| Oratore |
Trascrizione |
| LIM Yong Kai |
Bene. Ciao a tutti. Presenterò il nostro articolo. |
| |
Il titolo del documento è Analisi del mercato azionario con apprendimento non supervisionato, in particolare un'analisi degli ETF nel mercato azionario cinese utilizzando la distorsione temporale dinamica. |
| |
Allora, mi chiamo Yong Kai, l'autore dell'articolo, e Chen Li è il mio coautore. L'articolo era destinato al Professore Associato Kam, iscritto al Master presso la Singapore Management University. |
| |
Ecco il programma della mia presentazione odierna. Innanzitutto, inizierò con un'introduzione e l'obiettivo del mio intervento. |
| |
Successivamente, si procederà con la preparazione dei dati, seguita dal clustering. Successivamente, si procederà con l'analisi delle prestazioni dei nostri cluster e, infine, si giungerà alle conclusioni e ai lavori futuri del nostro articolo. |
| |
Quindi inizio con l'introduzione e l'obiettivo. |
| |
Quindi i fondi negoziati in borsa, o ETF in breve, consentono agli investitori di accedere a numerosi titoli azionari di vari settori e tendono ad avere una migliore gestione del rischio attraverso la diversificazione del loro portafoglio. |
| |
La borsa cinese è il secondo operatore di borsa più grande al mondo e, a causa della popolarità degli ETF, nel corso degli anni sono stati creati molti nuovi ETF, il che rende difficile per gli investitori selezionare e scegliere l'ETF in cui investire. |
| |
L'obiettivo del nostro articolo è quindi quello di restringere il vasto numero di ETF e aiutare gli investitori con scarse conoscenze del settore a costruire il proprio portafoglio di investimenti utilizzando tecniche di apprendimento non supervisionato. |
| |
Quindi qui verranno utilizzate due tecniche di clustering, principalmente il dynamic time warping e anche il clustering gerarchico. |
| |
Quindi, questi due clustering hanno performance migliori rispetto agli altri, consentendo di aggregare gli ETF in cluster con andamenti di prezzo simili. In questo articolo, esamineremo gli ETF quotati sulle borse di Shanghai e Shenzhen in Cina. |
| |
Quindi lo strumento software che utilizzeremo è sicuramente JMP Pro. Stiamo utilizzando la versione 15.2. JMP Pro viene utilizzato nella preparazione dei dati e anche nelle analisi e nell'analisi dei risultati tramite Graph Builder. |
| |
Per il clustering utilizzeremo anche SAS Enterprise Miner, che eseguirà il time warping dinamico e il clustering gerarchico. |
| |
Passeremo ora alla preparazione dei dati. |
| |
Sono stati utilizzati sei diversi set di dati, principalmente il prezzo di chiusura giornaliero degli ETF di Shanghai dal 2018 al 2020 e anche il prezzo di chiusura giornaliero degli ETF di Shenzhen, sempre dal 2018 al 2020. |
| |
Il flusso di lavoro per preparare i dati per il clustering è il seguente. Per prima cosa importeremo i nostri sei set di dati in JMP Pro. |
| |
Quindi uniremo le tabelle multiple per gli ETF di Shanghai e Shenzhen. Successivamente, utilizzeremo la funzione di pattern dei dati mancanti di JMP Pro per ripulire il set di dati. Successivamente, tabuleremo anche il rendimento mensile per ciascun ETF utilizzando la formula indicata, ovvero: |
| |
il prezzo alla fine del mese, meno il prezzo all'inizio del mese, diviso per il prezzo all'inizio del mese. |
| |
Infine, abbiamo combinato entrambe le tabelle e ora è tutto pronto per il clustering. |
| |
Quindi, per prima cosa utilizzeremo la funzione di importazione di più file in JMP per importare in batch i nostri sei file dal nostro set di dati grezzi per ???. |
| |
Quindi, come potete vedere, stiamo utilizzando la funzione di input di più file e questa è la cartella per i nostri set di dati. |
| |
Quindi, come puoi vedere, con questa funzione è molto semplice importare tutti i diversi set di dati in JMP Pro contemporaneamente. |
| |
Quindi, come potete vedere, i nostri 6 set di dati sono stati caricati. |
| |
Il secondo passaggio consisterà nell'unire tutti i diversi dati...tutte le tabelle insieme. |
| |
Qui utilizzo i dati di Shanghai 2018 ed eseguo un outer join con i dati del 2019; la colonna corrispondente sarà il numero di serie di ciascun ETF. |
| |
Quindi, dopo aver combinato tutto questo, saranno compresi tutti i dati ETF del 2018-2019. |
| |
Successivamente, eseguirò un altro outer join con i dati del 2020. E ora |
| |
Il set di dati risultante conterrà tutti i dati, dal 2018 al 2020, per gli ETF di Shanghai. E naturalmente ripeteremo il processo anche per il set di dati degli ETF di Shenzhen. |
| |
Quindi, andando avanti, controlleremo i dati mancanti e utilizzeremo la funzione di modello dei dati mancanti nella barra degli strumenti delle tabelle in JMP Pro |
| |
Quindi, nella barra degli strumenti delle tabelle, possiamo scegliere il modello di dati mancanti e selezionare tutte le nostre colonne per verificare la presenza di dati mancanti. Come puoi vedere, |
| |
Ci sono 98 colonne che non hanno dati mancanti e possiamo selezionarle, il che ci riporterà alla nostra tabella principale. Possiamo selezionare quelle 98 righe e questi saranno i nostri set di dati risultanti per |
| |
raggruppamento. |
| |
Quindi questa operazione verrà eseguita anche per gli altri set di dati. |
| |
Successivamente, tabuleremo anche il nostro rendimento mensile, utilizzando la formula che ho menzionato prima, e inseriamo una colonna nei dati. |
| |
Naturalmente inseriremo una formula. |
| |
Come accennato, la formula sarà il prezzo di chiusura alla fine del mese, ovvero il 31 gennaio 2018, meno il primo giorno, che è il secondo. |
| |
E, naturalmente, diviso per la prima data. Dovrebbe darci il rendimento mensile in percentuale. Quindi, ovviamente, possiamo perfezionarlo, cambiando il nome della colonna in gennaio 2018 e, naturalmente, cambiando il formato in percentuale con due cifre decimali. |
| |
Ecco quindi il rendimento mensile di gennaio, che possiamo ripetere per tutti i mesi dell'intero set di dati. |
| |
Infine, una volta preparati entrambi i set di dati per gli ETF di Shenzhen e Shanghai, dovremo combinarli insieme. |
| |
Quindi useremo la funzione di concatenazione nella barra degli strumenti della tabella per combinare entrambi i set di dati in uno, che verrà utilizzato per la modellazione del clustering in seguito. Quindi, come puoi vedere, entrambi i dati per |
| |
Gli ETF di Shenzhen e Shanghai sono stati combinati in un unico ETF con 143 righe. Da quel momento in poi dovremmo utilizzare il nostro clustering. |
| |
Passiamo ora al nostro clustering. |
| |
il clustering gerarchico utilizza una matrice di prossimità per determinare la similarità e la dissimilarità a coppie tra ciascun rendimento mensile |
| |
Utilizzando la distanza euclidea. A destra, il time warping dinamico viene utilizzato per confrontare la similarità tra serie temporali, tenendo conto del fattore tempo. Ha un impatto pari sui ritardi di propagazione e rileva persino serie temporali che condividono pattern simili ma leggermente fuori fase. |
| |
Sebbene JMP Pro sia in grado di eseguire il clustering gerarchico, il time warping dinamico è disponibile solo su SAS Enterprise Miner, pertanto entrambe le modellazioni del clustering sono state eseguite in SAS Enterprise Miner. |
| |
Ora forse JMP Pro potrebbe prendere in considerazione l'inclusione in futuro del time warping dinamico nella funzione di clustering, così noi utenti potremo avere un software completo per eseguire l'intera analisi, dalla preparazione dei dati alla modellazione e, infine, alla visualizzazione dei risultati. |
| |
Una volta completato il clustering, i dati sono stati caricati nuovamente in JMP Pro da SAS Enterprise Miner per la visualizzazione e l'analisi. |
| |
Il clustering è quindi un metodo di modellazione non supervisionato e JMP Pro Graph Builder è molto utile per visualizzare questi risultati. |
| |
Una visualizzazione appropriata da utilizzare è la mappa termica, che consente agli utenti di ottenere rapidamente informazioni dal risultato del clustering. |
| |
Quindi, lungo l'asse X... l'asse Y rappresenta i diversi ETF e l'asse X rappresenta i rendimenti mensili degli ETF. Da questa mappa termica, possiamo osservare rapidamente che all'interno di questo cluster, il rendimento mensile mostra segni di similarità, indicati dall'intensità del colore, che rappresenta il rendimento mensile. |
| |
Quindi, ora lavoreremo per confrontare due cluster ottenuti da entrambe le tecniche di clustering. A sinistra vedremo il time warping dinamico e a destra il clustering gerarchico. |
| |
Quindi l'algoritmo di distorsione temporale dinamica ha raggruppato sette ETF diversi, tutti appartenenti al mercato delle imprese in crescita. |
| |
A sinistra e a destra si trova il clustering gerarchico, ovvero un cluster di una combinazione di alcuni ETF di imprese in crescita e di altri ETF insieme. |
| |
Quindi il dynamic time warping raggruppa anche due ETF aggiuntivi appartenenti al settore aziendale, che mancavano nel clustering gerarchico e sono evidenziati in rosso sulla sinistra. |
| |
Questa mostra i vantaggi dell'algoritmo di warping temporale dinamico rispetto all'algoritmo di clustering gerarchico, dove riesce a individuare il pattern ??? quando viene eseguito il clustering. Quindi mostrerò... |
| |
Quindi, come potete vedere, questo è ciò che abbiamo fatto in JMP Pro. A sinistra ci sarà il time warping dinamico e a destra il clustering. Quindi, usando Graph Builder, possiamo vedere interattivamente |
| |
Lo stesso ETF nello stesso periodo, poiché entrambi sono collegati agli stessi set di dati. Per ulteriori confronti, possiamo dare un'occhiata al cluster cinque e al cluster nove. |
| |
Quindi, il filtro dati locale qui ci permette di passare facilmente da un cluster all'altro per effettuare il nostro confronto. Come potete vedere, possiamo osservare le somiglianze, come potete vedere, queste poche non sono presenti in questa distorsione temporale dinamica. Come potete vedere qui, |
| |
è collegato. |
| |
E naturalmente, quindi potremmo dare un'occhiata all'ultimo, quindi questi due sono cluster comparativi che sono uguali...simili, quindi la distorsione temporale dinamica ha raggruppato insieme quattro ETF, mentre quella gerarchica ne ha raggruppati circa otto. |
| |
Quindi, torniamo indietro. |
| |
Quindi ci sono diversi risultati simili quando eseguiamo entrambi i cluster, quando li confrontiamo usando la mappa termica di JMP Pro Graph Builder, che è anche documentata nel nostro articolo, quindi pubblicheremo il nostro articolo su JMP Community per tutti i nostri risultati nel nostro articolo. |
| |
Confrontando i risultati del clustering con la composizione del portafoglio ETF, l'algoritmo di distorsione temporale dinamica è riuscito a raggruppare gli ETF di settori o portafogli simili in modo più accurato rispetto al clustering gerarchico. |
| |
Ciò potrebbe essere dovuto al fatto che, invece di calcolare solo la distanza euclidea tra lo stesso periodo di tempo come per l'algoritmo di clustering gerarchico, |
| |
la deformazione temporale dinamica può scorrere lungo quell'asse temporale per calcolare la distanza più breve tra due serie temporali e anche rilevare modelli leggermente fuori fase. |
| |
Passiamo ora all'analisi dei nostri cluster in termini di performance in termini di rendimento mensile. |
| |
Per tracciare i trend dei rendimenti mensili è stato utilizzato JMP Pro Graph Builder, che ci consente di creare visualizzazioni utilizzando i rendimenti mensili di più ETF. |
| |
Si tratta di un box plot per ogni mese, che mostra una linea di tendenza uniforme lungo l'arco temporale di tre anni. La funzione interattiva consente quindi a noi utenti di visualizzare informazioni utili per l'analisi. |
| |
Dal grafico possiamo anche osservare che l'intervallo di fluttuazione dal 2019 al 2020, qui in blu, è maggiore o maggiore rispetto al 2018. |
| |
Anche l'intervallo intertrimestrale dei mesi successivi è molto più ampio, il che significa che per quei mesi anche la varianza del rendimento mensile tra gli ETF è maggiore. |
| |
Quindi dal grafico puoi vedere che i mesi con le migliori prestazioni sono, in effetti, febbraio 2019, puoi vedere qui, luglio 2020 e anche |
| |
Febbraio 2020. E al contrario, i mesi con le peggiori performance sono gran parte del 2020, |
| |
seguito da dicembre 2018 e poi giugno 2018. |
| |
Per visualizzare solo cluster specifici, possiamo utilizzare JMP Pro Graph Builder, il filtro dati locale. |
| |
Era simile alla demo che ho mostrato, in cui possiamo passare da un cluster all'altro per osservare in modo specifico e ingrandire i diversi cluster. |
| |
Possiamo quindi analizzare questi cluster individualmente. Prendiamo due cluster qui a sinistra, che sono principalmente ETF appartenenti ai produttori militari, e quello a destra |
| |
sono aziende tecnologiche nel mercato aziendale maturo. Quindi entrambi i cluster hanno registrato livelli record dal 2019 al 2020, |
| |
che sono anche i mesi con le migliori performance, come mostrato nella diapositiva precedente. |
| |
Tuttavia, osservando più da vicino un box plot per ogni mese, il cluster sulla sinistra presenta generalmente un intervallo interquartile più piccolo rispetto ai cluster sulla destra. |
| |
Ciò indica che la scelta di uno qualsiasi degli ETF del cluster a sinistra produrrà un rendimento mensile più costante rispetto agli ETF a destra. Sicuramente se si acquista tra il 2019 e il 2020. |
| |
Quindi, se approfondiamo le mappe termiche dei quattro cluster utilizzando JMP Pro Graph Builder, possiamo osservare che nel periodo 2019-2020 il rendimento mensile ha registrato generalmente risultati migliori rispetto al 2018. |
| |
Possiamo quindi osservare che si tratta di rendimenti positivi ad alta intensità, indicati da un colore verde più brillante dal 2019 al 2020 rispetto al 2018. |
| |
Abbiamo quindi svolto alcune indagini e la nostra ipotesi preliminare è che ciò abbia a che fare con la crescente tensione nella guerra commerciale tra Cina e Stati Uniti, iniziata nel 2017. |
| |
E questo ha raramente sconvolto l'economia e i mercati commerciali della Cina. Nel 2019, il presidente cinese ha anche invocato l'autosufficienza della Cina. |
| |
Secondo le statistiche, la produzione high-tech cinese ha rappresentato una quota maggiore della crescita industriale del Paese nella prima metà del 2019, poiché il Paese sta abbandonando la dipendenza dalla tecnologia estera e da altri prodotti. |
| |
Inoltre, la Cina ha investito molto in settori quali l'intelligenza artificiale e i circuiti integrati per raggiungere l'obiettivo dell'autosufficienza. |
| |
Quindi questa crescita trainata dall'economia cinese potrebbe aver portato alcuni settori a crescere positivamente nel 2019-2020 dopo l'annuncio e il cambio di direzione del Paese. |
| |
Quindi, concluderò con la nostra conclusione e con alcuni dei lavori futuri che potranno essere applicati al nostro articolo. |
| |
Quindi, sebbene sia il clustering gerarchico che il dynamic time warping producano risultati di clustering molto simili, il dynamic time warping ha i suoi vantaggi |
| |
algoritmo, poiché è riuscito a raggruppare gli ETF in modo più accurato. Inoltre, il rendimento mensile degli ETF, quindi in una serie temporale, e l'algoritmo di time warping dinamico hanno prodotto risultati di clustering migliori. |
| |
Osserviamo anche la correlazione tra i rendimenti mensili dei cluster e gli obiettivi economici della Cina e, naturalmente, ciò ha portato a migliori performance mensili nei settori. |
| |
Quindi, uno dei lavori futuri che si possono svolgere è quello di esplorare altre correlazioni tra i settori e i fattori macroeconomici del Paese, per trarre spunti diversi. |
| |
E inoltre, possiamo applicare la distorsione temporale dinamica a diversi strumenti finanziari come stop riser, prezzi delle materie prime... prezzi delle materie prime, |
| |
valute o persino derivati. E infine, l'analisi può essere effettuata, sapete, in diversi periodi di tempo, come il periodo pre-COVID e quello post-COVID, che ovviamente non abbiamo ancora raggiunto. |
| |
Anche in intervalli di tempo diversi. Per ora stiamo usando il mensile, ma puoi anche guardare settimanale, trimestrale o annuale... mensile... annuale. |
| |
rendimenti. |
| |
Vorrei quindi ringraziare JMP Pro per avermi dato l'opportunità di mostrare il mio lavoro attraverso questa piattaforma. |
| |
Vorrei anche ringraziare il mio coautore e mentore per avermi supportato in questo percorso. Infine, vorrei fare qualche riflessione sulla mia esperienza personale come utente di JMP Pro. |
| |
JMP Pro offre a noi utenti un'esperienza utente eccellente ed è un software di analisi dei dati molto interattivo e dinamico. |
| |
Permette a noi utenti di preparare i dati in modo molto più rapido e con risultati molto più accurati. La funzione Graph Builder è quindi molto utile e pratica anche per l'analisi dei risultati. |
| |
Possiamo trarre spunti interessanti e informazioni interessanti da questo Graph Builder e, infine, le analisi statistiche, come i test di ipotesi e anche altre tecniche di modellazione come il clustering o l'analisi delle componenti principali, sono molto intuitive quando utilizziamo JMP Pro. |
| |
Grazie per il tempo che mi ha dedicato. Questo riassume il mio articolo. |
