スピーカー | 成績証明書 |
| イム・ヨンカイ | わかった。 みなさん、こんにちは。 そこで私たちの論文を発表します。 |
| 論文のタイトルは「教師なし学習による株式市場の分析」、具体的には動的タイムワーピングを使用した中国株式市場のETFの分析です。 |
| 私の名前はこの論文の著者の Yong Kai、共著者は Chen Li です。 つまり、この論文はシンガポール管理大学の修士課程のカム准教授に宛てたものでした。 |
| それでは、本日の私のプレゼンテーションの議題は次のとおりです。 まず、この論文の概要と目的から始めます。 |
| 次にデータの準備があり、次にクラスタリングが続きます。 次はクラスターのパフォーマンスの分析であり、最後にこの論文の結論と今後の作業について説明します。 |
| そこで、まず紹介と目的から始めます。 |
| そのため、上場投資信託（ETF）を利用すると、投資家はさまざまな業界の多くの株式にアクセスできるようになり、ポートフォリオの多様化を通じてリスク管理が向上する傾向があります。 |
| つまり、中国の証券取引所は世界第2位の証券取引所運営会社であり、ETFの人気の高さから長年にわたって多くの新しいETFが作られてきたため、投資家がどのETFに投資するかを選択するのは困難になっています。 |
| したがって、私たちの論文の目的は、膨大な数のETFを絞り込み、専門分野の知識がほとんどない投資家が教師なし学習手法を使用して投資ポートフォリオを構築できるようにすることです。 |
| したがって、ここでは 2 つのクラスタリング手法、主に動的タイム ワーピングと階層クラスタリングが使用されます。 |
| したがって、これら 2 つのクラスタリングは、ETF を同様の価格変動パターンを持つクラスターに集約するよりも優れたパフォーマンスを発揮します。 そこで本稿では、中国の上海と深センの株式市場に上場されているETFについて見ていきます。 |
| したがって、使用するソフトウェア ツールは間違いなく JMP Pro です。 バージョン15.2を使用しています。 JMP Pro は、データの準備と、グラフ ビルダーを使用した分析と結果の分析に使用されます。 |
| また、クラスタリングには SAS Enterprise Miner を使用します。これにより、動的タイムワーピングと階層クラスタリングが実行されます。 |
| 続いてデータの準備となります。 |
| そのため、6 つの異なるデータセットが使用されました。主に、2018 年から 2020 年までの上海の ETF の日次終値と、同様に 2018 年から 2020 年までの深センの ETF の日次終値です。 |
| したがって、クラスタリング用にデータを準備するワークフローは次のようになります。 そこで、まず 6 つのデータセットを JMP Pro にインポートします。 |
| 次に、上海 ETF と深セン ETF の両方の複数のテーブルを結合します。 次に、JMP Pro の欠落データ パターン機能を使用して、データ セットをクリーンアップします。 その後、与えられた式を使用して各ETFの月次リターンも表にします。 |
| 月末の価格から月初の価格を引いたものを、月初の価格で割ります。 |
| 最後に、両方のテーブルを結合し、クラスタリングの準備が整いました。 |
| そこでまず、JMP の複数ファイルのインポート機能を使用して、??? の生データ セットから 6 つのファイルをバッチ インポートします。 |
| ここでは、ご覧のとおり、複数ファイルの入力機能を使用しています。これがデータ セットのフォルダーです。 |
| ご覧のとおり、この関数を使用すると、さまざまなデータセットをすべて一度に JMP Pro にインポートすることが非常に簡単になります。 |
| ご覧のとおり、6 つのデータセットがロードされました。 |
| 次に、2 番目のステップでは、すべての異なるデータ、つまりすべてのテーブルを結合する必要があります。 |
| ここでは上海の 2018 年のデータを使用し、2019 年のデータと外部結合を実行しています。一致する列は各 ETF のシリアル番号になります。 |
| したがって、これを結合すると、2018 年から 2019 年のすべての ETF データで構成されます。 |
| 次に、2020 年のデータに対して別の外部結合を実行します。 そしていま |
| 結果として得られるデータセットには、上海の ETF の 2018 年から 2020 年までのすべてのデータが含まれます。 そしてもちろん、深センETFデータセットに対してもこのプロセスを繰り返します。 |
| それで、次に、欠落データをチェックし、JMP Pro のテーブルツールバーの下にある欠落データパターン機能を使用します。 |
| そのため、テーブル ツール バーで欠損データ パターンを選択し、すべての列を選択して欠損データを確認できます。 ご覧のように、 |
| 欠落データのない列が 98 個あり、それを選択できます。メインテーブルに戻ります。 その 98 行を選択すると、結果として得られるデータ セットが次のようになります。 |
| クラスタリング。 |
| したがって、これは他のデータセットに対しても実行されます。 |
| 次に、月次収益の表も作成します。これは前に述べた式であり、データに列を挿入します。 |
| もちろん数式も入れていきます。 |
| 前述したように、計算式は、2018 年 1 月 31 日の月末の終値から 2 番目の初日を差し引いた値となります。 |
| そしてもちろん、最初の日付で分けられます。 パーセンテージで月次収益が得られるはずです。 もちろん、これらを微調整したり、列名を 2018 年 1 月に変更したり、形式を小数点以下 2 桁のパーセンテージに変更したりできます。 |
| ここでは 1 月の月次リターンを示します。これをデータ セット全体のすべての月に対して繰り返すことができます。 |
| そして最後に、深センETFと上海ETFの両方のデータセットが準備できたら、それらを組み合わせる必要があります。 |
| そこで、テーブル ツール バーの連結関数を使用して、両方のデータ セットを 1 つに結合します。これは、後のクラスタリング モデリングに使用されます。 ご覧のとおり、両方のデータは |
| 深センと上海のETFは143行の1つに統合されました。 その後はクラスタリングを使用する必要があります。 |
| それでは、クラスタリングに移ります。 |
| 階層的クラスタリングは、近接行列を使用して、各月次収益間のペアごとの類似性と非類似性を決定します。 |
| ユークリッド距離を使用します。 右側では、動的タイム ワーピングを使用して、時間要因を考慮した時系列間の類似性を比較します。 伝播遅延の要素も同等であり、位相がわずかにずれている類似のパターンを共有する時系列も検出します。 |
| そのため、JMP Proは階層クラスタリングを実行できますが、動的タイムワーピングはSAS Enterprise Minerでのみ利用できるため、両方のクラスタリングモデリングはSAS Enterprise Minerで実行されました。 |
| おそらく JMP Pro は、将来的にはクラスタリング機能に動的タイムワーピングを含めることを検討したいと考えているかもしれません。そのため、私たちユーザーにとっては、データの準備からモデリング、そして最終的にはデータの視覚化までの分析全体を実行するオールインワンのソフトウェアを手に入れることができます。私たちの結果。 |
| そのため、クラスタリングが完了した後、視覚化と分析のためにデータがSAS Enterprise MinerからJMP Proに再度ロードされました。 |
| したがって、クラスタリングは教師なしモデリング手法であり、JMP Pro Graph Builder はこれらの結果を視覚化するのに非常に役立ちます。 |
| 使用する適切な視覚化はヒート マップです。これにより、ユーザーはクラスタリング結果から迅速に洞察を得ることができます。 |
| したがって、X 軸に沿って…Y 軸はさまざまな ETF であり、X 軸は ETF の月次リターンです。 したがって、このヒート マップから、このクラスター内の月次収益が、色の濃さ (月次収益) によって示される類似性の兆候を示していることがすぐに観察できます。 |
| そこで次に、両方のクラスタリング手法による 2 つのクラスターを比較してみます。 左側は動的タイムワーピング、右側は階層クラスタリングです。 |
| したがって、ダイナミック タイム ワーピング アルゴリズムは、成長するエンタープライズ市場に属する 7 つの異なる ETF をクラスター化しました。 |
| 左側と右側には、いくつかの成長企業 ETF と他の ETF を組み合わせたクラスターである階層クラスターがあります。 |
| したがって、動的タイム ワーピングでは、エンタープライズ セクターに属する 2 つの追加の ETF もクラスター化されます。これは階層的クラスター化では欠落しており、左側の赤いボックスで囲まれています。 |
| これは、階層クラスタリング アルゴリズムと比較して、動的タイム ワーピング アルゴリズムの利点を示しています。クラスタリングが実行されるときのパターン。 だから私は見せます... |
| ご覧のとおり、これが JMP Pro で行ったことです。 左側は動的タイムワーピング、右側はクラスタリングです。 したがって、グラフ ビルダーを使用すると、対話的に確認できます。 |
| 両方とも同じデータセットにリンクされているため、同じ期間内の同じETFです。 したがって、他の比較として、クラスター 5 とクラスター 9 を見てみましょう。 |
| したがって、ここでのローカル データ フィルターを使用すると、異なるクラスター間を簡単に切り替えて比較できるようになります。 ご覧のとおり、これらのいくつかはこの動的なタイムワープの中に存在していないことがわかりますが、同様のものを見ることができます。 ここでわかるように、 |
| それはリンクされています。 |
| そしてもちろん、最後のものを見てみましょう。これら 2 つは同じ...類似した比較クラスターです。つまり、動的タイム ワーピングでは 4 つの ETF がグループ化され、階層では約 8 つの ETF がグループ化されています。 。 |
| それで、後戻りします。 |
| したがって、両方のクラスターを実行すると、JMP Pro Graph Builder ヒート マップを使用して比較すると、同様の結果がいくつか得られます。これは論文にも記載されているため、論文内のすべての結果については JMP コミュニティに論文を掲載します。 |
| そのため、クラスタリングの結果を ETF ポートフォリオ構成と比較すると、動的タイムワーピング アルゴリズムは、階層的クラスタリングよりも正確に類似の業界またはポートフォリオの ETF をクラスタリングすることができました。 |
| これは、階層クラスタリング アルゴリズムに従って同じ期間間のユークリッド距離を計算するだけではなく、 |
| 動的タイムワーピングは、その時間軸に沿ってスライドして 2 つの時系列間の最短距離を計算し、位相がわずかにずれているパターンも検出できます。 |
| そこで、月次収益のパフォーマンスに関するクラスターの分析に移ります。 |
| そこで、JMP Pro Graph Builder を使用して月次リターンの傾向をプロットし、Graph Builder を使用して複数の ETF の月次リターンを使用して視覚化を構築できるようにしました。 |
| これは各月の箱ひげ図であり、3 年間を通じて滑らかな傾向線を示しています。 インタラクティブ機能により、ユーザーは次のことが可能になります。分析のための視覚化のための洞察。 |
| また、グラフからは、2019 年から 2020 年の変動幅 (ここでは青で示しています) が 2018 年と比較して高い、または大きいこともわかります。 |
| それに続く月の四半期間の範囲もかなり大きくなっており、これは、それらの月の ETF 間の月次リターンの差異も大きいことを意味します。 |
| このグラフから、最もパフォーマンスの良い月は、実際には 2019 年の 2 月であることがわかります。ここでは、2020 年の 7 月もご覧いただけます。 |
| 2020年2月。 逆に、パフォーマンスが最も悪かったのは 2020 年の大半の月です。 |
| 続いて2018年12月、そして2018年6月。 |
| したがって、ドリルダウンして特定のクラスターのみを表示するには、ローカル データ フィルターである JMP Pro Graph Builder を使用できます。 |
| これは、さまざまなクラスターを切り替えて具体的に表示したり、さまざまなクラスターにズームインしたりできるデモと似ています。 |
| したがって、これらのクラスターを個別に分析できます。 そこで、ここでは左側の 2 つのクラスターを取り上げます。これらは主に軍需メーカーに属する ETF であり、右側は |
| は、成熟したエンタープライズ市場におけるテクノロジー企業です。 したがって、両方のクラスターは 2019 年から 2020 年にかけて過去最高を記録しました。 |
| 前のスライドで示したように、この月は最もパフォーマンスが高い月でもあります。 |
| ただし、各月の箱ひげ図を詳しく見ると、左側のクラスターは右側のクラスターと比較して四分位範囲が一般に小さくなります。 |
| これは、左側のクラスターからいずれかの ETF を選択すると、右側の ETF に比べてより安定した月次収益が得られることを示しています。 2019年から2020年の間に購入するなら間違いなく。 |
| そのため、JMP Pro Graph Builder を使用して 4 つのクラスターのヒート マップをドリルダウンすると、2019 年から 2020 年にかけて、月間収益が 2018 年と比較して全体的に優れていることがわかります。 |
| したがって、2018 年と比較して、2019 年から 2020 年にかけてより明るい緑色で示される、より高強度のプラスのリターンであることがわかります。 |
| そこで私たちは調査を行い、2017年に始まった中国と米国による貿易戦争の緊張の高まりに関係があるという予備的な仮説を立てました。 |
| そして、これによって中国の経済や貿易市場が混乱することはまれだ。 2019年には中国国家主席も中国の自立を呼び掛けた。 |
| 統計によると、中国のハイテク製造業は外国技術やその他の製品への依存から脱却しつつあり、2019年上半期の同国の産業成長の大きな部分を占めている。 |
| そのため、中国は自立に向けた目標を達成するために、人工知能や集積回路などの産業にも多額の投資を行っている。 |
| したがって、この中国の経済主導の成長により、この発表と国の方向転換後、2019年から2020年にかけてこのいくつかの産業がプラス成長を遂げた可能性があります。 |
| それでは最後に、私たちの結論と、この論文に適用できる今後の作業のいくつかを紹介して終わりたいと思います。 |
| したがって、階層的クラスタリングと動的タイム ワーピングはどちらも非常に似たクラスタリング結果を生成しますが、動的タイム ワーピングには利点があります。 |
| アルゴリズムを使用してETFをより正確にクラスタリングすることができました。 さらに、ETF は毎月利益を上げているため、時系列および動的タイムワーピング アルゴリズムにより、より優れたクラスタリング結果が得られます。 |
| また、クラスターの月間収益率と中国経済目標との相関関係も観察されており、当然のことながら、これにより各セクターの月間収益率が向上しました。 |
| したがって、今後できることとしては、産業と国のマクロ経済要因との他の相関関係を調査して、さまざまな洞察を引き出すことです。 |
| また、ストップライザー商品価格などのさまざまな金融商品に動的なタイムワーピングを適用することもできます。 |
| 通貨、さらにはデリバティブまで。 そして最後に、分析は、ご存知のとおり、コロナウイルス以前とコロナウイルス後など、さまざまな期間で実行できますが、もちろん、まだその段階には達していません。 |
| たとえ異なる時間間隔であっても。 今のところ、月次を使用していますが、週次、四半期、年ごと...月次...年次で見ることもできます。 |
| 戻り値。 |
| したがって、このプラットフォームを通じて私の作品を紹介する機会を与えてくれた JMP Pro に感謝します。 |
| また、この旅を通して私をサポートしてくれた共著者および指導者にも感謝したいと思います。 最後に、JMP Pro を使用したときのユーザーとしての私の個人的な経験について少し考えてみたいと思います。 |
| JMP Pro は、ユーザーとして優れたユーザー エクスペリエンスを提供し、非常にインタラクティブで動的なデータ分析ソフトウェアです。 |
| これにより、ユーザーはデータの準備をより迅速に行うことができ、より正確な結果が得られます。 したがって、グラフビルダー機能も結果の分析に非常に便利で役立つ機能です。 |
| このグラフ ビルダーから美しい洞察や興味深い情報を引き出すことができ、最後に、JMP Pro を使用して実行すると、仮説検定などの統計分析や、クラスタリングや PCA などの他のモデリング手法も非常に使いやすくなります。 |
| それでは、お時間をいただきありがとうございました。 以上が私の論文の要約です。 |
