GMM ja pehmeä klusterointi: aloittelijan opas

Lue, mikä gaussinen sekoitemalli (Gaussian Mixture Model) on, miten se antaa jokaiselle osakkeelle todennäköisyyden kuulua ryhmään ja miksi kyse on sopivuusarviosta eikä ennusteesta.

Luokka: Koneoppiminen

Selkokielellä

Kuvittele, että pussillinen marmorikuulia lajitellaan ryhmiin värin mukaan. "Kova" lajittelu panee jokaisen kuulan täsmälleen yhteen kasaan. "Pehmeä" lajittelu on lempeämpi: sinivihreä kuula voi olla 70% sininen ja 30% vihreä, joten se kuuluu osittain kahteen kasaan yhtä aikaa. Gaussinen sekoitemalli (Gaussian Mixture Model) eli GMM on menetelmä, joka lajittelee tällä pehmeällä tavalla. SurgeFlow käyttää sitä selvittääkseen, mitkä osakkeet näyttävät tänään samankaltaisilta, ja antaa jokaiselle osakkeelle todennäköisyyden kuulua kuhunkin ryhmään sen sijaan, että pakottaisi sen yhteen lokeroon.

Mitä se mittaa

GMM olettaa, että aineisto koostuu muutamasta päällekkäisestä "möykystä" (kukin on kellonmuotoinen pilvi, jota kutsutaan Gaussin jakaumaksi). Jokaiselle osakkeelle se tuottaa posterioritodennäköisyyden (posterior probability): kuinka hyvin osake sopii kuhunkin möykkyyn, niin että lukujen summa on 100%. Suurempi todennäköisyys jollekin ryhmälle tarkoittaa, että osake on lähempänä kyseisen ryhmän pilven keskustaa. Tämä mittaa SOPIVUUTTA, ei mitään tulevaa kurssiliikettä. - Ryhmän A pilvi = "korkean volatiliteetin" osakkeet; ryhmän B pilvi = "vakaat" osakkeet. - Osakkeen tulos voi olla 80% ryhmä A, 20% ryhmä B. - Toinen osake, jonka jako on 55%/45%, on näiden kahden rajalla. - 80% on luottamus ryhmittelyyn, ei koskaan 80%:n todennäköisyys kurssinousulle.

Miten SurgeFlow käyttää sitä

GMM on yksi kolmesta klusterointimenetelmästä ML-välilehden "markkinakartan" (osoitteessa /ml) taustalla. Kartta antaa päivittäisen, kuvailevan näkymän siihen, mitkä osakkeet muistuttavat toisiaan. SurgeFlow ajaa KMeans- ja GMM-menetelmät sekä kolmannen menetelmän ja yhdistää ne sitten yhdeksi yhteisesti sovituksi ryhmäksi kullekin osakkeelle. GMM:n pehmeä todennäköisyys (sen posteriori) yhdistetään klusterin luottamuspistemäärään: karkeasti puolet tulee siitä, kuinka yksimielisiä menetelmät ovat, ja puolet GMM:n posteriorista. Korkea luottamus tarkoittaa siis, että malli on varma siitä, mihin ryhmään osake kuuluu, ei sitä, että osake olisi hyvä ostokohde.

Miten sitä luetaan sivustolla

Avaa ML-välilehti (/ml) ja valitse markkina. Näkyvissä ovat klusterikortit (kukin on ryhmä, jolla on arkikielinen nimi, kuten "momentum" tai "deep-value") ja osaketunnusten taulukko. Jokaisen osakkeen kohdalla näkyy luottamusarvo: korkeampi arvo tarkoittaa, että osake on tukevasti ryhmänsä sisällä, matalampi, että se on kahden ryhmän välissä ja voi vaihtaa ryhmää päivittäisten ajojen välillä. Napsauta klusterikorttia, niin taulukko suodattuu näyttämään vain kyseisen ryhmän jäsenet. - Korkea luottamus: osake on ryhmänsä selkeä, keskeinen jäsen. - Matala luottamus: rajatapaus; osake voi ajan mittaan vaihtaa ryhmää. - Klusterien nimet kuvaavat yhteisiä ominaisuuksia, ne eivät ole suosituksia.

Mitä se ei voi kertoa

Tärkein varaus: GMM-todennäköisyydet ovat mallin arvio siitä, kuinka hyvin osake SOPII tilastolliseen möykkyyn tänään, eivät minkään sijoitustuloksen todennäköisyys. 90%:n luottamus ei tarkoita 90%:n todennäköisyyttä voitolle eikä minkäänlaista todennäköisyyttä voitolle ylipäätään. Klusterointi kuvaa rakennetta; se ei ennusta tuottoja eikä anna osto- tai myyntisignaalia. Ryhmät riippuvat lisäksi mallin oletuksista, valituista piirteistä ja päivän aineistosta, joten ne voivat muuttua olosuhteiden muuttuessa. - Ei ennuste: korkea luottamus ≠ todennäköinen nousu. - Olettaa, että aineisto muodostaa siistejä kellonmuotoisia pilviä, mikä on vain likiarvo. - Ryhmien nimet ovat lyhennelmiä yhteisistä ominaisuuksista, eivät laatuarvioita. - SurgeFlow on tutkimusta ja opetusta, ei koskaan sijoitusneuvontaa.