Vocero | Transcripción |
| LIM Yong Kai | Bueno. Hola a todos. Así que estaré presentando nuestro artículo. |
| El título del artículo es Análisis del mercado de valores con aprendizaje no supervisado, específicamente un análisis de los ETF en el mercado de valores de China mediante la deformación dinámica del tiempo. |
| Entonces, mi nombre es Yong Kai, el autor del artículo, y Chen Li es mi coautor. Así que el documento era algo para el profesor asociado Kam en un programa de maestría en la Universidad de Administración de Singapur. |
| Así que la agenda de mi presentación de hoy es la siguiente. Primero, comenzaré con una introducción y el objetivo del artículo. |
| Lo siguiente será la preparación de datos, seguida por la agrupación. A continuación, se realizará el análisis del desempeño de nuestros clústeres y, por último, se presentarán las conclusiones y los trabajos futuros de nuestro artículo. |
| Así que empiezo con la introducción y el objetivo. |
| Por lo tanto, los fondos cotizados en bolsa, o ETF en resumen, permiten a los inversores obtener acceso a muchas acciones en varias industrias y tienden a tener una mejor gestión de riesgos a través de la diversificación en su cartera. |
| Por lo tanto, la bolsa de valores de China es el segundo operador bursátil más grande del mundo y, debido a la popularidad de los ETF, se han creado muchos ETF nuevos a lo largo de los años, lo que dificulta que los inversores seleccionen y elijan el ETF en el que invertir. |
| Por lo tanto, el objetivo de nuestro documento apunta a reducir la gran cantidad de ETF y ayudar a los inversores con poco conocimiento del dominio a construir su cartera de inversiones mediante el uso de técnicas de aprendizaje no supervisadas. |
| Por lo tanto, aquí se utilizarán dos técnicas de agrupación, principalmente la deformación dinámica del tiempo y también la agrupación jerárquica. |
| Por lo tanto, estos dos agrupamientos tienen un rendimiento superior al agregar los ETF en grupos con un patrón de movimiento de precios similar. Entonces, en este documento, veremos los ETF que cotizan en el mercado de valores de Shanghai y Shenzhen en China. |
| Entonces, las herramientas de software que se utilizarán son definitivamente JMP Pro. Estamos usando la versión 15.2. JMP Pro se utiliza en nuestra preparación de datos y también en nuestro análisis y análisis de resultados utilizando Graph Builder. |
| Y también usaremos SAS Enterprise Miner para nuestro agrupamiento, que realizará una deformación dinámica del tiempo y también un agrupamiento jerárquico. |
| Seguir adelante será la preparación de datos. |
| Por lo tanto, se utilizaron seis conjuntos de datos diferentes, principalmente el precio de cierre diario de los ETF de Shanghai de 2018 a 2020, y también el precio de cierre diario de los ETF de Shenzhen, de manera similar de 2018 a 2020. |
| Entonces, el flujo de trabajo para preparar los datos para la agrupación es el siguiente. Entonces, primero importaremos nuestros seis conjuntos de datos a JMP Pro. |
| Y luego nos uniríamos a las mesas múltiples para los ETF de Shanghái y Shenzhen. Y luego usaremos la función de patrón de datos faltantes en JMP Pro para limpiar el conjunto de datos. A partir de entonces, también tabulamos el rendimiento mensual de cada ETF utilizando la fórmula dada, que es |
| el precio al final del mes, menos el precio al comienzo del mes, dividido por el precio al comienzo del mes. |
| Y finalmente, hemos combinado ambas tablas y ahora está listo para agrupar. |
| Entonces, en primer lugar, usaremos la función de importación de archivos múltiples en JMP para importar por lotes nuestros seis archivos de nuestro conjunto de datos sin procesar para ???. |
| Entonces aquí, puede ver, estamos usando la función de entrada de archivos múltiples, y esta es la carpeta para nuestros conjuntos de datos. |
| Entonces, como puede ver, con esta función es muy fácil para nosotros importar todos los diferentes conjuntos de datos a JMP Pro a la vez. |
| Entonces, como puede ver, nuestros 6 conjuntos de datos se han cargado. |
| A continuación, nuestro segundo paso será unir todos los datos diferentes... todas las tablas juntas. |
| Aquí estoy usando los datos de Shanghai 2018 y estoy realizando una unión externa con los datos de 2019 y la columna correspondiente será el número de serie de cada ETF. |
| Entonces, después de combinar esto, formará parte de todos los datos de ETF de 2018 a 2019. |
| A continuación, realizaré otra combinación externa con los datos de 2020. Y ahora |
| el conjunto de datos resultante tendrá todos los datos, desde 2018 hasta 2020 para los ETF de Shanghái. Y, por supuesto, también repetiríamos el proceso para el conjunto de datos de ETF de Shenzhen. |
| Entonces, continuando, verificaremos si faltan datos y usaremos la función de patrón de datos faltantes debajo de la barra de herramientas de tablas en JMP Pro |
| Entonces, en la barra de herramientas de tablas, podemos elegir el patrón de datos faltantes y podemos seleccionar todas nuestras columnas para verificar si faltan datos. Como se puede ver, |
| hay 98 columnas que no tienen datos faltantes, y podemos seleccionarla, ¿cuál será? de vuelta a nuestra mesa principal. Podemos seleccionar esas 98 filas y estos serán nuestros conjuntos de datos resultantes para |
| agrupamiento |
| Así que esto también se realizará para los otros conjuntos de datos. |
| A continuación, también tabularemos nuestro rendimiento mensual, que es la fórmula que mencioné anteriormente, y lo que hacemos es insertar una columna en los datos. |
| Por supuesto, insertaremos una fórmula. |
| Como se mencionó, la fórmula será el precio de cierre al final del mes, que es el 31 de enero de 2018, menos el primer día, que es el segundo. |
| Y, por supuesto, dividido por primera cita. Nos debe dar la rentabilidad mensual en una proporción de porcentaje. Entonces, por supuesto, podemos ajustarlos, podemos cambiar el nombre de la columna a enero de 2018 y, por supuesto, podemos cambiar el formato a porcentaje con dos decimales. |
| Así que aquí tenemos el rendimiento mensual de enero, y podemos repetirlo para todos los meses a lo largo de todo el conjunto de datos. |
| Y, por último, después de preparar ambos conjuntos de datos para los ETF de Shenzhen y Shanghái, necesitaremos combinarlos. |
| Entonces, usaremos la función de concatenación en la barra de herramientas de la tabla para combinar ambos conjuntos de datos en uno, que luego se usará para el modelado de agrupamiento. Como puede ver, ambos datos para |
| Los ETF de Shenzhen y Shanghai se han combinado en uno con 143 filas. Deberíamos usar nuestro agrupamiento a partir de entonces. |
| Así que ahora pasemos a nuestro agrupamiento. |
| el agrupamiento jerárquico utiliza una matriz de proximidad para determinar la similitud y la disimilitud por pares entre cada rendimiento mensual |
| utilizando la distancia euclidiana. A la derecha, la deformación temporal dinámica se utiliza para comparar la similitud entre series temporales, lo que explica el factor tiempo. Tiene el mismo factor en los retrasos de propagación e incluso detecta series de tiempo que comparten patrones similares que están ligeramente desfasados. |
| Entonces, aunque JMP Pro puede realizar agrupaciones jerárquicas, la deformación dinámica del tiempo solo está disponible en SAS Enterprise Miner, por lo tanto, ambos modelos de agrupaciones se realizaron en SAS Enterprise Miner. |
| Ahora, tal vez JMP Pro podría considerar incluir la deformación dinámica del tiempo en la función de agrupamiento en el futuro, para que nosotros, los usuarios, podamos tener un software todo en uno para realizar nuestro análisis completo, desde la preparación de datos hasta el modelado y, finalmente, la visualización de nuestros resultados. |
| Entonces, una vez que se completó la agrupación, los datos se cargaron nuevamente en JMP Pro desde SAS Enterprise Miner para su visualización y análisis. |
| Por lo tanto, la agrupación en clústeres es un método de modelado no supervisado y JMP Pro Graph Builder es muy útil para ayudar a visualizar estos resultados. |
| Una visualización adecuada que se debe utilizar es el mapa de calor, que permite a los usuarios obtener rápidamente información del resultado de la agrupación. |
| Entonces, a lo largo del eje X... el eje Y son los diferentes ETF y el eje X son los rendimientos mensuales de ETF. Entonces, a partir de este mapa de calor, podemos observar rápidamente que dentro de este grupo, el rendimiento mensual muestra signos de similitud indicados por la intensidad del color, que es el rendimiento mensual. |
| Entonces, a continuación, trabajaremos para comparar dos clústeres de ambas técnicas de agrupamiento. A la izquierda estará la deformación dinámica del tiempo ya la derecha el agrupamiento jerárquico. |
| Entonces, el algoritmo dinámico de distorsión del tiempo agrupó siete ETF diferentes, todos los cuales pertenecen al mercado empresarial en crecimiento. |
| A la izquierda ya la derecha se encuentra el agrupamiento jerárquico, que es un grupo de una combinación de algunos ETF de empresas de crecimiento y otros ETF juntos. |
| Por lo tanto, la distorsión temporal dinámica también agrupa dos ETF adicionales que pertenecen al sector empresarial, que faltaba en la agrupación jerárquica y están enmarcados en rojo a la izquierda. |
| Esta exhibición tiene méritos del algoritmo dinámico de distorsión de tiempo en comparación con el algoritmo de agrupamiento jerárquico, donde puede recoger ??? patrón cuando se realiza el cluttering. Así que mostraré... |
| Entonces, como puede ver, esto es lo que hemos hecho en JMP Pro. A la izquierda estará la deformación dinámica del tiempo ya la derecha el agrupamiento. Entonces, usando Graph Builder, podemos ver interactivamente |
| el mismo ETF dentro del mismo período ya que ambos están vinculados a los mismos conjuntos de datos. Otras comparaciones, podemos echar un vistazo al grupo cinco y al grupo nueve. |
| Entonces, el filtro de datos locales aquí nos permite alternar fácilmente entre los diferentes grupos para hacer nuestra comparación. Pueden ver, podemos ver lo similar, como pueden ver, estos pocos no están presentes en esta distorsión dinámica del tiempo. Como puedes ver aquí, |
| está vinculado. |
| Y, por supuesto, tal vez podamos echar un vistazo al último, estos dos son grupos comparativos que son iguales... similares, por lo que la distorsión temporal dinámica agrupó cuatro ETF, mientras que la jerárquica agrupó alrededor de ocho de ellos. . |
| Entonces, retrocediendo. |
| Entonces, hay varios resultados similares cuando hacemos ambos grupos, cuando los compara usando el mapa de calor de JMP Pro Graph Builder, que también está documentado en nuestro documento, por lo que pondremos nuestro documento en JMP Community para todos nuestros hallazgos en nuestro documento. |
| Por lo tanto, al comparar los resultados de la agrupación con la composición de la cartera de ETF, el algoritmo dinámico de distorsión del tiempo logró agrupar los ETF de una industria o cartera similar con mayor precisión que la agrupación jerárquica. |
| Esto puede deberse a que, en lugar de solo calcular la distancia euclidiana entre el mismo período de tiempo según el algoritmo de agrupación jerárquica, |
| la deformación temporal dinámica puede deslizarse a lo largo de ese eje temporal para calcular la distancia más corta entre dos series temporales y también detectar patrones que están ligeramente desfasados. |
| Así que ahora pasamos al análisis de nuestros clústeres en términos de rendimiento mensual. |
| Por lo tanto, se usó JMP Pro Graph Builder para trazar las tendencias de rendimiento mensual, por lo que Graph Builder nos permite crear visualizaciones utilizando múltiples rendimientos mensuales de ETF. |
| Este es un gráfico de caja para cada mes y muestra una línea de tendencia uniforme a lo largo del período de tres años. Entonces la función interactiva nos permite como usuarios ??? conocimientos para la visualización para el análisis. |
| Y del gráfico, también podemos observar que el rango de fluctuación de 2019 a 2020, en azul aquí, es más alto o más grande en comparación con 2018. |
| El rango intertrimestral de los meses siguientes también es mucho mayor, lo que significa que para esos meses la variación del rendimiento mensual entre los ETF también es mayor. |
| Entonces, en el gráfico, puede ver que los meses con mejor rendimiento son, de hecho, febrero de 2019, puede ver aquí, julio de 2020 y también |
| febrero de 2020. Y al contrario, los meses con peor comportamiento son gran parte de 2020, |
| seguido por diciembre de 2018 y luego junio de 2018. |
| Entonces, al profundizar para mostrar solo grupos específicos, podemos usar JMP Pro Graph Builder, el filtro de datos local. |
| Esto fue similar a la demostración que mostré donde podemos alternar entre los diferentes grupos para buscar específicamente y hacer zoom en diferentes grupos. |
| Entonces podemos analizar esos grupos individualmente. Así que tomamos dos grupos aquí a la izquierda, son principalmente ETF pertenecientes a los fabricantes militares, y el derecho |
| son empresas de tecnología en el mercado empresarial maduro. Por lo tanto, ambos grupos han registrado máximos históricos entre 2019 y 2020, |
| que también son los meses con mejor desempeño, como se mostró en la diapositiva anterior. |
| Sin embargo, al observar más de cerca un diagrama de caja para cada mes, el grupo de la izquierda generalmente tiene un rango intercuartílico más pequeño en comparación con los grupos de la derecha. |
| Esto indica que elegir cualquiera de los ETF del grupo de la izquierda producirá un rendimiento mensual más consistente en comparación con los ETF de la derecha. Definitivamente si está comprando entre 2019 y 2020. |
| Entonces, si profundizamos en los mapas de calor de los cuatro clústeres con JMP Pro Graph Builder, podemos observar que en 2019 y 2020, el rendimiento mensual generalmente funciona mejor en comparación con 2018. |
| Entonces podemos ver que hay un retorno positivo de mayor intensidad, que se indica con un color verde más brillante de 2019 a 2020, en comparación con 2018. |
| Así que investigamos un poco y nuestra suposición preliminar de que tiene que ver con la creciente tensión de la guerra comercial entre China y Estados Unidos, que comenzó en 2017. |
| Y esto ha perturbado la economía y los mercados comerciales de China con poca frecuencia. En 2019, el presidente chino también pidió la autosuficiencia de China. |
| Según las estadísticas, la fabricación de alta tecnología de China representa una parte más grande del crecimiento industrial del país en la primera mitad de 2019, ya que se está alejando de la dependencia de la tecnología extranjera y otros productos. |
| Entonces, además, China también ha invertido mucho en industrias como la inteligencia artificial y también los circuitos integrados para lograr su objetivo de autosuficiencia. |
| Entonces, este crecimiento impulsado por la economía en China podría haber llevado a que estas pocas industrias crecieran positivamente en 2019 a 2020 después del anuncio y el cambio en la dirección del país. |
| Así que finalmente cerraré con nuestra conclusión y parte del trabajo futuro que se puede aplicar con nuestro documento. |
| Entonces, aunque tanto el agrupamiento jerárquico como la deformación dinámica del tiempo producen resultados de agrupamiento muy similares, la deformación dinámica del tiempo tiene ventajas |
| algoritmo ya que logró agrupar los ETF con mayor precisión. Además, el rendimiento mensual de los ETF, por lo que en una serie de tiempo y el algoritmo dinámico de distorsión de tiempo fue producir mejores resultados de agrupamiento. |
| También observamos la correlación de los rendimientos mensuales de los clústeres con los objetivos económicos de China y, por supuesto, esto resultó en los mejores rendimientos mensuales de los sectores. |
| Entonces, parte del trabajo futuro que se puede hacer es explorar otras correlaciones de las industrias con los factores macroeconómicos del país para obtener diferentes puntos de vista. |
| Y también, podemos aplicar la deformación dinámica del tiempo a diferentes instrumentos financieros, como detener las subidas de precios de las materias primas... precios de las materias primas, |
| divisas, o incluso derivados. Y, por último, el análisis se puede realizar, ya sabes, en diferentes períodos de tiempo, como pre-COVID y post-COVID que, por supuesto, aún no hemos llegado a esa etapa. |
| Incluso en diferentes intervalos de tiempo. Por ahora estamos usando mensualmente, también puede mirar semanalmente, trimestralmente o anualmente...mensualmente....anualmente |
| devoluciones. |
| Así que me gustaría JMP Pro por darme la oportunidad de mostrar mi trabajo a través de esta plataforma. |
| También me gustaría agradecer a mi coautor y mentor por apoyarme a lo largo de este viaje. Por último, haré una reflexión sobre mi experiencia personal como usuario al usar JMP Pro. |
| JMP Pro proporciona una excelente experiencia de usuario para nosotros como usuarios, y es un software de análisis de datos muy interactivo y dinámico. |
| Nos permite a los usuarios preparar nuestra preparación de datos mucho más rápido y con resultados mucho más precisos. Por lo tanto, la función Graph Builder también es una función muy práctica y útil para el análisis de nuestros resultados. |
| Podemos extraer ideas hermosas e información interesante de este Graph Builder y, por último, los análisis estadísticos, como la prueba de hipótesis e incluso otras técnicas de modelado, como la agrupación en clústeres o PCA, también son muy fáciles de usar cuando usamos JMP Pro para hacerlo. |
| Así que gracias por su tiempo. Eso resume mi artículo. |
