株価分析のための時系列データクラスタリング入門

DEIM2023チュートリアルにて講義が行われました。
https://event.dbsj.org/deim2023/post/...

講師
白田由香利（学習院大学経済学部経営学科教授）

概要
株価変動分析においても機械学習の時系列データクラスタリング手法が広く使われている．代表な距離定義はk-Shape法のSBD，及びDTWなどであるが，これらは入力データの標準化を前提とするので，重要な分散(リスク)情報を捨て去ってしまうという問題がある．株価分析においては，現在も，1952年にハリー・マーコウィッツが創案した「収益率の平均 (平均リターン) とリスク(リターンの標準偏差)の散布図」による分析法が広く使われている．この手法ではリスク情報を捨てずに用いているが，より詳細な変動パターン(V字回復，Ｓ字型など)を知るためには，機械学習クラスタリングが必要となる．しかし，例えば，テスラやインドIT企業の株価のように成長率が大きい銘柄の場合，k-Shape法では分散情報が除去されてしまい分析目的に合致しない．そこで我々はAmplitude-based clustering法という，分散情報の変動パターンを解析する新アルゴリズムを開発した．現在我々は，第1段階でAmplitude-based clusteringを行い，伸び幅とパターンによって荒く分類し，第2段階で詳細を分析したいクラスターに対してk-Shape法を行うという二刀流のアプローチをとっている．次元圧縮としてはUMAPを使っている．本講義では，マーコウィッツの散布図の作り方から説明を始め，上記二刀流の手法による分析方法を示す．クラスタリング結果についてUMAP上で考察するプロセスも解説する．事例として，世界の製造業及び2022年のＵＳ企業，インド企業などの株価分析結果を示す．全編グラフィクスの多用により，見るだけで違いが分かるようにする．