[論文レビュー] Know Your Clients’ Behaviours: A Cluster Analysis of Financial Transactions

John R. J. Thompson|arXiv (Cornell University)|Jan 25, 2021

Financial Markets and Investment Strategies参考文献 68被引用数 19

ひとこと要約

本研究では、50,000件以上のクライント金融取引記録に対して、修正されたRFM（Recency, Frequency, Monetary）モデルとk-プロトタイプクラスタリングを適用し、Know Your Client（KYC）データが投資家の取引行動をほとんど説明できないことが判明した。代わりに、取引頻度と取引高が投資家行動クラスタの最も強い予測要因である。研究結果は、KYCデータが適合性を的確に示すものであるという仮定に疑問を呈し、規制当局やアドバイザーがより動的で行動ベースの指標を採用すべきであることを示唆している。

ABSTRACT

In Canada, financial advisors and dealers are required by provincial securities commissions and self-regulatory organizations—charged with direct regulation over investment dealers and mutual fund dealers—to respectively collect and maintain know your client (KYC) information, such as their age or risk tolerance, for investor accounts. With this information, investors, under their advisor’s guidance, make decisions on their investments that are presumed to be beneficial to their investment goals. Our unique dataset is provided by a financial investment dealer with over 50,000 accounts for over 23,000 clients covering the period from January 1st to August 12th 2019. We use a modified behavioral finance recency, frequency, monetary model for engineering features that quantify investor behaviours, and unsupervised machine learning clustering algorithms to find groups of investors that behave similarly. We show that the KYC information—such as gender, residence region, and marital status—does not explain client behaviours, whereas eight variables for trade and transaction frequency and volume are most informative. Hence, our results should encourage financial regulators and advisors to use more advanced metrics to better understand and predict investor behaviours.

研究の動機と目的

• KYCデータ（年齢、リスク許容度など）が、実際の投資家取引行動を信頼性を持って予測できるかどうかを調査すること。
• 行動ファイナンスの観点から、修正されたRFMモデルを用いて行動に基づいた金融特徴量を構築すること。
• 機械学習を用いて投資家行動の明確なクラスタを特定し、KYCプロファイルとの整合性を検証すること。
• KYCで算出されたリスク許容度と規制上の期待に照らして、投資家の行動の適合性を評価すること。
• KYCの仮定と実際の投資家行動とのギャップを特定することで、規制およびアドバイスの実務に貢献すること。

提案手法

• 取引のリセントネス、頻度、金額を組み込んだ修正RFMモデルを用いて行動特徴量を設計した。
• 数値的およびカテゴリカルな特徴量を併用して投資家をグループ化するため、k-プロトタイプクラスタリングを適用し、類似度コスト関数を最小化した。
• クラスタリングの品質を評価するためにシルエット係数とDavies-Bouldin（DB）スコアを用いた。
• 解釈可能性を高めるために、t分布を用いた確率的近傍埋め込み（t-SNE）を用いてクラスタを可視化した。
• 各クラスタにおいて、取引行動から導かれた実際のリスク許容度と、KYCから予測されたリスク許容度を比較した。
• 今後の分析として、資産配分、証券リスク評価（SRR）、ポートフォリオリターンの分析を計画しており、適合性と投資成果の評価を目的としている。

実験結果

リサーチクエスチョン

• RQ1 実際の金融アドバイスの現場において、KYCデータが投資家の実際の取引行動をどの程度正確に予測できるか。
• RQ2 類似したKYCプロファイルを持つ投資家クラスタが、一貫性があり予測可能な取引行動を示すか。
• RQ3 取引行動から導かれた実際のリスク許容度と、KYCデータから推定されたリスク許容度の違いは何か。
• RQ4 極端なリスク許容度（高リスクまたは低リスク）の投資家は、現在のKYCフレームワークで適切に捉えられているか。
• RQ5 機械学習に基づく行動クラスタリングは、適合性の評価と投資成果の向上に寄与できるか。

主な発見

• 年齢、収入、自己評価リスク許容度を含むKYCデータは、投資家クラスタ全体で実際の取引行動とほとんど相関がなかった。
• 全クラスタの平均実際リスク許容度は5段階中3.12であり、標準偏差は0.73であった。これは、KYCプロファイルに関係なく、中程度のリスク行動が一貫していることを示している。
• クラスタ1（アクティブトレーダー）はリスク許容度3.19/5を示したが、KYCでは5/5と予測されており、KYCの期待と実際の行動の間に顕著な不一致が生じている。
• クラスタ4（高齢投資家）は最低の実際リスク許容度2.95/5であったが、KYCでは1/5と予測されており、高齢投資家のリスク回避傾向がKYCで低く評価されていることが示された。
• クラスタ間でのリスク許容度の分布は顕著に類似しており、KYCに基づくリスクスコアが実際の取引行動を信頼性を持って予測または反映していないことが明らかになった。
• 本研究は、KYC基準が極端なリスク志向（特に非常にリスク回避的または積極的な投資家）を十分に反映できない、硬直的で狭い分類を生み出している可能性があると結論づけた。