Functional Mixed-type Clustering of Investors' Daily Returns During a Market Shock Change-point and Recovery
Notice bibliographique
Résumé
We analyze a dataset of daily portfolio market positions spanning July 17th 2019 to February 19th 2021 for many client accounts of a financial dealer. For each client, we know demographic information (age, gender, marital status, income, retirement status, investment knowledge), desired risk preferences, and their market positions for July 17th 2019 to February 19th 2021. The daily unrealized returns of those portfolios are analyzed using a functional principal component approach to discover underlying variations in observed client returns and if those differences in portfolios resulted in different outcomes before, during, and after the short-duration 2020 market crash. The distinguishing factors between portfolio returns are, in the order of importance, performances during the crash, before the crash, overall throughout, during the recovery, and mitigating losses at the sacrifice of recovery. We conduct mixed-type categorical analysis by mixing 15 functional principal components with categorical data using k-prototypes clustering. Clients are grouped into six categories: two small groups with strong performances corresponding to the volatility of their positions and four large groups, all with smaller volatilities and a range of overall performances. We find that clients tended to overshoot their risk appetites in clusters: high-risk appetites tended toward over-risked; low-risk tended toward under-risk. Overall, performance was connected to increased risk throughout the market crash—if the clients did not take as much risk, they did not experience as strong a recovery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».