Lautsprecher | Abschrift |
| LIM Yong Kai | Okay. Hallo zusammen. Also werde ich unsere Zeitung präsentieren. |
| Der Titel des Papiers lautet Aktienmarktanalyse mit unüberwachtem Lernen, insbesondere eine Analyse von ETFs auf dem chinesischen Aktienmarkt unter Verwendung von dynamischem Time Warping. |
| Also, mein Name ist Yong Kai, der Autor der Abhandlung, und Chen Li ist mein Co-Autor. Die Arbeit war also etwas für Associate Professor Kam in einem Masterprogramm an der Singapore Management University. |
| Die Tagesordnung meiner heutigen Präsentation lautet also wie folgt. Zunächst beginne ich mit einer Einführung und dem Ziel der Arbeit. |
| Als nächstes folgt die Datenaufbereitung, gefolgt vom Clustering. Als nächstes folgt die Analyse der Leistung unserer Cluster und schließlich die Schlussfolgerung und die zukünftigen Arbeiten unseres Papiers. |
| Ich beginne also mit der Einführung und dem Ziel. |
| Exchange Traded Funds, oder kurz ETFs, ermöglichen es Anlegern also, Zugang zu vielen Aktien aus verschiedenen Branchen zu erhalten, und sie haben in der Regel ein besseres Risikomanagement durch die Diversifizierung ihres Portfolios. |
| Die chinesische Börse ist also der zweitgrößte Börsenbetreiber der Welt, und aufgrund der Popularität von ETFs wurden im Laufe der Jahre viele neue ETFs geschaffen, was es Anlegern schwer macht, den ETF auszuwählen, in den sie investieren möchten. |
| Das Ziel unseres Papiers besteht also darin, die große Anzahl von ETFs einzugrenzen und Anlegern mit wenig Domänenwissen beim Aufbau ihres Anlageportfolios durch den Einsatz von Techniken des unbeaufsichtigten Lernens zu helfen. |
| Daher werden hier zwei Clustering-Techniken verwendet, hauptsächlich das dynamische Time Warping und auch das hierarchische Clustering. |
| Diese beiden Cluster übertreffen also die Leistung, um die ETFs zu Clustern mit ähnlichen Preisbewegungsmustern zusammenzufassen. In diesem Dokument werden wir uns also die ETFs ansehen, die an den Aktienmärkten von Shanghai und Shenzhen in China notiert sind. |
| Die Software-Tools, die verwendet werden, sind also definitiv JMP Pro. Wir verwenden die Version 15.2. JMP Pro wird in unserer Datenaufbereitung und auch in unserer Analyse und Ergebnisanalyse mit Graph Builder verwendet. |
| Und wir werden auch SAS Enterprise Miner für unser Clustering verwenden, das dynamisches Time Warping und auch hierarchisches Clustering durchführt. |
| Weiter geht es mit der Datenaufbereitung. |
| Es wurden also sechs verschiedene Datensätze verwendet, hauptsächlich der tägliche Schlusskurs von Shanghais ETFs von 2018 bis 2020 und auch der tägliche Schlusskurs von Shenzhens ETFs, ähnlich von 2018 bis 2020. |
| Der Arbeitsablauf zum Vorbereiten der Daten für das Clustering ist also wie folgt. Wir importieren also zunächst unsere sechs Datensätze in JMP Pro. |
| Und dann würden wir uns den mehreren Tischen für Shanghai- und Shenzhen-ETFs anschließen. Als Nächstes verwenden wir die Musterfunktion für fehlende Daten in JMP Pro, um den Datensatz zu bereinigen. Danach tabellieren wir auch die monatliche Rendite für jeden ETF unter Verwendung der angegebenen Formel, dh |
| der Preis am Monatsende minus der Preis am Monatsanfang geteilt durch den Preis am Monatsanfang. |
| Und schließlich haben wir beide Tabellen miteinander kombiniert und jetzt ist es bereit für das Clustering. |
| Zuerst werden wir also die Funktion zum Importieren mehrerer Dateien in JMP verwenden, um unsere sechs Dateien aus unserem Rohdatensatz für das ??? im Stapel zu importieren. |
| Hier können Sie also sehen, dass wir die Funktion zum Eingeben mehrerer Dateien verwenden, und dies ist der Ordner für unsere Datensätze. |
| Wie Sie also sehen können, ist es für uns mit dieser Funktion sehr einfach, alle verschiedenen Datensätze auf einmal in JMP Pro zu importieren. |
| Wie Sie also sehen können, wurden unsere 6 Datensätze geladen. |
| Als nächstes müssen wir in unserem zweiten Schritt all die verschiedenen Daten zusammenführen ... alle Tabellen miteinander. |
| Hier verwende ich die Daten von Shanghai 2018 und führe einen Outer Join mit Daten von 2019 durch, und die übereinstimmende Spalte ist die Seriennummer jedes ETF. |
| Nachdem dies kombiniert wurde, enthält es alle ETF-Daten für 2018 bis 2019. |
| Als Nächstes führe ich eine weitere äußere Verknüpfung mit den Daten für 2020 durch. Und nun |
| Der resultierende Datensatz enthält alle Daten von 2018 bis 2020 für Shanghais ETFs. Und natürlich würden wir den Vorgang auch für den Shenzhen ETF-Datensatz wiederholen. |
| Als nächstes suchen wir nach fehlenden Daten und verwenden die Musterfunktion für fehlende Daten unter der Tabellen-Symbolleiste in JMP Pro |
| Unter der Tabellen-Symbolleiste können wir also das fehlende Datenmuster auswählen und alle unsere Spalten auswählen, um nach fehlenden Daten zu suchen. Wie du sehen kannst, |
| Es gibt 98 Spalten, die keine fehlenden Daten enthalten, und wir können sie auswählen, die ??? zurück zu unserem Haupttisch. Wir können diese 98 Zeilen auswählen und dies sind unsere resultierenden Datensätze für |
| Clusterung. |
| Dies wird also auch für die anderen Datensätze durchgeführt. |
| Als nächstes werden wir auch unsere monatliche Rendite tabellieren, was die Formel ist, die ich zuvor erwähnt habe, und was wir tun, ist, wir fügen eine Spalte in die Daten ein. |
| Natürlich werden wir eine Formel einfügen. |
| Wie bereits erwähnt, ist die Formel der Schlusskurs am Ende des Monats, das ist der 31. Januar 2018, abzüglich des ersten Tages, der der zweite ist. |
| Und natürlich geteilt durch das erste Date. Es sollte uns die monatliche Rendite in einem prozentualen Anteil geben. Natürlich können wir diese feinabstimmen, wir können den Spaltennamen in Januar 2018 ändern und natürlich können wir das Format in Prozent mit zwei Dezimalstellen ändern. |
| Also los geht's mit der Monatsrendite für Januar, und wir können das für alle Monate im gesamten Datensatz wiederholen. |
| Und schließlich, nachdem beide Datensätze für Shenzhen- und Shanghai-ETFs vorbereitet sind, müssen wir sie miteinander kombinieren. |
| Wir werden also die Verkettungsfunktion in der Tabellen-Symbolleiste verwenden, um beide Datensätze zu einem zu kombinieren, der anschließend für die Clustering-Modellierung verwendet wird. Wie Sie sehen können, sind beide Daten für |
| Shenzhen- und Shanghai-ETFs wurden zu einem mit 143 Reihen kombiniert. Danach sollten wir unser Clustering verwenden. |
| Gehen wir nun zu unserem Clustering über. |
| Beim hierarchischen Clustering wird eine Näherungsmatrix verwendet, um die paarweise Ähnlichkeit und Unähnlichkeit zwischen jeder monatlichen Rendite zu bestimmen |
| unter Verwendung der euklidischen Distanz. Rechts wird dynamisches Time Warping verwendet, um die Ähnlichkeit zwischen Zeitreihen zu vergleichen, was den Zeitfaktor berücksichtigt. Es hat den gleichen Faktor in Ausbreitungsverzögerungen und erkennt sogar Zeitreihen, die ähnliche Muster aufweisen, die leicht phasenverschoben sind. |
| Obwohl JMP Pro in der Lage ist, hierarchisches Clustering durchzuführen, ist dynamisches Time Warping nur auf SAS Enterprise Miner verfügbar, daher wurde beide Clustering-Modellierung in SAS Enterprise Miner durchgeführt. |
| Vielleicht möchte JMP Pro in Zukunft in Betracht ziehen, dynamisches Time Warping in die Clustering-Funktion aufzunehmen, damit wir Benutzer eine All-in-One-Software haben, mit der wir unsere gesamte Analyse von der Datenvorbereitung über die Modellierung bis hin zur Visualisierung durchführen können unsere Ergebnisse. |
| Nachdem das Clustering abgeschlossen war, wurden die Daten zur Visualisierung und Analyse von SAS Enterprise Miner zurück in JMP Pro geladen. |
| Clustering ist also eine nicht überwachte Modellierungsmethode, und JMP Pro Graph Builder ist sehr nützlich, um diese Ergebnisse zu visualisieren. |
| Eine geeignete zu verwendende Visualisierung ist die Heatmap, die es Benutzern ermöglicht, schnell Einblicke in das Clustering-Ergebnis zu erhalten. |
| Also entlang der X-Achse ... die Y-Achse sind die verschiedenen ETFs und die X-Achse sind die monatlichen Renditen von ETFs. Aus dieser Heatmap können wir also schnell erkennen, dass die monatliche Rendite innerhalb dieses Clusters Anzeichen von Ähnlichkeit zeigt, die durch die Intensität der Farbe angezeigt wird, die die monatliche Rendite ist. |
| Als nächstes werden wir daran arbeiten, zwei Cluster aus beiden Clustering-Techniken zu vergleichen. Auf der linken Seite befindet sich das dynamische Time Warping und auf der rechten Seite das hierarchische Clustering. |
| So hat der dynamische Time Warping-Algorithmus sieben verschiedene ETFs geclustert, die alle zum Wachstumsmarkt für Unternehmen gehören. |
| Auf der linken und rechten Seite befindet sich die hierarchische Clusterbildung, die ein Cluster aus einer Kombination einiger ETFs von Wachstumsunternehmen und anderen ETFs zusammen darstellt. |
| Das dynamische Time Warping gruppiert also auch zwei weitere ETFs, die zum Unternehmenssektor gehören, der in der hierarchischen Gruppierung fehlte, und sie sind links rot eingerahmt. |
| Dies zeigt die Vorzüge des dynamischen Zeitverzerrungsalgorithmus im Vergleich zum hierarchischen Clustering-Algorithmus, wo er ??? Muster, wenn das Cluttering durchgeführt wird. Also zeige ich... |
| Wie Sie sehen können, haben wir dies in JMP Pro getan. Auf der linken Seite befindet sich das dynamische Time Warping und auf der rechten Seite das Clustering. Mit Graph Builder können wir also interaktiv sehen |
| denselben ETF innerhalb desselben Zeitraums, da beide mit denselben Datensätzen verknüpft sind. Also andere Vergleiche, wir können uns Cluster fünf und Cluster neun ansehen. |
| Der lokale Datenfilter hier ermöglicht es uns also, einfach zwischen den verschiedenen Clustern hin- und herzuschalten, um unseren Vergleich anzustellen. Ihr seht, wir können ähnliches betrachten, da ihr seht, dass diese wenigen in dieser dynamischen Zeitkrümmung nicht vorhanden sind. Wie Sie hier sehen können, |
| es ist verlinkt. |
| Und natürlich, damit wir vielleicht einen Blick auf den letzten werfen können, sind diese beiden vergleichenden Cluster, die gleich sind ... ähnlich, also gruppierte die dynamische Zeitverzerrung vier ETFs zusammen, während die hierarchische etwa acht von ihnen zusammen gruppierte . |
| Also zurückziehen. |
| Es gibt also mehrere ähnliche Ergebnisse, wenn wir beide Cluster verwenden, wenn Sie sie mit der JMP Pro Graph Builder-Heatmap vergleichen, die auch in unserem Dokument dokumentiert ist, sodass wir unser Dokument für alle unsere Ergebnisse in unserem Dokument in die JMP Community stellen werden. |
| Beim Vergleich der Clustering-Ergebnisse mit der Zusammensetzung des ETF-Portfolios gelang es dem dynamischen Time-Warping-Algorithmus, ETFs ähnlicher Branchen oder Portfolios genauer zu gruppieren als hierarchisches Clustering. |
| Dies kann daran liegen, dass, anstatt nur den euklidischen Abstand zwischen denselben Zeiträumen gemäß dem hierarchischen Clustering-Algorithmus zu berechnen, |
| Die dynamische Zeitverzerrung kann entlang dieser Zeitachse gleiten, um den kürzesten Abstand zwischen zwei Zeitreihen zu berechnen und auch Muster zu erkennen, die leicht außer Phase sind. |
| Wir gehen jetzt also zur Analyse unserer Cluster in Bezug auf die Performer in der monatlichen Rendite über. |
| Daher wurde JMP Pro Graph Builder verwendet, um die monatlichen Renditetrends darzustellen, sodass wir mit Graph Builder Visualisierungen mit mehreren monatlichen Renditen von ETFs erstellen können. |
| Dies ist ein Boxplot für jeden Monat und diese zeigen eine glatte Trendlinie über den Zeitraum von drei Jahren. Die interaktive Funktion ermöglicht es uns als Benutzer also, ??? Erkenntnisse zur Visualisierung für die Analyse. |
| Und aus der Grafik können wir auch erkennen, dass die Schwankungsbreite von 2019 bis 2020, hier in Blau, höher oder größer ist als 2018. |
| Die Spanne zwischen den Quartalen der folgenden Monate ist ebenfalls viel größer, was bedeutet, dass für diese Monate die Varianz für die monatliche Rendite zwischen den ETFs ebenfalls größer ist. |
| Aus der Grafik können Sie also ersehen, dass die Monate mit der besten Performance tatsächlich der Februar 2019 sind, Sie können hier den Juli 2020 und auch sehen |
| Februar 2020. Und im Gegenteil, die schlechtesten Monate sind ein Großteil des Jahres 2020, |
| gefolgt von Dezember 2018 und dann Juni 2018. |
| Um also nach unten zu gehen, um nur bestimmte Cluster anzuzeigen, können wir JMP Pro Graph Builder, den lokalen Datenfilter, verwenden. |
| Dies ähnelte der Demo, die ich gezeigt habe, wo wir zwischen den verschiedenen Clustern umschalten können, um spezifisch nachzusehen und verschiedene Cluster zu vergrößern. |
| So können wir diese Cluster einzeln analysieren. Also nehmen wir hier links zwei Cluster auf, es handelt sich hauptsächlich um ETFs, die zu den Militärherstellern gehören, und rechts |
| sind Technologieunternehmen im reifen Unternehmensmarkt. Beide Cluster haben also von 2019 bis 2020 Rekordhöhen gesehen, |
| Dies sind auch die leistungsstärksten Monate, wie auf der vorherigen Folie gezeigt wurde. |
| Betrachtet man jedoch einen Boxplot für jeden Monat genauer, so weist der Cluster auf der linken Seite im Vergleich zu den Clustern auf der rechten Seite im Allgemeinen einen kleineren Interquartilabstand auf. |
| Dies deutet darauf hin, dass die Auswahl eines der ETFs aus dem Cluster auf der linken Seite im Vergleich zu den ETFs auf der rechten Seite zu einer konsistenteren monatlichen Rendite führt. Auf jeden Fall, wenn Sie zwischen 2019 und 2020 kaufen. |
| Wenn wir uns also mit JMP Pro Graph Builder die vier Cluster-Heatmaps genauer ansehen, können wir beobachten, dass die monatliche Rendite in den Jahren 2019 bis 2020 im Vergleich zu 2018 im Allgemeinen besser abschneidet. |
| Wir können also sehen, dass es sich im Vergleich zu 2018 um positivere Erträge mit hoher Intensität handelt, die von 2019 bis 2020 durch eine hellere grüne Farbe angezeigt werden. |
| Also haben wir einige Nachforschungen angestellt und sind zu unserer vorläufigen Annahme gelangt, dass dies mit den zunehmenden Spannungen im Handelskrieg zwischen China und den Vereinigten Staaten zu tun hat, die 2017 begannen. |
| Und dies hat Chinas Wirtschaft und Handelsmärkte selten gestört. 2019 forderte der chinesische Präsident auch Chinas Eigenständigkeit. |
| Laut Statistik macht Chinas Hightech-Fertigung einen größeren Teil des industriellen Wachstums des Landes in der ersten Hälfte des Jahres 2019 aus, da sie sich von der Abhängigkeit von ausländischer Technologie und anderen Produkten verlagert. |
| Darüber hinaus hat China auch stark in Branchen wie künstliche Intelligenz und integrierte Schaltkreise investiert, um sein Ziel der Eigenständigkeit zu erreichen. |
| Dieses wirtschaftsgetriebene Wachstum in China könnte also dazu geführt haben, dass diese wenigen Branchen nach der Ankündigung und dem Richtungswechsel des Landes in den Jahren 2019 bis 2020 positiv gewachsen sind. |
| Abschließend schließe ich also mit unserer Schlussfolgerung und einigen der zukünftigen Arbeiten, die mit unserem Papier angewendet werden können. |
| Obwohl sowohl das hierarchische Clustering als auch das dynamische Time Warping sehr ähnliche Clustering-Ergebnisse erzeugen, gibt es Vorteile des dynamischen Time Warping |
| Algorithmus, da es ihm gelang, die ETFs genauer zu clustern. Darüber hinaus sollte die monatliche Rendite von ETFs in einer Zeitreihe und der dynamische Time-Warping-Algorithmus bessere Clustering-Ergebnisse erzielen. |
| Wir beobachten auch die Korrelation der monatlichen Ertragsleistung der Cluster mit Chinas Wirtschaftszielen, was natürlich zu den besseren monatlichen Leistungen in den Sektoren führte. |
| Ein Teil der zukünftigen Arbeit, die getan werden kann, besteht darin, andere Korrelationen von Branchen mit den makroökonomischen Faktoren des Landes zu untersuchen, um andere Erkenntnisse zu gewinnen. |
| Außerdem können wir dynamisches Time Warping auf verschiedene Finanzinstrumente anwenden, wie z. B. Stop Riser Rohstoffpreise ... Rohstoffpreise, |
| Währungen oder sogar Derivate. Und schließlich kann die Analyse, wie Sie wissen, in verschiedenen Zeiträumen durchgeführt werden, z. B. vor und nach COVID, die wir natürlich noch nicht erreicht haben. |
| Auch in unterschiedlichen Zeitabständen. Im Moment verwenden wir monatlich, Sie können auch wöchentlich, vierteljährlich oder jährlich ... monatlich ... jährlich betrachten |
| kehrt zurück. |
| Daher möchte ich JMP Pro dafür danken, dass es mir die Möglichkeit gibt, meine Arbeit über diese Plattform zu präsentieren. |
| Ich möchte auch meinem Co-Autor und Mentor dafür danken, dass er mich auf diesem Weg unterstützt hat. Abschließend werde ich meine persönliche Erfahrung als Benutzer bei der Verwendung von JMP Pro reflektieren. |
| JMP Pro bietet uns als Benutzern ein hervorragendes Benutzererlebnis und ist eine sehr interaktive und dynamische Datenanalysesoftware. |
| Es ermöglicht uns Benutzern, unsere Datenaufbereitung so viel schneller und mit so viel genaueren Ergebnissen vorzubereiten. Die Graph Builder-Funktion ist also auch eine sehr praktische und nützliche Funktion für die Analyse unserer Ergebnisse. |
| Wir können aus diesem Graph Builder schöne Einblicke und interessante Informationen gewinnen, und schließlich sind statistische Analysen wie Hypothesentests und sogar andere Modellierungstechniken wie Clustering oder PCA ebenfalls sehr benutzerfreundlich, wenn wir dafür JMP Pro verwenden. |
| Vielen Dank für Ihre Zeit. Das fasst meine Arbeit zusammen. |
