Conférencier | Transcription |
| LIM Yong Kai | D'accord. Salut tout le monde. Je vais donc présenter notre document. |
| Le titre de l'article est Analyse du marché boursier avec apprentissage non supervisé, en particulier une analyse des ETF sur le marché boursier chinois utilisant une déformation temporelle dynamique. |
| Donc, je m'appelle Yong Kai, l'auteur de l'article, et Chen Li est mon co-auteur. Donc, le papier était quelque chose pour le professeur agrégé Kam dans un programme de maîtrise à l'Université de gestion de Singapour. |
| Donc, l'ordre du jour de ma présentation aujourd'hui comme suit. Tout d'abord, je commencerai par une introduction et l'objectif du document. |
| Vient ensuite la préparation des données, suivie du regroupement. Vient ensuite l'analyse de la performance de nos clusters et, enfin, la conclusion et les futurs travaux de notre papier. |
| Je commence donc par l'introduction et l'objectif. |
| Ainsi, les fonds négociés en bourse, ou ETF en abrégé, permettent aux investisseurs d'avoir accès à de nombreuses actions dans divers secteurs et ils ont tendance à avoir une meilleure gestion des risques grâce à la diversification de leur portefeuille. |
| La bourse chinoise est donc le deuxième opérateur boursier au monde, et en raison de la popularité des ETF, de nombreux nouveaux ETF ont été créés au fil des ans, ce qui rend difficile pour les investisseurs de sélectionner et de choisir l'ETF dans lequel investir. |
| L'objectif de notre article vise donc à réduire le grand nombre d'ETF et à aider les investisseurs ayant peu de connaissances dans le domaine à construire leur portefeuille d'investissement en utilisant des techniques d'apprentissage non supervisées. |
| Ainsi, deux techniques de clustering seront utilisées ici, principalement la déformation temporelle dynamique et également le clustering hiérarchique. |
| Ainsi, ces deux clusters surperforment pour agréger les ETF en clusters avec un modèle de mouvement de prix similaire. Ainsi, dans cet article, nous examinerons les ETF cotés sur les marchés boursiers de Shanghai et de Shenzhen en Chine. |
| Ainsi, les outils logiciels qui seront utilisés sont certainement JMP Pro. Nous utilisons la version 15.2. JMP Pro est utilisé dans notre préparation des données ainsi que dans notre analyse et analyse des résultats à l'aide de Graph Builder. |
| Et nous utiliserons également SAS Enterprise Miner pour notre clustering, qui effectuera une déformation temporelle dynamique ainsi qu'un clustering hiérarchique. |
| La suite sera la préparation des données. |
| Ainsi, six ensembles de données différents ont été utilisés, principalement le cours de clôture quotidien des ETF de Shanghai de 2018 à 2020, ainsi que le cours de clôture quotidien des ETF de Shenzhen, de la même manière de 2018 à 2020. |
| Ainsi, le flux de travail pour préparer les données pour le clustering est le suivant. Nous allons donc d'abord importer nos six ensembles de données dans JMP Pro. |
| Et puis nous rejoindrions les multiples tables pour les ETF de Shanghai et de Shenzhen. Ensuite, nous utiliserons la fonction de modèle de données manquantes dans JMP Pro pour nettoyer l'ensemble de données. Par la suite, nous tabulons également le rendement mensuel de chaque FNB en utilisant la formule telle qu'elle est donnée, qui est |
| le prix à la fin du mois, moins le prix au début du mois, divisé par le prix au début du mois. |
| Et enfin, nous avons combiné les deux tables ensemble et maintenant c'est prêt pour le clustering. |
| Donc, tout d'abord, nous allons utiliser la fonction d'importation de plusieurs fichiers dans JMP pour importer par lots nos six fichiers à partir de notre ensemble de données brutes pour le ???. |
| Donc ici, vous pouvez voir, nous utilisons la fonction d'entrée de plusieurs fichiers, et c'est le dossier pour nos ensembles de données. |
| Ainsi, comme vous pouvez le constater, cette fonction nous permet d'importer très facilement tous les différents ensembles de données dans JMP Pro en une seule fois. |
| Donc, comme vous pouvez le voir, nos 6 ensembles de données ont été chargés. |
| Ensuite, notre deuxième étape consistera à joindre toutes les différentes données... toutes les tables ensemble. |
| Ici, j'utilise les données de Shanghai 2018 et j'effectue une jointure externe avec les données de 2019 et la colonne correspondante sera le numéro de série de chaque ETF. |
| Ainsi, après avoir combiné cela, il comprendra toutes les données ETF pour 2018 à 2019. |
| Ensuite, je vais effectuer une autre jointure externe avec les données de 2020. Et maintenant |
| l'ensemble de données résultant contiendra toutes les données, allant de 2018 à 2020 pour les ETF de Shanghai. Et bien sûr, nous répéterions également le processus pour l'ensemble de données de l'ETF de Shenzhen. |
| Donc, pour continuer, nous allons vérifier les données manquantes, et nous utiliserons la fonction de modèle de données manquantes sous la barre d'outils des tableaux dans JMP Pro |
| Ainsi, sous la barre d'outils des tableaux, nous pouvons choisir le modèle de données manquantes et nous pouvons sélectionner toutes nos colonnes pour vérifier les données manquantes. Comme tu peux le voir, |
| il y a 98 colonnes qui n'ont aucune donnée manquante, et nous pouvons la sélectionner qui ??? retour à notre table principale. Nous pouvons sélectionner ces 98 lignes et ce seront nos ensembles de données résultants pour |
| regroupement. |
| Cela sera donc également effectué pour les autres ensembles de données. |
| Ensuite, nous ferons également notre tableau de notre rendement mensuel, qui est la formule que j'ai mentionnée plus tôt, et ce que nous faisons, c'est que nous insérons une colonne dans les données. |
| Bien sûr, nous insèrerons une formule. |
| Comme mentionné, la formule sera le cours de clôture à la fin du mois, soit le 31 janvier 2018, moins le premier jour, qui est le deuxième. |
| Et, bien sûr, divisé par premier rendez-vous. Il devrait nous donner le rendement mensuel dans une proportion de pourcentage. Donc, bien sûr, nous pouvons les affiner, nous pouvons changer le nom de la colonne en janvier 2018, et bien sûr, nous pouvons changer le format en pourcentage avec deux décimales. |
| Alors voilà, c'est le retour mensuel pour janvier, et nous pouvons répéter pour tous les mois tout au long de l'ensemble de données. |
| Et enfin, une fois que les deux ensembles de données pour les ETF de Shenzhen et de Shanghai seront préparés, nous devrons les combiner. |
| Nous allons donc utiliser la fonction de concaténation dans la barre d'outils du tableau pour combiner les deux ensembles de données en un seul, qui sera ensuite utilisé pour la modélisation de clustering. Donc, comme vous pouvez le voir, les deux données pour |
| Les ETF de Shenzhen et de Shanghai ont été combinés en un seul avec 143 rangées. Nous devrions utiliser notre clustering par la suite. |
| Passons maintenant à notre regroupement. |
| le regroupement hiérarchique utilise une matrice de proximité pour déterminer la similarité et la dissemblance par paires entre chaque rendement mensuel |
| en utilisant la distance euclidienne. À droite, la déformation temporelle dynamique est utilisée pour comparer la similarité entre les séries chronologiques, ce qui tient compte du facteur temps. Il a un facteur égal dans les retards de propagation et détecte même des séries chronologiques qui partagent des modèles similaires légèrement déphasés. |
| Ainsi, bien que JMP Pro soit capable d'effectuer un clustering hiérarchique, la déformation temporelle dynamique n'est disponible que sur SAS Enterprise Miner. Par conséquent, les deux modélisations de clustering ont été effectuées dans SAS Enterprise Miner. |
| Maintenant, peut-être que JMP Pro pourrait envisager d'inclure la déformation temporelle dynamique dans la fonction de clustering à l'avenir, donc pour nous, les utilisateurs, nous pouvons avoir un logiciel tout-en-un pour effectuer l'intégralité de notre analyse, de la préparation des données à la modélisation et, enfin, la visualisation de nos résultats. |
| Ainsi, une fois le regroupement terminé, les données ont été rechargées dans JMP Pro à partir de SAS Enterprise Miner à des fins de visualisation et d'analyse. |
| La mise en cluster est donc une méthode de modélisation non supervisée et JMP Pro Graph Builder est très utile pour faciliter la visualisation de ces résultats. |
| Une visualisation appropriée à utiliser est la carte thermique, qui permet aux utilisateurs d'obtenir rapidement des informations à partir du résultat du clustering. |
| Ainsi, le long de l'axe X... l'axe Y représente les différents ETF et l'axe X représente les rendements mensuels des ETF. Ainsi, à partir de cette carte thermique, nous pouvons rapidement observer qu'au sein de ce cluster, le rendement mensuel montre des signes de similitude indiqués par l'intensité de la couleur, qui est le rendement mensuel. |
| Nous travaillerons donc ensuite pour comparer deux clusters issus des deux techniques de clustering. Sur la gauche se trouve la déformation temporelle dynamique et sur la droite se trouve le clustering hiérarchique. |
| Ainsi, l'algorithme de déformation temporelle dynamique a regroupé sept ETF différents, qui appartiennent tous au marché des entreprises en croissance. |
| À gauche et à droite se trouvent le clustering hiérarchique qui est un cluster d'une combinaison de certains ETF d'entreprise de croissance et d'autres ETF ensemble. |
| Ainsi, la déformation temporelle dynamique regroupe également deux ETF supplémentaires appartenant au secteur des entreprises, qui manquaient dans le regroupement hiérarchique et ils sont encadrés en rouge à gauche. |
| Cette pièce présente les mérites de l'algorithme de déformation temporelle dynamique par rapport à l'algorithme de clustering hiérarchique, où il peut capter ??? modèle lorsque l'encombrement est effectué. Alors je vais montrer... |
| Donc, comme vous pouvez le voir, c'est ce que nous avons fait dans JMP Pro. Sur la gauche se trouve la déformation temporelle dynamique et sur la droite se trouve le clustering. Ainsi, en utilisant Graph Builder, nous pouvons voir de manière interactive |
| le même ETF au cours de la même période car ils sont tous deux liés aux mêmes ensembles de données. Donc, d'autres comparaisons, nous pouvons jeter un œil au groupe cinq et au groupe neuf. |
| Ainsi, le filtre de données locales ici nous permet de basculer facilement entre les différents clusters pour effectuer notre comparaison. Vous pouvez voir, nous pouvons regarder la même chose, car vous pouvez voir que ces quelques-uns ne sont pas présents dans cette déformation temporelle dynamique. Comme vous pouvez le voir ici, |
| c'est lié. |
| Et bien sûr, donc nous pouvons peut-être jeter un coup d'œil au dernier, donc ces deux sont des clusters comparatifs qui sont les mêmes... similaires, donc la déformation temporelle dynamique a regroupé quatre ETF, alors que la hiérarchie en a regroupé environ huit. . |
| Donc, reculons. |
| Il y a donc plusieurs résultats similaires lorsque nous faisons les deux clusters, lorsque vous les comparez à l'aide de la carte thermique JMP Pro Graph Builder, qui est également documentée dans notre article. Nous mettrons donc notre article sur JMP Community pour toutes nos découvertes dans notre article. |
| Ainsi, en comparant les résultats du regroupement avec la composition du portefeuille d'ETF, l'algorithme de déformation temporelle dynamique a réussi à regrouper les ETF d'un secteur ou d'un portefeuille similaire avec plus de précision que le regroupement hiérarchique. |
| C'est peut-être parce qu'au lieu de calculer uniquement la distance euclidienne entre la même période de temps selon l'algorithme de clustering hiérarchique, |
| la déformation temporelle dynamique peut glisser le long de cet axe temporel pour calculer la distance la plus courte entre deux séries chronologiques et également détecter des modèles légèrement déphasés. |
| Nous passons donc maintenant à l'analyse de nos clusters en termes d'interprètes en rendement mensuel. |
| JMP Pro Graph Builder a donc été utilisé pour tracer les tendances des rendements mensuels. Graph Builder nous permet donc de créer des visualisations à l'aide de plusieurs rendements mensuels d'ETF. |
| Il s'agit d'une boîte à moustaches pour chaque mois et celles-ci montrent une ligne de tendance lisse tout au long de la période de trois ans. Ainsi, la fonction interactive nous permet en tant qu'utilisateurs de ??? aperçus pour la visualisation pour l'analyse. |
| Et à partir du graphique, nous pouvons également observer que la plage de fluctuation de 2019 à 2020, en bleu ici, est plus élevée ou plus grande par rapport à 2018. |
| La plage interquartile des mois qui suivent est également beaucoup plus grande, ce qui signifie que pour ces mois, la variance du rendement mensuel parmi les ETF est également plus grande. |
| Ainsi, à partir du graphique, vous pouvez voir que les mois les plus performants sont, en fait, février 2019, vous pouvez voir ici, juillet 2020 et aussi |
| février 2020. Et au contraire, les mois les moins performants sont une grande partie de 2020, |
| suivi de décembre 2018 puis de juin 2018. |
| Ainsi, en descendant pour afficher uniquement des clusters spécifiques, nous pouvons utiliser JMP Pro Graph Builder, le filtre de données local. |
| C'était similaire à la démo que j'ai montrée où nous pouvons basculer entre les différents clusters pour regarder spécifiquement et zoomer sur différents clusters. |
| Nous pouvons donc analyser ces clusters individuellement. Nous prenons donc deux clusters ici à gauche, ce sont principalement des ETF appartenant aux fabricants militaires, et la droite |
| sont des entreprises technologiques sur le marché des entreprises matures. Ainsi, les deux clusters ont connu des records de 2019 à 2020, |
| qui sont également les mois les plus performants, comme indiqué dans la diapositive précédente. |
| Cependant, en examinant de plus près une boîte à moustaches pour chaque mois, le cluster de gauche a généralement une plage interquartile plus petite que les clusters de droite. |
| Cela indique que choisir l'un des ETF du groupe de gauche produira un rendement mensuel plus cohérent par rapport aux ETF de droite. Certainement si vous achetez entre 2019 et 2020. |
| Ainsi, si nous approfondissons les cartes thermiques des quatre clusters à l'aide de JMP Pro Graph Builder, nous pouvons observer qu'entre 2019 et 2020, le rendement mensuel est généralement meilleur qu'en 2018. |
| Nous pouvons donc voir qu'il s'agit de retours positifs plus intenses, qui sont indiqués par une couleur verte plus brillante de 2019 à 2020, par rapport à 2018. |
| Nous avons donc mené une enquête et notre hypothèse préliminaire selon laquelle cela a à voir avec la tension croissante de la guerre commerciale entre la Chine et les États-Unis, qui a commencé en 2017. |
| Et cela a rarement perturbé l'économie et les marchés commerciaux de la Chine. En 2019, le président chinois a également appelé à l'autonomie de la Chine. |
| Selon les statistiques, la fabrication de haute technologie chinoise représente une plus grande partie de la croissance industrielle du pays au premier semestre 2019, car elle s'éloigne de la dépendance à l'égard de la technologie étrangère et d'autres produits. |
| Ainsi, en outre, la Chine a également investi massivement dans des industries telles que l'intelligence artificielle et les circuits intégrés pour atteindre son objectif d'autonomie. |
| Ainsi, cette croissance tirée par l'économie en Chine aurait pu conduire ces quelques industries à croître positivement en 2019 à 2020 après l'annonce et le changement de direction du pays. |
| Enfin, je terminerai par notre conclusion et certains des travaux futurs qui peuvent être appliqués à notre article. |
| Ainsi, bien que le regroupement hiérarchique et la déformation temporelle dynamique produisent des résultats de regroupement très similaires, la déformation temporelle dynamique présente des avantages. |
| algorithme car il a réussi à regrouper les ETF avec plus de précision. De plus, les ETF ont un rendement mensuel, donc dans une série chronologique et l'algorithme de déformation temporelle dynamique devait produire de meilleurs résultats de regroupement. |
| Nous observons également une corrélation entre les rendements mensuels des clusters et les objectifs économiques de la Chine, et bien sûr cela a entraîné les meilleurs rendements mensuels dans les secteurs. |
| Ainsi, certains des travaux futurs qui peuvent être effectués consistent à explorer d'autres corrélations d'industries avec les facteurs macroéconomiques du pays pour en tirer des perspectives différentes. |
| Et aussi, nous pouvons appliquer une déformation temporelle dynamique à différents instruments financiers tels que les stop risers prix des matières premières... prix des matières premières, |
| des devises, voire des produits dérivés. Et enfin, l'analyse peut être effectuée, vous savez, dans différentes périodes de temps, comme pré-COVID et post-COVID qui, bien sûr, nous n'avons pas encore atteint ce stade. |
| Même dans un intervalle de temps différent. Pour l'instant, nous utilisons mensuellement, vous pouvez également regarder hebdomadairement, trimestriellement ou annuellement... mensuellement... annuellement |
| Retour. |
| J'aimerais donc remercier JMP Pro de m'avoir donné l'opportunité de présenter mon travail via cette plateforme. |
| Je tiens également à remercier mon co-auteur et mentor pour m'avoir soutenu tout au long de ce voyage. Enfin, je ferai quelques réflexions sur mon expérience personnelle en tant qu'utilisateur lors de l'utilisation de JMP Pro. |
| JMP Pro offre une excellente expérience utilisateur pour nous en tant qu'utilisateurs, et c'est un logiciel d'analyse de données très interactif et dynamique. |
| Cela permet à nous, utilisateurs, de préparer notre préparation de données beaucoup plus rapidement et avec des résultats beaucoup plus précis. La fonction Graph Builder est donc également une fonction très pratique et utile pour l'analyse de nos résultats. |
| Nous pouvons tirer de belles idées et des informations intéressantes de ce générateur de graphiques et, enfin, les analyses statistiques, telles que les tests d'hypothèses et même d'autres techniques de modélisation telles que le clustering ou l'ACP, sont également très conviviales lorsque nous utilisons JMP Pro pour le faire. |
| Alors merci pour votre temps. Cela résume mon article. |
