Простой двоичный пример

из "Анализ финансовых данных "

Данные об эффективности деятельности и опенках рисков взаимных фондов достаточно обширны. Получить статистические данные о прибыльности активов фондов, включая данные за последний квартал, год, три года пять десять, а иногда даже за пятнадцать лет, не составляет труда. [c.82]
Важным критерием для инвесторов является также опыт инвестиционных управляющих фонда фонды, менеджеры которых имеют более продолжительный опыт работы, считаются как правило, более эффективными, чем имеющие менее опыт ных управляющих. Конечно, как недавно заметил один мой друг, еще большую важность может представлять возраст менеджера, поскольку некоторые фонды управляются профессионалами, имеющими очень продолжительный стаж работы, но возраст которых превышает 70 лет К сожалению, объем информации о квалификации и опыте инвестиционных управляющих все еще остается недостаточным. [c.82]
В нашем первом примере мы использовали одномерную карту, для которой произвольно задали верхнюю границу, так как намеревались выяснить, каким образом будут кластеризоваться фонды при использовании десяти модельных векторов. Результатом было объединение 18 фондов в пять больших групп (так как фонды с легким отличием в окраске близки по характеристикам, в то время как фонды, окрашенные в более темные тона, сравнительно несхожи с окрашенными в более светлые). Во втором примере мы создали двумерную карту с помощью решетки модельных векторов. Мы произвольно определили предельную размерность решетки (6x4 нейрона). После 10 000 предъявлений обучающей последовательности с начальным коэффициентом обучения 0,5, уменьшавшимся линейно по мере предъявления данных, и второй фазы обучения, состоявшей из 100 000 предъявлений с начальным коэффициентом обучения около 0,2, мы получили карту следующего вида. Было использовано 24 модельных вектора, но только 11 из них притянули к себе хотя бы один из фондов. Выделение нейронов оттенками серого цвета позволяет нам более наглядно изобразить разграничение групп или зон на карте. Например, группа фондов, расположенных в левой части карты (MLD, AFR, ТЕМ, ЕМТ, LA , MSE), обособилась более четко по сравнению с другими. Фонды, расположенные сверху и снизу, отделены друг от друга двумя линиям нейронов. Фонд TDM соответствует единственному нейрону в нижнем углу карты, a S I располагается изолированно в середине. [c.85]
Рисунок не приводится. Прим.ред. [c.85]
Один из выводов, который можно сделать из этих карт, состоит в следующем чем больше карта, тем выше вероятность того, что каждый отдельный вектор входных данных будет отображаться в отдельном нейроне. Большие карты позволяют организовать новые данные в легко читаемые таблицы, но обобщающая способность таких карт недостаточна. Например, если создается новый фонд, специализирующийся на инвестициях, скажем, в Африке, южнее Сахары, то имея хорошую СОК, созданную для фондов, вкладывающих средства в акция транснациональных корпораций, можно будет определить, похож ли новый фонд на своих собратьев из группы, включающей AFR, EMT, LA и MSE, или группы, состоящей из TDM, TGI, JWO, PWO, TGS и VIG. [c.86]
Напротив, карта меньшего размера обеспечивает большую степень сжатия данных, как это видно из рис. 3.1. Однако слишком маленькие карты могут обеспечить лишь очень грубую дифференциацию. Например, если бы на вход СОК предъявлялось только три модельных вектора, все 18 наших фондов могли бы отразиться только в трех нейронах, не позволив нам увидеть разницу между глобальными фондами, фондами, действующими в определенных секторах экономики или ориентированными на отдельные регионы мира. [c.86]
Самоорганизующаяся карта может гораздо больше соответствовать поставленной цели, если последняя состоит в получении репрезентативной выборки из всей совокупности. Она позволяет выбрать по одному фонду из каждой группы, которые вместе образуют репрезентативную выборку из всей совокупности международных взаимных фондов, вкладывающих деньги в акции. СОК представляют собой превосходное средство для сравнения доходности различных классов (подклассов) взаимных фондов. Самоорганизующиеся карты, созданные для разграничения фондов на подклассы, могут быть с успехом использованы в качестве средства для сравнения отдельных фондов. Этот метод имеет преимущества по сравнению с определением средних значений для каждого подкласса, поскольку метод средних арифметических дает отклонение в сторону группы с большим числом членов. [c.86]
Обобщая вышесказанное, можно сказать, что СОК соответствующего размера позволяют провести дифференциацию между близкими по характеристикам взаимными фондами и определить основные признаки каждого кластера или группы кластеров. Эти основные черты могут являться подходящим критерием для выбора объектов инвестиций и ранжирования взаимных фондов. [c.88]

Вернуться к основной статье