double arrow

Тренировочное задание.


Будем исследовать 16 инвестиционных фондов с целью оценки их состояния. В качестве переменных используются следующие характеристики: доходность за пятилетний период, риск, ежегодный процент дохода по каждому году, расходная часть и налоговые рейтинги. Исходные данные об инвестиционных фондах представлены в табл.17.

 

Таблица 17. Данные по инвестиционным фондам

Fund Five Risk Per03 Per04 Per05 Per06 Per07 Expens Tax
F Chip FContra F Destiny Vista A Berger 100 Gab Assett Neub Focus F Magellan Janus L Mason Gabelli Gr. Franklin Janus 20 AARP Kemper 20th Cent Gr 16476 15476 14757 15145 15596 13640 14081 13827 13187 13029 12301 11793 12441 11728 11386 11258 2 2 3 4 5 1 3 3 2 4 3 2 4 4 4 4 10 -1 4 -1 -7 0 1 -2 -1 1 -3 3 -7 -10 -6 -8 25 21 26 20 21 22 16 25 11 12 11 7 3 16 2 15 6 16 15 13 9 15 21 7 7 11 4 3 2 5 -2 -4 55 55  39  71  89  18  25  41  43  35  34  27  69  41  67  32 4 4 -3 -6 -6 -6 -6 -5 -1 -17 -2 2 1 -16 4 0 1,22 1,03 0,7 1,49 1,7 1,33 0,85 0,96 0,91 1,82 1,41 0,77 1,02 0,97 1,09 1  89  90  69  96  95  85  75  73  85  92  80  90  95  68  86  60

 

1. Запустите ППП STATISTICA.

2. Создайте таблицу данных (9 переменных и 16 наблюдений) и сохраните ее.

3. В меню Данныевыберитепункт Standardizetion… (Стандартизация) и для нее 9 переменных. Получите стандартизованные значения исходных данных (рис.21)




Рисунок 21.Стандартизированные значения исходных данных

 

В менюStatistics (Статистика)выберитепунктMultivariate Exploratory Techniques (Многомерные исследовательские методы)и команду Claster Analysis (Анализ кластера).Откроется стартовая панель модуля. На вкладке Quick выберите из списка методов кластерного анализа методJoining (tree clustering) (Древовидная кластеризация) и нажмите OK.

4. Откроется окно, представленное на рис.3 для выбора переменных, метода и меры расстояния. Настройте его, как показано на рисунке (метод Уорда и квадратическое евклидово расстояния) и нажмите OK.

 

Рисунок 22. Диалоговое окно кластерного анализа

 

Метод Уорда входит в группу иерархических методов кластеризации, применяемых в случае, когда число кластеров (классов) заранее не известно. В этом методе в качестве целевой функции применяют внутригрупповую сумму квадратов отклонений, которая есть не что иное, как сумма квадратов расстояний между каждым объектом и средней по кластеру, содержащему этот объект. На каждом шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, т.е. внутригрупповой суммы квадратов отклонений.

Евклидово расстояние – геометрическое расстояние в многомерном пространстве: , где , обычно вычисляется по исходным данным (применяется, если различия между осями не очень существенные), если разница в масштабах осей существенна, то применяется метрика квадрат евклидова расстояния, вычисляемая на стандартизированных значениях.



5. Появляется соответствующее диалоговое окно, в котором необходимо определить расположение графика (вертикальное или горизонтальное) (рис.23). Нажмите кнопку Vertical icicle plot. Получите результат кластеризации (рис.24).

Рисунок 23. Окно настройки вывода результата

 

 

   

 

 

    На данном графике (рис.24) четко проявляются три группы кластеров. Анализ этих кластеров (какие элементы (инвестиционные фонды) отнести к перспективным, какие – к бесперспективным требует специальных знаний в этой области. Можно руководствоваться следующими правилами:

- в первом кластере (правом) видно, что расходы были разумными: при низких доходах в начале периода в последующие годы состояние фондов этого кластера заметно улучшалось. При невысоком рейтинге риска налоговые сборы были также достаточно низкими, акции этих фондов целесообразно покупать;

- во втором кластере (среднем) имелись наибольшие расходы, хотя за пятилетний период доходы были высокими. Оценка риска и налоговые сборы оказались максимальными среди всех кластеров, значит, акции этих фондов следует придержать;

- о третьем кластере можно сказать, что он занимает второе место по расходам относительно доходов за пятилетний период. Оценка риска самая высокая, однако, налоговые сборы значительно ниже, чем у первого кластера, поэтому акции этих фондов целесообразно продать.







Сейчас читают про: