| スピーカー |
トランスクリプト |
| イム・ヨンカイ |
はい。皆さん、こんにちは。それでは私たちの論文を発表させていただきます。 |
| |
論文のタイトルは「教師なし学習による株式市場の分析」であり、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。 |
| |
私は論文の著者であるヨン・カイ、共著者はチェン・リーです。この論文は、シンガポール経営大学の修士課程に在籍するカム准教授のために執筆したものです。 |
| |
本日のプレゼンテーションの議題は以下の通りです。まず、本論文の導入と目的についてご説明いたします。 |
| |
次にデータ準備を行い、続いてクラスタリングを行います。次にクラスタのパフォーマンス分析を行い、最後に本論文の結論と今後の課題を述べます。 |
| |
それでは、まずはじめに、概要と目的を述べたいと思います。 |
| |
つまり、上場投資信託（略して 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、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。 |
| |
中国の証券取引所は世界第2位の証券取引所運営者であり、ETFの人気により、長年にわたって多くの新しいETFが作られており、投資家が投資するETFを選択することが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、ドメイン知識がほとんどない投資家が教師なし学習技術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を目指しています。 |
| |
したがって、ここでは主に動的タイムワーピングと階層的クラスタリングという 2 つのクラスタリング手法が使用されます。 |
| |
したがって、これら2つのクラスタリングは、ETFを類似した価格変動パターンを持つクラスターに集約する上で優れたパフォーマンスを発揮します。そこで本稿では、中国の上海証券取引所と深セン証券取引所に上場されているETFを取り上げます。 |
| |
使用するソフトウェアツールはJMP Proです。バージョン15.2を使用しています。JMP Proはデータ準備、そしてグラフビルダーを使った分析と結果分析に使用しています。 |
| |
また、クラスタリングには SAS Enterprise Miner も使用し、動的タイムワーピングと階層的クラスタリングを実行します。 |
| |
次にデータの準備に移ります。 |
| |
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。 |
| |
クラスタリング用のデータを準備するワークフローは以下のとおりです。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と深圳ETFの複数のテーブルを結合します。次に、JMP Proの欠損データパターン関数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、各ETFの月次リターンを、以下の式を使用して集計します。 |
| |
月末の価格から月初めの価格を差し引き、月初めの価格で割ったもの。 |
| |
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。 |
| |
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 つのファイルを一括インポートします。 |
| |
ここでは、複数ファイルの入力機能を使用しており、これがデータ セットのフォルダーであることがわかります。 |
| |
ご覧のとおり、この機能を使用すると、さまざまなデータ セットを一度に 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 セットが読み込まれています。 |
| |
次の 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 2018 データを使用し、2019 データとの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、これを組み合わせると、2018 年から 2019 年までのすべての ETF データが構成されることになります。 |
| |
次に、2020年のデータで外部結合を実行します。 |
| |
結果として得られるデータセットには、上海ETFの2018年から2020年までのすべてのデータが含まれます。もちろん、深センETFのデータセットについても同様の手順を繰り返します。 |
| |
それでは、欠損データをチェックしてみましょう。JMP Proのテーブルツールバーの欠損データパターン機能を使用します。 |
| |
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チェックできます。ご覧の通り、 |
| |
欠損値のない列が98列あります。これを選択すると、メインテーブルに戻ります。この98行を選択すると、結果のデータセットが表示されます。 |
| |
クラスタリング。 |
| |
したがって、他のデータセットに対してもこれが実行されます。 |
| |
次に、先ほど述べた式を使用して月次収益を集計し、データに列を挿入します。 |
| |
もちろん、数式を挿入します。 |
| |
前述のとおり、計算式は月末の終値（2018 年 1 月 31 日）から初日（2 日目）を引いたものになります。 |
| |
そしてもちろん、最初の日付で割ります。これで月ごとのリターンがパーセンテージで表示されるはずです。もちろん、これらの値を微調整することもできます。列名を2018年1月に変更したり、表示形式を小数点2桁のパーセンテージに変更したりすることも可能です。 |
| |
ここでは 1 月の月次リターンを示します。データセット全体にわたってすべての月についてこれを繰り返すことができます。 |
| |
最後に、深セン ETF と上海 ETF の両方のデータセットが準備されたら、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機能を使って、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ETFと上海ETFは143行に統合されました。これ以降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しょう。 |
| |
階層的クラスタリングでは、近接行列を使用して、各月次リターン間のペアワイズ類似度と非類似度を決定します。 |
| |
ユークリッド距離を用いています。右側では、時間要因を考慮した動的時間ワーピングを用いて時系列間の類似性を比較しています。伝播遅延に等しい要因があり、わずかに位相がずれているものの類似パターンを共有する時系列も検出します。 |
| |
したがって、JMP Pro は階層的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 でのみ使用できるため、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、クラスタリング機能に動的なタイムワーピングを組み込むことを検討するかもしれません。そうすれば、私たちユーザーは、データの準備からモデリング、そして最終的には結果の視覚化まで、分析全体を 1 つのソフトウェアで実行できるようになります。 |
| |
したがって、クラスタリングが完了した後、データは視覚化と分析のために 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 グラフビルダーはこれらの結果を視覚化するのに非常に役立ちます。 |
| |
適切な視覚化としてヒートマップが挙げられます。これにより、ユーザーはクラスタリング結果からすぐに洞察を得ることができます。 |
| |
X軸に沿って…Y軸は様々なETF、X軸はETFの月次リターンです。このヒートマップから、このクラスター内では、色の濃淡で示されるように、月次リターンが類似している兆候が見られることが一目でわかります。これは月次リターンを表しています。 |
| |
次に、両方のクラスタリング手法から得られた2つのクラスターを比較します。左側が動的時間ワーピング、右側が階層的クラスタリングです。 |
| |
そこで、動的タイムワーピングアルゴリズムは、成長企業市場に属する 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的クラスタリングです。 |
| |
したがって、動的タイム ワーピングでは、階層的クラスタリングでは欠落していたエンタープライズ セクターに属する 2 つの追加 ETF もクラスタ化され、左側に赤い枠で囲まれます。 |
| |
これは、階層的クラスタリングアルゴリズムと比較した動的タイムワーピングアルゴリズムのメリットを示しています。階層的クラスタリングアルゴリズムでは、クラスタリングの実行時に???パターンを拾い上げることができます。それでは、以下で… |
| |
ご覧のとおり、これがJMP Proで行ったことです。左側は動的なタイムワーピング、右側はクラスタリングです。グラフビルダーを使うと、インタラクティブに確認できます。 |
| |
どちら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。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。 |
| |
ローカルデータフィルターを使えば、異なるクラスターを簡単に切り替えて比較することができます。ご覧の通り、類似点を見ることができます。これらのクラスターは、このダイナミックタイムワーピングには含まれていません。ご覧の通り、 |
| |
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。動的タイム ワーピングでは 4 つの ETF がグループ化されていますが、階層型では 8 つほどがグループ化されています。 |
| |
それで、戻ります。 |
| |
したがって、両方のクラスターを JMP Pro Graph Builder ヒート マップを使用して比較すると、いくつかの類似した結果が得られます。これは私たちの論文にも記載されているため、私たちの論文のすべての調査結果を JMP Community に掲載します。 |
| |
したがって、クラスタリングの結果を ETF ポートフォリオの構成と比較すると、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、階層的クラスタリングアルゴリズムのように同じ期間のユークリッド距離を計算するのではなく、 |
| |
動的タイムワーピングは、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、わずかに位相がずれたパターンを検出することもできます。 |
| |
それでは、月間リターンのパフォーマンスの観点からクラスターの分析に移りましょう。 |
| |
そこで、JMP Pro グラフ ビルダーを使用して月次リターンの傾向をプロットしました。グラフ ビルダーを使用すると、複数の ETF の月次リターンを使用して視覚化を構築できます。 |
| |
これは各月のボックスプロットで、3年間を通して滑らかなトレンドラインを示しています。インタラクティブ機能により、ユーザーは分析のための視覚化に関する洞察を得ることができます。 |
| |
また、グラフからは、2019 年から 2020 年にかけての変動の範囲 (ここでは青色で示されています) が、2018 年と比較して高くなっているか、大きくなっていることもわかります。 |
| |
それに続く月の四分位範囲もかなり大きくなり、それはそれらの月における ETF 間の月次収益の分散も大きくなることを意味します。 |
| |
グラフから、最もパフォーマンスが高かったのは、2019年の2月、2020年の7月、そして |
| |
2020年2月。逆に、最もパフォーマンスが悪かった月は2020年の大部分である。 |
| |
続いて 2018 年 12 月、そして 2018 年 6 月。 |
| |
特定のクラスターのみを表示するようにドリルダウンするには、ローカル データ フィルターである JMP Pro グラフ ビルダーを使用できます。 |
| |
これは、さまざまなクラスターを切り替えて具体的に確認したり、さまざまなクラスターを拡大表示したりできるデモと似ています。 |
| |
これらのクラスターを個別に分析することができます。左側の2つのクラスターは主に軍事メーカーに属するETFで、右側は |
| |
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。そのため、どちらのクラスターも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、これは最もパフォーマンスが良かった月でもあります。 |
| |
ただし、各月のボックス プロットを詳しく見ると、左側のクラスターは、右側のクラスターと比較して、四分位範囲が一般的に小さくなっています。 |
| |
これは、左側のクラスターからETFを選択すると、右側のETFと比較して、より安定した月次リターンが得られることを示しています。2019年から2020年の間に購入する場合は、間違いなくその傾向が顕著です。 |
| |
したがって、JMP Pro Graph Builder を使用して 4 つのクラスターのヒート マップを詳細に調べると、2019 年から 2020 年にかけて、月次リターンのパフォーマンスが 2018 年と比較して全般的に向上し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うに、より強度の高いプラスのリターンが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の貿易戦争による緊張の高まりと関係があるという予備的な仮説を立てました。 |
| |
そして、これは中国の経済と貿易市場に時折混乱をもたらしました。2019年には、中国の国家主席も中国の自立を訴えました。 |
| |
統計によると、中国は外国の技術やその他の製品への依存から脱却しつつあり、ハイテク製造業が2019年上半期の同国の産業成長の大部分を占めている。 |
| |
そのため、中国はさらに、自立という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きました。 |
| |
したがって、この中国の経済主導の成長は、発表と国の方向転換の後、2019年から2020年にかけてこれらのいくつかの産業がプラス成長することにつながった可能性があります。 |
| |
それでは最後に、私たちの結論と、私たちの論文に適用できる今後の研究のいくつかについて述べて終わりたいと思います。 |
| |
階層的クラスタリングと動的時間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、動的時間ワーピングには利点があります。 |
| |
アルゴリズムはETFをより正確にクラスタリングすることに成功しました。さらに、ETFの月次リターンは時系列で、動的時間ワーピングアルゴリズムはより優れたクラスタリング結果を生み出すことができました。 |
| |
また、クラスターの月次リターン実績と中国の経済目標との相関関係も観察されており、当然ながら、これによりセクターの月次実績が向上しました。 |
| |
したがって、今後実行できる作業の一部は、産業と国のマクロ経済要因の他の相関関係を調査して、異なる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取引も対象としています。そして最後に、ご存知の通り、COVID-19以前とCOVID-19以後といった異なる期間で分析を行うことができますが、もちろん、まだその段階には達していません。 |
| |
期間が異なっていても構いません。今回は月単位ですが、週単位、四半期単位、年単位、月単位、年単位など、様々な形式でもご確認いただけます。 |
| |
戻ります。 |
| |
そこで、このプラットフォームを通じて私の作品を披露する機会を与えてくれた JMP Pro に感謝したいと思います。 |
| |
この旅を通して私を支えてくれた共著者でありメンターである方々にも感謝申し上げます。最後に、JMP Pro のユーザーとしての私の個人的な経験を少し振り返ってみたいと思います。 |
| |
JMP Pro は、ユーザーである私たちに優れたユーザー エクスペリエンスを提供する、非常にインタラクティブでダイナミックなデータ分析ソフトウェアです。 |
| |
これにより、ユーザーはデータ準備をより迅速に、より正確な結果を得ることができます。グラフビルダー機能は、結果の分析にも非常に便利で役立ちます。 |
| |
このグラフ ビルダーから美しい洞察と興味深い情報を引き出すことができ、最後に、仮説検定などの統計分析や、クラスタリングや PCA などのその他のモデリング手法も、JMP Pro を使用すると非常にユーザーフレンドリーになります。 |
| |
それでは、お時間をいただきありがとうございました。これで私の論文の要約です。 |
