| Vocero |
Transcripción |
| LIM Yong Kai |
Bien. Hola a todos. Les presento nuestro trabajo. |
| |
El título del artículo es Análisis del mercado de valores con aprendizaje no supervisado, específicamente un análisis de ETF en el mercado de valores de China utilizando deformación temporal dinámica. |
| |
Mi nombre es Yong Kai, autor del artículo, y Chen Li es coautor. El artículo era para el profesor asociado Kam, de un programa de maestría en la Universidad de Administración de Singapur. |
| |
Así pues, el programa de mi presentación de hoy es el siguiente. Primero, comenzaré con una introducción y el objetivo del trabajo. |
| |
A continuación, se prepararán los datos, seguida de la agrupación en clústeres. A continuación, se analizará el rendimiento de nuestros clústeres y, finalmente, se presentarán las conclusiones y los trabajos futuros de nuestro artículo. |
| |
Así que comienzo con la introducción y el objetivo. |
| |
Por lo tanto, los fondos cotizados en bolsa, o ETF por sus siglas en inglés, permiten a los inversores tener acceso a muchas acciones de diversas industrias y tienden a tener una mejor gestión del riesgo a través de la diversificación de su cartera. |
| |
Entonces, la Bolsa de Valores de China es el segundo operador bursátil más grande del mundo y, debido a la popularidad de los ETF, se han creado muchos ETF nuevos a lo largo de los años, lo que dificulta que los inversores seleccionen y elijan el ETF en el que invertir. |
| |
Por lo tanto, el objetivo de nuestro artículo es reducir el gran número de ETF y ayudar a los inversores con poco conocimiento del sector a construir su cartera de inversiones mediante el uso de técnicas de aprendizaje no supervisado. |
| |
Aquí se utilizarán dos técnicas de agrupamiento: principalmente la deformación temporal dinámica y también el agrupamiento jerárquico. |
| |
Por lo tanto, estas dos agrupaciones superan el rendimiento de los ETF en grupos con un patrón de movimiento de precios similar. En este artículo, analizaremos los ETF que cotizan en las bolsas de Shanghái y Shenzhen, China. |
| |
La herramienta de software que utilizaremos será JMP Pro. Usamos la versión 15.2. JMP Pro se utiliza para la preparación de datos, así como para el análisis de resultados mediante Graph Builder. |
| |
También utilizaremos SAS Enterprise Miner para nuestra agrupación en clústeres, que realizará una deformación temporal dinámica y también una agrupación en clústeres jerárquica. |
| |
A continuación se procederá a la preparación de los datos. |
| |
Entonces, se utilizaron seis conjuntos de datos diferentes, principalmente el precio de cierre diario de los ETF de Shanghai de 2018 a 2020, y también el precio de cierre diario de los ETF de Shenzhen, de manera similar de 2018 a 2020. |
| |
El flujo de trabajo para preparar los datos para la agrupación en clústeres es el siguiente. Primero, importaremos nuestros seis conjuntos de datos a JMP Pro. |
| |
Luego, uniríamos las tablas múltiples para los ETF de Shanghái y Shenzhen. A continuación, usaríamos la función de patrón de datos faltantes en JMP Pro para depurar el conjunto de datos. Posteriormente, también tabularíamos la rentabilidad mensual de cada ETF utilizando la fórmula dada, que es |
| |
el precio al final del mes, menos el precio al principio del mes, dividido por el precio al principio del mes. |
| |
Y finalmente, hemos combinado ambas tablas y ahora está listo para la agrupación. |
| |
Primero, utilizaremos la función de importación de múltiples archivos en JMP para importar por lotes nuestros seis archivos desde nuestro conjunto de datos sin procesar para ???. |
| |
Entonces aquí, como puedes ver, estamos usando la función de entrada de múltiples archivos, y esta es la carpeta para nuestros conjuntos de datos. |
| |
Entonces, como puede ver, con esta función es muy fácil para nosotros importar todos los diferentes conjuntos de datos a JMP Pro a la vez. |
| |
Entonces, como puedes ver, nuestros 6 conjuntos de datos han sido cargados. |
| |
A continuación, nuestro segundo paso será unir todos los diferentes datos...todas las tablas juntas. |
| |
Aquí estoy usando los datos de Shanghai 2018 y estoy realizando una unión externa con los datos de 2019 y la columna coincidente será el número de serie de cada ETF. |
| |
Entonces, después de combinar todo esto, incluirá todos los datos de ETF de 2018 a 2019. |
| |
A continuación, realizaré otra unión externa con los datos de 2020. Y ahora |
| |
El conjunto de datos resultante contendrá todos los datos de los ETF de Shanghái, desde 2018 hasta 2020. Y, por supuesto, repetiremos el proceso también para el conjunto de datos del ETF de Shenzhen. |
| |
Entonces, continuando, verificaremos si faltan datos y usaremos la función de patrón de datos faltantes en la barra de herramientas de tablas en JMP Pro. |
| |
En la barra de herramientas de tablas, podemos elegir el patrón de datos faltantes y seleccionar todas las columnas para comprobar si faltan datos. Como puede ver, |
| |
Hay 98 columnas sin datos faltantes, y podemos seleccionarlas, lo que nos llevará de vuelta a nuestra tabla principal. Podemos seleccionar esas 98 filas y estos serán nuestros conjuntos de datos resultantes. |
| |
agrupamiento. |
| |
Esto también se realizará para los otros conjuntos de datos. |
| |
A continuación, también tabularemos nuestro rendimiento mensual, que es la fórmula que mencioné anteriormente, y lo que hacemos es insertar una columna en los datos. |
| |
Por supuesto, insertaremos una fórmula. |
| |
Como se mencionó, la fórmula será el precio de cierre al final del mes, que es el 31 de enero de 2018, menos el primer día, que es el segundo. |
| |
Y, por supuesto, dividido por la primera fecha. Debería darnos el rendimiento mensual en porcentaje. Así que, por supuesto, podemos ajustar esto: podemos cambiar el nombre de la columna a enero de 2018 y, por supuesto, podemos cambiar el formato a porcentaje con dos decimales. |
| |
Así que aquí tenemos el retorno mensual de enero, y podemos repetirlo para todos los meses a lo largo de todo el conjunto de datos. |
| |
Y por último, una vez preparados ambos conjuntos de datos de los ETF de Shenzhen y Shanghai, tendremos que combinarlos. |
| |
Usaremos la función de concatenación de la barra de herramientas de la tabla para combinar ambos conjuntos de datos en uno solo, que se usará posteriormente para el modelado de agrupamiento. Como pueden ver, ambos datos para |
| |
Los ETF de Shenzhen y Shanghái se han combinado en uno con 143 filas. Deberíamos usar nuestra agrupación a partir de entonces. |
| |
Ahora pasemos a nuestra agrupación. |
| |
La agrupación jerárquica utiliza una matriz de proximidad para determinar la similitud y disimilitud entre cada retorno mensual. |
| |
Utilizando la distancia euclidiana. A la derecha, se utiliza la deformación temporal dinámica para comparar la similitud entre series temporales, lo que considera el factor tiempo. Tiene el mismo factor en los retardos de propagación e incluso detecta series temporales que comparten patrones similares pero que están ligeramente desfasadas. |
| |
Entonces, si bien JMP Pro puede realizar agrupamiento jerárquico, la deformación temporal dinámica solo está disponible en SAS Enterprise Miner, por lo que ambos modelos de agrupamiento se realizaron en SAS Enterprise Miner. |
| |
Ahora quizás JMP Pro podría considerar incluir deformación temporal dinámica en la función de agrupamiento en el futuro, de modo que nosotros, los usuarios, podamos tener un software todo en uno para realizar todo nuestro análisis desde la preparación de datos hasta el modelado y, finalmente, la visualización de nuestros resultados. |
| |
Luego de completarse la agrupación, los datos se cargaron nuevamente en JMP Pro desde SAS Enterprise Miner para su visualización y análisis. |
| |
Por lo tanto, la agrupación en clústeres es un método de modelado no supervisado y JMP Pro Graph Builder es muy útil para ayudar a visualizar estos resultados. |
| |
Una visualización adecuada para utilizar es el mapa de calor, que permite a los usuarios obtener información rápidamente a partir del resultado de la agrupación. |
| |
A lo largo del eje X, el eje Y representa los diferentes ETF y el eje X representa sus rendimientos mensuales. En este mapa de calor, podemos observar rápidamente que, dentro de este grupo, el rendimiento mensual muestra similitudes, indicadas por la intensidad del color. |
| |
A continuación, compararemos dos clústeres de ambas técnicas de agrupamiento. A la izquierda, la deformación temporal dinámica y a la derecha, el agrupamiento jerárquico. |
| |
Entonces, el algoritmo de deformación temporal dinámica agrupó siete ETF diferentes, todos ellos pertenecientes al mercado de empresas en crecimiento. |
| |
A la izquierda y a la derecha se encuentra la agrupación jerárquica, que es una agrupación de una combinación de algunos ETF de empresas en crecimiento y otros ETF juntos. |
| |
De esta forma, la deformación temporal dinámica también agrupa dos ETF adicionales que pertenecen al sector empresarial, que faltaban en la agrupación jerárquica y están recuadrados en rojo a la izquierda. |
| |
Esta demostración muestra las ventajas del algoritmo de distorsión temporal dinámica en comparación con el algoritmo de agrupamiento jerárquico, donde puede detectar un patrón ??? al realizar el agrupamiento. A continuación, mostraré... |
| |
Como pueden ver, esto es lo que hicimos en JMP Pro. A la izquierda estará la deformación temporal dinámica y a la derecha, la agrupación. Con el Constructor de Gráficos, podemos ver interactivamente |
| |
El mismo ETF en el mismo período, ya que ambos están vinculados a los mismos conjuntos de datos. Para otras comparaciones, podemos observar los grupos cinco y nueve. |
| |
El filtro de datos locales nos permite alternar fácilmente entre los diferentes clústeres para realizar nuestra comparación. Como pueden ver, podemos observar las similitudes, ya que estas pocas no están presentes en esta distorsión temporal dinámica. Como pueden ver aquí, |
| |
Está vinculado. |
| |
Y por supuesto, tal vez podamos echar un vistazo al último, estos dos son grupos comparativos que son iguales... similares, por lo que la deformación temporal dinámica agrupó cuatro ETF juntos, mientras que la jerarquía agrupó alrededor de ocho de ellos juntos. |
| |
Entonces, volvamos atrás. |
| |
Entonces, hay varios resultados similares cuando hacemos ambos grupos, cuando los comparamos usando el mapa de calor de JMP Pro Graph Builder, que también está documentado en nuestro artículo, por lo que publicaremos nuestro artículo en JMP Community para todos nuestros hallazgos en nuestro artículo. |
| |
Entonces, al comparar los resultados de la agrupación con la composición de la cartera de ETF, el algoritmo de deformación temporal dinámica logró agrupar ETF de industrias o carteras similares con mayor precisión que la agrupación jerárquica. |
| |
Esto puede deberse a que, en lugar de solo calcular la distancia euclidiana entre el mismo período de tiempo según el algoritmo de agrupamiento jerárquico, |
| |
La deformación temporal dinámica puede deslizarse a lo largo de ese eje de tiempo para calcular la distancia más corta entre dos series de tiempo y también detectar patrones que están ligeramente desfasados. |
| |
Ahora pasamos al análisis de nuestros clústeres en términos de los actores con mejor rendimiento mensual. |
| |
Entonces, se utilizó JMP Pro Graph Builder para trazar las tendencias de rendimiento mensual, de modo que Graph Builder nos permite crear visualizaciones utilizando rendimientos mensuales de múltiples ETF. |
| |
Este es un diagrama de caja para cada mes, que muestra una línea de tendencia uniforme a lo largo de los tres años. La función interactiva nos permite, como usuarios, visualizar información para su análisis. |
| |
Y desde el gráfico también podemos observar que el rango de fluctuación de 2019 a 2020, en azul aquí, es mayor o más grande en comparación con 2018. |
| |
El rango intertrimestral de los meses siguientes también es mucho mayor, lo que significa que para esos meses la variación del rendimiento mensual entre los ETF también es mayor. |
| |
Entonces, desde el gráfico se puede ver que los meses con mejor desempeño son, de hecho, febrero de 2019, se puede ver aquí, julio de 2020 y también |
| |
Febrero de 2020. Y por el contrario, los meses de peor desempeño son gran parte de 2020, |
| |
seguido por diciembre de 2018 y luego junio de 2018. |
| |
Entonces, para explorar en profundidad y mostrar solo grupos específicos, podemos usar JMP Pro Graph Builder, el filtro de datos local. |
| |
Esto fue similar a la demostración que mostré, donde podemos alternar entre los diferentes grupos para mirar específicamente y hacer zoom en diferentes grupos. |
| |
Así que podemos analizar esos grupos individualmente. Encontramos dos grupos aquí a la izquierda, que son principalmente ETF pertenecientes a fabricantes militares, y a la derecha... |
| |
Son empresas tecnológicas en el mercado empresarial maduro. Por lo tanto, ambos clústeres han registrado máximos históricos entre 2019 y 2020. |
| |
que también son los meses de mejor desempeño, como se muestra en la diapositiva anterior. |
| |
Sin embargo, al observar más de cerca un diagrama de caja para cada mes, el grupo de la izquierda tiene generalmente un rango intercuartil más pequeño en comparación con los grupos de la derecha. |
| |
Esto indica que elegir cualquiera de los ETF del grupo de la izquierda generará una rentabilidad mensual más consistente que los ETF de la derecha. Esto es así si invierte entre 2019 y 2020. |
| |
Entonces, si analizamos en profundidad los mapas de calor de los cuatro grupos utilizando JMP Pro Graph Builder, podemos observar que entre 2019 y 2020, el rendimiento mensual en general tiene un mejor desempeño en comparación con 2018. |
| |
Así, podemos observar que hay un mayor retorno positivo de alta intensidad, lo cual se indica mediante un color verde más brillante de 2019 a 2020, en comparación con 2018. |
| |
Así que hicimos algunas investigaciones y nuestra suposición preliminar es que tiene que ver con la creciente tensión de la guerra comercial entre China y Estados Unidos, que comenzó en 2017. |
| |
Y esto ha perturbado la economía y los mercados comerciales de China con poca frecuencia. En 2019, el presidente chino también hizo un llamado a la autosuficiencia de China. |
| |
Según las estadísticas, la manufactura de alta tecnología de China representó una porción mayor del crecimiento industrial del país en la primera mitad de 2019, a medida que se aleja de la dependencia de la tecnología extranjera y otros productos. |
| |
Además, China también ha invertido fuertemente en industrias como la inteligencia artificial y los circuitos integrados para lograr su objetivo de autosuficiencia. |
| |
Por lo tanto, este crecimiento impulsado por la economía de China podría haber llevado a que estas pocas industrias crecieran positivamente entre 2019 y 2020 después del anuncio y el cambio de dirección del país. |
| |
Así que finalmente cerraré con nuestra conclusión y algunos de los trabajos futuros que se pueden aplicar con nuestro artículo. |
| |
Por lo tanto, aunque tanto la agrupación jerárquica como la deformación temporal dinámica producen resultados de agrupación muy similares, la deformación temporal dinámica tiene sus ventajas. |
| |
El algoritmo logró agrupar los ETF con mayor precisión. Además, los ETF tienen un rendimiento mensual, por lo que, en una serie temporal, el algoritmo de distorsión temporal dinámica produjo mejores resultados de agrupamiento. |
| |
También observamos una correlación entre el rendimiento mensual de los clústeres y los objetivos de la economía de China, y por supuesto esto dio como resultado mejores rendimientos mensuales en los sectores. |
| |
Por lo tanto, parte del trabajo futuro que se puede realizar es explorar otras correlaciones de las industrias con los factores macroeconómicos del país para extraer diferentes conclusiones. |
| |
Y también, podemos aplicar distorsión temporal dinámica a diferentes instrumentos financieros, como los stop-risers, los precios de las materias primas... los precios de las materias primas, |
| |
Divisas, o incluso derivados. Y, por último, el análisis puede realizarse en diferentes períodos, como antes y después de la COVID-19, etapa en la que, por supuesto, aún no hemos llegado. |
| |
Incluso en diferentes intervalos de tiempo. Por ahora usamos el formato mensual, pero también puedes consultarlo semanal, trimestral o anual. |
| |
regresa. |
| |
Así que me gustaría agradecer a JMP Pro por darme la oportunidad de mostrar mi trabajo a través de esta plataforma. |
| |
También quiero agradecer a mi coautor y mentor por su apoyo durante este proceso. Por último, reflexionaré sobre mi experiencia personal como usuario de JMP Pro. |
| |
JMP Pro nos proporciona una excelente experiencia de usuario y es un software de análisis de datos muy interactivo y dinámico. |
| |
Nos permite a los usuarios preparar nuestros datos con mucha más rapidez y obtener resultados mucho más precisos. Por lo tanto, la función Constructor de Gráficos también es muy práctica y útil para el análisis de nuestros resultados. |
| |
Podemos extraer ideas hermosas e información interesante de este generador de gráficos y, por último, los análisis estadísticos, como las pruebas de hipótesis e incluso otras técnicas de modelado como la agrupación en clústeres o PCA, también son muy fáciles de usar cuando usamos JMP Pro para hacerlo. |
| |
Así que gracias por su tiempo. Eso resume mi trabajo. |
