[論文レビュー] Clustering and hierarchy of financial markets data: advantages of the DBHT

Nicoló Musmeci, Tomaso Aste+1 more|arXiv (Cornell University)|Jan 1, 2014

Complex Systems and Time Series Analysis被引用数 3

ひとこと要約

本稿では、金融市場データ向けの新しい階層的クラスタリング手法として、指向型バブル階層木（DBHT）を導入し、株式リターン相関からの産業セクター分類の回復において、リンク法やkメディオイド法といった従来手法を上回ることを示している。DBHTは、より少ないクラスタでより多くの経済的情報を抽出することで優れた性能を発揮し、異なる手法が金融危機に対して示す感受性の違いも明らかにしている。

ABSTRACT

We present a set of analyses aiming at quantifying the amount of information filtered by di↵erent hierarchical
 clustering methods on correlations between stock returns. In particular we apply, for the first
 time to financial data, a novel hierarchical clustering approach, the Directed Bubble Hierarchical Tree
 (DBHT), and we compare it with other methods including the Linkage and k-medoids. In particular by
 taking the industrial sector classification of stocks as a benchmark partition we evaluate how the di↵erent
 methods retrieve this classification.
 The results show that the Directed Bubble Hierarchical Tree outperforms the other methods, being
 able to retrieve more information with fewer clusters. Moreover, we show that the economic information
 is hidden at di↵erent levels of the hierarchical structures depending on the clustering method. The
 dynamical analysis also reveals that the di↵erent methods show di↵erent degrees of sensitivity to financial
 events, like crises. These results can be of interest for all the applications of clustering methods to portfolio
 optimization and risk hedging.

研究の動機と目的

• 株式リターン相関から経済的情報を抽出するための階層的クラスタリング手法の評価と比較を行う。
• 株式の既知の産業セクター分類をベンチマークとして、異なるクラスタリング手法の分類精度を評価する。
• クラスタリング手法が金融市場イベント（例：危機）にどのように反応するかを調査する。
• 経済的情報が最も顕著に符号化されている階層的構造のレベルを特定する。

提案手法

• 本稿では、金融データにおいて初めて、指向型バブル階層木（DBHT）を株式リターン相関行列に適用している。
• DBHTは、構造的整合性を重視する指向的でバブルに似たマージ戦略に従い、反復的にクラスタを統合することで階層的ツリーを構築する。
• 同じ相関データを用いて、DBHTの性能を標準的なリンク法およびkメディオイド法と比較している。
• クラスタリング精度の評価に、株式の産業セクター分類を基準として用いている。
• 各手法が生成する階層的構造を分析し、経済的情報がどのレベルで最も回収可能であるかを特定している。
• クラスタリングの進化過程を動的解析することで、金融危機や市場の変動に対する感受性を評価している。

実験結果

リサーチクエスチョン

• RQ1 DBHT手法は、リンク法やkメディオイド法と比較して、既知の株式産業セクター分類をどの程度効果的に回復できるか？
• RQ2 異なるクラスタリング手法において、経済的信号が階層的ツリーのどのレベルに最も顕著に現れるか？
• RQ3 クラスタリング手法は、金融市場危機に対してどのように感受性を示すか？
• RQ4 各手法において、クラスタ数と回収可能な情報量のトレードオフはどのように変化するか？

主な発見

• DBHTは、リンク法やkメディオイド法よりも少ないクラスタでより多くの経済的情報を抽出でき、クラスタリングの効率性が優れていることを示している。
• 経済的情報は、使用するクラスタリング手法によって異なる階層的レベルに符号化されており、情報の局所化が手法依存であることが示された。
• DBHTは他の手法と比較して、金融危機に対してより高い感受性を示しており、動的な市場シフトを捉える能力が優れている。
• 動的解析により、クラスタリング手法がシステミックな市場イベントに対して顕著に異なる反応を示すことが確認された。