(guò)股票歐氏距離來(lái)反映不同階段股票的波動(dòng)情況。

2.2 最小生成樹(shù)形成與結(jié)構(gòu)分析 利用Matlab和Pajek軟件繪制復(fù)雜網(wǎng)絡(luò)拓?fù)鋱D，這里以疫情沖擊后股票市場(chǎng)交易數(shù)據(jù)為例，得到最小生成樹(shù)網(wǎng)絡(luò)。見(jiàn)圖2。

圖2 第三階段最小生成樹(shù)網(wǎng)絡(luò)

為了更清楚地看到股票市場(chǎng)關(guān)聯(lián)網(wǎng)絡(luò)的變化情況，本文對(duì)3個(gè)階段進(jìn)一步細(xì)分，將所選取的總樣本時(shí)間劃分為15個(gè)時(shí)間段，分別記為：P1，P2，…，P15。在計(jì)算股票相關(guān)系數(shù)的股票歐氏距離之前需要確定一個(gè)臨界點(diǎn)，在疫情沖擊影響下，該臨界點(diǎn)前后股票市場(chǎng)的波動(dòng)相對(duì)較大，從而消除因信息傳遞的時(shí)滯給研究帶來(lái)的影響。分別選取2019年12月31日、2020年1月15日、2020年1月20日 和2020年1月31日作為臨界點(diǎn)?？紤]到股票市場(chǎng)在面對(duì)突發(fā)事件時(shí)具有一定的自我調(diào)節(jié)能力，為得到疫情沖擊前后股票市場(chǎng)相對(duì)明顯的變化，選取時(shí)間節(jié)點(diǎn)前后2個(gè)月的數(shù)據(jù)進(jìn)行分析。分別計(jì)算4個(gè)時(shí)間節(jié)點(diǎn)前后不同股票歐氏距離段內(nèi)對(duì)應(yīng)股票數(shù)量分布情況。見(jiàn)圖3。

圖3 不同時(shí)間臨界點(diǎn)各股票歐氏距離段內(nèi)股票分布圖

從圖3可以看出以2020年1月20日為臨界點(diǎn)下股票集中分布在股票歐氏距離較大的區(qū)域，反映出整個(gè)股票市場(chǎng)在此臨界點(diǎn)前后波動(dòng)較大。分別以4個(gè)時(shí)間節(jié)點(diǎn)作為臨界點(diǎn)計(jì)算股票歐氏距離，對(duì)應(yīng)均值分別為5.74、6.42、6.49和4.31，可以看出2020年1月20日為臨界點(diǎn)時(shí)股票市場(chǎng)前后總體波動(dòng)最為明顯，且在該臨界點(diǎn)之前股票歐氏距離呈現(xiàn)逐漸增大的趨勢(shì)。綜上所述，以2020年1月20日為臨界點(diǎn)最能反映股票市場(chǎng)沖擊前后變化。

3 投資策略設(shè)計(jì)與檢驗(yàn)

3.1 股票歐氏距離分組 臨界點(diǎn)后與臨界點(diǎn)前的日收益率均值之差表示疫情沖擊前后的收益率變化情況，以所選取時(shí)間內(nèi)股票對(duì)數(shù)收益率標(biāo)準(zhǔn)差作為衡量風(fēng)險(xiǎn)的指標(biāo)。為研究收益率和風(fēng)險(xiǎn)隨股票歐氏距離變化的趨勢(shì)，按照股票歐氏距離大小將其均勻分為10組，計(jì)算各組對(duì)數(shù)收益率的均值和標(biāo)準(zhǔn)差。結(jié)果見(jiàn)表1。

表1 收益率和標(biāo)準(zhǔn)差隨股票歐氏距離變化表

從表1可以看出隨著股票歐氏距離的增大收益率和標(biāo)準(zhǔn)差整體呈現(xiàn)出下降趨勢(shì)，結(jié)果符合我們的預(yù)測(cè)，即股票歐氏距離越大對(duì)應(yīng)股票相對(duì)于整體市場(chǎng)的變化就越大，所選股票對(duì)市場(chǎng)中同時(shí)變化的其他股票價(jià)格變化越敏感，受疫情負(fù)面影響所產(chǎn)生的結(jié)構(gòu)性變化越明顯。在股票市場(chǎng)受到負(fù)面沖擊背景下構(gòu)建投資組合時(shí)，投資者可選擇股票歐氏距離小的股票來(lái)保證收益率的相對(duì)穩(wěn)定。

3.2 股票關(guān)聯(lián)網(wǎng)絡(luò)社團(tuán)劃分 為了構(gòu)建疫情影響下的股票投資組合，選取疫情突發(fā)時(shí)期（即第二階段）的數(shù)據(jù)為依據(jù)，利用GN算法對(duì)選取的270只股票的最小生成樹(shù)網(wǎng)絡(luò)進(jìn)行社團(tuán)劃分，得15個(gè)社團(tuán)。根據(jù)式（5）求得所劃分社團(tuán)的模塊度Q=0.879，表明利用GN算法對(duì)滬深300成分股最小生成樹(shù)網(wǎng)絡(luò)進(jìn)行劃分的社團(tuán)結(jié)構(gòu)非常清晰，經(jīng)過(guò)篩選得到的270只股票較為均勻地分布在各個(gè)社團(tuán)內(nèi)。表2～3列舉了其中2個(gè)社團(tuán)。

從表2～3劃分結(jié)果可以看出同一社團(tuán)內(nèi)會(huì)存在相同行業(yè)的股票，同一行業(yè)主營(yíng)業(yè)務(wù)相近，歸為同一社團(tuán)，和傳統(tǒng)按照行業(yè)進(jìn)行分類(lèi)有類(lèi)似的地方。社團(tuán)中還存在著不屬于同一行業(yè)的企業(yè)，但處于同一地域或被同一股東控股。由于最小生成樹(shù)網(wǎng)絡(luò)中節(jié)點(diǎn)按照收益率相關(guān)性的距離進(jìn)行關(guān)聯(lián)，距離越小則節(jié)點(diǎn)之間關(guān)聯(lián)性越強(qiáng)，最小生成樹(shù)網(wǎng)絡(luò)是由距離最小的節(jié)點(diǎn)之間連接而成，GN算法將網(wǎng)絡(luò)中關(guān)聯(lián)性較強(qiáng)的股票劃分到一個(gè)社團(tuán)，同一社團(tuán)內(nèi)股票在遇到風(fēng)險(xiǎn)時(shí)股票收益波動(dòng)具有一定的協(xié)同性。所以在進(jìn)行構(gòu)建投資組合時(shí)，選取不同社團(tuán)中的股票有利于分散投資風(fēng)險(xiǎn)。

表2 GN算法社團(tuán)3劃分情況

表3 GN算法社團(tuán)13劃分情況

3.3 投資策略與驗(yàn)證 綜合上述實(shí)證分析結(jié)果，具體投資組合策略主要分兩步：第一步，在投資者進(jìn)行構(gòu)建投資組合時(shí)，選擇股票歐氏距離較小的股票組合；第二步，選取該股票歐式距離分組中處于不同社團(tuán)的股票分散風(fēng)險(xiǎn)。當(dāng)距離分組中出現(xiàn)多只股票位于同一社團(tuán)時(shí)，選取對(duì)應(yīng)股票歐氏距離最小的股票構(gòu)建投資組合。以期在股票市場(chǎng)受到負(fù)面沖擊背景下，降低投資風(fēng)險(xiǎn)。

為檢驗(yàn)上述方法是否具有實(shí)際價(jià)值，以2019年11月20日—2020年3月20日期間的歷史收盤(pán)價(jià)數(shù)據(jù)計(jì)算股票歐氏距離，根據(jù)上述方法構(gòu)建投資組合A；選擇股票歐氏距離較大的股票構(gòu)建投資組合B；選擇不同行業(yè)的股票構(gòu)建投資組合C。B、C為對(duì)照組，3個(gè)組合的股票組成見(jiàn)表4。

表4 投資組合內(nèi)股票組成情況

計(jì)算上述投資組合2021年度收益率與標(biāo)準(zhǔn)差，利用組合收益率與標(biāo)準(zhǔn)差的比值來(lái)衡量投資組合的效果，結(jié)果見(jiàn)表5。

表5 2021年度投資組合收益風(fēng)險(xiǎn)情況

表5結(jié)果顯示，依據(jù)投資策略構(gòu)建的投資組合A相較其他投資組合在一年中具有較高的收益和較低的風(fēng)險(xiǎn)，總體投資效果較好，能夠在負(fù)面沖擊背景下有效分散風(fēng)險(xiǎn)。

新冠疫情的暴發(fā)給中國(guó)股市帶來(lái)了負(fù)面沖擊。本文選取滬深300成分股為觀測(cè)樣本，運(yùn)用最小生成樹(shù)算法構(gòu)建不同時(shí)期股票市場(chǎng)關(guān)聯(lián)網(wǎng)絡(luò)，分析了疫情沖擊下中國(guó)股市的波動(dòng)情況。基于股票相關(guān)系數(shù)向量的歐式距離和股票關(guān)聯(lián)網(wǎng)絡(luò)的社團(tuán)劃分提出一種投資策略，通過(guò)對(duì)比實(shí)驗(yàn)分析了該策略的有效性。研究結(jié)論如下：（1）股票相關(guān)系數(shù)向量的股票歐氏距離隨疫情的發(fā)展先上升，后下降，前后波動(dòng)最大的時(shí)間臨界點(diǎn)是2020年1月20日，相較疫情被發(fā)現(xiàn)的時(shí)間約延遲了20 d，說(shuō)明疫情對(duì)股市的影響是逐漸增大的，信息在股市中的傳播存在時(shí)滯；（2）基于股票歐氏距離大小分組的投資組合收益具有明顯的變化趨勢(shì)，在該投資策略指導(dǎo)下所做的投資組合在未來(lái)能夠獲得較高收益。對(duì)比實(shí)驗(yàn)結(jié)果表明，在該投資策略指導(dǎo)下，相較股票歐氏距離大的投資組合，股票歐氏距離小的投資組合具有較好的投資效果，且基于歷史交易數(shù)據(jù)所做的投資組合在未來(lái)能夠獲得較高收益，為投資者構(gòu)建投資組合提供參考。