تدوین دندروگرام‌های سبد سهام بر اساس معیار فاصله اقلیدسی (مقایسه‌ای بین روش‌های گوناگون خوشه‌بندی سلسله مراتبی)
محورهای موضوعی : دانش مالی تحلیل اوراق بهادارحجت اله صادقی 1 , شریفه فروغی دهنوی 2
1 - استادیار دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران
2 - کارشناس ارشد مدیریت بازرگانی (مالی)، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران
کلید واژه: تجزیه و تحلیل خوشه‌بندی سلسله, دندروگرام, سبد سهام, معیار فاصله اقلیدسی,
چکیده مقاله :
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.
Today analysis of financial markets as a part of the capital market and its impact on development and portfolio design and investment strategy of each country has become an important and most critical issue. The aim of this study was to investigate how the connection and distribution of stocks related to 30 large companies index of Tehran Stock Exchange and the effects of relationship between clusters of related stocks to every industry. In this study, using a variety of methods of hierarchical clustering, structure, classification and hierarchy of the stocks in the year 1393 reviewed. The results showed that With a focus on each of the hierarchical clustering methods and their implementation on the target stocks, were identified different clusters of stocks due to the similarity and economic relationships and also the key clusters and the vital stocks in the desired set were obtained. The results indicate that the choice best hierarchical clustering algorithm for clustering stocks depends on the desired purpose of cluster analysis and consideration of the advantages and disadvantages of each method.
* 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