756791_zh-TW

liliconcom

基於動態時間規則的中國股市ETF分析（2021-US-30MP-905）

林永凱，新加坡管理大學學生
陳莉，新加坡管理大學學生

經濟理論旨在解釋經濟行為的緣由和方式，並確定影響或解決經濟現象的最佳方案。然而，這些理論充斥著道德價值和政治立場的假設、臆斷和背景。任何經濟理論都未能很好地解釋股票市場的價格變動。因此，作為投資者，我們的問題是：是否存在一種無需應用任何經濟理論就能全面理解市場價格變動的方法？一種選擇是使用無監督學習來檢測客觀模式，而無需任何領域知識。我們認為，理解現實世界複雜性的一種方法是先獲取模式，然後再建構和研究理論。

本文在不了解每個ETF的先驗知識的情況下，對中國股市中100多只ETF進行了研究，並使用動態時間規整聚類（DTW）和凝聚層次聚類方法，以檢測其價格走勢的相似性。結果表明，DTW方法得出的聚類結果與ETF所涉及的產業類型基本吻合。對聚類價格走勢的分析也發現，鑑於中國新的自力更生的經濟方向，某些產業在2019年後的表現優於2018年。

自動產生的成績單...

揚聲器	抄本
LIM Yong Kai	好的。大家好。接下來我將展示我們的論文。
	論文題目是《基於無監督學習的股票市場分析》，具體來說是使用動態時間規則對中國股票市場的ETF進行分析。
	我是這篇論文的作者，叫做永凱，陳莉是我的合著者。這篇論文是為新加坡管理大學碩士課程Kam副教授所寫的。
	我今天演講的議程如下。首先，我將介紹這篇論文的目的。
	接下來是資料準備，然後是聚類。接下來是集群效能分析，最後是本文的結論和未來工作。
	因此，我先從介紹和目標開始。
	因此，交易所交易基金（簡稱 ETF）允許投資者投資各個行業的多種股票，並且他們往往能夠透過投資組合的多樣化來更好地管理風險管理。
	因此，中國的證券交易所是世界第二大證券交易所營運商，由於ETF的普及，多年來已經創建了許多新的ETF，這使得投資者很難選擇和投資ETF。
	因此，我們論文的目標是縮小 ETF 的數量，並幫助領域知識較少的投資者利用無監督學習技術建立他們的投資組合。
	因此這裡將使用兩種聚類技術，主要是動態時間規整和層次聚類。
	因此，這兩種聚類方法能夠更好地將ETF聚類到具有相似價格走勢模式的聚類中。因此，本文將研究在中國上海和深圳股票市場上市的ETF。
	所以，我們一定會用到的軟體工具一定是 JMP Pro。我們使用的是 15.2 版本。 JMP Pro 用於資料準備，以及使用 Graph Builder 進行分析和結果分析。
	我們也將使用 SAS Enterprise Miner 進行聚類，它將執行動態時間規則和層次聚類。
	接下來是資料準備。
	因此使用了六個不同的資料集，主要是2018年至2020年上海ETF的每日收盤價，以及2018年至2020年深圳ETF的每日收盤價。
	準備聚類資料的工作流程如下。首先，我們將六個資料集匯入 JMP Pro。
	然後，我們將上海和深圳ETF的多個表格合併起來。接下來，我們將使用JMP Pro中的缺失資料模式函數來清理資料集。之後，我們還將使用給定的公式，列出每隻ETF的月回報率，公式如下：
	月末價格減月初價格，再除月初價格。
	最後，我們將兩個表合併在一起，現在可以進行聚類了。
	因此，首先我們將使用 JMP 中的匯入多個檔案功能從我們的原始資料集中批次匯入六個檔案。
	所以在這裡，您可以看到，我們正在使用輸入多個檔案功能，這是我們資料集的資料夾。
	因此，正如您所看到的，使用此功能我們可以非常輕鬆地將所有不同的資料集一次匯入 JMP Pro。
	所以，正如您所看到的，我們的 6 個資料集已經載入。
	接下來，我們的第二步是需要將所有不同的數據……所有表格連接在一起。
	這裡我使用上海 2018 年的數據，並與 2019 年的數據進行外連接，匹配的列將是每個 ETF 的序號。
	因此，合併後，它將包含 2018 年至 2019 年的所有 ETF 數據。
	接下來，我將對 2020 年的數據進行另一次外連接。現在
	最終的資料集將包含2018年至2020年上海ETF的所有資料。當然，我們也會對深圳ETF資料集重複此過程。
	接下來，我們將檢查缺失數據，並使用 JMP Pro 中表格工具列下的缺失資料模式功能
	在表格工具列下，我們可以選擇缺失資料模式，並選取所有欄位來檢查缺失資料。如你所見，
	有 98 列沒有缺失數據，我們可以選擇它，這將 ??? 返回主表。我們可以選擇這 98 行，這將是我們的結果資料集
	聚類。
	因此這也將對其他資料集執行。
	接下來我們也將對月回報率進行製表，這是我之前提到的公式，我們所做的就是在數據中插入一列。
	當然，我們會插入一個公式。
	如上所述，公式將是月末的收盤價（即 2018 年 1 月 31 日）減去第一天（即第二天）。
	當然，也要除以第一個日期。這樣就能得到以百分比表示的月回報率。當然，我們可以進行微調，例如把列名改成2018年1月，當然，還可以把格式改成保留兩位小數的百分比。
	這是我們一月份的月回報率，我們可以對整個資料集中的所有月份重複此操作。
	最後，深圳和上海ETF的資料集準備好後，我們需要將它們合併在一起。
	因此，我們將使用表格工具列中的連接功能將兩個資料集合併為一個，以便之後進行聚類建模。因此，如您所見，兩個數據
	深圳和上海ETF已合併為一個包含143行的資料。之後我們應該使用聚類分析。
	現在繼續討論聚類。
	層次聚類使用鄰近矩陣來確定每個月回報率之間的成對相似性和不相似性
	使用歐氏距離。右側使用動態時間規則來比較時間序列之間的相似性，這考慮了時間因素。它對傳播延遲也同樣適用，甚至可以檢測出具有相似模式但略微異相的時間序列。
	因此，儘管 JMP Pro 能夠執行層次聚類，但動態時間規則僅在 SAS Enterprise Miner 上可用，因此兩種聚類建模都是在 SAS Enterprise Miner 中執行的。
	現在，JMP Pro 可能希望在未來考慮在聚類功能中加入動態時間扭曲，因此對於我們用戶來說，我們可以擁有一個一體化軟體來執行從資料準備到建模以及最終結果視覺化的整個分析過程。
	因此，在聚類完成後，資料從 SAS Enterprise Miner 載入回 JMP Pro 進行視覺化和分析。
	因此，聚類是一種無監督建模方法，JMP Pro Graph Builder 在幫助視覺化這些結果方面非常有用。
	適合使用的視覺化方法是熱圖，它允許使用者快速從聚類結果中獲得見解。
	因此，沿著 X 軸…Y 軸代表不同的 ETF，X 軸代表 ETF 的月報酬率。從這張熱力圖中，我們可以快速觀察到，在這個集群中，每月回報率呈現出相似的跡象，這可以透過顏色的強度來表示，也就是每月回報率。
	接下來我們將比較兩種聚類技術所得到的聚類結果。左側是動態時間規整聚類，右側是層次聚類。
	因此動態時間規則演算法對七種不同的ETF進行了聚類，它們都屬於創業板市場。
	左邊和右邊是層次聚類，是一些成長企業ETF和其他ETF組合在一起的聚類。
	因此，動態時間扭曲也將另外兩隻屬於企業部門的 ETF 聚類，這在層次聚類中是缺失的，它們在左側用紅色框起來。
	這展示了動態時間規整演算法與層次聚類演算法相比的優勢，在執行聚類時，它可以提取???模式。因此，我將展示…
	如您所見，這就是我們在 JMP Pro 中所做的。左側是動態時間扭曲，右側是聚類。因此，使用圖形生成器，我們可以互動式地查看
	同一時期內同一支ETF的表現相似，因為它們都連結到相同的資料集。因此，為了進行其他比較，我們可以看看集群5和集群9。
	這裡的本地資料過濾器讓我們可以輕鬆地在不同的叢集之間切換，以便進行比較。您可以看到，我們可以查看類似的數據，正如您所看到的，這些數據在這個動態時間扭曲中並不存在。正如您在這裡看到的，
	它是連結的。
	當然，我們可以看看最後一個，這兩個是相同的比較集群......相似的，所以動態時間扭曲將四個 ETF 分組在一起，而分層將其中八個分組在一起。
	所以，往回走。
	因此，當我們進行這兩個聚類時，當您使用 JMP Pro Graph Builder 熱圖對它們進行比較時，會得到幾個相似的結果，這也記錄在我們的論文中，因此我們將把我們的論文放在 JMP 社區中，以公佈我們在論文中的所有發現。
	因此，將聚類結果與 ETF 投資組合構成進行比較，動態時間規整演算法比層次聚類更準確地將相似產業或投資組合的 ETF 進行聚類。
	這可能是因為，與層次聚類演算法僅計算同一時間段之間的歐幾里德距離不同，
	動態時間扭曲可以沿著時間軸滑動來計算兩個時間序列之間最短的距離，也可以偵測稍微異相的模式。
	現在我們開始根據月回報率的表現來分析我們的集群。
	因此，使用 JMP Pro Graph Builder 繪製每月回報趨勢，這樣 Graph Builder 允許我們使用多個 ETF 月回報來建立視覺化。
	這是每個月的箱線圖，顯示了三年期間的平滑趨勢線。因此，互動功能允許我們用戶洞察數據，從而進行視覺化分析。
	從圖表中我們還可以觀察到，2019 年至 2020 年的波動範圍（此處為藍色）與 2018 年相比更高或更大。
	接下來幾個月的季度間範圍也大得多，這意味著這些月份 ETF 之間的月回報率差異也較大。
	從圖表中你可以看到，表現最好的月份實際上是 2019 年 2 月，你可以看到這裡是 2020 年 7 月，還有
	2020 年 2 月。相反，表現最差的月份是 2020 年的大部分時間，
	接下來是 2018 年 12 月，然後是 2018 年 6 月。
	因此，為了深入顯示特定的集群，我們可以使用本機資料過濾器 JMP Pro Graph Builder。
	這與我展示的演示類似，我們可以在不同的叢集之間切換以具體查看並放大不同的叢集。
	所以我們可以分別分析這些集群。我們選取左邊的兩個集群，它們主要是軍工製造商的ETF，右邊的
	都是成熟企業市場中的科技公司。因此，這兩個集群在2019年至2020年都創下了歷史新高。
	正如上一張投影片所示，這也是表現最好的月份。
	然而，仔細觀察每個月的箱型圖，左側的聚類與右側的聚類相比，四分位距通常較小。
	這表明，從左側集群中選擇任何一隻ETF，其每月收益將比右側ETF更穩定。如果您在2019年至2020年之間購買，這絕對值得。
	因此，如果我們使用 JMP Pro Graph Builder 對四個集群熱圖進行深入研究，我們可以觀察到，在 2019 年至 2020 年期間，月回報率表現普遍優於 2018 年。
	因此，我們可以看到，與 2018 年相比，2019 年至 2020 年的正回報強度更高，以更亮的綠色表示。
	因此，我們做了一些調查，初步推測這與 2017 年開始的中美貿易戰緊張局勢加劇有關。
	這也罕見地擾亂了中國的經濟和貿易市場。 2019年，中國國家主席也呼籲中國自立。
	根據統計，2019年上半年，中國高科技製造業對全國工業成長的貢獻率進一步提升，擺脫了對外國技術和其他產品的依賴。
	因此，中國也在人工智慧和積體電路等產業投入了大量資金，以實現自力更生的目標。
	因此，在國家宣布這項政策並轉變方向後，中國經濟驅動的成長可能導致這幾個產業在 2019 年至 2020 年實現正成長。
	最後，我將以我們的結論和一些可以應用於我們論文的未來工作來結束。
	因此，儘管層次聚類和動態時間規整都產生了非常相似的聚類結果，但動態時間規整還是有其優點的
	演算法能夠更準確地對ETF進行聚類。此外，ETF的月回報率與時間序列相關，因此動態時間規則演算法能夠產生更好的聚類結果。
	我們也觀察到集群的月度回報率與中國經濟目標之間的相關性，這當然導致了各行業的月度回報率更高。
	因此，未來可以做的工作是探索其他產業與國家宏觀經濟因素的相關性，以得出不同的見解。
	此外，我們可以將動態時間扭曲應用於不同的金融工具，例如停止上漲商品價格...商品價格，
	貨幣，甚至是衍生性商品。最後，分析可以在不同的時間段進行，例如新冠疫情之前和疫情之後，當然，我們還沒有達到這個階段。
	即使是不同的時間間隔。目前我們使用的是月度數據，你也可以查看周度、季度或年度……月度……年度。
	返回。
	因此，我感謝 JMP Pro 給我機會透過這個平台展示我的工作。
	我還要感謝我的合著者和導師在整個旅程中給予我的支持。最後，我將總結我作為 JMP Pro 用戶的個人使用體驗。
	JMP Pro 為我們用戶提供了極佳的用戶體驗，它是一款非常具有互動性和動態性的數據分析軟體。
	它讓我們用戶能夠更快地準備數據，並獲得更準確的結果。因此，Graph Builder 功能對於結果分析也非常方便實用。
	我們可以從這個圖形生成器中獲得美妙的見解和有趣的信息，最後，當我們使用 JMP Pro 進行統計分析時，例如假設檢驗，甚至其他建模技術（例如聚類或 PCA）也非常用戶友好。
	感謝您抽出時間。我的論文到此結束。

進階統計建模基本資料分析與建模消費者與市場研究內容組織預測模型和機器學習品質與工藝工程可靠度分析分享和交流成果