[논문 리뷰] Application of Self-Organizing Maps for clustering DJIA and NASDAQ100 portfolios

Alexey Zherebtsov, Yu. A. Kuperin|arXiv (Cornell University)|2003. 05. 14.

Complex Systems and Time Series Analysis참고 문헌 14인용 수 4

한 줄 요약

이 논문은 DJIA 및 NASDAQ100 지수의 주식을 군집화하기 위해 자기조직화 지도(SOM)를 적용하여, SOM이 크고 비정형적인 금융 데이터셋에서 비선형 상관관계를 효과적으로 포착할 수 있음을 보여준다. 저자들은 이러한 군집화 작업에서 SOM이 초음향 거리 공간보다 뛰어나며, 특히 금융 시계열 데이터의 고차원적이고 비선형적인 관계를 다룰 수 있는 능력 덕분이다.

ABSTRACT

In this paper we apply the Self-Organized Map (SOM) method for clustering the DJIA and NASDAQ100 portfolios for determination of non-linear correlations between stocks. We represent the application of this method as alternative to ultrametric spaces method. We have found, that SOM method is more relevant and perspective for clustering ill-structured large databases and, in particular, NASDAQ100, where nonlinear processing of the large data samples is required.

연구 동기 및 목표

• 자기조직화 지도(SOM)를 사용하여 DJIA 및 NASDAQ100과 같은 크고 복잡한 금융 포트폴리오의 군집화 가능성을 탐색한다.
• 이전에 금융 데이터 정리에 사용된 초음향 거리 공간 방법과의 비교를 통해 SOM 기반 군집화를 수행한다.
• SOM이 비정형적인 금융 데이터베이스에서 비선형 종속성과 구조적 패턴을 더 잘 포착할 수 있는지 평가한다.
• 고차원적 실세계 주식 수익률 데이터에 적용했을 때 SOM의 확장성과 내성적 안정성(로버스트니)을 평가한다.
• 특히 비선형 시장 조건 하에서 전통적인 계층적 군집화에 대한 데이터 기반 대안을 제공한다.

제안 방법

• 저자들은 자기조직화 지도(SOM)를 적용하여 고차원 주식 수익률 벡터를 일반적으로 2차원인 낮은 차원의 격자에 매핑한다.
• 주식은 이전 수익률 시간열로 표현되며, 사전 처리된 후 SOM 학습 과정의 입력 벡터로 사용된다.
• SOM 알고리즘은 경쟁적 학습과 이웃 함수 갱신을 사용하여 유사한 주식을 지도의 인접 영역에 정렬한다.
• 유사한 주식이 같은 또는 인접한 노드에 매핑된 주식을 군집화함으로써 상관관계 구조를 반영한다.
• 이 방법은 거리 행렬에서 유도된 계층적 트리 구조에 기반한 초음향 거리 공간 방법과 비교된다.
• SOM 기반 군집의 성능 및 해석 가능성은 지도의 시각적 점검과 부문 또는 상관관계에 따른 그룹화의 일관성에 기반해 평가된다.

실험 결과

연구 질문

• RQ1 자기조직화 지도(SOM)는 DJIA 및 NASDAQ100 지수 내에서 유사한 수익 패턴을 보이는 주식을 효과적으로 식별하고 군집화할 수 있는가?
• RQ2 SOM 기반 군집화 접근법은 초음향 거리 공간 방법과 비교해 금융 데이터의 비선형 상관관계를 얼마나 잘 포착하는가?
• RQ3 SOM은 NASDAQ100과 같은 대규모 금융 데이터베이스에서 내재된 고차원성과 비선형성에 얼마나 잘 대응할 수 있는가?
• RQ4 SOM이 생성한 군집은 금융 부문이나 시장 행동 측면에서 해석 가능한가?
• RQ5 SOM 방법은 기존의 계층적 또는 거리 기반 방법보다 포트폴리오 군집화에 더 강력하고 확장 가능한 대안을 제공하는가?

주요 결과

• SOM 방법은 수익 상관관계에 기반해 DJIA 및 NASDAQ100 포트폴리오 내에서 일관된 군집을 성공적으로 식별했다.
• 특히 복잡하고 고차원적인 데이터에서, SOM은 초음향 거리 공간 방법보다 비선형 관계를 더 잘 포착하는 데 뛰어난 성능을 보였다.
• 저자들은 SOM이 NASDAQ100과 같은 대규모 비정형 금융 데이터베이스 군집화에 더 관련성 있고 유망한 방법이라고 결론 내렸다.
• SOM 지도의 시각적 점검을 통해 부문 및 상관관계 패턴에 따라 의미 있는 주식 군집화가 이루어졌으며, 이는 해석 가능성 향상에 기여했다.
• 이 방법은 비선형적 구조를 가진 대규모 데이터 샘플을 효과적으로 처리할 수 있었으며, 실시간 또는 동적 포트폴리오 분석에 적합함을 시사했다.
• 이 연구는 비선형 종속성이 핵심적인 경우, SOM이 전통적인 군집화 기법에 비해 강력한 대안이 될 수 있음을 확인했다.