揚聲器 | 成績單 |
| 林永凱 | 好的。 大家好你們好。 所以我將介紹我們的論文。 |
| 論文題目是Analysis of Stock Market with Unsupervised Learning，特別是使用動態時間扭曲對中國股市ETF的分析。 |
| 所以，我叫永凱，論文的作者，陳力是我的合著者。 所以這篇論文是為在新加坡管理大學攻讀碩士學位的金副教授準備的。 |
| 所以我今天的演講議程如下。 首先，我將從論文的介紹和目標開始。 |
| 接下來是數據準備，然後是聚類。 接下來是對我們集群性能的分析，最後是我們論文的結論和未來工作。 |
| 所以我從介紹和目標開始。 |
| 因此，交易所交易基金（簡稱 ETF）讓投資者能夠接觸到各個行業的許多股票，而且他們往往通過投資組合的多樣化來進行更好的風險管理。 |
| 所以中國證券交易所是全球第二大證券交易所運營商，而由於ETF的火爆，這些年又湧現出很多新的ETF，使得投資者難以選擇和選擇投資的ETF。 |
| 因此，我們論文的目標旨在縮小大量 ETF 的範圍，並幫助缺乏領域知識的投資者通過使用無監督學習技術來構建他們的投資組合。 |
| 所以這裡將使用兩種聚類技術，主要是動態時間扭曲和層次聚類。 |
| 因此，這兩個集群的表現優於將 ETF 聚合成具有相似價格走勢模式的集群。 因此，在本文中，我們將研究在中國上海和深圳股市上市的 ETF。 |
| 因此，將使用的軟件工具絕對是 JMP Pro。 我們使用的是 15.2 版本。 JMP Pro 用於我們的數據準備以及我們使用 Graph Builder 進行的分析和結果分析。 |
| 我們還將使用 SAS Enterprise Miner 進行集群，它將執行動態時間扭曲和層次集群。 |
| 繼續進行數據準備。 |
| 因此使用了六個不同的數據集，主要是2018年至2020年上海ETF的每日收盤價，以及2018年至2020年深圳ETF的每日收盤價。 |
| 因此，為聚類準備數據的工作流程如下。 因此，我們將首先將我們的六個數據集導入 JMP Pro。 |
| 然後我們將加入上海和深圳 ETF 的多個表。 接下來我們將使用 JMP Pro 中的缺失數據模式功能來清理數據集。 此後，我們還使用給定的公式將每個 ETF 的月回報率製成表格，即 |
| 月底價格減去月初價格再除以月初價格。 |
| 最後，我們將兩個表組合在一起，現在可以進行集群了。 |
| 因此，首先我們將使用 JMP 中的導入多個文件功能從我們的原始數據集中批量導入我們的六個文件用於 ???。 |
| 所以在這裡，你可以看到，我們正在使用輸入多個文件功能，這是我們數據集的文件夾。 |
| 因此，如您所見，使用此功能，我們可以非常輕鬆地將所有不同的數據集一次導入 JMP Pro。 |
| 因此，如您所見，我們的 6 個數據集已加載。 |
| 接下來，我們的第二步將需要將所有不同的數據...所有表連接在一起。 |
| 在這裡，我使用的是上海 2018 年的數據，我正在使用 2019 年的數據執行外連接，匹配列將是每個 ETF 的序列號。 |
| 因此，將其合併後，它將包含 2018 年至 2019 年的所有 ETF 數據。 |
| 接下來，我將對 2020 年的數據執行另一個外部聯接。 現在 |
| 生成的數據集將包含上海 ETF 從 2018 年到 2020 年的所有數據。 當然，我們也會對深圳 ETF 數據集重複該過程。 |
| 因此，繼續，我們將檢查缺失數據，我們將使用 JMP Pro 中表格工具欄下的缺失數據模式功能 |
| 因此，在表格工具欄下，我們可以選擇缺失數據模式，我們可以選擇所有列來檢查缺失數據。 如你看到的， |
| 有 98 列沒有丟失數據，我們可以選擇它將 ???回到我們的主桌。 我們可以選擇 98 行，這將是我們的結果數據集 |
| 聚類。 |
| 因此，這也將針對其他數據集執行。 |
| 接下來，我們還要將我們的每月回報率製表，這是我之前提到的公式，我們所做的就是在數據中插入一列。 |
| 當然，我們會插入一個公式。 |
| 如前所述，公式將是月底的收盤價，即 2018 年 1 月 31 日，減去第一天，即第二天。 |
| 當然，除以第一次約會。 它應該以百分比的比例為我們提供每月回報。 所以我們當然可以微調這些，我們可以將列名更改為 2018 年 1 月，當然，我們可以將格式更改為帶兩位小數的百分比。 |
| 所以這裡是一月份的月度回報，我們可以在整個數據集中重複所有月份。 |
| 最後，在準備好深圳和上海 ETF 的兩個數據集之後，我們需要將它們組合在一起。 |
| 所以我們將使用表格工具欄中的concatenate函數將兩個數據集合二為一，之後用於聚類建模。 如您所見，這兩個數據 |
| 深滬ETF合二為一，共143行。 之後我們應該使用我們的集群。 |
| 所以現在繼續我們的聚類。 |
| 層次聚類使用鄰近矩陣來確定每個月回報之間的成對相似性和相異性 |
| 使用歐幾里得距離。 在右側，動態時間扭曲用於比較時間序列之間的相似性，這說明了時間因素。 它在傳播延遲方面具有相同的因素，甚至可以檢測具有相似模式但略有異相的時間序列。 |
| 因此，儘管 JMP Pro 能夠執行層次聚類，但動態時間扭曲僅在 SAS Enterprise Miner 上可用，因此兩種聚類建模都是在 SAS Enterprise Miner 中執行的。 |
| 現在也許 JMP Pro 可能會考慮在未來的聚類功能中加入動態時間扭曲，所以對於我們用戶來說，我們可以擁有一個多合一的軟件來執行我們從數據準備到建模的整個分析，最後是可視化我們的結果。 |
| 所以集群完成後，數據從 SAS Enterprise Miner 加載回 JMP Pro 進行可視化和分析。 |
| 因此，聚類是一種無監督建模方法，JMP Pro Graph Builder 在幫助可視化這些結果方面非常有用。 |
| 要使用的適當可視化是熱圖，它允許用戶快速從聚類結果中獲得洞察力。 |
| 所以沿著 X 軸……Y 軸是不同的 ETF，X 軸是 ETF 的月收益。 所以從這張熱圖中，我們可以快速觀察到，在這個集群內，月回報顯示出由顏色強度表示的相似性跡象，這就是月回報。 |
| 因此，接下來我們將努力比較兩種聚類技術中的兩個聚類。 左邊是動態時間扭曲，右邊是層次聚類。 |
| 所以動態時間規整算法聚類了七隻不同的ETF，它們都屬於創業板市場。 |
| 左右是層次聚類，是一些創業板ETF和其他ETF組合在一起的一個集群。 |
| 因此，動態時間扭曲還將另外兩個屬於企業部門的 ETF 聚集在一起，這在層次聚類中是缺失的，它們在左側用紅色框起來。 |
| 與層次聚類算法相比，這展示了動態時間規整算法的優點，它可以在哪裡獲得???進行聚類時的模式。 所以我會展示... |
| 如您所見，這就是我們在 JMP Pro 中所做的。 左邊是動態時間扭曲，右邊是聚類。 所以使用 Graph Builder，我們可以交互地看到 |
| 同一時期內的同一 ETF，因為它們都鏈接到相同的數據集。 所以其他的比較，我們可以看看集群 5 和集群 9。 |
| 因此，這裡的本地數據過濾器允許我們在不同的集群之間輕鬆切換以進行比較。 你可以看到，我們可以看看類似的，你可以看到這幾個在這個動態時間扭曲中是不存在的。 正如你在這裡看到的， |
| 它是鏈接的。 |
| 當然，我們也許可以看看最後一個，所以這兩個是相同的比較集群......相似，所以動態時間扭曲將四個 ETF 組合在一起，而層次結構將其中大約八個組合在一起. |
| 所以，搬回來。 |
| 因此，當我們對兩個集群進行比較時，當您使用 JMP Pro Graph Builder 熱圖（也記錄在我們的論文中）比較它們時，會有幾個相似的結果，因此我們將把我們的論文放在 JMP Community 上，以了解我們論文中的所有發現。 |
| 因此，將聚類結果與 ETF 投資組合構成進行比較，動態時間規整算法能夠比分層聚類更準確地對類似行業或投資組合的 ETF 進行聚類。 |
| 這可能是因為，不是根據層次聚類算法僅計算同一時間段之間的歐幾里得距離， |
| 動態時間扭曲可以沿著該時間軸滑動，以計算兩個時間序列之間的最短距離，並檢測稍微異相的模式。 |
| 因此，現在我們根據每月回報的表現來分析我們的集群。 |
| 因此，JMP Pro Graph Builder 用於繪製每月回報趨勢，因此 Graph Builder 允許我們使用多個 ETF 每月回報來構建可視化。 |
| 這是每個月的箱線圖，它們在三年期間顯示出平滑的趨勢線。 所以交互功能允許我們作為用戶？？？用於分析的可視化洞察力。 |
| 從圖中我們還可以觀察到，2019 年到 2020 年的波動範圍（這裡用藍色表示）比 2018 年更高或更大。 |
| 隨後幾個月的四分位數範圍也更大，這意味著在這些月份中，ETF 的月回報率差異也更大。 |
| 因此，從圖表中您可以看到表現最好的月份實際上是 2019 年 2 月，您可以在這裡看到 2020 年 7 月以及 |
| 2020 年 2 月。 相反，表現最差的月份是 2020 年的大部分時間， |
| 其次是 2018 年 12 月和 2018 年 6 月。 |
| 因此向下鑽取以僅顯示特定集群，我們可以使用 JMP Pro Graph Builder，即本地數據過濾器。 |
| 這類似於我展示的演示，我們可以在不同的集群之間切換以具體查看並放大不同的集群。 |
| 所以我們可以單獨分析這些集群。 所以我們在左邊撿了兩個集群，它們主要是屬於軍事製造商的ETF，右邊 |
| 是成熟企業市場中的科技公司。 因此，從 2019 年到 2020 年，這兩個集群都創下歷史新高， |
| 如上一張幻燈片所示，這也是表現最好的月份。 |
| 但是，仔細查看每個月的箱線圖，與右側的集群相比，左側的集群通常具有較小的四分位距。 |
| 這表明，與右側的 ETF 相比，從左側集群中選擇任何 ETF 將產生更一致的月度回報。 如果您是在 2019 年至 2020 年之間購買，那肯定是。 |
| 因此，如果我們使用 JMP Pro Graph Builder 深入研究四個集群的熱圖，我們可以觀察到，與 2018 年相比，2019 年至 2020 年的月回報率總體上表現更好。 |
| 所以我們可以看到它們是更高強度的正回報，與 2018 年相比，從 2019 年到 2020 年以更亮的綠色表示。 |
| 因此，我們進行了一些調查，並初步假設這與 2017 年開始的中美貿易戰緊張局勢升級有關。 |
| 這對中國經濟和貿易市場的影響並不多見。 2019年，中國國家主席也呼籲中國自力更生。 |
| 據統計，2019年上半年，中國高技術製造業在中國工業增長中佔比較大，正在逐步擺脫對外國技術和其他產品的依賴。 |
| 因此，此外，中國還大力投資人工智能和集成電路等產業，以實現自力更生的目標。 |
| 因此，中國這種經濟驅動的增長可能會導致這幾個行業在宣布和國家方向轉變後在 2019 年至 2020 年實現正增長。 |
| 所以最後，我將以我們的結論和一些可以應用於我們論文的未來工作作為結束。 |
| 因此，雖然層次聚類和動態時間規整都產生非常相似的聚類結果，但動態時間規整有其優點 |
| 算法，因為它設法更準確地對 ETF 進行聚類。 此外 ETF 的月回報率，因此在時間序列和動態時間扭曲算法中可以產生更好的聚類結果。 |
| 我們還觀察到集群的月度回報表現與中國經濟目標的相關性，這當然導致了這些行業的月度表現更好。 |
| 因此，未來可以做的一些工作是探索行業與國家宏觀經濟因素的其他相關性，以得出不同的見解。 |
| 而且，我們可以將動態時間扭曲應用於不同的金融工具，例如止損商品價格......商品價格， |
| 貨幣，甚至衍生品。 最後，您知道，可以在不同的時間段內進行分析，例如 COVID 之前和 COVID 之後，當然，我們還沒有達到那個階段。 |
| 即使在不同的時間間隔。 現在我們使用每月，您也可以查看每週、每季度或每年...每月....每年 |
| 返回。 |
| 所以我想感謝 JMP Pro 讓我有機會通過這個平台展示我的作品。 |
| 我還要感謝我的合著者和導師在整個旅程中對我的支持。 最後，我將回顧一下我作為用戶在使用 JMP Pro 時的個人體驗。 |
| JMP Pro 為我們作為用戶的我們提供了出色的用戶體驗，它是一個非常互動和動態的數據分析軟件。 |
| 它允許我們的用戶更快地準備我們的數據準備，並獲得更準確的結果。 所以 Graph Builder 功能對於我們的結果分析也是非常方便和有用的功能。 |
| 我們可以從這個 Graph Builder 中獲得美麗的見解和有趣的信息，最後，當我們使用 JMP Pro 進行統計分析時，例如假設檢驗，甚至其他建模技術（例如聚類或 PCA）也非常用戶友好。 |
| 所以謝謝你的時間。 這總結了我的論文。 |
