基于双向聚类的股票行业分类优化
由于控股股东和主营业务变更等原因，一部分股票已经失去了其所在行业的特征。本文给出了含类别约束的双向聚类模型，根据"行业轮动"效应对股票进行聚类，重新定义其行业类别，使得聚类后各行业内的股票之间关联度提高，行业间股票的差异性变大，提高行业投资组合的可预测性。本文将模型应用于全部沪深股票，在控制新聚类行业分类和原始行业分类的相似度条件下，进行时间序列K均值聚类；选取股利支付率、股利价格比、股息率、盈余价格比、面值市值、通货膨胀、净权益增加、换手率、M0增长率、M1增长变动率、M2增长率等11个经济变量作为预测变量，对不同相似度下新行业投资组合与原始行业投资组合进行样本外可预测性检验，发现与原申万行业分类比，新行业分类提高了行业投资组合的可预测性。
时间序列 聚类 行业分类 行业可预测性
马景义 王彦谦 周平 张之昊
中央财经大学统计与数学学院,北京100081 北京信息科技大学理学院,北京 100192
国内会议
福州
中文
559-569
2018-11-30（万方平台首次上网日期，不代表论文的发表时间）