Lautsprecher | Transkript |
| LIM Yong Kai | Okay. Hallo zusammen. Deshalb werde ich unser Papier vorstellen. |
| Der Titel des Papiers lautet „Analyse des Aktienmarktes mit unüberwachtem Lernen“, insbesondere eine Analyse von ETFs auf dem chinesischen Aktienmarkt unter Verwendung dynamischer Zeitverzerrung. |
| Mein Name ist also Yong Kai, der Autor des Artikels, und Chen Li ist mein Co-Autor. Die Arbeit war also etwas für Associate Professor Kam in einem Masterstudiengang an der Singapore Management University. |
| Die Tagesordnung meines heutigen Vortrags lautet also wie folgt. Zunächst beginne ich mit einer Einleitung und dem Ziel der Arbeit. |
| Als nächstes erfolgt die Datenaufbereitung, gefolgt vom Clustering. Als nächstes erfolgt die Analyse der Leistung unserer Cluster und schließlich die Schlussfolgerung und die zukünftigen Arbeiten unserer Arbeit. |
| Also beginne ich mit der Einleitung und dem Ziel. |
| Exchange Traded Funds, kurz ETFs, ermöglichen Anlegern den Zugang zu vielen Aktien aus verschiedenen Branchen und verfügen durch die Diversifizierung ihres Portfolios tendenziell über ein besseres Risikomanagement. |
| Chinas Börse ist also der zweitgrößte Börsenbetreiber der Welt, und aufgrund der Beliebtheit von ETFs wurden im Laufe der Jahre viele neue ETFs geschaffen, was es für Anleger schwierig macht, den ETF auszuwählen, in den sie investieren möchten. |
| Das Ziel unseres Artikels besteht also darin, die große Anzahl von ETFs einzugrenzen und Anlegern mit geringen Fachkenntnissen dabei zu helfen, ihr Anlageportfolio durch den Einsatz unbeaufsichtigter Lerntechniken aufzubauen. |
| Daher werden hier zwei Clustering-Techniken verwendet, hauptsächlich das dynamische Zeitwarping und auch das hierarchische Clustering. |
| Daher übertreffen diese beiden Cluster die ETFs in Cluster mit ähnlichen Preisbewegungsmustern. In diesem Artikel werden wir uns daher mit den ETFs befassen, die an den Börsen von Shanghai und Shenzhen in China notiert sind. |
| Das verwendete Softwaretool ist also definitiv JMP Pro. Wir verwenden die Version 15.2. JMP Pro kommt bei unserer Datenaufbereitung sowie unserer Analyse und Ergebnisanalyse mit Graph Builder zum Einsatz. |
| 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. |
| Daher wurden sechs verschiedene Datensätze verwendet, hauptsächlich der tägliche Schlusskurs der ETFs in Shanghai von 2018 bis 2020 und auch der tägliche Schlusskurs der ETFs in Shenzhen, ebenfalls von 2018 bis 2020. |
| Der Arbeitsablauf zur Vorbereitung der Daten für das Clustering ist also wie folgt. Daher importieren wir zunächst unsere sechs Datensätze in JMP Pro. |
| Und dann würden wir uns den mehreren Tabellen für Shanghai- und Shenzhen-ETFs anschließen. Und als nächstes verwenden wir die Funktion für fehlende Datenmuster in JMP Pro, um den Datensatz zu bereinigen. Anschließend ermitteln wir auch die monatliche Rendite für jeden ETF mithilfe der angegebenen Formel |
| der Preis am Monatsende, minus Preis am Monatsanfang, dividiert durch den Preis am Monatsanfang. |
| Und schließlich haben wir beide Tabellen miteinander kombiniert und jetzt ist es bereit für das Clustering. |
| Daher werden wir zunächst die Funktion „Mehrere Dateien importieren“ in JMP verwenden, um unsere sechs Dateien aus unserem Rohdatensatz für das ??? stapelweise zu importieren. |
| Hier sehen Sie also, dass wir die Funktion „Mehrere Dateien eingeben“ verwenden und dies der Ordner für unsere Datensätze ist. |
| Wie Sie sehen, ist es für uns mit dieser Funktion sehr einfach, alle verschiedenen Datensätze auf einmal in JMP Pro zu importieren. |
| Wie Sie sehen können, wurden unsere 6 Datensätze geladen. |
| Als nächstes müssen wir in unserem zweiten Schritt alle verschiedenen Daten, also alle Tabellen, zusammenführen. |
| Hier verwende ich die Daten von Shanghai 2018 und führe einen Outer Join mit den Daten von 2019 durch. Die entsprechende Spalte wird die Seriennummer jedes ETFs sein. |
| Nach der Kombination werden alle ETF-Daten für 2018 bis 2019 enthalten sein. |
| Als Nächstes führe ich einen weiteren Outer-Join mit den 2020-Daten 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. |
| Im weiteren Verlauf prüfen wir, ob Daten fehlen, und verwenden die Funktion „Muster für fehlende Daten“ in der Tabellensymbolleiste in JMP Pro |
| In der Symbolleiste „Tabellen“ können wir also das Muster für fehlende Daten auswählen und alle unsere Spalten auswählen, um nach fehlenden Daten zu suchen. Wie du sehen kannst, |
| Es gibt 98 Spalten, in denen keine Daten fehlen, und wir können sie auswählen, welche ??? zurück zu unserem Haupttisch. Wir können diese 98 Zeilen auswählen und dies werden unsere resultierenden Datensätze sein |
| Clusterbildung. |
| Daher wird dies auch für die anderen Datensätze durchgeführt. |
| Als Nächstes führen wir auch die tabellarische Aufstellung unserer monatlichen Rendite durch, was der Formel entspricht, die ich zuvor erwähnt habe, und fügen eine Spalte in die Daten ein. |
| Natürlich werden wir eine Formel einfügen. |
| Wie bereits erwähnt, ist die Formel der Schlusskurs am Monatsende, also am 31. Januar 2018, abzüglich des ersten Tages, also des zweiten. |
| Und natürlich geteilt nach erstem Date. Es sollte uns die monatliche Rendite in Prozent angeben. Natürlich können wir diese fein abstimmen, wir können den Spaltennamen in „Januar 2018“ ändern und natürlich können wir das Format in einen Prozentsatz mit zwei Dezimalstellen ändern. |
| Hier ist also die monatliche Rendite für Januar, die wir für alle Monate im gesamten Datensatz wiederholen können. |
| Und schließlich müssen wir, nachdem beide Datensätze für Shenzhen- und Shanghai-ETFs vorbereitet sind, sie miteinander kombinieren. |
| Daher verwenden wir die Verkettungsfunktion in der Tabellensymbolleiste, um beide Datensätze zu einem zusammenzufassen, 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 Zeilen zusammengefasst. Danach sollten wir unser Clustering nutzen. |
| Kommen wir nun zu unserem Clustering. |
| Beim hierarchischen Clustering wird eine Näherungsmatrix verwendet, um paarweise Ähnlichkeit und Unähnlichkeit zwischen den einzelnen monatlichen Renditen zu bestimmen |
| unter Verwendung der euklidischen Distanz. Auf der rechten Seite wird dynamische Zeitverzerrung verwendet, um die Ähnlichkeit zwischen Zeitreihen zu vergleichen, die den Zeitfaktor berücksichtigt. Es hat den gleichen Faktor bei 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, weshalb beide Clustering-Modelle in SAS Enterprise Miner durchgeführt wurden. |
| Vielleicht möchte JMP Pro in Zukunft darüber nachdenken, dynamisches Time Warping in die Clustering-Funktion einzubeziehen, damit wir als Benutzer eine All-in-One-Software haben, mit der wir unsere gesamte Analyse von der Datenaufbereitung über die Modellierung bis hin zur Visualisierung durchführen können unsere Ergebnisse. |
| Nach Abschluss des Clusterings wurden die Daten zur Visualisierung und Analyse von SAS Enterprise Miner zurück in JMP Pro geladen. |
| Clustering ist also eine unbeaufsichtigte Modellierungsmethode und JMP Pro Graph Builder ist sehr hilfreich bei der Visualisierung dieser Ergebnisse. |
| Eine geeignete Visualisierung ist die Heatmap, die es Benutzern ermöglicht, schnell Erkenntnisse aus dem Clustering-Ergebnis zu gewinnen. |
| Auf der X-Achse sind also die verschiedenen ETFs und auf der X-Achse die monatlichen Renditen der ETFs dargestellt. Anhand dieser Heatmap können wir also schnell erkennen, dass innerhalb dieses Clusters die monatliche Rendite Anzeichen von Ähnlichkeit aufweist, die durch die Intensität der Farbe, also der monatlichen Rendite, angezeigt werden. |
| Als nächstes werden wir daran arbeiten, zwei Cluster aus beiden Clustering-Techniken zu vergleichen. Auf der linken Seite befindet sich die dynamische Zeitverzerrung und auf der rechten Seite die hierarchische Clusterbildung. |
| Der dynamische Zeitverzerrungsalgorithmus gruppierte also sieben verschiedene ETFs, die alle zum Markt für Wachstumsunternehmen gehören. |
| Auf der linken und rechten Seite befindet sich die hierarchische Clusterbildung, bei der es sich um eine Kombination aus einigen Wachstumsunternehmens-ETFs und anderen ETFs handelt. |
| Durch die dynamische Zeitverzerrung werden also zwei weitere ETFs gruppiert, die zum Unternehmenssektor gehören, der in der hierarchischen Gruppierung fehlte, und sie sind auf der linken Seite rot eingerahmt. |
| Dies zeigt die Vorzüge des dynamischen Zeitverzerrungsalgorithmus im Vergleich zum hierarchischen Clustering-Algorithmus, wo er ??? Muster, wenn das Clutering durchgeführt wird. Also werde ich zeigen... |
| Wie Sie sehen, haben wir dies in JMP Pro getan. Auf der linken Seite befindet sich die dynamische Zeitverzerrung und auf der rechten Seite die Clusterbildung. Mit Graph Builder können wir also interaktiv sehen |
| derselbe ETF innerhalb desselben Zeitraums, da beide mit denselben Datensätzen verknüpft sind. Weitere Vergleiche: Wir können uns Cluster fünf und Cluster neun ansehen. |
| Der lokale Datenfilter hier ermöglicht es uns also, einfach zwischen den verschiedenen Clustern zu wechseln, um unseren Vergleich durchzuführen. Wie Sie sehen, können wir uns das Ähnliche ansehen, da Sie sehen, dass diese wenigen in dieser dynamischen Zeitverzerrung nicht vorhanden sind. Wie Sie hier sehen können, |
| es ist verlinkt. |
| Und natürlich können wir uns vielleicht den letzten ansehen. Bei diesen beiden handelt es sich um Vergleichscluster, die gleich und ähnlich sind. Bei der dynamischen Zeitverzerrung wurden also vier ETFs gruppiert, während bei der hierarchischen Methode etwa acht davon gruppiert wurden . |
| Also geht es zurück. |
| Es gibt also mehrere ähnliche Ergebnisse, wenn wir beide Cluster erstellen und sie mit der JMP Pro Graph Builder-Heatmap vergleichen, die auch in unserem Artikel dokumentiert ist. Deshalb werden wir unseren Artikel für alle unsere Ergebnisse in unserem Artikel in der JMP-Community veröffentlichen. |
| Durch den Vergleich der Clustering-Ergebnisse mit der Zusammensetzung des ETF-Portfolios gelang es dem dynamischen Zeitverzerrungsalgorithmus, ETFs einer ähnlichen Branche oder eines ähnlichen Portfolios genauer zu gruppieren als durch hierarchisches Clustering. |
| Dies liegt möglicherweise daran, dass nicht nur der euklidische Abstand zwischen demselben Zeitraum gemäß dem hierarchischen Clustering-Algorithmus berechnet wird, sondern |
| Die dynamische Zeitverzerrung kann entlang dieser Zeitachse gleiten, um den kürzesten Abstand zwischen zwei Zeitreihen zu berechnen und auch Muster zu erkennen, die leicht phasenverschoben sind. |
| Nun gehen wir zur Analyse unserer Cluster im Hinblick auf die Leistungsträger im monatlichen Ertrag über. |
| Daher wurde JMP Pro Graph Builder verwendet, um die monatlichen Renditetrends darzustellen, sodass wir mit Graph Builder Visualisierungen mit den monatlichen Renditen mehrerer ETFs erstellen können. |
| Dies ist ein Boxplot für jeden Monat und zeigt eine glatte Trendlinie über den Zeitraum von drei Jahren. Die interaktive Funktion ermöglicht es uns als Benutzern also, ??? Erkenntnisse zur Visualisierung und Analyse. |
| Und aus der Grafik können wir auch erkennen, dass die Schwankungsbreite von 2019 bis 2020, hier blau dargestellt, im Vergleich zu 2018 höher bzw. größer ist. |
| Auch die Interquartilsspanne der folgenden Monate ist deutlich größer, was bedeutet, dass in diesen Monaten auch die Varianz der monatlichen Rendite zwischen den ETFs größer ist. |
| Aus der Grafik können Sie also ersehen, dass die Monate mit der besten Leistung tatsächlich der Februar 2019 sind, Sie können hier sehen, Juli 2020 und auch |
| Februar 2020. Und im Gegenteil, die Monate mit der schlechtesten Performance sind große Teile des Jahres 2020. |
| gefolgt von Dezember 2018 und dann Juni 2018. |
| Um also 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 wechseln können, um gezielt nach verschiedenen Clustern zu suchen und diese zu vergrößern. |
| So können wir diese Cluster einzeln analysieren. Wir greifen hier links zwei Cluster auf, bei denen es sich hauptsächlich um ETFs handelt, die zu den Militärherstellern gehören, und rechts |
| sind Technologieunternehmen im reifen Unternehmensmarkt. Beide Cluster verzeichneten also von 2019 bis 2020 Rekordhöhen. |
| Dies sind auch die Monate mit der besten Performance, wie in der vorherigen Folie gezeigt wurde. |
| Wenn man sich jedoch ein Boxplot für jeden Monat genauer ansieht, weist der Cluster auf der linken Seite im Allgemeinen einen kleineren Interquartilabstand auf als die Cluster auf der rechten Seite. |
| Dies weist darauf hin, dass die Auswahl eines ETFs aus der Gruppe auf der linken Seite im Vergleich zu den ETFs auf der rechten Seite eine konsistentere monatliche Rendite erzielt. Auf jeden Fall, wenn Sie zwischen 2019 und 2020 kaufen. |
| Wenn wir also mit JMP Pro Graph Builder einen Drilldown auf die Heatmaps der vier Cluster durchführen, können wir feststellen, dass die monatliche Rendite in den Jahren 2019 bis 2020 im Allgemeinen besser abschneidet als 2018. |
| Wir können also sehen, dass sie von 2019 bis 2020 im Vergleich zu 2018 eine stärkere positive Rendite mit hoher Intensität aufweisen, was durch eine hellere grüne Farbe angezeigt wird. |
| Deshalb haben wir einige Untersuchungen durchgeführt und sind zu der vorläufigen Annahme gelangt, dass dies mit den zunehmenden Handelskriegsspannungen zwischen China und den Vereinigten Staaten zusammenhängt, die 2017 begannen. |
| Und dies hat Chinas Wirtschaft und Handelsmärkte selten gestört. Im Jahr 2019 forderte der chinesische Präsident auch Chinas Eigenständigkeit. |
| Laut Statistik machte Chinas High-Tech-Fertigung im ersten Halbjahr 2019 einen größeren Teil des industriellen Wachstums des Landes aus, da sie sich von der Abhängigkeit von ausländischer Technologie und anderen Produkten löst. |
| 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 im Land in den Jahren 2019 bis 2020 positiv gewachsen sind. |
| Abschließend möchte ich mit unserer Schlussfolgerung und einigen künftigen Arbeiten schließen, die mit unserem Artikel umgesetzt werden können. |
| Obwohl also sowohl hierarchisches Clustering als auch dynamisches Time Warping sehr ähnliche Clustering-Ergebnisse liefern, gibt es Vorteile des dynamischen Time Warping |
| Algorithmus, da es ihm gelang, die ETFs genauer zu gruppieren. Darüber hinaus sollten die monatlichen Renditen der ETFs, also in einer Zeitreihe, und der dynamische Zeitverzerrungsalgorithmus bessere Clustering-Ergebnisse liefern. |
| Wir beobachten auch eine Korrelation zwischen der monatlichen Rendite der Cluster und den Wirtschaftszielen Chinas, was natürlich zu den besseren monatlichen Ergebnissen in den Sektoren führte. |
| Ein Teil der künftigen Arbeit, die geleistet werden kann, besteht also darin, andere Korrelationen zwischen Branchen und den makroökonomischen Faktoren des Landes zu untersuchen, um unterschiedliche Erkenntnisse zu gewinnen. |
| Außerdem können wir dynamische Zeitverzerrungen auf verschiedene Finanzinstrumente anwenden, wie z. B. Stop-Riser-Rohstoffpreise ... Rohstoffpreise, |
| Währungen oder sogar Derivate. Und schließlich kann die Analyse, wie Sie wissen, in unterschiedlichen Zeiträumen durchgeführt werden, beispielsweise vor und nach COVID, wobei wir dieses Stadium natürlich noch nicht erreicht haben. |
| Auch in unterschiedlichen Zeitintervallen. Im Moment verwenden wir monatlich, Sie können sich aber auch wöchentlich, vierteljährlich oder jährlich ... monatlich ... jährlich ansehen |
| kehrt zurück. |
| Deshalb 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 über meine persönlichen Erfahrungen als Benutzer bei der Verwendung von JMP Pro nachdenken. |
| JMP Pro bietet uns Benutzern ein hervorragendes Benutzererlebnis und ist eine sehr interaktive und dynamische Datenanalysesoftware. |
| Es ermöglicht uns Benutzern, unsere Datenaufbereitung viel schneller und mit viel genaueren Ergebnissen vorzubereiten. Daher ist die Graph Builder-Funktion auch eine sehr praktische und nützliche Funktion für die Analyse unserer Ergebnisse. |
| Wir können aus diesem Graph Builder schöne Erkenntnisse und interessante Informationen ziehen und schließlich sind auch statistische Analysen wie Hypothesentests und sogar andere Modellierungstechniken wie Clustering oder PCA sehr benutzerfreundlich, wenn wir dafür JMP Pro verwenden. |
| Vielen Dank für Ihre Zeit. Das fasst meine Arbeit zusammen. |
