Altoparlante | Trascrizione |
| LIM Yong Kai | Va bene. Ciao a tutti. Quindi presenterò il nostro documento. |
| Il titolo dell'articolo è Analisi del mercato azionario con apprendimento non supervisionato, in particolare un'analisi degli ETF nel mercato azionario cinese utilizzando il time warping dinamico. |
| Quindi, mi chiamo Yong Kai, l'autore dell'articolo, e Chen Li è il mio coautore. Quindi il documento era qualcosa per il professore associato Kam in un programma di master presso la Singapore Management University. |
| Quindi l'ordine del giorno della mia presentazione di oggi è il seguente. Innanzitutto, inizierò con un'introduzione e l'obiettivo del documento. |
| La prossima sarà la preparazione dei dati, seguita dal clustering. La prossima sarà l'analisi delle prestazioni dei nostri distretti e, infine, sarà la conclusione ei lavori futuri del nostro articolo. |
| Quindi comincio con l'introduzione e l'obiettivo. |
| Quindi i fondi negoziati in borsa, o ETF in breve, consentono agli investitori di accedere a molti titoli in vari settori e tendono ad avere una migliore gestione del rischio attraverso la diversificazione del loro portafoglio. |
| Quindi la borsa cinese è il secondo più grande operatore di borsa al mondo e, a causa della popolarità degli ETF, nel corso degli anni sono stati creati molti nuovi ETF, il che rende difficile per gli investitori selezionare e scegliere l'ETF in cui investire. |
| Quindi l'obiettivo del nostro documento mira a restringere il vasto numero di ETF e aiutare gli investitori con poca conoscenza del dominio a costruire il proprio portafoglio di investimenti utilizzando tecniche di apprendimento senza supervisione. |
| Quindi qui verranno utilizzate due tecniche di clustering, principalmente il time warping dinamico e anche il clustering gerarchico. |
| Quindi questi due raggruppamenti sovraperformano per aggregare gli ETF in cluster con un modello di movimento dei prezzi simile. Quindi, in questo documento, esamineremo gli ETF quotati nel mercato azionario di Shanghai e Shenzhen in Cina. |
| Quindi lo strumento software che verrà utilizzato è sicuramente JMP Pro. Stiamo usando la versione 15.2. JMP Pro viene utilizzato nella nostra preparazione dei dati e anche nella nostra analisi e analisi dei risultati utilizzando Graph Builder. |
| E useremo anche SAS Enterprise Miner per il nostro clustering, che eseguirà il time warping dinamico e anche il clustering gerarchico. |
| Andando avanti sarà la preparazione dei dati. |
| Quindi sono stati utilizzati sei diversi set di dati, principalmente sono il prezzo di chiusura giornaliero degli ETF di Shanghai dal 2018 al 2020, e anche il prezzo di chiusura giornaliero degli ETF di Shenzhen, analogamente dal 2018 al 2020. |
| Quindi il flusso di lavoro per preparare i dati per il clustering è il seguente. Quindi prima importeremo i nostri sei set di dati in JMP Pro. |
| E poi ci uniremmo ai tavoli multipli per gli ETF di Shanghai e Shenzhen. Successivamente utilizzeremo la funzione del modello di dati mancanti in JMP Pro per ripulire il set di dati. Successivamente, tabuliamo anche il rendimento mensile per ogni ETF utilizzando la formula come data, ovvero |
| il prezzo alla fine del mese, meno il prezzo all'inizio del mese, diviso per il prezzo all'inizio del mese. |
| Infine, abbiamo unito entrambe le tabelle insieme e ora è pronto per il clustering. |
| Quindi in primo luogo utilizzeremo la funzione di importazione di più file in JMP per importare in batch i nostri sei file dal nostro set di dati grezzi per ???. |
| Quindi qui, puoi vedere, stiamo usando la funzione di input di più file, e questa è la cartella per i nostri set di dati. |
| Quindi, come puoi vedere, con questa funzione è molto facile per noi importare contemporaneamente tutti i diversi set di dati in JMP Pro. |
| Quindi, come puoi vedere, i nostri 6 set di dati sono stati caricati. |
| Successivamente, il nostro secondo passaggio dovrà unire tutti i diversi dati... tutte le tabelle insieme. |
| Qui sto usando i dati di Shanghai 2018 e sto eseguendo un outer join con i dati del 2019 e la colonna corrispondente sarà il numero di serie di ciascun ETF. |
| Quindi, dopo aver combinato questo, comprenderà tutti i dati dell'ETF per il periodo 2018-2019. |
| Successivamente, eseguirò un altro outer join con i dati del 2020. E adesso |
| il set di dati risultante conterrà tutti i dati, che vanno dal 2018 al 2020 per gli ETF di Shanghai. E ovviamente ripeteremmo il processo anche per il set di dati dell'ETF di Shenzhen. |
| Quindi, andando avanti, controlleremo i dati mancanti e utilizzeremo la funzione del modello di dati mancanti nella barra degli strumenti delle tabelle in JMP Pro |
| Quindi, sotto la barra degli strumenti delle tabelle, possiamo scegliere il modello di dati mancanti e possiamo selezionare tutte le nostre colonne per verificare la presenza di dati mancanti. Come potete vedere, |
| ci sono 98 colonne che non hanno dati mancanti e possiamo selezionarle quale sarà ??? torniamo al nostro tavolo principale. Possiamo selezionare quelle 98 righe e questo sarà il nostro set di dati risultante per |
| raggruppamento. |
| Quindi questo verrà eseguito anche per gli altri set di dati. |
| Successivamente faremo anche il nostro tabulare il nostro rendimento mensile, che è la formula che ho menzionato prima, e quello che facciamo è inserire una colonna nei dati. |
| Ovviamente inseriremo una formula. |
| Come accennato, la formula sarà il prezzo di chiusura alla fine del mese, che è il 31 gennaio 2018, meno il primo giorno, che è il secondo. |
| E, ovviamente, diviso per primo appuntamento. Dovrebbe darci il rendimento mensile in percentuale. Quindi ovviamente possiamo perfezionarli, possiamo cambiare il nome della colonna in gennaio 2018 e, naturalmente, possiamo cambiare il formato in percentuale con due cifre decimali. |
| Quindi ecco il rendimento mensile di gennaio, e possiamo ripeterlo per tutti i mesi nell'intero set di dati. |
| Infine, dopo aver preparato entrambi i set di dati per gli ETF di Shenzhen e Shanghai, dovremo combinarli insieme. |
| Quindi useremo la funzione concatena nella barra degli strumenti della tabella per combinare entrambi i set di dati in uno, che verrà utilizzato per la modellazione del clustering dopo. Quindi, come puoi vedere, entrambi i dati per |
| Gli ETF di Shenzhen e Shanghai sono stati combinati in uno con 143 righe. Dovremmo utilizzare il nostro clustering in seguito. |
| Quindi ora passiamo al nostro clustering. |
| il clustering gerarchico utilizza una matrice di prossimità per determinare la somiglianza e la dissomiglianza a coppie tra ogni rendimento mensile |
| utilizzando la distanza euclidea. A destra, il time warping dinamico viene utilizzato per confrontare la somiglianza tra le serie temporali, che tiene conto del fattore tempo. Ha lo stesso fattore nei ritardi di propagazione e rileva persino serie temporali che condividono schemi simili che sono leggermente sfasati. |
| Pertanto, sebbene JMP Pro sia in grado di eseguire il clustering gerarchico, il time warping dinamico è disponibile solo su SAS Enterprise Miner, quindi entrambi i modelli di clustering sono stati eseguiti in SAS Enterprise Miner. |
| Ora forse JMP Pro potrebbe prendere in considerazione l'inclusione del time warping dinamico nella funzione di clustering in futuro, quindi per noi utenti, possiamo avere un software all-in-one per eseguire tutta la nostra analisi dalla preparazione dei dati alla modellazione e, infine, la visualizzazione di i nostri risultati. |
| Pertanto, una volta completato il clustering, i dati sono stati caricati nuovamente in JMP Pro da SAS Enterprise Miner per la visualizzazione e l'analisi. |
| Il clustering è quindi un metodo di modellazione non supervisionato e JMP Pro Graph Builder è molto utile per aiutare a visualizzare questi risultati. |
| Una visualizzazione appropriata da utilizzare è la mappa termica, che consente agli utenti di ottenere rapidamente approfondimenti dal risultato del clustering. |
| Quindi lungo l'asse X... l'asse Y sono i diversi ETF e l'asse X sono i rendimenti mensili dell'ETF. Quindi, da questa heat map, possiamo rapidamente osservare che all'interno di questo cluster, il rendimento mensile mostra segni di somiglianza indicati dall'intensità del colore, che è il rendimento mensile. |
| Quindi lavoreremo per confrontare due cluster da entrambe le tecniche di clustering. Sulla sinistra ci sarà il time warping dinamico e sulla destra il clustering gerarchico. |
| Quindi l'algoritmo di time warping dinamico ha raggruppato sette diversi ETF, che appartengono tutti al mercato delle imprese in crescita. |
| A sinistra ea destra si trova il raggruppamento gerarchico che è un cluster di una combinazione di alcuni ETF per le imprese in crescita e altri ETF insieme. |
| Quindi il time warping dinamico raggruppa anche due ETF aggiuntivi appartenenti al settore delle imprese, che mancavano nel clustering gerarchico e sono inquadrati in rosso a sinistra. |
| Questa mostra merita l'algoritmo di distorsione temporale dinamica rispetto all'algoritmo di clustering gerarchico, dove può rilevare ??? modello quando viene eseguito il clutering. Quindi mostrerò... |
| Quindi, come puoi vedere, questo è ciò che abbiamo fatto in JMP Pro. Sulla sinistra ci sarà il time warping dinamico e sulla destra ci sarà il clustering. Quindi, usando Graph Builder, possiamo vedere in modo interattivo |
| lo stesso ETF nello stesso periodo in quanto sono entrambi collegati agli stessi set di dati. Quindi altri confronti, possiamo dare un'occhiata al cluster cinque e al cluster nove. |
| Quindi il filtro dei dati locali qui ci consente di alternare facilmente tra i diversi cluster per fare il nostro confronto. Potete vedere, possiamo guardare i simili, come potete vedere questi pochi non sono presenti in questa distorsione temporale dinamica. Come puoi vedere qui, |
| è collegato. |
| E ovviamente, quindi possiamo forse dare un'occhiata all'ultimo, quindi questi due sono gruppi comparativi che sono uguali... simili, quindi il time warping dinamico ha raggruppato quattro ETF insieme, mentre il gerarchico ne ha raggruppati circa otto insieme . |
| Quindi, tornare indietro. |
| Quindi ci sono molti risultati simili quando realizziamo entrambi i cluster, quando li confronti utilizzando la mappa termica di JMP Pro Graph Builder, anch'essa documentata nel nostro documento, quindi metteremo il nostro documento su JMP Community per tutti i nostri risultati nel nostro documento. |
| Quindi, confrontando i risultati del clustering con la composizione del portafoglio ETF, l'algoritmo di time warping dinamico è riuscito a raggruppare ETF di settore o portafoglio simile in modo più accurato rispetto al clustering gerarchico. |
| Ciò potrebbe essere dovuto al fatto che, invece di calcolare solo la distanza euclidea tra lo stesso periodo di tempo secondo l'algoritmo di clustering gerarchico, |
| il time warping dinamico può scorrere lungo quell'asse temporale per calcolare la distanza più breve tra due serie temporali e rilevare anche schemi leggermente sfasati. |
| Quindi ora passiamo all'analisi dei nostri cluster in termini di performer in rendimento mensile. |
| Quindi JMP Pro Graph Builder è stato utilizzato per tracciare le tendenze dei rendimenti mensili in modo che Graph Builder ci consenta di creare visualizzazioni utilizzando i rendimenti mensili di più ETF. |
| Questo è un box plot per ogni mese e quelli mostrano una linea di tendenza uniforme per tutto il periodo di tre anni. Quindi la funzione interattiva ci consente come utenti di ??? approfondimenti per la visualizzazione per l'analisi. |
| E dal grafico possiamo anche osservare che l'intervallo della fluttuazione dal 2019 al 2020, qui in blu, è più alto o più grande rispetto al 2018. |
| Anche l'intervallo inter trimestrale dei mesi che seguono è molto più ampio, il che significa che per quei mesi anche la varianza per il rendimento mensile tra gli ETF è maggiore. |
| Quindi dal grafico puoi vedere che i mesi con le migliori prestazioni sono, infatti, febbraio 2019, puoi vedere qui, luglio 2020 e anche |
| febbraio del 2020. E al contrario, i mesi peggiori sono gran parte del 2020, |
| seguito da dicembre 2018 e poi giugno 2018. |
| Quindi, analizzando per visualizzare solo cluster specifici, possiamo utilizzare JMP Pro Graph Builder, il filtro dati locale. |
| Questo era simile alla demo che ho mostrato in cui possiamo alternare tra i diversi cluster per guardare in modo specifico e ingrandire i diversi cluster. |
| Quindi possiamo analizzare quei cluster individualmente. Quindi prendiamo due cluster qui a sinistra, sono principalmente ETF appartenenti ai produttori militari ea destra |
| sono aziende tecnologiche nel mercato aziendale maturo. Quindi entrambi i cluster hanno registrato livelli record dal 2019 al 2020, |
| che sono anche i mesi con le migliori performance, come mostrato nella diapositiva precedente. |
| Tuttavia, osservando più da vicino un box plot per ogni mese, il cluster a sinistra ha un range interquartile generalmente più piccolo rispetto ai cluster a destra. |
| Ciò indica che la scelta di uno qualsiasi degli ETF dal cluster a sinistra produrrà un rendimento mensile più consistente rispetto agli ETF a destra. Sicuramente se acquisti tra il 2019 e il 2020. |
| Quindi, se analizziamo le mappe termiche dei quattro cluster utilizzando JMP Pro Graph Builder, possiamo osservare che nel periodo 2019-2020 il rendimento mensile è generalmente migliore rispetto al 2018. |
| Quindi possiamo vedere che sono rendimenti positivi ad alta intensità, indicati da un colore verde più brillante dal 2019 al 2020, rispetto al 2018. |
| Quindi abbiamo svolto alcune indagini e la nostra ipotesi preliminare che abbia a che fare con l'aumento della tensione della guerra commerciale tra Cina e Stati Uniti, iniziata nel 2017. |
| E questo ha sconvolto raramente l'economia e i mercati commerciali della Cina. Nel 2019, il presidente cinese ha anche chiesto l'autosufficienza della Cina. |
| Secondo le statistiche, la produzione high-tech cinese rappresenta una parte maggiore della crescita industriale del paese nella prima metà del 2019 poiché si sta allontanando dalla dipendenza dalla tecnologia straniera e da altri prodotti. |
| Quindi, inoltre, la Cina ha anche investito molto in industrie come l'intelligenza artificiale e anche i circuiti integrati per raggiungere il proprio obiettivo verso l'autosufficienza. |
| Quindi questa crescita guidata dall'economia in Cina potrebbe aver portato queste poche industrie a crescere positivamente dal 2019 al 2020 dopo l'annuncio e lo spostamento nella direzione del paese. |
| Quindi finalmente chiuderò con la nostra conclusione e alcuni dei lavori futuri che possono essere applicati con il nostro documento. |
| Quindi, sebbene sia il clustering gerarchico che il time warping dinamico producano risultati di clustering molto simili, ci sono meriti del time warping dinamico |
| algoritmo in quanto è riuscito a raggruppare gli ETF in modo più accurato. Inoltre, il rendimento mensile degli ETF, quindi in una serie temporale e l'algoritmo di distorsione temporale dinamica doveva produrre risultati di clustering migliori. |
| Osserviamo anche la correlazione tra i rendimenti mensili dei cluster e gli obiettivi dell'economia cinese e, naturalmente, ciò ha portato ai migliori rendimenti mensili nei settori. |
| Quindi parte del lavoro futuro che si può fare è esplorare altre correlazioni di industrie con i fattori macroeconomici del paese per trarre intuizioni diverse. |
| Inoltre, possiamo applicare il time warping dinamico a diversi strumenti finanziari come i prezzi delle materie prime di stop riser... i prezzi delle materie prime, |
| valute o anche derivati. E infine l'analisi può essere eseguita, sai, in diversi periodi di tempo, come pre-COVID e post-COVID che, ovviamente, non dobbiamo ancora raggiungere quella fase. |
| Anche in diversi intervalli di tempo. Per ora stiamo usando mensile, puoi anche guardare settimanale, trimestrale o annuale... mensile.... annuale |
| ritorna. |
| Quindi mi piacerebbe JMP Pro per avermi dato l'opportunità di mostrare il mio lavoro attraverso questa piattaforma. |
| Vorrei anche ringraziare il mio coautore e mentore per avermi supportato durante questo viaggio. Infine, rifletterò sulla mia personale esperienza di utente nell'utilizzo di JMP Pro. |
| JMP Pro offre un'esperienza utente eccellente per noi utenti ed è un software di analisi dei dati molto interattivo e dinamico. |
| Consente a noi utenti di preparare la nostra preparazione dei dati in modo molto più rapido e con risultati molto più accurati. Quindi la funzione Graph Builder è anche una funzione molto pratica e utile per l'analisi dei nostri risultati. |
| Possiamo trarre bellissimi spunti e informazioni interessanti da questo Costruttore di grafici e, infine, analisi statistiche, come test di ipotesi e persino altre tecniche di modellazione come clustering o PCA sono anche molto facili da usare quando utilizziamo JMP Pro per farlo. |
| Quindi grazie per il tuo tempo. Questo riassume il mio articolo. |
