Кластерный анализ в портфельном инвестировании — страница 10

  • Просмотров 2974
  • Скачиваний 246
  • Размер файла 57
    Кб

используемых вычислительных методов, так и большинством математических и экономических программных пакетов (MathCAD, SAS, Solver for MS Excel и т.д.). 4. Кластеризация «голубых фишек» российского фондового рынка В данном разделе проведен анализ наличия кластеров наиболее ликвидных акций российского рынка. Результаты кластеризации отражены на рис. 2. Т.к. данный анализ построен на корреляции переменных, то мы видим, что наиболее близкие друг

другу переменные это РАО ЕЭС (EESR), Мосэнерго (MSNG), Сургутнефтегаз (SNGS), Газпром (GSPBEX) и Татнефть (TATN). То есть на протяжении больше чем одного года, котировки данных акций кореллировали друг с другом, причем очень сильно. Учитывая, что это происходило в прошлом, скорее всего так будет и в будущем. Следующий кластер - Сибнефть (SIBN) и Ростелеком (RTKM).Также очень зависимы друг от друга. Рис. 2 «Результаты кластеризации». Остальные два

кластера имеют большое расстояние в Евклидовом пространстве, т.е. котировки этих акций не кореллируют между собой. Для оценки надежности данных высказываний используем метод корелляции Спирмена непараметрической статистики. Таблица 2 – Насколько надежен первый кластер. Сравниваемые эмитенты Коэффициент корреляции Спирмена R Уровень значимости p-level EESR & GSPBEX 0,806077 0,000000 EESR & TATN 0,785205 0,000000 EESR & MSNG 0,943979 0,000000 EESR & SNGS 0,903574 0,000000

SNGS & EESR 0,903574 0,000000 SNGS & MSNG 0,863814 0,000000 TATN & GSPBEX 0,779617 0,000000 TATN & MSNG 0,753098 0,000000 TATN & SNGS 0,874308 0,000000 Корелляция достаточно сильная, с уровнем значимости менее 0.05. Вывод : Кластер надежен Таблица 2 – Насколько надежен второй кластер (Сибнефть и Ростелеком) Сравниваемые эмитенты Коэффициент корелляции Спирмена R Уровень значимости p-level RTKM & SIBN 0,946897 0,00 Вывод : Кластер надежен, корелляция достаточно высокая, с уровнем значимости менее 0.05

Таким образом, при оптимизации структуры портфеля, можно объединить некоторые акции в отдельные кластеры, что при большом количестве активов существенно упрощает расчеты. ЗАКЛЮЧЕНИЕ Кластерный анализ включает в себя набор различных алгоритмов классификации. Общий вопрос, задаваемый исследователями во многих областях, состоит в том, как организовать наблюдаемые данные в наглядные структуры. В общем, всякий раз, когда

необходимо классифицировать "горы" информации к пригодным для дальнейшей обработки группам, кластерный анализ оказывается весьма полезным и эффективным. Кластерный анализ необходим для классификации информации, с его помощью можно определенным образом структурировать переменные и узнать, какие переменные объединяются в первую очередь, а какие следует рассматривать отдельно. Большое достоинство кластерного анализа в