 |
Понятие кластерного анализа
|
|
|
|
И ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ………………………………………………………………………..3
1. Понятие кластерного анализа………………………………………………….5
2. Кластерный анализ в портфельном инвестировании………………………...8
3. Алгоритм оптимизации портфеля с применением кластерного анализа….15
4. Кластеризация «голубых фишек» российского фондового рынка………...22
ЗАКЛЮЧЕНИЕ………………………………………………………………….25
СПИСОК ЛИТЕРАТУРЫ……………………………………………………….27
ВВЕДЕНИЕ
Огромное множество инвестиционных инструментов, предоставляемых современным финансовым рынком, заставляет корпоративных инвесторов с каждым днем анализировать все большее количество финансовой информации. Подчас успех инвестирования зависит от объема анализируемых финансовых данных, времени, затраченного на анализ, и вида, в котором представлены результаты. Больше, быстрее, удобнее - вот основные требования, предъявляемые постоянно меняющимся финансовым рынком к методам анализа финансовых данных.
При составлении больших диверсифицированных портфелей необходимо анализировать сотни финансовых инструментов по десяткам показателей за несколько прошлых лет. Это миллионы чисел, между которыми нужно выявить взаимосвязь и которые надо расположить в определенном порядке.
Ситуация на финансовом рынке меняется настолько быстро, что для поддержания оптимального соотношения доходность-риск анализ финансовых активов приходится проводить по несколько раз в день. При этом счет может идти если не на секунды, то на минуты.
Результаты финансового анализа, представленные в виде больших массивов чисел, не сильно упрощают процесс принятия решений. Можно сгруппировать результаты в таком виде, чтобы процесс принятия решений стал более эффективным. Можно визуализировать данные и результаты анализа так, чтобы аналитик разом мог охватить их взглядом.
|
|
|
Процедура кластеризации решает вопрос о сходстве финансовых активов, характеризуемых значениями многих параметров, на основе формальных математических критериев. Это позволяет заменить длительный и трудоемкий процесс изучения и сравнения активов более быстрым вычислительным алгоритмом. Кроме того, будучи средством анализа многомерных данных, кластеризация позволяет выделить активы с близкими значениями всех параметров.
Объектом исследования данной курсовой работы являются РАО ЕЭС (EESR), Мосэнерго (MSNG), Сургутнефтегаз (SNGS), Газпром (GSPBEX) и Татнефть (TATN), Сибнефть (SIBN) и Ростелеком (RTKM), а предметом исследования определение наиболее ликвидных акций российского рынка.
Целью данной курсовой является исследование акций российского рынка.
Для достижения цели в работе решаются следующие задачи: анализ акций и выбор наиболее надёжного кластера.
Для решения поставленных задач в работе используются следующие методы: аналитические, графические, сравнительные.
Понятие кластерного анализа
При анализе и прогнозировании социально-экономических явлений исследователь довольно часто сталкивается с многомерностью их описания. Это происходит при решении задачи сегментирования рынка, построении типологии стран по достаточно большому числу показателей, прогнозирования конъюнктуры рынка отдельных товаров, изучении и прогнозировании экономической депрессии и многих других проблем.
Первое применение кластерный анализ нашел в социологии. Название кластерный анализ происходит от английского слова cluster – гроздь, скопление. Впервые в 1939 был определен предмет кластерного анализа и сделано его описание исследователем Трионом. Главное назначение кластерного анализа – разбиение множества исследуемых объектов и признаков на однородные в соответствующем понимании группы или кластеры. Это означает, что решается задача классификации данных и выявления соответствующей структуры в ней. Методы кластерного анализа можно применять в самых различных случаях, даже в тех случаях, когда речь идет о простой группировке, в которой все сводится к образованию групп по количественному сходству.
|
|
|
Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков. Кроме того, кластерный анализ в отличие от большинства математико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов, и позволяет рассматривать множество исходных данных практически произвольной природы. Это имеет большое значение, например, для прогнозирования конъюнктуры, когда показатели имеют разнообразный вид, затрудняющий применение традиционных эконометрических подходов.
Кластерный анализ позволяет рассматривать достаточно большой объем информации и резко сокращать, сжимать большие массивы социально-экономической информации, делать их компактными и наглядными.
Важное значение кластерный анализ имеет применительно к совокупностям временных рядов, характеризующих экономическое развитие (например, общехозяйственной и товарной конъюнктуры). Здесь можно выделять периоды, когда значения соответствующих показателей были достаточно близкими, а также определять группы временных рядов, динамика которых наиболее схожа.
Кластерный анализ можно использовать циклически. В этом случае исследование производится до тех пор, пока не будут достигнуты необходимые результаты. При этом каждый цикл здесь может давать информацию, которая способна сильно изменить направленность и подходы дальнейшего применения кластерного анализа. Этот процесс можно представить системой с обратной связью.
В задачах социально-экономического прогнозирования весьма перспективно сочетание кластерного анализа с другими количественными методами (например, с регрессионным анализом).
|
|
|
Вывод: как и любой другой метод, кластерный анализ имеет определенные недостатки и ограничения: В частности, состав и количество кластеров зависит от выбираемых критериев разбиения. При сведении исходного массива данных к более компактному виду могут возникать определенные искажения, а также могут теряться индивидуальные черты отдельных объектов за счет замены их характеристиками обобщенных значений параметров кластера. При проведении классификации объектов игнорируется очень часто возможность отсутствия в рассматриваемой совокупности каких-либо значений кластеров.
В кластерном анализе считается, что:
а) выбранные характеристики допускают в принципе желательное разбиение на кластеры;
б) единицы измерения (масштаб) выбраны правильно.
Выбор масштаба играет большую роль. Как правило, данные нормализуют вычитанием среднего и делением на стандартное отклонение, так что дисперсия оказывается равной единице.
|
|
|
