Klasterovanje finansijske aktive

[DusanStevic]

• Članovi tima:

  • Dušan Stević SW-10/2016, grupa 3

• Asistent:

  • Dragan Vidaković

• Problem koji se rešava:

  • Klasterovanje finansijske aktive (akcije, obveznice, menice, kripto valute, itd.) upotrebom različitih algoritama za klasterovanje.
  • Podaci o istorijskom kretanju cena finansijske aktive se prikupljaju sa različitih berzi i formira se pool finansijskih sredstava.
  • Formirani portfolio sadrži različite tipove finansijske aktive (akcije, obveznice, kripto valute) koje potiču sa različitih tržišta (NYSE, Börse Frankfurt, London Stock Exchange) i iz različitih privrednih grana (IT industrija, petrohemija, prehrambena industrija, telekomunikacije, autoindustrija, itd.).
  • Finansijski podaci sa berzi organizovani su u formi berzanskih izveštaja. Svaki berzanski izveštaj sadrži 6 standardnih kolona (open, close, high, low, volume, market capitalization). Ove kolone berzanskih izveštaja će se koristiti kao dimenzije po kojima će se vršiti klasterovanje.
  • Pre sprovođenja klasterovanja neophodno je prikupljene podatke pretprocesirati. Pretprocesiranje obuhvata:
    • Filtriranje podataka (odstranjivanje outlier-a).
    • Normalizaciju podataka (dimenzije volume i market capitalization se mere u milionima, dok se open, close, high, low dimenzije najčešće mere u stotinama i hiljadama).
  • Određivanje optimalnog K.
  • Klasterovanje pretprocesiranih podataka različitim algoritmima za klasterovanje.
  • Vizuelizacija dobijenih klastera.
  • Komparativna analiza dobijenih rezultata primenom različitih algoritama za klasterovanje.
  • Tumačenje dobijenih klastera kako bi se donela ispravna investiciona odluka. U fokusu je racionalni donosioca odluka koji treba da strukturira investicioni portfolio u skladu sa sopstvenim averzijama prema riziku.
  • Na osnovu sprovedenog istraživanja doneti zaključak kako je tržište segmentirano.

• Algoritam

  • Algoritmi za određivanje optimalnog K:
    • Elbow method
  • Algoritmi za klasterovanje:
    • K-means
    • DBSCAN

• Podaci koji se koriste

  • https://finance.yahoo.com
  • https://www.kaggle.com/qks1lver/amex-nyse-nasdaq-stock-histories
  • https://www.kaggle.com/albala/ticks-bitcoin-ethereumlitecoin-ripple
  • https://www.kaggle.com/dgawlik/nyse
  • http://www.boerse-frankfurt.de
  • https://www.londonstockexchange.com/home/homepage.htm

• Metrika za merenje performansi

  • Silhouette Coefficient

• Validacija rešenja

  • Empirijska validacija rešenja obuhvata ispitivanje da li su dobijeni rezultati klasterovanja u skaldu sa teorijom diverzifikacije:
    • Prostorno klasterovanje (finansijska aktiva koja potiče sa istog tržišta pripada istom klasteru)
    • Tipsko klasterovanje (isti tip finansijske aktive pripada istom klasteru)
    • Sektorsko klasterovanje (finansijska aktiva iz istog privrednog sektora pripada istom klasteru)
    • Klasterovanje prema prinosu (finansijska aktiva koja ima sličan prinos nalazi se u istom klasteru)
    • Klasterovanje prema volatilnosti (finansijska aktiva koja ima sličan rizik nalazi se u istom klasteru)
    • Klasterovanje prema korelisanosti (pozitivno ili negativno korelisana finansijska aktiva nalazi se u istom klasteru)

[vdragan1993]

Tema odobrena. Ostavite link ka GitHub repozitorijumu projekta. Srećan rad.

[DusanStevic]

https://github.com/DusanStevic/Klasterovanje-finansijske-aktive.git