Time Series Clustering of GARCH (1,1) Model Using Modified Piccolo Distance
Notice bibliographique
Résumé
As investors select stocks more efficiently to form portfolios that meet their objectives, they should be grouped based on their time-varying risk levels.One of the clustering approaches is time series clustering with a model-based approach using hierarchical and K-means clustering algorithms.The distance calculation is based on the estimated parameters of the model used; in this case, the GARCH (1,1) model is used.This paper proposes a modified Piccolo distance that uses the absolute value between two GARCH (1,1) models, which is a development of the Manhattan distance.The modified Piccolo distance improves robustness to outliers and simplifies calculations, resulting in more accurate and efficient time series cluster analysis.Applying hierarchical and K-means clustering with modified Piccolo distance will be compared with other model-based distance modifications for clustering applied to simulated data and case studies using stock data incorporated in the Indonesia Stock Exchange.A measure of cluster validity is calculated using the C index.From the simulated data and case studies, it is found that clustering with Piccolo distance modification and other distance modifications between two GARCH (1,1) models produce clusters with a small C index, both for simulated data and case studies.A small C index value in the clustering results indicates good clustering quality, where the clusters formed have high similarity and are well separated from others.Furthermore, the clusters formed will be considered in making a good portfolio, so it is expected to reduce the risk in the stock portfolio.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».