聚类分析

##什么是聚类分析？

聚类分析是一种用于对具有相似特征的对象集进行分组的技术。这在统计学中很常见。投资者将使用聚类分析来开发一种聚类交易方法，帮助他们建立多元化的投资组合。回报率相关性高的股票归入一个篮子，相关性稍低的股票归入另一个篮子，依此类推，直到每只股票都归入一个类别。

如果正确完成，不同的集群将表现出彼此之间的最小相关性。通过这种方式，投资者可以获得多元化的所有优点：减少下行损失、保本，以及在不增加总风险的情况下进行风险更高的交易的能力。多元化仍然是投资的核心租户之一，而集群分析只是实现这一目标的渠道之一。

了解聚类分析

相关回报的证券来消除其投资组合中的重叠。例如，仅由科技股组成的投资组合表面上看起来安全且多样化，但当像互联网泡沫这样的事件发生时，整个投资组合很容易遭受重大损失。购买和聚集适合不同细分市场的资产对于增加多元化和防范此类系统性风险至关重要。

该技术还可以发现某些类别的股票，例如周期性股票和成长股。这些特定策略属于智能贝塔或因子投资范畴。他们试图从特定风险溢价（如最小波动性、增长和动量）中获得更好的风险调整回报。

在某种程度上，智能贝塔或因子投资体现了聚类分析所宣扬的分组和分类概念。基于单一共同行为的聚类逻辑反映了因子投资背后的基本方法，该方法识别易受类似系统性风险影响并具有相似特征的股票。

集群中的资产并不总是属于同一个行业。通常，集群持有来自技术和金融等多个行业的股票。

聚类分析的一个明显缺点是聚类之间的重叠程度。距离较近的集群，意味着回报的高度相关性，通常具有一些相似的风险因素。因此，一个集群的下跌可能会转化为另一个集群的同样疲软的表现。出于这个原因，投资者应该寻找并聚集它们之间距离较大的股票。这样，集群会受到不同市场因素的影响。

也就是说，像2008 年经济衰退这样的广泛市场回调将扼杀整个投资组合，无论其结构如何。即使是最多元化的集群也难以承受经济衰退的逆风。在这里，最好的聚类可以做的是最小化极端的下行损失。

＃＃强调