756791_ko-KR

liliconcom

동적 시간 워핑을 이용한 중국 주식시장 ETF 분석 (2021-US-30MP-905)

Lim Yong Kai, 싱가포르 경영대학교 학생
Chen Li, 싱가포르 경영대학교 학생

경제 이론은 경제의 움직임과 이유를 해석하고, 경제 현상에 영향을 미치거나 이를 해결하기 위한 최선의 해결책을 도출하는 것을 목표로 합니다. 그러나 이러한 이론은 도덕적 가치와 정치라는 측면에서 가정, 가설, 그리고 맥락으로 가득 차 있습니다. 주식 시장의 가격 변동은 어떤 경제 이론으로도 제대로 설명되지 않았습니다. 따라서 투자자로서 우리의 질문은 다음과 같습니다. 경제 이론을 적용하지 않고도 시장의 가격 변동을 전체적으로 이해할 수 있는 방법이 있을까요? 한 가지 방법은 비지도 학습을 사용하여 특정 분야의 전문 지식 없이도 대상의 객관적인 패턴을 감지하는 것입니다. 현실 세계의 복잡성을 이해하는 한 가지 방법은 먼저 패턴을 파악하고, 그 후 이론을 수립하고 연구하는 것이라고 생각합니다.

본 논문에서는 중국 주식시장에서 각 ETF에 대한 사전 지식 없이 100개 이상의 ETF를 동적 시간 왜곡 클러스터링(DTW)과 응집형 계층적 클러스터링 기법을 사용하여 가격 변동의 유사성을 분석했습니다. 분석 결과, DTW 기법으로 분석한 클러스터는 ETF가 속한 산업 유형과 대체로 일치했습니다. 또한, 클러스터의 가격 변동 분석을 통해 중국의 새로운 자립 경제 방향에 따라 특정 산업이 2018년 대비 2019년 이후 더 나은 성과를 보였다는 사실을 확인했습니다.

자동 생성된 대본...

스피커	성적 증명서
임용카이	좋아요. 안녕하세요 여러분. 그럼 제가 논문을 발표하겠습니다.
	논문 제목은 '비지도 학습을 통한 주식 시장 분석'으로, 구체적으로는 동적 시간 워핑을 사용하여 중국 주식 시장의 ETF를 분석하는 것입니다.
	저는 이 논문의 저자인 용 카이이고, 천 리는 제 공저자입니다. 이 논문은 싱가포르 경영대학교 석사 과정의 캄 부교수님께 드리는 것이었습니다.
	오늘 제 발표의 주제는 다음과 같습니다. 먼저, 논문의 서론과 목적에 대해 설명드리겠습니다.
	다음으로 데이터 준비, 클러스터링, 클러스터 성능 분석, 그리고 마지막으로 논문의 결론 및 향후 연구 방향에 대해 논의하겠습니다.
	그럼 서론과 목적부터 시작하겠습니다.
	따라서 ETF(상장지수펀드)를 통해 투자자는 다양한 산업 분야의 많은 주식에 접근할 수 있으며, 포트폴리오를 다각화함으로써 위험 관리가 더 용이해집니다.
	따라서 중국 증권거래소는 세계에서 두 번째로 큰 증권거래소 운영사이며, ETF의 인기로 인해 수년에 걸쳐 많은 새로운 ETF가 생겨났으며, 이로 인해 투자자들이 투자할 ETF를 선택하고 선정하기가 어려워졌습니다.
	따라서 본 논문의 목적은 방대한 수의 ETF를 선별하고, 비지도 학습 기법을 사용하여 도메인 지식이 부족한 투자자가 투자 포트폴리오를 구축할 수 있도록 돕는 것입니다.
	따라서 여기서는 두 가지 클러스터링 기법을 사용하는데, 주로 동적 시간 워핑과 계층적 클러스터링입니다.
	따라서 이 두 클러스터링은 유사한 가격 움직임 패턴을 가진 ETF들을 클러스터링하여 종합할 때 더 높은 성과를 보입니다. 따라서 본 논문에서는 중국 상하이와 선전 증시에 상장된 ETF들을 살펴보겠습니다.
	사용할 소프트웨어 도구는 JMP Pro입니다. 저희는 15.2 버전을 사용하고 있습니다. JMP Pro는 데이터 준비, 분석 및 Graph Builder를 사용한 결과 분석에 사용됩니다.
	또한 클러스터링에는 SAS Enterprise Miner를 사용하여 동적 시간 워핑과 계층적 클러스터링을 수행합니다.
	이제 데이터 준비에 대해 알아보겠습니다.
	따라서 6개의 서로 다른 데이터 세트가 사용되었는데, 주로 2018년부터 2020년까지 상하이 ETF의 일일 종가이고, 마찬가지로 2018년부터 2020년까지 선전 ETF의 일일 종가입니다.
	따라서 클러스터링을 위한 데이터 준비 워크플로는 다음과 같습니다. 먼저 6개의 데이터 세트를 JMP Pro로 가져옵니다.
	그런 다음 상하이와 선전 ETF의 여러 테이블을 조인합니다. 다음으로 JMP Pro의 누락된 데이터 패턴 함수를 사용하여 데이터 세트를 정리합니다. 그런 다음 주어진 공식을 사용하여 각 ETF의 월별 수익률을 표로 작성합니다.
	월말 가격에서 월초 가격을 뺀 후, 다시 월초 가격으로 나눈 값입니다.
	마지막으로 두 테이블을 결합했고 이제 클러스터링할 준비가 되었습니다.
	따라서 먼저 JMP의 여러 파일 가져오기 기능을 사용하여 ???의 원시 데이터 세트에서 6개의 파일을 일괄적으로 가져옵니다.
	여기서 볼 수 있듯이, 여러 파일 입력 기능을 사용하고 있으며, 이는 데이터 세트의 폴더입니다.
	따라서 보시다시피 이 기능을 사용하면 다양한 데이터 세트를 한 번에 JMP Pro로 매우 쉽게 가져올 수 있습니다.
	보시다시피 6개의 데이터 세트가 로드되었습니다.
	다음 두 번째 단계는 모든 다양한 데이터, 즉 모든 테이블을 결합하는 것입니다.
	여기서는 2018년 상하이 데이터를 사용하고 2019년 데이터로 외부 조인을 수행하며, 일치하는 열은 각 ETF의 일련 번호가 됩니다.
	따라서 이를 합치면 2018년부터 2019년까지의 모든 ETF 데이터가 포함됩니다.
	다음으로, 2020년 데이터로 또 다른 외부 조인을 수행하겠습니다. 이제
	결과 데이터 세트에는 2018년부터 2020년까지 상하이 ETF의 모든 데이터가 포함됩니다. 물론 선전 ETF 데이터 세트에도 이 과정을 반복합니다.
	따라서 계속해서 누락된 데이터를 확인하고 JMP Pro의 테이블 도구 모음 아래에 있는 누락된 데이터 패턴 기능을 사용하겠습니다.
	테이블 도구 모음 아래에서 누락된 데이터 패턴을 선택하고 모든 열을 선택하여 누락된 데이터를 확인할 수 있습니다. 보시다시피,
	누락된 데이터가 없는 열이 98개 있는데, 이 열을 선택하면 기본 테이블로 돌아갑니다. 98개 행을 선택하면 결과 데이터 세트가 생성됩니다.
	클러스터링.
	따라서 이 작업은 다른 데이터 세트에도 수행됩니다.
	다음으로, 앞서 언급한 공식을 사용하여 월별 수익을 표로 정리하겠습니다. 데이터에 열을 삽입합니다.
	물론, 우리는 공식을 삽입할 것입니다.
	앞서 언급했듯이, 공식은 2018년 1월 31일인 월말 종가에서 1일인 2일을 뺀 가격이 됩니다.
	물론, 첫 번째 날짜로 나누면 월별 수익률이 백분율로 표시됩니다. 따라서 이 값을 미세 조정할 수 있고, 열 이름을 2018년 1월로 변경할 수도 있으며, 형식을 소수점 둘째 자리까지 백분율로 변경할 수도 있습니다.
	1월의 월별 수익률은 다음과 같습니다. 전체 데이터 세트의 모든 달에 대해 반복할 수 있습니다.
	마지막으로, 선전과 상하이 ETF에 대한 두 가지 데이터 세트가 준비된 후에는 이를 결합해야 합니다.
	따라서 테이블 도구 모음의 concatenate 함수를 사용하여 두 데이터 세트를 하나로 결합하고, 이는 이후 클러스터링 모델링에 사용됩니다. 보시다시피 두 데이터 세트 모두
	선전과 상하이 ETF가 143개 행으로 통합되었습니다. 이후 클러스터링을 적용해야 합니다.
	이제 클러스터링으로 넘어가겠습니다.
	계층적 클러스터링은 근접 행렬을 사용하여 각 월별 수익률 간의 쌍별 유사성과 비유사성을 결정합니다.
	유클리드 거리를 사용합니다. 오른쪽에서는 동적 시간 워핑을 사용하여 시계열 간의 유사성을 비교하는데, 이는 시간적 요인을 고려합니다. 전파 지연 요인은 동일하며, 위상이 약간 어긋나 있지만 유사한 패턴을 공유하는 시계열도 감지합니다.
	따라서 JMP Pro는 계층적 클러스터링을 수행할 수 있지만 동적 시간 워핑은 SAS Enterprise Miner에서만 사용할 수 있습니다. 따라서 두 클러스터링 모델링은 모두 SAS Enterprise Miner에서 수행되었습니다.
	아마도 JMP Pro는 앞으로 클러스터링 기능에 동적 시간 워핑을 포함하는 것을 고려할 수도 있을 것입니다. 그렇게 되면 우리 사용자는 데이터 준비부터 모델링, 그리고 최종적으로 결과의 시각화까지 전체 분석을 수행할 수 있는 올인원 소프트웨어를 갖게 될 것입니다.
	클러스터링이 완료된 후, 데이터는 시각화 및 분석을 위해 SAS Enterprise Miner에서 JMP Pro로 다시 로드되었습니다.
	따라서 클러스터링은 비지도 모델링 방법이고 JMP Pro Graph Builder는 이러한 결과를 시각화하는 데 매우 유용합니다.
	클러스터링 결과에서 사용자가 빠르게 통찰력을 얻을 수 있도록 하는 적절한 시각화 방법으로는 히트맵이 있습니다.
	X축을 따라... Y축은 여러 ETF를 나타내고, X축은 ETF의 월별 수익률을 나타냅니다. 이 히트맵을 보면, 이 클러스터 내에서 월별 수익률이 색상의 강도, 즉 월별 수익률과 유사한 양상을 보인다는 것을 금방 알 수 있습니다.
	다음으로 두 클러스터링 기법의 두 클러스터를 비교해 보겠습니다. 왼쪽은 동적 시간 워핑(DW) 기법이고 오른쪽은 계층적 클러스터링(Hierarchical Clustering) 기법입니다.
	따라서 동적 시간 워핑 알고리즘은 성장 기업 시장에 속하는 7개의 서로 다른 ETF를 클러스터링했습니다.
	왼쪽과 오른쪽은 성장 기업 ETF와 다른 ETF를 조합한 클러스터인 계층적 클러스터링입니다.
	따라서 동적 시간 워핑은 계층적 클러스터링에서 누락되었던 기업 부문에 속하는 두 개의 추가 ETF도 클러스터링하며, 왼쪽에 빨간색 상자로 표시되어 있습니다.
	이 전시에서는 동적 시간 워핑 알고리즘의 장점을 계층적 클러스터링 알고리즘과 비교하여 보여줍니다. 계층적 클러스터링 알고리즘은 클러스터링 수행 시 ??? 패턴을 포착할 수 있습니다. 보여드리겠습니다...
	보시다시피, JMP Pro에서 작업한 내용입니다. 왼쪽은 동적 시간 왜곡이고 오른쪽은 클러스터링입니다. 그래프 빌더를 사용하면 대화형으로 확인할 수 있습니다.
	같은 기간 내에 같은 ETF를 운용하는 이유는 두 ETF 모두 같은 데이터 세트에 연동되어 있기 때문입니다. 다른 비교를 위해 클러스터 5와 클러스터 9를 살펴보겠습니다.
	따라서 여기 로컬 데이터 필터를 사용하면 여러 클러스터를 쉽게 전환하여 비교할 수 있습니다. 보시다시피, 유사한 클러스터를 살펴볼 수 있는데, 이 몇 가지는 동적 시간 워핑에는 존재하지 않습니다. 여기에서 볼 수 있듯이,
	연결되어 있어요.
	물론, 마지막 것을 살펴볼까요. 이 둘은 동일하고 유사한 비교적 클러스터입니다. 즉, 동적 시간 워핑은 4개의 ETF를 함께 그룹화한 반면, 계층적 시간 워핑은 약 8개의 ETF를 함께 그룹화했습니다.
	그럼, 다시 돌아가보죠.
	따라서 두 클러스터를 모두 분석했을 때, JMP Pro Graph Builder 히트맵을 사용하여 비교했을 때 몇 가지 유사한 결과가 나왔습니다. 이는 저희 논문에도 설명되어 있으므로 저희 논문의 모든 연구 결과는 JMP 커뮤니티에 게시하겠습니다.
	따라서 클러스터링 결과를 ETF 포트폴리오 구성과 비교해보면, 동적 시간 워핑 알고리즘이 계층적 클러스터링보다 유사한 산업이나 포트폴리오의 ETF를 더 정확하게 클러스터링하는 데 성공했습니다.
	이는 계층적 클러스터링 알고리즘에 따라 동일한 기간 간의 유클리드 거리만 계산하는 대신,
	동적 시간 워핑은 해당 시간 축을 따라 미끄러지면서 두 시계열 간의 가장 짧은 거리를 계산하고 약간 위상이 어긋난 패턴도 감지할 수 있습니다.
	이제 월별 수익률 측면에서 클러스터를 분석해 보겠습니다.
	따라서 JMP Pro Graph Builder를 사용하여 월별 수익률 추세를 표시했고 Graph Builder를 사용하면 여러 ETF의 월별 수익률을 사용하여 시각화를 구축할 수 있습니다.
	이는 각 월별 상자 그림이며, 3년 동안의 완만한 추세선을 보여줍니다. 따라서 대화형 기능을 통해 사용자는 분석을 위한 시각화를 위한 통찰력을 얻을 수 있습니다.
	그래프를 보면 2019년부터 2020년까지의 변동 범위가 파란색으로 표시되어 있는데, 2018년에 비해 변동 폭이 더 크거나 더 높은 것을 알 수 있습니다.
	그 뒤를 따르는 달들의 분기별 범위도 훨씬 더 넓어졌는데, 이는 해당 달의 ETF 간 월별 수익률의 분산도 더 크다는 것을 의미합니다.
	그래프에서 볼 수 있듯이 실제로 가장 성과가 좋았던 달은 2019년 2월이고, 여기에서 볼 수 있듯이 2020년 7월입니다.
	2020년 2월. 그리고 반대로, 가장 성과가 좋지 않은 달은 2020년의 대부분입니다.
	그다음 2018년 12월, 그다음 2018년 6월입니다.
	따라서 특정 클러스터만 표시하도록 드릴다운하려면 로컬 데이터 필터인 JMP Pro Graph Builder를 사용할 수 있습니다.
	이는 제가 보여드린 데모와 비슷했는데, 여기서는 서로 다른 클러스터 사이를 전환하여 구체적으로 살펴보고 다른 클러스터를 확대할 수 있습니다.
	따라서 각 클러스터를 개별적으로 분석할 수 있습니다. 왼쪽에서 두 클러스터를 선택했는데, 주로 군수 제조업체에 속하는 ETF이고, 오른쪽에서는
	성숙한 기업 시장의 기술 기업들입니다. 따라서 두 클러스터 모두 2019년부터 2020년까지 최고 기록을 달성했습니다.
	이전 슬라이드에서 보여드린 것처럼 이 달은 가장 실적이 좋은 달이기도 합니다.
	그러나 각 월의 상자 그림을 자세히 살펴보면 왼쪽 클러스터는 오른쪽 클러스터에 비해 일반적으로 사분위수 범위가 작습니다.
	이는 왼쪽 클러스터에서 어떤 ETF를 선택하든 오른쪽 ETF보다 월별 수익률이 더 일관적임을 나타냅니다. 특히 2019년과 2020년 사이에 매수하는 경우 더욱 그렇습니다.
	따라서 JMP Pro Graph Builder를 사용하여 4개 클러스터 히트맵을 자세히 살펴보면 2018년에 비해 2019년에서 2020년까지의 월별 수익률이 전반적으로 더 나은 성과를 보인다는 것을 알 수 있습니다.
	따라서 2018년에 비해 2019년부터 2020년까지 더 밝은 녹색으로 표시된 것처럼, 더욱 높은 강도의 긍정적 수익이 있음을 알 수 있습니다.
	그래서 우리는 조사를 했고, 2017년에 시작된 중국과 미국의 무역 전쟁 긴장 고조와 관련이 있다는 예비적 추정을 내렸습니다.
	이로 인해 중국의 경제와 무역 시장이 자주 교란되었습니다. 2019년, 시진핑 주석은 중국의 자립을 촉구하기도 했습니다.
	통계에 따르면, 중국의 첨단 제조업은 2019년 상반기에 국가 산업 성장에서 더 큰 비중을 차지했는데, 이는 중국이 외국 기술 및 기타 제품에 대한 의존도에서 벗어나고 있기 때문입니다.
	그래서 중국은 자립이라는 목표를 달성하기 위해 인공지능과 집적회로와 같은 산업에도 많은 투자를 했습니다.
	따라서 중국의 경제 주도적 성장은 발표와 국가 방향 전환 이후 2019년에서 2020년 사이에 몇몇 산업이 긍정적으로 성장하는 데 영향을 미쳤을 수 있습니다.
	마지막으로 결론과 이 논문에 적용할 수 있는 향후 연구에 대해 말씀드리겠습니다.
	따라서 계층적 클러스터링과 동적 시간 워핑은 모두 매우 유사한 클러스터링 결과를 생성하지만 동적 시간 워핑에는 장점이 있습니다.
	알고리즘은 ETF를 더욱 정확하게 클러스터링하는 데 성공했습니다. 또한 ETF의 월별 수익률을 시계열로 분석하고 동적 시간 워핑 알고리즘을 적용하여 더 나은 클러스터링 결과를 도출했습니다.
	또한 우리는 클러스터의 월별 수익률 실적과 중국의 경제 목표 간의 상관관계를 관찰했으며, 당연히 이로 인해 해당 부문에서 월별 실적이 더 좋아졌습니다.
	따라서 앞으로 할 수 있는 일 중 하나는 국가의 거시경제적 요인과 산업 간의 다른 상관관계를 탐구하여 다양한 통찰력을 얻는 것입니다.
	또한, 우리는 정지 상승 상품 가격...상품 가격과 같은 다양한 금융 상품에 동적 시간 워핑을 적용할 수 있습니다.
	통화나 파생상품까지도 분석할 수 있습니다. 마지막으로, 코로나 이전과 이후 등 다양한 시점에 대한 분석이 가능합니다. 물론 아직 그 시점까지는 이르지 않았지만요.
	시간 간격이 달라도 마찬가지입니다. 지금은 월별을 사용하고 있지만, 주별, 분기별, 연간...월별...연간으로도 볼 수 있습니다.
	보고.
	그래서 저는 JMP Pro가 이 플랫폼을 통해 제 작품을 선보일 수 있는 기회를 제공해 준 것에 감사드리고 싶습니다.
	이 여정 내내 저를 지지해 주신 공동 저자이자 멘토에게도 감사드리고 싶습니다. 마지막으로 JMP Pro를 사용하면서 겪었던 개인적인 경험을 잠시 되짚어 보겠습니다.
	JMP Pro는 사용자에게 탁월한 사용자 경험을 제공하며, 매우 상호작용적이고 역동적인 데이터 분석 소프트웨어입니다.
	덕분에 사용자는 훨씬 더 빠르고 정확한 결과를 얻을 수 있는 데이터 준비를 할 수 있습니다. 그래프 빌더 기능 또한 결과 분석에 매우 편리하고 유용한 기능입니다.
	이 그래프 빌더를 사용하면 아름다운 통찰력과 흥미로운 정보를 얻을 수 있으며, 마지막으로 가설 검정과 같은 통계 분석이나 클러스터링이나 PCA와 같은 다른 모델링 기술도 JMP Pro를 사용하여 수행할 때 매우 사용자 친화적입니다.
	시간 내주셔서 감사합니다. 이것으로 제 논문을 마무리하겠습니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사콘텐츠 구성예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달