| Conférencier |
Transcription |
| LIM Yong Kai |
Ok. Bonjour à tous. Je vais donc présenter notre article. |
| |
Le titre de l'article est Analyse du marché boursier avec apprentissage non supervisé, plus précisément une analyse des ETF sur le marché boursier chinois utilisant une déformation temporelle dynamique. |
| |
Je m'appelle Yong Kai, je suis l'auteur de l'article et Chen Li est mon coauteur. Cet article était destiné au professeur associé Kam, en master à l'Université de Management de Singapour. |
| |
Voici donc l'ordre du jour de ma présentation d'aujourd'hui. Je commencerai par une introduction et l'objectif de l'article. |
| |
Ensuite, nous procéderons à la préparation des données, puis au clustering. Nous analyserons ensuite les performances de nos clusters et, enfin, nous présenterons la conclusion et les travaux futurs de notre article. |
| |
Je commence donc par l’introduction et l’objectif. |
| |
Les fonds négociés en bourse, ou ETF en abrégé, permettent aux investisseurs d’accéder 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 le deuxième plus grand 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 est donc de réduire le grand nombre d’ETF et d’aider les investisseurs ayant peu de connaissances du domaine à construire leur portefeuille d’investissement en utilisant des techniques d’apprentissage non supervisé. |
| |
Deux techniques de clustering seront donc utilisées ici, principalement le cadrage temporel dynamique et également le clustering hiérarchique. |
| |
Ces deux groupes offrent donc une performance supérieure, permettant de regrouper les ETF en groupes présentant des fluctuations de prix similaires. Dans cet article, nous examinerons les ETF cotés sur les marchés boursiers de Shanghai et de Shenzhen, en Chine. |
| |
Nous utiliserons donc JMP Pro, la version 15.2, pour la préparation des données, l'analyse et l'analyse des résultats avec Graph Builder. |
| |
Nous utiliserons également SAS Enterprise Miner pour notre clustering, qui effectuera une déformation temporelle dynamique ainsi qu'un clustering hiérarchique. |
| |
Nous allons maintenant passer à la préparation des données. |
| |
Six ensembles de données différents ont donc été utilisés, il s'agit principalement du cours de clôture quotidien des ETF de Shanghai de 2018 à 2020, ainsi que du cours de clôture quotidien des ETF de Shenzhen, de même de 2018 à 2020. |
| |
Le processus de préparation des données pour le clustering est le suivant : nous allons d'abord importer nos six ensembles de données dans JMP Pro. |
| |
Nous joindrons ensuite les tables des ETF de Shanghai et de Shenzhen. Nous utiliserons ensuite la fonction de modèle de données manquantes de JMP Pro pour nettoyer l'ensemble de données. Nous calculerons ensuite le rendement mensuel de chaque ETF selon la formule indiquée. |
| |
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 et elles sont maintenant prêtes pour le clustering. |
| |
Nous allons donc tout d'abord utiliser la fonction d'importation de fichiers multiples dans JMP pour importer par lots nos six fichiers à partir de notre ensemble de données brutes pour le ???. |
| |
Donc ici, vous pouvez voir que nous utilisons la fonction d’entrée de plusieurs fichiers, et c’est le dossier pour nos ensembles de données. |
| |
Ainsi, comme vous pouvez le voir, avec cette fonction, il est très facile pour nous d’importer tous les différents ensembles de données dans JMP Pro en même temps. |
| |
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 2019 et la colonne correspondante sera le numéro de série de chaque ETF. |
| |
Ainsi, après avoir combiné tout cela, il comprendra toutes les données ETF pour la période 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 des ETF de Shanghai, de 2018 à 2020. Bien entendu, nous répéterons également le processus pour l'ensemble des données des ETF de Shenzhen. |
| |
Alors, passons à autre chose, 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. |
| |
Dans la barre d'outils des tableaux, nous pouvons choisir le modèle de données manquantes et sélectionner toutes nos colonnes pour vérifier les données manquantes. Comme vous pouvez le constater, |
| |
Il y a 98 colonnes sans données manquantes, et nous pouvons les sélectionner, ce qui nous ramènera à notre table principale. Nous pouvons sélectionner ces 98 lignes et obtenir ainsi nos ensembles de données. |
| |
regroupement. |
| |
Cette opération sera également effectuée pour les autres ensembles de données. |
| |
Ensuite, nous allons également faire notre tableau de déclaration mensuelle, qui est la formule que j'ai mentionnée plus tôt, et ce que nous faisons est d'insérer une colonne dans les données. |
| |
Bien sûr, nous allons insérer une formule. |
| |
Comme mentionné, la formule sera le prix 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 la première date. Cela devrait nous donner le rendement mensuel en pourcentage. Nous pouvons donc affiner ces paramètres : nous pouvons renommer la colonne « janvier 2018 » et, bien sûr, modifier le format pour un pourcentage à deux décimales. |
| |
Voici donc le rendement mensuel pour janvier, et nous pouvons le répéter pour tous les mois de l'ensemble des données. |
| |
Et enfin, une fois les deux ensembles de données pour les ETF de Shenzhen et de Shanghai préparés, nous devrons les combiner. |
| |
Nous allons donc utiliser la fonction de concaténation de la barre d'outils du tableau pour combiner les deux ensembles de données en un seul, qui sera ensuite utilisé pour la modélisation du clustering. Comme vous pouvez le constater, les deux données |
| |
Les ETF de Shenzhen et de Shanghai ont été regroupés en un seul avec 143 lignes. Nous utiliserons ensuite notre clustering. |
| |
Passons maintenant à notre clustering. |
| |
Le clustering hiérarchique utilise une matrice de proximité pour déterminer la similarité et la dissimilarité 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 temporelles, ce qui prend en compte le facteur temps. Elle a un facteur égal dans les délais de propagation et permet même de détecter les séries temporelles présentant des schémas 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. |
| |
Peut-être que JMP Pro pourrait envisager d'inclure la déformation temporelle dynamique dans la fonction de clustering à l'avenir, afin que nous, les utilisateurs, puissions disposer d'un logiciel tout-en-un pour effectuer l'intégralité de notre analyse, de la préparation des données à la modélisation et, enfin, à la visualisation de nos résultats. |
| |
Ainsi, une fois le clustering terminé, les données ont été rechargées dans JMP Pro à partir de SAS Enterprise Miner pour visualisation et analyse. |
| |
Le clustering est donc une méthode de modélisation non supervisée et JMP Pro Graph Builder est très utile pour aider à visualiser 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, sur l'axe des abscisses, l'axe des ordonnées représente les différents ETF et l'axe des abscisses représente les rendements mensuels des ETF. Cette carte thermique montre rapidement qu'au sein de ce groupe, les rendements mensuels présentent des signes de similarité, indiqués par l'intensité de la couleur, qui représente le rendement mensuel. |
| |
Nous allons maintenant comparer deux clusters issus de chacune des deux techniques de clustering. À gauche, le clustering dynamique et à droite, le clustering hiérarchique. |
| |
L'algorithme de déformation temporelle dynamique a donc regroupé sept ETF différents, qui appartiennent tous au marché des entreprises en croissance. |
| |
À gauche et à droite se trouvent les regroupements hiérarchiques qui sont un regroupement d'une combinaison de certains ETF d'entreprises en croissance et d'autres ETF ensemble. |
| |
La distorsion temporelle dynamique regroupe également deux ETF supplémentaires appartenant au secteur des entreprises, qui manquaient dans le regroupement hiérarchique et qui sont encadrés en rouge sur la gauche. |
| |
Cette démonstration compare l'algorithme de déformation temporelle dynamique à l'algorithme de clustering hiérarchique, qui peut détecter des motifs ??? lors du clustering. Je vais donc vous montrer… |
| |
Comme vous pouvez le voir, voici ce que nous avons fait dans JMP Pro. À gauche, nous trouvons la déformation temporelle dynamique et à droite, le clustering. Grâce au générateur de graphes, nous pouvons visualiser de manière interactive. |
| |
Le même ETF sur la même période, car ils sont tous deux liés aux mêmes ensembles de données. Pour d'autres comparaisons, nous pouvons examiner les groupes cinq et neuf. |
| |
Le filtre de données locales nous permet de basculer facilement entre les différents clusters pour effectuer notre comparaison. Nous pouvons observer les éléments similaires, car ces derniers ne sont pas présents dans cette distorsion temporelle dynamique. Comme vous pouvez le constater ici : |
| |
c'est lié. |
| |
Et bien sûr, nous pouvons peut-être jeter un œil au dernier, donc ces deux sont des clusters comparatifs qui sont les mêmes... similaires, donc la déformation temporelle dynamique a regroupé quatre ETF ensemble, tandis que le regroupement hiérarchique en a regroupé environ huit. |
| |
Alors, revenons en arrière. |
| |
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 la communauté JMP pour toutes nos conclusions dans notre article. |
| |
Ainsi, en comparant les résultats du clustering 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 clustering hiérarchique. |
| |
Cela peut être dû au fait qu'au lieu de calculer uniquement la distance euclidienne entre les mêmes périodes de temps conformément à 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 temporelles et également détecter des modèles légèrement déphasés. |
| |
Nous passons maintenant à l’analyse de nos clusters en termes de performances en termes de rendement mensuel. |
| |
JMP Pro Graph Builder a donc été utilisé pour tracer les tendances de rendement mensuel. Graph Builder nous permet donc de créer des visualisations en utilisant les rendements mensuels de plusieurs ETF. |
| |
Il s'agit d'un diagramme en boîte mensuel présentant une courbe de tendance régulière sur trois ans. Cette fonction interactive permet aux utilisateurs d'obtenir des informations à des fins de visualisation et d'analyse. |
| |
Et à partir du graphique, nous pouvons également observer que l’amplitude des fluctuations de 2019 à 2020, en bleu ici, est plus élevée ou plus grande par rapport à 2018. |
| |
L'écart inter-quartiles des mois qui suivent est également beaucoup plus grand, 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 également |
| |
Février 2020. Et au contraire, les mois les moins performants sont une grande partie de 2020, |
| |
suivi de décembre 2018 puis de juin 2018. |
| |
Pour effectuer un zoom avant afin d'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 groupes individuellement. Nous en relevons deux à gauche, principalement des ETF appartenant aux fabricants militaires, et à droite. |
| |
sont des entreprises technologiques du marché des entreprises matures. Ces deux pôles ont donc enregistré des records de croissance entre 2019 et 2020. |
| |
qui sont également les mois les plus performants, comme indiqué dans la diapositive précédente. |
| |
Cependant, en examinant de plus près un diagramme en boîte pour chaque mois, le groupe de gauche présente généralement un écart interquartile plus petit que les groupes de droite. |
| |
Cela indique que choisir l'un des ETF du groupe de gauche générera un rendement mensuel plus régulier que les ETF de droite. Surtout si vous achetez entre 2019 et 2020. |
| |
Ainsi, si nous analysons en profondeur 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 par rapport à 2018. |
| |
Nous pouvons donc constater qu'il s'agit de retours positifs d'intensité plus élevée, indiqués par une couleur verte plus vive de 2019 à 2020, par rapport à 2018. |
| |
Nous avons donc mené une enquête et émis l’hypothèse préliminaire selon laquelle cela est lié à la montée des tensions commerciales entre la Chine et les États-Unis, qui a débuté en 2017. |
| |
Cela a perturbé l'économie et les marchés commerciaux de la Chine à de rares occasions. En 2019, le président chinois a également appelé à l'autonomie de la Chine. |
| |
Selon les statistiques, l'industrie manufacturière de haute technologie de la Chine a représenté une part plus importante de la croissance industrielle du pays au premier semestre 2019, car elle s'éloigne de sa dépendance à l'égard des technologies étrangères et d'autres produits. |
| |
De plus, la Chine a également investi massivement dans des secteurs tels que l’intelligence artificielle et les circuits intégrés pour atteindre son objectif d’autosuffisance. |
| |
Cette croissance tirée par l'économie chinoise pourrait donc avoir conduit quelques industries à croître positivement entre 2019 et 2020 après l'annonce et le changement de direction du pays. |
| |
Je terminerai donc avec notre conclusion et quelques travaux futurs qui pourront être appliqués à notre article. |
| |
Ainsi, bien que le clustering hiérarchique et la déformation temporelle dynamique produisent des résultats de clustering très similaires, la déformation temporelle dynamique présente des avantages. |
| |
L'algorithme a permis de regrouper les ETF avec plus de précision. De plus, les ETF présentent un rendement mensuel, donc dans une série chronologique, et l'algorithme de distorsion temporelle dynamique a permis d'obtenir de meilleurs résultats de regroupement. |
| |
Nous observons également une corrélation entre les performances mensuelles des clusters et les objectifs de l'économie chinoise, ce qui a bien sûr donné lieu à de meilleures performances mensuelles dans les secteurs. |
| |
Ainsi, une partie du travail futur qui peut être réalisé consiste à explorer d’autres corrélations entre les industries et les facteurs macroéconomiques du pays afin d’en tirer des conclusions différentes. |
| |
De plus, nous pouvons appliquer une déformation temporelle dynamique à différents instruments financiers tels que les prix des matières premières, les prix des matières premières, les stop risers, |
| |
Les devises, voire les produits dérivés. Enfin, l'analyse peut être réalisée à différentes périodes, comme avant et après la COVID-19, mais nous n'en sommes pas encore là. |
| |
Même avec des intervalles de temps différents. Pour l'instant, nous utilisons une périodicité mensuelle, mais vous pouvez également envisager une périodicité hebdomadaire, trimestrielle ou annuelle… mensuelle… annuelle. |
| |
retours. |
| |
Je tiens donc à 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 son soutien tout au long de ce parcours. Enfin, je partagerai mon expérience personnelle avec 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 nous permet de préparer nos données beaucoup plus rapidement et d'obtenir des résultats beaucoup plus précis. La fonction de création de graphiques est également très pratique et utile pour l'analyse de nos résultats. |
| |
Nous pouvons tirer de belles perspectives 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. |
| |
Merci pour votre temps. Cela résume mon article. |
