تدوین دندروگرام‌های سبد سهام بر اساس معیار فاصله اقلیدسی (مقایسه‌ای بین روش‌های گوناگون خوشه‌بندی سلسله مراتبی)
الموضوعات : دانش مالی تحلیل اوراق بهادار
حجت اله صادقی
1
(استادیار دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران)
شریفه فروغی دهنوی
2
(کارشناس ارشد مدیریت بازرگانی (مالی)، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران)
الکلمات المفتاحية: تجزیه و تحلیل خوشه‌بندی سلسله, دندروگرام, سبد سهام, معیار فاصله اقلیدسی,
ملخص المقالة :
امروزه تجزیه‌وتحلیل بازارهای مالی به‌عنوان بخشی از بازار سرمایه و تأثیر آن در توسعه و طراحی پرتفوی و استراتژی سرمایه‌گذاری هر کشور، به موضوعی مهم و بسیار حیاتی تبدیل گشته است. هدف از این پژوهش، بررسی چگونگی ارتباط و توزیع سهم‌های مربوط به شاخص 30 شرکت بزرگ بورس اوراق بهادار تهران و اثرات ارتباطی بین خوشه‌های حاصل از سهم‌های مرتبط با هر صنعت است. در این پژوهش با استفاده از انواع روش‌های خوشه‌بندی سلسله مراتبی، ساختار، طبقه‌بندی و سلسله‌مراتب این سهم‌ها در سال 1393 موردبررسی قرارگرفته است. نتایج نشان داد که با تمرکز بر هر یک از روش‌های خوشه‌بندی سلسله مراتبی و پیاده‌سازی آن‌ها بر روی سهم‌های موردنظر، خوشه‌های مختلفی از سهام با توجه به شباهت و روابط اقتصادی و حوزه صنعت مربوط به هر سهم شناسایی گردید و همچنین خوشه‌های کلیدی و سهم‌های حیاتی در مجموعه موردنظر به دست آمد. درمجموع نتایج حاکی از آن است که انتخاب بهترین روش خوشه‌بندی سلسله مراتبی برای خوشه‌بندی سهم‌ها، به هدف موردنظر از تجزیه‌وتحلیل خوشه‌ای و در نظر گرفتن مزایا و معایب هر روش بستگی دارد.
* Anderberg, M. R. (1973). Cluster analysis for applications. Monographs and textbooks on probability and mathematical statistics: Academic Press, Inc., New York.
* Arabie, P., Baier, N. D., Critchley, C. F., & Keynes, M. (2006). Studies in Classification, Data Analysis, and Knowledge Organization: springer.
* Bonanno, G., Lillo, F., & Mantegna, R. N. (2001). High-frequency cross-correlation in a set of stocks,Quantitative Finance, 1(1), 96-104.
* Bouguettaya, A., Yu, Q., Liu, X., Zhou, X., & Song, A. (2015).Efficient agglomerative hierarchical clustering. Expert Systems with Applications, 42(5), 2785-2797.
* Brida, J. G., Gómez, D. M., & Risso, W. A. (2009). Symbolic hierarchical analysis in currency markets: An application to contagion in currency crises. Expert Systems with Applications, 36(4), 7721-7728.
* Brida, J. G., & Risso, W. A. (2010). Dynamics and structure of the 30 largest North American companies. Computational Economics, 35(1), 85-99.
* Brida, J. G., & Risso, W. A. (2007). Dynamics and structure of the main Italian companies. International Journal of Modern Physics C, 18(11), 1783-1793.
* Cha, S.-H. (2008). Taxonomy of nominal type histogram distance measures. City, 1(2), 1.
* Gan, G., Ma, C., & Wu, J. (2007). Data clustering: theory, algorithms, and applications (Vol. 20): Siam.
* Garas, A., & Argyrakis, P. (2007). Correlation study of the Athens stock exchange. Physica A: Statistical Mechanics and its Applications, 380, 399-410.
* Han, J., & Kamber, M. (2001). Data mining: concepts and techniques: Morgan Kaufmann San Francisco, Calif, USA.
* Hastie, T. J., Tibshirani, R. J., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction: Springer.
* Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: a review.ACM computing surveys (CSUR), 31(3), 264-323.
* Kocakaplan, Y., Deviren, B., & Keskin, M. (2012). Hierarchical structures of correlations networks among Turkey’s exports and imports by currencies. Physica A: Statistical Mechanics and its Applications, 391(24), 6509-6518.
* Kocakaplan, Y., Doğan, Ş., Deviren, B., & Keskin, M. (2013). Correlations, hierarchies and networks of the world’s automotive companies. Physica A: Statistical Mechanics and its Applications, 392(12), 2736-2774.
* Kogan, J., Nicholas, C., & Teboulle, M. (2006). Grouping multidimensional data: Springer.
* Lai, K. K., Yu, L., Wang, S., & Zhou, C. (2006). A double-stage genetic optimization algorithm for portfolio selection. Paper presented at the Neural Information Processing.
* Mantegna, R. N. (1999). Hierarchical structure in financial markets. The European Physical Journal B-Condensed Matter and Complex Systems, 11(1), 193-197.
* Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
* Mizuno, T., Takayasu, H., & Takayasu, M. (2006). Correlation networks among currencies. Physica A: Statistical Mechanics and its Applications, 364, 336-342.
* Paulus, M., & Kristoufek, L. (2015). Worldwide clustering of the corruption perception. Physica A: Statistical Mechanics and its Applications, 428, 351-358.
* Rea, A., & Rea, W. (2014). Visualization of a stock market correlation matrix. Physica A: Statistical Mechanics and its Applications, 400, 109-123.
* Simon, H. A. (1991). The architecture of complexity: Springer.
* Tabak, B. M., Serra, T. R., & Cajueiro, D. O. (2010). Topological properties of stock market networks: The case of Brazil. Physica A: Statistical Mechanics and its Applications, 389(16), 3240-3249.
* Teh, B. K., Goo, Y. W., Lian, T. W., Ong, W. G., Choi, W. T., Damodaran, M., & Cheong, S. A. (2015). The Chinese Correction of February 2007: How financial hierarchies change in a market crash. Physica A: Statistical Mechanics and its Applications, 424, 225-241.
* Ulusoy, T., Keskin, M., Shirvani, A., Deviren, B., Kantar, E., & Dönmez, C. Ç. (2012). Complexity of major UK companies between 2006 and 2010: Hierarchical structure method approach. Physica A: Statistical Mechanics and its Applications, 391(21), 5121-5131.
* Wang, G.-J., & Xie, C. (2015). Correlation structure and dynamics of international real estate securities markets: A network perspective. Physica A: Statistical Mechanics and its Applications, 424, 176-193.
* Yang, R., Li, X., & Zhang, T. (2014). Analysis of linkage effects among industry sectors in China’s stock market before and after the financial crisis. Physica A: Statistical Mechanics and its Applications, 411, 12-20.
* Zhang, D., & Zhou, L. (2004). Discovering golden nuggets: data mining in financial application. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 34(4), 513-522
