[논문 리뷰] Clustering Financial Time Series: How Long is Enough?

Gautier Marti, Sébastien Andler외 2명|arXiv (Cornell University)|2016. 03. 13.

Complex Systems and Time Series Analysis참고 문헌 29인용 수 15

한 줄 요약

이 논문은 관련 기반 금융 자산의 신뢰할 수 있는 군집화를 위해 필요한 최소 시계열 길이를 조사하며, 통계적 일致성과 함께 실제로 250일(약 1년)의 일일 수익률로도 Ward 연결법과 스피어만의 순위 상관계수를 사용할 경우 안정적이고 정확한 군집화가 가능하다고 밝히며, 다른 방법들보다 수렴 속도가 빠르고 첨예한 분포에 대한 내성도 뛰어나다.

ABSTRACT

Researchers have used from 30 days to several years of daily returns as source data for clustering financial time series based on their correlations. This paper sets up a statistical framework to study the validity of such practices. We first show that clustering correlated random variables from their observed values is statistically consistent. Then, we also give a first empirical answer to the much debated question: How long should the time series be? If too short, the clusters found can be spurious; if too long, dynamics can be smoothed out.

연구 동기 및 목표

• 관측된 상관계수 기반 금융 시계열 군집화의 이론적 일致성을 시료 크기 T가 증가함에 따라 확립하는 것.
• 거짓된 군집화나 동적 민감도 손실을 방지하기 위해 시계열이 얼마나 길어야 하는지 실용적인 질문을 다루는 것.
• 다양한 수익률 분포 하에서 다양한 군집화 알고리즘과 상관계수의 수렴 속도를 경험적으로 평가하는 것.
• 실무자들이 금융 자산 군집화를 위한 최적의 창 길이와 방법론을 선택하는 데 실용적인 지침을 제공하는 것.

제안 방법

• 블록 기반 의존성을 가진 현실적인 금융 상관계수 구조를 시뮬레이션하기 위해 계층적 상관계수 블록 모델(HCBM)을 제안한다.
• Gaussian 및 t-분포 모델에서 유도된 시뮬레이션 시계열을 사용하여 T와 N의 다양한 조합에서 군집화 성능을 테스트한다.
• 세 가지 계층적 군집화 알고리즘인 단일 연결법, 평균 연결법, Ward 연결법을 각각 피어슨 및 스피어만 상관계수와 조합하여 사용한다.
• 군집화 정확도를 알고리즘이 참값 군집 구조를 회복한 시도 비율로 측정한다.
• HCBM 하에서 더 긴 T가 군집화 정확도 향상에 기여함을 이론적으로 정당화하기 위해 통계적 일치 이론을 적용한다.
• 정확도가 T와 상관계수 강도 ρ에 따라 어떻게 변하는지 시각화하기 위해 히트맵과 경험적 수렴 곡선을 사용한다.

실험 결과

연구 질문

• RQ1 금융 자산 군집화에 있어 통계적 일치 결과를 얻기 위해 필요한 최소 시계열 길이 T는 얼마인가?
• RQ2 비정규 수익률 분포 하에서 서로 다른 상관계수(피어슨 대비 스피어만)가 군집화 정확도에 어떤 영향을 미치는가?
• RQ3 유한한 T에 대해 어떤 군집화 알고리즘(Single Linkage, Average Linkage, Ward)이 참값 군집 구조로 가장 빨리 수렴하는가?
• RQ4 기본 상관계수 구조(예: 블록 기반, ρ 수준)가 신뢰할 수 있는 군집화를 위해 요구되는 T에 어떤 영향을 미치는가?
• RQ5 다양한 자산 유니버스에서 높은 군집화 정확도를 보장하는 임계 창 길이 T를 특정할 수 있는가?

주요 결과

• Ward 연결법과 스피어만의 순위 상관계수 조합은 약 250일의 일일 수익률이면 안정적이고 정확한 군집화를 달성하며, 다른 방법들보다 수렴 속도가 빠르다.
• 단일 연결법과 평균 연결법은 500일(약 2년)이 지나도 정확한 군집화로 수렴하지 못하며, 이는 수렴 속도가 느리다는 것을 시사한다.
• 피어슨 상관계수는 정규 분포 수익률 하에서는 가장 잘 작동하지만, 첨예한 분포 하에서는 스피어만의 ρ가 훨씬 더 내성적임을 보여준다.
• 수렴 속도는 기본 상관계수 구조와 군집 간 분리 정도에 크게 의존하며, ρ ≤ 0.08일 경우 임계 T 값이 급격히 증가한다.
• 경험적 결과는 (T, ρ) 평면 상에서 군집화 정확도의 명확한 등치선을 보이며, 다양한 파rameter 조합에서 정확도가 예측 가능하다는 것을 시사한다.
• 이 연구는 실무자들에게 Ward + 스피어만 조합이 최적의 조합임을 밝혀내며, 최소 창 길이로 신뢰할 수 있는 군집화를 제공한다.