18、金融数据聚类分析与配对交易策略

金融数据聚类分析与配对交易策略

1. 降维在交易策略中的应用

降维在交易策略开发中具有重要作用。通过降维，我们能在保证一定准确率的同时，将建模速度提高四倍。在涉及大规模数据集的交易策略开发中，这种速度提升有助于优化整个流程。

SVD和t - SNE这两种降维方法能生成易于可视化的简化数据集，用于评估交易信号数据。这使我们能够以原始特征数量无法实现的方式区分交易策略的长短信号。

2. 聚类技术概述

聚类是一种无监督学习技术，能帮助我们发现数据中的隐藏结构。与降维类似，聚类也能对数据进行总结，但它是通过对原始数据进行分类，而非创建新变量来减少数据量并发现模式。聚类算法将观测值分配到由相似数据点组成的子组中，目标是在数据中找到自然分组，使同一簇中的项目彼此更相似。

在金融领域，聚类被交易者和投资经理用于根据相似特征对资产、类别、行业和国家进行分组。聚类分析还能为交易策略提供有关交易信号类别的见解，也可用于对客户或投资者进行细分。

2.1 常见聚类技术

常见的聚类技术有k - means聚类、层次聚类和亲和传播聚类，它们的特点如下表所示：
| 聚类技术 | 优点 | 缺点 |
| — | — | — |
| k - means聚类 | 简单、适用范围广、收敛快、可线性扩展到大数据集，能生成大小均匀的簇 | 需要预先确定簇的数量，不能保证找到全局最优解，对异常值敏感 |
| 层次聚类 | 无需指定簇的数量，能生成有用的树状图 | 计算时间长，大数据集下难以确定簇的数量，对异常值敏感 |
| 亲和传播聚类 | 无需预先确定簇的数量，算法速度快，可应用于大相