PCA: monta lukua tiivistettynä muutamaan
Näin pääkomponenttianalyysi (PCA) tiivistää monta päällekkäistä markkinamuuttujaa muutamaksi ”komponentiksi” – ja miksi ne eivät ole sama asia kuin taloudelliset faktorit.
Luokka: Koneoppiminen
Yksinkertaisesti sanottuna
Kuvitellaan, että jokaisesta osakkeesta on mitattu 30 asiaa: kurssiliikkeet, kaupankäyntivolyymi, koko ja niin edelleen. Monet näistä luvuista liikkuvat yhdessä, joten suuri osa tiedosta toistuu. Pääkomponenttianalyysi (Principal Component Analysis, PCA) on matemaattinen menetelmä, joka tiivistää nämä päällekkäiset luvut kouralliseksi uusia yhteenvetolukuja eli komponentteja ja hukkaa samalla mahdollisimman vähän todellista tietoa. Sitä voi verrata paksun kirjan tiivistämiseen muutamaan virkkeeseen, jotka silti kertovat suurimman osan juonesta. Robust PCA on muunnelma, joka jakaa aineiston tasaiseen osaan, jossa on useimpien osakkeiden yhteinen rakenne, ja erilliseen harvaan (sparse) osaan, jossa ovat muutamat suuret poikkeamat. Näin kourallinen äärimmäisiä osakkeita ei pääse vääristämään yhteenvedon suuntia.
Mitä se mittaa
PCA mittaa vaihtelua – sitä, kuinka laajalle aineisto on hajautunut – ja etsii suunnat, joissa aineisto vaihtelee eniten. Ensimmäinen komponentti kuvaa suurimman yksittäisen vaihtelun kuvion, toinen seuraavaksi suurimman (jota ensimmäinen ei tavoittanut) ja niin edelleen. ”90% varianssista säilytetään” tarkoittaa, että komponentteja pidetään mukana niin monta, että 90% kokonaishajonnasta säilyy, ja loppu jätetään pois kohinana. - Pieni esimerkki: oletetaan, että pituus ja käsivarsien kärkiväli ovat lähes aina lähellä toisiaan (pitkillä ihmisillä on pitkät kädet). - Sen sijaan että molemmat luvut tallennettaisiin, PCA muodostaa yhden komponentin, ”kehon kokonaiskoon”, joka kattaa ~95% ihmisten välisistä eroista. - Kahdesta luvusta on päästy yhteen, ja tietoa on hävinnyt hyvin vähän – tätä kutsutaan ulottuvuuksien vähentämiseksi. - Lataus (loading) kertoo, kuinka paljon kukin alkuperäinen piirre vaikuttaa komponenttiin (suunnan resepti); pistemäärä (eli komponentin arvo) kertoo, mihin kohtaan yksittäinen osake tällä suunnalla asettuu – nämä kaksi menevät helposti sekaisin.
Miten SurgeFlow käyttää sitä
PCA on ML-välilehden ”markkinakartan” perusta. SurgeFlow ottaa kustakin osakkeesta monta keskenään korreloivaa piirrettä, ajaa PCA:n ja säilyttää niin monta komponenttia, että noin 90% varianssista säilyy: tuloksena on tiivis ja vähemmän kohinainen versio aineistosta. Sen jälkeen osakkeet ryhmitellään (klusterointi) tässä tiivistetyssä avaruudessa, ja lisäksi rekonstruktiovirhettä – sitä, kuinka huonosti säilytetyt komponentit kuvaavat osaketta – käytetään yhtenä poikkeamasignaalina: osake, joka ei sovi yhteiseen kuvioon, erottuu joukosta. SurgeFlow’n poikkeamapistemäärä yhdistää tämän rekonstruktiovirheen ja kunkin osakkeen etäisyyden oman klusterinsa keskipisteestä. (Menetelmä on käsitteellisesti sukua akateemiselle ”Robust PCA” -tekniikalle, joka jakaa aineiston matala-asteiseen yhteiseen rakenteeseen ja harvoihin poikkeamiin, mutta SurgeFlow käyttää tavallista PCA:ta, ei Robust PCA:ta.) - Tiivistys: monta piirrettä muutamaksi komponentiksi (~90% varianssista säilyy). - Ryhmittely: osakkeet klusteroidaan pienemmässä avaruudessa. - Poikkeamien merkintä: suuri rekonstruktiovirhe = yksi (useista) viitteistä poikkeamasta.
Miten sitä luetaan sivustolla
Avaa ML-välilehti (markkinakartta osoitteessa /ml). Näkymässä osakkeet on ryhmitelty klustereihin ja osa on merkitty poikkeamiksi. Klusteri luetaan näin: ”nämä osakkeet käyttäytyivät tarkastelujaksolla rakenteellisesti samankaltaisesti.” Poikkeamamerkintä puolestaan tarkoittaa: ”tämä osake ei sopinut tavanomaiseen yhteiseen kuvioon – siihen kannattaa perehtyä tarkemmin itse.” Komponentit ovat yhteenvetoakseleita, eivät kursseja tai pistemääriä, joiden perusteella käytäisiin kauppaa. - Klusterit ryhmittelevät osakkeita yhteisen rakenteen, eivät laadun tai odotetun tuoton perusteella. - Poikkeamamerkintä on syy selvittää asiaa tarkemmin, ei koskaan automaattinen osto- tai myyntisignaali. - Merkinnät ja ryhmittelyt voivat muuttua, kun uutta dataa saapuu.
Mitä se ei kerro
Tämä on tärkein osa. PCA-komponentit EIVÄT automaattisesti ole taloudellisia faktoreita: komponentti on pelkkä suurimman vaihtelun suunta, joten komponentin 1 nimeäminen ”arvofaktoriksi” tai ”momentumiksi” on ihmisen arvaus, joka voi osua harhaan. PCA kuvaa aineiston rakennetta; se ei ennusta tulevia tuottoja eikä anna osto- tai myyntisignaaleja, eikä siisti klusterointi kerro mitään siitä, mitkä osakkeet nousevat. Tulokset riippuvat lisäksi siitä, miten aineisto on skaalattu ja mitkä piirteet on otettu mukaan, ja poikkeavat havainnot voivat vääristää komponentteja, ellei niitä käsitellä huolellisesti. - Komponentit ovat matemaattisia, eivät todellisen maailman syitä – korrelaatio ei ole kausaliteettia. - 90% varianssin säilyttäminen on valinta, ei laki; toinen raja muuttaa kuvaa. - Rekonstruktiovirhe merkitsee ”epätavallista”, ei ”huonoa” eikä ”tilaisuutta”. - Pelkästään kuvaileva – tämä on tutkimusta ja opetusta, ei sijoitusneuvontaa.