Efficient Stock Portfolio Construction by Means of Clustering

• Autorzy: Jerzy Korzeniewski

Warianty tytułu

Konstrukcja efektywnego portfela przy użyciu metod analizy skupień

• Języki publikacji: EN

Abstrakty

EN

When investors start to use statistical methods to optimise their stock market investment decisions, one of fundamental problems is constructing a well-diversified portfolio consisting of a moderate number of positions. Among a multitude of methods applied to the task, there is a group based on dividing all companies into a couple of homogeneous groups followed by picking out a representative from each group to create the final portfolio. The division stage does not have to coincide with the sector affiliation of companies. When the division is performed by means of clustering of companies, a vital part of the process is to establish a good number of clusters. The aim of this article is to present a novel technique of portfolio construction based on establishing a numer of portfolio positions as well as choosing cluster representatives. The grouping methods used in the clustering process are the classical k-means and the PAM (Partitioning Around Medoids) algorithm. The technique is tested on data concerning the 85 biggest companies from the Warsaw Stock Exchange for the years 2011-2016. The results are satisfactory with respect to the overall possibility of creating a clustering-based algorithm requiring almost no intervention on the part of the investor.(original abstract)

Stosując metody statystyczne do optymalizacji swoich decyzji inwestycyjnych, inwestorzy stają przed bardzo istotnym problemem skonstruowania dobrze zdywersyfikowanego portfela inwestycyjnego składającego się z niewielkiej liczby pozycji. Wśród wielu metod stosowanych do konstrukcji takiego portfela są metody wykorzystujące grupowanie wszystkich spółek w homogeniczne grupy spółek, po którym to etapie następuje wybieranie reprezentanta każdej grupy w celu utworzenia ostatecznej postaci portfela. Etap grupowania nie musi pokrywać się z przynależnością sektorową spółek. Grupowanie może być wykonywane za pomocą metod analizy skupień i w tym procesie bardzo istotne jest ustalanie właściwej liczby skupień. Celem niniejszego artykułu jest zaproponowanie nowej techniki konstrukcji portfela inwestycyjnego, odnoszącej się zarówno do ustalenia liczby pozycji w portfelu, jak również do wyboru reprezentantów skupień. Stosowane metody grupowania spółek to klasyczna metoda k-średnich oraz algorytm PAM (Partitioning Around Medoids). Technika jest testowana na danych 85 największych spółek giełdowych z parkietu warszawskiego z lat 2011-2016. Wyniki są bardzo obiecujące w sensie możliwości opracowania algorytmu opartego na analizie skupień, który prawie nie wymagałby interwencji inwestora.(abstrakt oryginalny)

Słowa kluczowe

EN

Investment portfolio; Cluster analysis; Grouping methods

PL

Portfel inwestycyjny; Analiza skupień; Metody grupowania

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2018
• Numer: vol. 1, t. 333
• Strony: 85--92

Twórcy

autor

Jerzy Korzeniewski

• University of Lodz, Poland

Bibliografia

• Bensmail H., DeGennaro R. (2004), Analyzing Imputed Financial Data: A New Approach to Cluster Analysis, FRB of Atlanta Working Paper no. 2004-20, Atlanta, https://www.econstor.eu/bitstream/10419/100973/1/wp2004-20.pdf [accesed: 1.08.2015].
• Craighead S., Klemesrud B. (2002), Stock Selection Based on Cluster and Outlier Analysis, Fifteenth International Symposium on Mathematical Theory of Networks and Systems, University of Notre Dame, Notre Dame, Indiana, https://www.researchgate.net/publication/272175812_Stock_Selection_Based_on_Cluster_and_Outlier_Analysis [accesed: 1.08.2015].
• Gatnar E., Walesiak M. (2004), Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław.
• Korzeniewski J. (2014), Indeks wyboru liczby skupień w zbiorze danych, "Przegląd Statystyczny", vol. 61, no. 2, pp. 169-180.
• Marvin K. (2015), Creating Diversified Portfolios Using Cluster Analysis, unpublished research, pp. 1-15, https://www.cs.princeton.edu/sites/default/files/uploads/karina_marvin.pdf [accesed: 1.08.2015].
• Pasha S., Leong P. (2013), Cluster Analysis of High-Dimensional High-Frequency Financial Time Series, IEEE Conference on Computational Intelligence for Financial Engineering Economics, Piscataway, http://ieeexplore.ieee.org/document/6611700/ [accesed: 1.08.2015].
• Ren Z. (2005), Portfolio Construction Using Clustering Methods, Thesis at the Worcester Polytechnic Institute, Worcester, https://web.wpi.edu/Pubs/ETD/Available/etd-042605-092010/unrestricted/ZhiweiRen.pdf [accesed: 1.08.2015].
• Rosén F. (2006), Correlation Based Clustering of the Stockholm Stock Exchange, Master's Thesis, School of Business, Stockholm University, Stockholm, http://www.diva-portal.org/smash/get/diva2:196577/FULLTEXT01.pdf [accesed: 1.08.2015].

Identyfikatory

DOI

10.18778/0208-6018.333.06