스피커 | 성적 증명서 |
| 임용카이 | 좋아요. 안녕하세요 여러분. 그래서 저는 우리 논문을 발표할 것입니다. |
| 논문 제목은 비지도 학습을 통한 주식 시장 분석, 특히 동적 시간 워핑을 사용한 중국 주식 시장의 ETF 분석입니다. |
| 제 이름은 논문의 저자인 Yong Kai이고 공동 저자인 Chen Li입니다. 그래서 그 논문은 싱가포르 경영 대학에서 석사 과정을 밟고 있는 Kam 부교수를 위한 것이었습니다. |
| 그래서 오늘 제 발표의 의제는 다음과 같습니다. 먼저 논문의 소개와 목적부터 시작하겠습니다. |
| 다음은 데이터 준비와 클러스터링입니다. 다음은 클러스터의 성능 분석이 될 것이며 마지막으로 우리 논문의 결론 및 향후 작업이 될 것입니다. |
| 그래서 소개와 목표부터 시작하겠습니다. |
| 따라서 교환 거래 펀드, 즉 ETF를 통해 투자자는 다양한 산업 분야의 많은 주식에 접근할 수 있으며 포트폴리오의 다양화를 통해 더 나은 위험 관리를 할 수 있습니다. |
| 그래서 중국의 증권거래소는 세계 2위의 증권거래소 운영사인데 ETF의 인기로 인해 수년에 걸쳐 많은 새로운 ETF가 생겨났고 이로 인해 투자자들이 투자할 ETF를 선택하고 선택하는 데 어려움을 겪었습니다. |
| 따라서 본 논문의 목적은 무감독 학습 기법을 사용하여 방대한 수의 ETF를 좁히고 도메인 지식이 거의 없는 투자자가 투자 포트폴리오를 구축할 수 있도록 돕는 것입니다. |
| 따라서 여기서는 주로 동적 시간 워핑과 계층적 클러스터링이라는 두 가지 클러스터링 기술이 사용됩니다. |
| 따라서 이 두 클러스터링은 유사한 가격 변동 패턴을 가진 클러스터로 ETF를 집계하는 데 있어 뛰어난 성능을 보입니다. 그래서 본고에서는 중국 상하이와 선전 주식시장에 상장된 ETF에 대해 알아보도록 하겠습니다. |
| 따라서 사용할 소프트웨어 도구는 확실히 JMP Pro입니다. 15.2 버전을 사용하고 있습니다. JMP Pro는 데이터 준비와 Graph Builder를 사용한 분석 및 결과 분석에 사용됩니다. |
| 또한 동적 시간 워핑과 계층적 클러스터링을 수행하는 클러스터링에 SAS Enterprise Miner를 사용할 것입니다. |
| 계속 진행하면 데이터 준비가 됩니다. |
| 따라서 6개의 서로 다른 데이터 세트가 사용되었으며, 주로 2018년부터 2020년까지 상하이 ETF의 일일 종가와 유사하게 2018년부터 2020년까지 선전 ETF의 일일 종가입니다. |
| 따라서 클러스터링을 위한 데이터를 준비하는 워크플로는 다음과 같습니다. 따라서 먼저 6개의 데이터 세트를 JMP Pro로 가져옵니다. |
| 그런 다음 상하이와 선전 ETF 모두에 대한 여러 테이블에 합류했습니다. 다음으로 JMP Pro의 누락된 데이터 패턴 기능을 사용하여 데이터 세트를 정리합니다. 그런 다음 주어진 공식을 사용하여 각 ETF의 월별 수익을 표로 작성합니다. |
| 월말 가격에서 월초 가격을 뺀 값을 월초 가격으로 나눈 값입니다. |
| 마지막으로 두 테이블을 함께 결합했으며 이제 클러스터링할 준비가 되었습니다. |
| 따라서 먼저 JMP의 여러 파일 가져오기 기능을 사용하여 ???에 대한 원시 데이터 세트에서 6개의 파일을 일괄 가져옵니다. |
| 여기에서 볼 수 있듯이 다중 파일 입력 기능을 사용하고 있으며 이것이 데이터 세트의 폴더입니다. |
| 보시다시피 이 기능을 사용하면 다양한 데이터 세트를 JMP Pro로 한 번에 모두 쉽게 가져올 수 있습니다. |
| 보시다시피 6개의 데이터 세트가 로드되었습니다. |
| 다음으로 두 번째 단계는 서로 다른 모든 데이터, 즉 모든 테이블을 결합해야 합니다. |
| 여기에서는 2018년 상하이 데이터를 사용하고 있으며 2019년 데이터로 외부 조인을 수행하고 있으며 일치하는 열은 각 ETF의 일련 번호가 됩니다. |
| 따라서 이를 결합하면 2018년부터 2019년까지의 모든 ETF 데이터를 구성하게 됩니다. |
| 다음으로 2020년 데이터로 또 다른 외부 조인을 수행합니다. 그리고 지금 |
| 결과 데이터 세트에는 상하이 ETF에 대한 2018년부터 2020년까지의 모든 데이터가 포함됩니다. 물론 Shenzhen ETF 데이터 세트에 대해서도 프로세스를 반복합니다. |
| 계속해서 누락된 데이터를 확인하고 JMP Pro의 표 도구 모음에서 누락된 데이터 패턴 기능을 사용합니다. |
| 따라서 표 도구 모음에서 누락된 데이터 패턴을 선택할 수 있고 모든 열을 선택하여 누락된 데이터를 확인할 수 있습니다. 보시다시피, |
| 누락된 데이터가 없는 98개의 열이 있으며 이를 선택할 수 있습니다. 메인 테이블로 돌아갑니다. 98개의 행을 선택할 수 있으며 이것이 다음에 대한 결과 데이터 세트가 됩니다. |
| 클러스터링. |
| 따라서 이것은 다른 데이터 세트에 대해서도 수행됩니다. |
| 다음으로 앞서 언급한 수식인 월별 수익을 표로 만들고 데이터에 열을 삽입합니다. |
| 물론 수식을 삽입합니다. |
| 언급한 바와 같이 공식은 2018년 1월 31일인 월말의 종가에서 첫째 날인 둘째 날을 뺀 값이 됩니다. |
| 그리고 물론 첫 데이트로 나눕니다. 백분율 비율로 월별 수익을 제공해야 합니다. 물론 이를 미세 조정할 수 있고, 열 이름을 2018년 1월로 변경할 수 있으며, 물론 형식을 소수점 이하 두 자리의 백분율로 변경할 수 있습니다. |
| 그래서 여기 1월의 월별 수익이 있고 전체 데이터 세트에서 모든 달에 대해 반복할 수 있습니다. |
| 그리고 마지막으로 Shenzhen과 Shanghai ETF에 대한 두 데이터 세트가 준비된 후 함께 결합해야 합니다. |
| 따라서 테이블 도구 모음의 연결 기능을 사용하여 두 데이터 세트를 하나로 결합하고 나중에 클러스터링 모델링에 사용할 것입니다. 보시다시피 두 데이터 모두 |
| Shenzhen과 Shanghai ETF는 143행으로 하나로 통합되었습니다. 이후에는 클러스터링을 사용해야 합니다. |
| 이제 클러스터링으로 이동합니다. |
| 계층적 군집화는 근접 행렬을 사용하여 각 월별 수익률 간의 쌍별 유사성 및 비유사성을 결정합니다. |
| 유클리드 거리를 사용합니다. 오른쪽은 동적 시간 워핑을 사용하여 시간 요소를 설명하는 시계열 간의 유사성을 비교합니다. 전파 지연에서 동일한 요소를 가지며 약간 위상이 다른 유사한 패턴을 공유하는 시계열도 감지합니다. |
| 따라서 JMP Pro는 계층적 클러스터링을 수행할 수 있지만 동적 시간 워핑은 SAS Enterprise Miner에서만 사용할 수 있으므로 두 클러스터링 모델링 모두 SAS Enterprise Miner에서 수행되었습니다. |
| 이제 JMP Pro는 향후 클러스터링 기능에 동적 시간 왜곡을 포함하는 것을 고려할 수 있으므로 사용자를 위해 데이터 준비에서 모델링 및 마지막으로 시각화까지 전체 분석을 수행할 수 있는 올인원 소프트웨어를 가질 수 있습니다. 우리의 결과. |
| 따라서 클러스터링이 완료된 후 데이터는 시각화 및 분석을 위해 SAS Enterprise Miner에서 JMP Pro로 다시 로드되었습니다. |
| 따라서 클러스터링은 감독되지 않은 모델링 방법이며 JMP Pro Graph Builder는 이러한 결과를 시각화하는 데 매우 유용합니다. |
| 사용할 적절한 시각화는 사용자가 클러스터링 결과에서 신속하게 통찰력을 얻을 수 있도록 하는 히트 맵입니다. |
| 따라서 X축을 따라...Y축은 다양한 ETF이고 X축은 ETF의 월별 수익률입니다. 따라서 이 히트 맵에서 우리는 이 클러스터 내에서 월별 수익률이 월별 수익률인 색상의 강도로 표시되는 유사 징후를 빠르게 관찰할 수 있습니다. |
| 다음으로 두 클러스터링 기술에서 두 클러스터를 비교하기 위해 노력할 것입니다. 왼쪽에는 동적 시간 왜곡이 있고 오른쪽에는 계층적 클러스터링이 있습니다. |
| 따라서 동적 시간 왜곡 알고리즘은 모두 성장 기업 시장에 속하는 7개의 서로 다른 ETF를 클러스터링했습니다. |
| 왼쪽과 오른쪽에는 일부 성장 기업 ETF와 다른 ETF가 함께 결합된 클러스터인 계층적 클러스터링이 있습니다. |
| 따라서 동적 시간 워핑은 계층적 클러스터링에서 누락된 엔터프라이즈 부문에 속하는 두 개의 추가 ETF를 클러스터링하며 왼쪽에 빨간색 상자로 표시됩니다. |
| 이것은 계층적 클러스터링 알고리즘과 비교하여 동적 시간 워핑 알고리즘의 장점을 보여줍니다. 클러터링이 수행될 때의 패턴. 그래서 보여줄게... |
| 보시다시피 이것이 JMP Pro에서 수행한 작업입니다. 왼쪽에는 동적 시간 왜곡이 있고 오른쪽에는 클러스터링이 있습니다. 따라서 Graph Builder를 사용하여 대화식으로 볼 수 있습니다. |
| 둘 다 동일한 데이터 세트에 연결되어 있기 때문에 동일한 기간 내의 동일한 ETF입니다. 따라서 다른 비교를 통해 클러스터 5와 클러스터 9를 살펴볼 수 있습니다. |
| 따라서 여기에서 로컬 데이터 필터를 사용하면 서로 다른 클러스터 간에 쉽게 전환하여 비교할 수 있습니다. 보시다시피, 우리는 비슷한 것을 볼 수 있습니다. 이 동적 시간 왜곡에는 이러한 몇 가지가 존재하지 않는다는 것을 알 수 있습니다. 여기서 보시다시피, |
| 연결되어 있습니다. |
| 그리고 물론, 그래서 우리는 아마도 마지막 것을 볼 수 있을 것입니다. 그래서 이 두 개는 같은...비슷한 비교 클러스터입니다. 그래서 동적 시간 워핑은 4개의 ETF를 함께 그룹화한 반면, 계층 구조는 그 중 약 8개를 함께 그룹화했습니다. . |
| 그래서 뒤로 이동합니다. |
| 따라서 두 군집을 모두 수행할 때 JMP Pro Graph Builder 열 지도를 사용하여 비교할 때 몇 가지 유사한 결과가 있습니다. 이 지도는 우리 논문에도 문서화되어 있으므로 우리 논문의 모든 결과에 대해 JMP 커뮤니티에 논문을 게시할 것입니다. |
| 따라서 클러스터링 결과를 ETF 포트폴리오 구성과 비교하면 계층적 클러스터링보다 더 정확하게 유사한 산업 또는 포트폴리오의 ETF를 클러스터링하는 동적 시간 워핑 알고리즘이 관리됩니다. |
| 이는 계층적 클러스터링 알고리즘에 따라 동일한 기간 사이의 유클리드 거리만 계산하는 대신 |
| 동적 시간 왜곡은 해당 시간 축을 따라 이동하여 두 시계열 사이의 최단 거리를 계산하고 위상이 약간 다른 패턴도 감지할 수 있습니다. |
| 이제 우리는 월별 수익의 수행자 측면에서 클러스터 분석으로 이동합니다. |
| 그래서 JMP Pro Graph Builder를 사용하여 월별 수익률 추세를 표시했습니다. 따라서 Graph Builder를 사용하면 여러 ETF의 월별 수익률을 사용하여 시각화를 구축할 수 있습니다. |
| 이것은 매월 박스 플롯이며 3년 동안 부드러운 추세선을 보여줍니다. 따라서 대화식 기능을 통해 사용자는 ??? 분석을 위한 시각화를 위한 인사이트. |
| 그리고 그래프에서 2019년부터 2020년까지의 변동 범위(파란색)가 2018년에 비해 높거나 더 크다는 것도 관찰할 수 있습니다. |
| 다음 달의 분기 간 범위도 훨씬 더 커서 해당 달에 ETF 간의 월별 수익률 변동이 더 크다는 것을 의미합니다. |
| 따라서 그래프에서 가장 실적이 좋은 달은 사실 2019년 2월이고 여기에서 볼 수 있는 것은 2020년 7월입니다. |
| 2020년 2월. 반대로 가장 실적이 저조한 달은 대부분 2020년입니다. |
| 이어 2018년 12월, 2018년 6월. |
| 따라서 드릴다운하여 특정 클러스터만 표시하면 로컬 데이터 필터인 JMP Pro Graph Builder를 사용할 수 있습니다. |
| 이것은 다른 클러스터 사이를 전환하여 구체적으로 보고 다른 클러스터를 확대할 수 있는 데모에서 보여드린 것과 유사했습니다. |
| 따라서 이러한 클러스터를 개별적으로 분석할 수 있습니다. 그래서 우리는 여기 왼쪽에서 두 개의 클러스터를 선택했습니다. 그들은 주로 군사 제조업체에 속하는 ETF이고 오른쪽은 |
| 성숙한 엔터프라이즈 시장의 기술 회사입니다. 따라서 두 클러스터 모두 2019년부터 2020년까지 사상 최고치를 기록했습니다. |
| 이전 슬라이드에서 볼 수 있듯이 실적이 가장 좋은 달이기도 합니다. |
| 그러나 각 월의 상자 그림을 자세히 살펴보면 왼쪽의 군집이 오른쪽 군집에 비해 일반적으로 사분위수 범위가 더 작습니다. |
| 이는 왼쪽의 클러스터에서 ETF를 선택하면 오른쪽의 ETF와 비교할 때 더 일관된 월별 수익을 얻을 수 있음을 나타냅니다. 2019년에서 2020년 사이에 구입한다면 확실히. |
| 따라서 JMP Pro Graph Builder를 사용하여 4개의 클러스터 히트 맵을 드릴하면 2019년에서 2020년까지 월별 수익률이 2018년에 비해 일반적으로 더 나은 성과를 보인다는 것을 관찰할 수 있습니다. |
| 따라서 2018년에 비해 2019년부터 2020년까지 더 밝은 녹색으로 표시되는 더 높은 강도의 긍정적인 수익을 볼 수 있습니다. |
| 그래서 우리는 2017년에 시작된 중국과 미국의 무역전쟁 긴장 고조와 관련이 있다는 몇 가지 조사와 예비 가정을 했습니다. |
| 그리고 이것은 중국의 경제와 무역 시장을 드물게 방해했습니다. 2019년 중국 주석도 중국의 자립을 촉구했다. |
| 통계에 따르면 중국의 하이테크 제조는 외국 기술 및 기타 제품에 대한 의존에서 벗어나고 있기 때문에 2019년 상반기 국가 산업 성장의 더 큰 부분을 차지합니다. |
| 따라서 중국은 자립이라는 목표를 달성하기 위해 인공 지능 및 집적 회로와 같은 산업에 막대한 투자를 했습니다. |
| 따라서 중국의 이러한 경제 주도 성장은 이 발표와 국가의 방향 전환 이후 2019년에서 2020년 사이에 이 소수의 산업이 긍정적으로 성장하도록 이끌었을 수 있습니다. |
| 그래서 마지막으로 우리의 결론과 우리 논문에 적용될 수 있는 몇 가지 미래 작업으로 마무리하겠습니다. |
| 따라서 계층적 클러스터링과 동적 시간 왜곡 모두 매우 유사한 클러스터링 결과를 생성하지만 동적 시간 왜곡의 장점이 있습니다. |
| 알고리즘을 통해 ETF를 보다 정확하게 클러스터링할 수 있었습니다. 또한 ETF는 월별 수익이므로 시계열 및 동적 시간 워핑 알고리즘은 더 나은 클러스터링 결과를 생성했습니다. |
| 우리는 또한 클러스터의 월별 성과와 중국 경제 목표의 상관관계를 관찰했으며, 이는 물론 해당 부문의 월별 성과가 더 우수하다는 결과를 낳았습니다. |
| 따라서 수행할 수 있는 향후 작업 중 일부는 다른 통찰력을 도출하기 위해 국가의 거시 경제 요인과 산업의 다른 상관 관계를 탐색하는 것입니다. |
| 또한 스탑 라이저 상품 가격...상품 가격, |
| 통화 또는 파생 상품. 그리고 마지막으로 COVID 이전 및 이후와 같이 물론 아직 그 단계에 도달하지 못한 다른 기간에 분석을 수행할 수 있습니다. |
| 다른 시간 간격에서도. 지금은 월간을 사용하고 있으며 주간, 분기별 또는 연간...월간...연간도 볼 수 있습니다. |
| 보고. |
| 그래서 이 플랫폼을 통해 제 작품을 선보일 수 있는 기회를 준 JMP Pro에 감사드립니다. |
| 이 여정 동안 저를 지원해 주신 공동 저자와 멘토에게도 감사드립니다. 마지막으로 JMP Pro를 사용할 때 사용자로서의 개인적인 경험을 반영하겠습니다. |
| JMP Pro는 사용자인 우리에게 탁월한 사용자 경험을 제공하며 매우 상호작용적이고 동적인 데이터 분석 소프트웨어입니다. |
| 이를 통해 사용자는 데이터 준비를 훨씬 더 빠르고 훨씬 더 정확한 결과로 준비할 수 있습니다. 따라서 그래프 빌더 기능은 결과 분석에 매우 편리하고 유용한 기능이기도 합니다. |
| 우리는 이 Graph Builder에서 멋진 통찰력과 흥미로운 정보를 얻을 수 있으며, 마지막으로 가설 테스트와 같은 통계 분석과 클러스터링 또는 PCA와 같은 기타 모델링 기술도 JMP Pro를 사용하여 수행할 때 매우 사용자 친화적입니다. |
| 시간 내주셔서 감사합니다. 그것은 내 논문을 요약합니다. |
