| Lautsprecher |
Transkript |
| LIM Yong Kai |
Okay. Hallo zusammen. Ich werde unser Papier vorstellen. |
| |
Der Titel des Papiers lautet „Analyse des Aktienmarkts mit unüberwachtem Lernen“, insbesondere eine Analyse von ETFs am chinesischen Aktienmarkt mithilfe dynamischer Zeitverzerrung. |
| |
Mein Name ist Yong Kai, der Autor des Artikels, und Chen Li ist mein Co-Autor. Der Artikel war also für Associate Professor Kam in einem Masterstudiengang an der Singapore Management University bestimmt. |
| |
Der Ablauf meiner heutigen Präsentation ist wie folgt: Zunächst werde ich mit einer Einführung und dem Ziel des Papiers beginnen. |
| |
Als nächstes folgt die Datenaufbereitung, gefolgt von der Clusterbildung. Anschließend folgt die Analyse der Leistung unserer Cluster und schließlich die Schlussfolgerung und die weiteren Arbeiten zu unserem Papier. |
| |
Ich beginne also mit der Einleitung und dem Ziel. |
| |
Mit börsengehandelten Fonds (ETFs) erhalten Anleger Zugang zu zahlreichen Aktien aus unterschiedlichen Branchen und profitieren durch die Diversifizierung ihres Portfolios in der Regel von einem besseren Risikomanagement. |
| |
Die chinesische Börse ist der zweitgrößte Börsenbetreiber der Welt und aufgrund der Popularität von ETFs wurden im Laufe der Jahre viele neue ETFs geschaffen, was es für Anleger schwierig macht, den ETF auszuwählen, in den sie investieren möchten. |
| |
Das Ziel unseres Artikels besteht also darin, die große Anzahl an ETFs einzugrenzen und Anlegern mit wenig Fachwissen dabei zu helfen, ihr Anlageportfolio mithilfe von Techniken des unüberwachten Lernens aufzubauen. |
| |
Daher werden hier zwei Clustering-Techniken verwendet, hauptsächlich das dynamische Time Warping und auch das hierarchische Clustering. |
| |
Diese beiden Clustering-Methoden übertreffen die Leistung der ETFs und fassen sie zu Clustern mit ähnlichem Kursbewegungsmuster zusammen. In diesem Artikel werden wir uns daher die ETFs ansehen, die an der Börse in Shanghai und Shenzhen in China notiert sind. |
| |
Wir verwenden definitiv JMP Pro. Wir nutzen die Version 15.2. JMP Pro wird für die Datenaufbereitung sowie für die Analyse und Ergebnisauswertung mit Graph Builder verwendet. |
| |
Und wir werden für unser Clustering auch SAS Enterprise Miner verwenden, das dynamisches Time Warping und auch hierarchisches Clustering durchführt. |
| |
Als nächstes folgt die Datenaufbereitung. |
| |
Daher wurden sechs verschiedene Datensätze verwendet, hauptsächlich der tägliche Schlusskurs der ETFs von Shanghai von 2018 bis 2020 und auch der tägliche Schlusskurs der ETFs von Shenzhen von 2018 bis 2020. |
| |
Der Arbeitsablauf zur Vorbereitung der Daten für das Clustering sieht wie folgt aus: Wir importieren zunächst unsere sechs Datensätze in JMP Pro. |
| |
Anschließend verknüpfen wir die Tabellen für die Shanghai- und Shenzhen-ETFs. Anschließend verwenden wir die Funktion „Fehlende Datenmuster“ in JMP Pro, um den Datensatz zu bereinigen. Anschließend berechnen wir die monatliche Rendite für jeden ETF mit der angegebenen Formel: |
| |
der Preis am Monatsende abzüglich des Preises am Monatsanfang geteilt durch den Preis am Monatsanfang. |
| |
Und schließlich haben wir beide Tabellen zusammengeführt und jetzt sind sie bereit für das Clustering. |
| |
Also werden wir zunächst die Funktion zum Importieren mehrerer Dateien in JMP verwenden, um unsere sechs Dateien aus unserem Rohdatensatz für die ??? stapelweise zu importieren. |
| |
Hier können Sie sehen, dass wir die Funktion „Mehrere Dateien eingeben“ verwenden und dies der Ordner für unsere Datensätze ist. |
| |
Wie Sie sehen, ist es für uns mit dieser Funktion sehr einfach, alle verschiedenen Datensätze auf einmal in JMP Pro zu importieren. |
| |
Wie Sie sehen, wurden unsere 6 Datensätze geladen. |
| |
Als Nächstes müssen wir im zweiten Schritt alle unterschiedlichen Daten zusammenführen ... alle Tabellen. |
| |
Hier verwende ich die Daten von Shanghai 2018 und führe einen Outer Join mit den Daten von 2019 durch. Die übereinstimmende Spalte ist die Seriennummer jedes ETF. |
| |
Nach der Kombination umfasst es alle ETF-Daten für 2018 bis 2019. |
| |
Als nächstes führe ich einen weiteren Outer Join mit den Daten von 2020 durch. Und jetzt |
| |
Der resultierende Datensatz enthält alle Daten für die ETFs von Shanghai von 2018 bis 2020. Und natürlich würden wir den Vorgang auch für den ETF-Datensatz von Shenzhen wiederholen. |
| |
Im Folgenden prüfen wir, ob Daten fehlen. Dazu verwenden wir die Funktion „Fehlende Datenmuster“ in der Tabellensymbolleiste in JMP Pro. |
| |
In der Tabellen-Symbolleiste können wir das fehlende Datenmuster auswählen und alle Spalten auswählen, um nach fehlenden Daten zu suchen. Wie Sie sehen, |
| |
Es gibt 98 Spalten, die keine fehlenden Daten enthalten. Wir können diese auswählen, um zu unserer Haupttabelle zurückzukehren. Wir können diese 98 Zeilen auswählen und dies sind unsere resultierenden Datensätze für |
| |
Clustering. |
| |
Dies wird also auch für die anderen Datensätze durchgeführt. |
| |
Als Nächstes werden wir auch unsere monatliche Rendite tabellarisch darstellen, wobei es sich um die Formel handelt, die ich zuvor erwähnt habe, und was wir tun, ist, dass wir eine Spalte in die Daten einfügen. |
| |
Natürlich werden wir eine Formel einfügen. |
| |
Wie bereits erwähnt, ist die Formel der Schlusskurs am Monatsende, also am 31. Januar 2018, abzüglich des ersten Tages, also des zweiten. |
| |
Und natürlich geteilt durch das erste Datum. Es sollte uns die monatliche Rendite in Prozent anzeigen. Natürlich können wir dies optimieren, den Spaltennamen in Januar 2018 ändern und natürlich das Format in Prozent mit zwei Dezimalstellen ändern. |
| |
Hier ist also die monatliche Rendite für Januar, und wir können dies für alle Monate im gesamten Datensatz wiederholen. |
| |
Und schließlich müssen wir die beiden Datensätze für die ETFs von Shenzhen und Shanghai zusammenführen, nachdem sie vorbereitet sind. |
| |
Wir verwenden daher die Verkettungsfunktion in der Tabellensymbolleiste, um beide Datensätze zu einem einzigen zu kombinieren, der anschließend für die Clustermodellierung verwendet wird. Wie Sie sehen, sind beide Daten für |
| |
Die ETFs für Shenzhen und Shanghai wurden zu einem ETF mit 143 Zeilen zusammengefasst. Danach sollten wir unser Clustering verwenden. |
| |
Kommen wir nun zu unserem Clustering. |
| |
Beim hierarchischen Clustering wird eine Näherungsmatrix verwendet, um die paarweise Ähnlichkeit und Unähnlichkeit zwischen den einzelnen monatlichen Renditen zu bestimmen. |
| |
mithilfe der euklidischen Distanz. Rechts wird dynamisches Time Warping verwendet, um die Ähnlichkeit zwischen Zeitreihen zu vergleichen, was den Zeitfaktor berücksichtigt. Es berücksichtigt den gleichen Faktor bei Ausbreitungsverzögerungen und erkennt sogar Zeitreihen mit ähnlichen Mustern, die leicht phasenverschoben sind. |
| |
Obwohl JMP Pro hierarchisches Clustering durchführen kann, ist dynamisches Time Warping nur auf SAS Enterprise Miner verfügbar, daher wurden beide Clustermodellierungen in SAS Enterprise Miner durchgeführt. |
| |
Vielleicht sollte JMP Pro in Zukunft die Einbeziehung dynamischer Zeitverzerrungen in die Clusterfunktion in Betracht ziehen, sodass wir Benutzer eine All-in-One-Software haben, mit der wir unsere gesamte Analyse von der Datenvorbereitung über die Modellierung bis hin zur Visualisierung unserer Ergebnisse durchführen können. |
| |
Nachdem die Clusterbildung abgeschlossen war, wurden die Daten zur Visualisierung und Analyse von SAS Enterprise Miner zurück in JMP Pro geladen. |
| |
Clustering ist also eine unbeaufsichtigte Modellierungsmethode und JMP Pro Graph Builder ist sehr hilfreich bei der Visualisierung dieser Ergebnisse. |
| |
Eine geeignete Visualisierung ist die Heatmap, die es Benutzern ermöglicht, schnell Erkenntnisse aus dem Clustering-Ergebnis zu gewinnen. |
| |
Entlang der X-Achse sind also die verschiedenen ETFs dargestellt, die Y-Achse die monatlichen Renditen der ETFs. Anhand dieser Heatmap können wir schnell erkennen, dass die monatliche Rendite innerhalb dieses Clusters Ähnlichkeiten aufweist, die durch die Intensität der Farbe angezeigt werden, die die monatliche Rendite darstellt. |
| |
Als nächstes werden wir zwei Cluster aus beiden Clustering-Techniken vergleichen. Links sehen wir das dynamische Time Warping und rechts das hierarchische Clustering. |
| |
Daher hat ein dynamischer Zeitverzerrungsalgorithmus sieben verschiedene ETFs gruppiert, die alle zum Wachstumsmarkt der Unternehmen gehören. |
| |
Links und rechts sind die hierarchischen Cluster zu sehen, die aus einer Kombination einiger ETFs für Wachstumsunternehmen und anderer ETFs bestehen. |
| |
Durch die dynamische Zeitverzerrung werden also auch zwei weitere ETFs aus dem Unternehmenssektor gruppiert, die in der hierarchischen Gruppierung fehlten. Sie sind links rot eingerahmt. |
| |
Dies zeigt die Vorteile des dynamischen Time-Warping-Algorithmus im Vergleich zum hierarchischen Clustering-Algorithmus, der beim Clustering Muster erkennen kann. Ich werde also zeigen ... |
| |
Wie Sie sehen, haben wir Folgendes in JMP Pro umgesetzt. Links sehen Sie die dynamische Zeitverzerrung und rechts das Clustering. Mit Graph Builder können wir interaktiv sehen |
| |
derselbe ETF im selben Zeitraum, da beide mit denselben Datensätzen verknüpft sind. Für weitere Vergleiche können wir uns Cluster fünf und Cluster neun ansehen. |
| |
Der lokale Datenfilter ermöglicht es uns, einfach zwischen den verschiedenen Clustern zu wechseln und Vergleiche anzustellen. Wie Sie sehen, können wir ähnliche Cluster betrachten, da diese in dieser dynamischen Zeitverzerrung nicht vorhanden sind. Wie Sie hier sehen, |
| |
es ist verknüpft. |
| |
Und natürlich können wir uns vielleicht das letzte ansehen. Dies sind also zwei Vergleichscluster, die gleich sind ... ähnlich. Die dynamische Zeitverzerrung hat also vier ETFs zusammen gruppiert, während die hierarchische etwa acht davon zusammen gruppiert hat. |
| |
Also, zurückgehen. |
| |
Wenn wir also beide Cluster erstellen und sie mithilfe der Heatmap von JMP Pro Graph Builder vergleichen, ergeben sich mehrere ähnliche Ergebnisse. Diese ist auch in unserem Dokument dokumentiert. Daher werden wir unser Dokument mit allen darin enthaltenen Ergebnissen in der JMP Community veröffentlichen. |
| |
Durch den Vergleich der Clustering-Ergebnisse mit der Zusammensetzung des ETF-Portfolios gelang es dem dynamischen Time-Warping-Algorithmus, ETFs ähnlicher Branchen oder Portfolios genauer zu clustern als durch hierarchisches Clustering. |
| |
Dies kann daran liegen, dass nicht nur die euklidische Distanz zwischen denselben Zeiträumen gemäß dem hierarchischen Clusteralgorithmus berechnet wird, |
| |
Die dynamische Zeitverzerrung kann entlang dieser Zeitachse gleiten, um den kürzesten Abstand zwischen zwei Zeitreihen zu berechnen und auch Muster zu erkennen, die leicht phasenverschoben sind. |
| |
Nun beginnen wir mit der Analyse unserer Cluster im Hinblick auf die Leistungsträger im Hinblick auf die monatliche Rendite. |
| |
Daher wurde JMP Pro Graph Builder verwendet, um die monatlichen Renditetrends darzustellen. Mit Graph Builder können wir Visualisierungen unter Verwendung der monatlichen Renditen mehrerer ETFs erstellen. |
| |
Dies ist ein Boxplot für jeden Monat und zeigt eine glatte Trendlinie über den Dreijahreszeitraum. Die interaktive Funktion ermöglicht es uns als Benutzern, Erkenntnisse zur Visualisierung für Analysen zu gewinnen. |
| |
Und aus der Grafik können wir auch erkennen, dass die Schwankungsbreite von 2019 bis 2020, hier in Blau, im Vergleich zu 2018 höher bzw. größer ist. |
| |
Auch die Interquartilsspanne der darauffolgenden Monate ist deutlich größer, was bedeutet, dass in diesen Monaten auch die Varianz der monatlichen Rendite zwischen den ETFs größer ist. |
| |
Aus der Grafik können Sie ersehen, dass die Monate mit der besten Performance tatsächlich Februar 2019 sind, wie Sie hier sehen können, Juli 2020 und auch |
| |
Februar 2020. Und im Gegenteil, die Monate mit der schlechtesten Performance sind ein Großteil des Jahres 2020, |
| |
gefolgt von Dezember 2018 und dann Juni 2018. |
| |
Um also nur bestimmte Cluster anzuzeigen, können wir JMP Pro Graph Builder, den lokalen Datenfilter, verwenden. |
| |
Dies ähnelte der Demo, die ich gezeigt habe, wo wir zwischen den verschiedenen Clustern wechseln können, um gezielt nach verschiedenen Clustern zu suchen und sie zu vergrößern. |
| |
Wir können diese Cluster also einzeln analysieren. Wir greifen hier links zwei Cluster auf, die hauptsächlich zu den Rüstungsherstellern gehören, und rechts |
| |
sind Technologieunternehmen im reifen Unternehmensmarkt. Beide Cluster verzeichneten von 2019 bis 2020 Rekordhöhen, |
| |
Dies sind auch die Monate mit der besten Performance, wie auf der vorherigen Folie gezeigt. |
| |
Bei genauerer Betrachtung eines Boxplots für jeden Monat ist jedoch zu erkennen, dass der Cluster auf der linken Seite im Allgemeinen einen kleineren Interquartilsabstand aufweist als die Cluster auf der rechten Seite. |
| |
Dies deutet darauf hin, dass die Auswahl eines ETFs aus dem Cluster links im Vergleich zu den ETFs auf der rechten Seite eine konsistentere monatliche Rendite erzielt. Dies gilt insbesondere, wenn Sie zwischen 2019 und 2020 kaufen. |
| |
Wenn wir also mit JMP Pro Graph Builder die Heatmaps der vier Cluster genauer untersuchen, können wir feststellen, dass die monatliche Rendite von 2019 bis 2020 im Vergleich zu 2018 im Allgemeinen besser ausfällt. |
| |
Wir können also sehen, dass es sich um eine stärkere positive Rendite mit hoher Intensität handelt, die durch eine hellere grüne Farbe von 2019 bis 2020 im Vergleich zu 2018 angezeigt wird. |
| |
Wir haben einige Nachforschungen angestellt und gehen vorläufig davon aus, dass dies mit den zunehmenden Spannungen im Handelskrieg zwischen China und den USA zusammenhängt, der 2017 begann. |
| |
Und dies hat Chinas Wirtschaft und Handelsmärkte nur selten gestört. Im Jahr 2019 rief der chinesische Präsident außerdem Chinas Eigenständigkeit aus. |
| |
Statistiken zufolge hatte die Hightech-Fertigung in China im ersten Halbjahr 2019 einen größeren Anteil am industriellen Wachstum des Landes, da sie sich von der Abhängigkeit von ausländischer Technologie und anderen Produkten löst. |
| |
Darüber hinaus hat China auch massiv in Branchen wie künstliche Intelligenz und integrierte Schaltkreise investiert, um sein Ziel der Autarkie zu erreichen. |
| |
Dieses wirtschaftsgetriebene Wachstum in China könnte also dazu geführt haben, dass diese wenigen Branchen nach der Ankündigung und der Kursänderung des Landes in den Jahren 2019 bis 2020 ein positives Wachstum verzeichneten. |
| |
Abschließend möchte ich nun auf unsere Schlussfolgerung und einige zukünftige Arbeiten eingehen, die im Rahmen unseres Papiers angewendet werden können. |
| |
Obwohl sowohl hierarchisches Clustering als auch dynamisches Time Warping sehr ähnliche Clustering-Ergebnisse liefern, gibt es Vorteile des dynamischen Time Warpings |
| |
Algorithmus, da er die ETFs genauer gruppieren konnte. Darüber hinaus wurde die monatliche Rendite der ETFs in einer Zeitreihe dargestellt, und der dynamische Time-Warping-Algorithmus lieferte bessere Clustering-Ergebnisse. |
| |
Wir beobachten außerdem eine Korrelation zwischen der monatlichen Rendite der Cluster und den Wirtschaftszielen Chinas, was natürlich zu einer besseren monatlichen Performance in den Sektoren führte. |
| |
Zu den zukünftigen Aufgaben kann es daher gehören, andere Zusammenhänge zwischen Branchen und den makroökonomischen Faktoren des Landes zu untersuchen, um daraus andere Erkenntnisse zu gewinnen. |
| |
Und wir können dynamisches Time Warping auch auf verschiedene Finanzinstrumente anwenden, wie etwa Stop-Riser-Rohstoffpreise...Rohstoffpreise, |
| |
Währungen oder sogar Derivate. Und schließlich können Analysen in verschiedenen Zeiträumen durchgeführt werden, beispielsweise vor und nach COVID, wobei wir dieses Stadium natürlich noch nicht erreicht haben. |
| |
Auch in unterschiedlichen Zeitintervallen. Im Moment verwenden wir monatlich, Sie können auch wöchentlich, vierteljährlich oder jährlich ... monatlich ... jährlich schauen. |
| |
kehrt zurück. |
| |
Daher möchte ich mich bei JMP Pro dafür bedanken, dass sie mir die Möglichkeit geben, meine Arbeit über diese Plattform zu präsentieren. |
| |
Ich möchte mich auch bei meinem Co-Autor und Mentor für die Unterstützung auf diesem Weg bedanken. Abschließend möchte ich noch über meine persönlichen Erfahrungen als Benutzer von JMP Pro sprechen. |
| |
JMP Pro bietet uns als Benutzern eine hervorragende Benutzererfahrung und ist eine sehr interaktive und dynamische Datenanalysesoftware. |
| |
Es ermöglicht uns Benutzern, unsere Datenaufbereitung viel schneller und mit viel genaueren Ergebnissen durchzuführen. Daher ist die Graph Builder-Funktion auch eine sehr praktische und nützliche Funktion für die Analyse unserer Ergebnisse. |
| |
Wir können aus diesem Graph Builder wertvolle Erkenntnisse und interessante Informationen gewinnen und schließlich sind auch statistische Analysen wie Hypothesentests und sogar andere Modellierungstechniken wie Clustering oder PCA sehr benutzerfreundlich, wenn wir dafür JMP Pro verwenden. |
| |
Vielen Dank für Ihre Zeit. Das fasst meinen Beitrag zusammen. |
