نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی مالی، دانشگاه یزد، ایران

2 استادیار مدیریت مالی، دانشگاه یزد، یزد، ایران

10.22105/imos.2021.289811.1111

چکیده

هدف: یکی از موضوعاتی که تاثیر به‌سزایی در نحوه سرمایه گذاری افراد دارد، خصوصیات رفتاری سرمایه گذاران است. با توجه به اهمیت این موضوع، سرمایه گذاران باید بتوانند افراد سرمایه گذار را به طبقات مختلف دسته‌بندی نمایند و برای هرطبقه، سرمایه گذاری متناسب با تیپ شخصیتی همان طبقه را به آن‌ها توصیه کنند. یکی از راهکارهایی که برای این منظور می‌توان استفاده نمود، خوشه‌بندی است. ‌خوشه‌بندی یکی از روش‌های یادگیری بدون نظارت بوده و ماهیتی توصیفی دارد. در این روش داده‌ها براساس یک معیار مشابهت به گونه‌ای تخصیص می‌یابند که داده‌های موجود در هر خوشه دارای بیشترین شباهت با یکدیگر و کمترین شباهت با داده‌های موجود در خوشه‌های دیگر باشند.
روش‌شناسی پژوهش: در این پژوهش با استفاده از خوشه بندی k-means و روش انتشار وابستگی، مجموعه‌ای از سرمایه گذاران با توانایی و تمایل مشابه برای پذیرش ریسک را شناسایی می‌کنیم. همچنین نشان می‌دهیم که چگونه می‌توان با استفاده از تکنیک‌های خوشه بندی به تخصیص موثر دارایی‌ها با استفاده از خصوصیات سرمایه گذاران پرداخت.
یافته‎ها: از ضریب silhouette برای ارزیابی دو روش خوشه بندی استفاده نموده تا بهترین روش را برای خوشه بندی داده‌ها انتخاب نماییم. ضریب k-means برابر با 0.17 و انتشار وابستگی برابر با 0.097 شد. بنابراین ما روش k-means را به عنوان روش خوشه بندی مطلوب انتخاب می‌نماییم. با استفاده از روش‌ خوشه بندی K-means به خوشه بندی سرمایه گذاران براساس ویژگی‌های مالی، رفتاری و جمعیت شناختی پرداخته و با توجه به نتایج خوشه بندی، افراد را به هفت دسته با پذیرش ریسک کم تا زیاد تقسیم بندی می‌نماییم.
اصالت/ارزش افزوده علمی: کلیه محاسبات این پژوهش توسط پایتون 3.8 انجام شده است. نتایج این پژوهش می‌تواند توسط مدیران سرمایه گذاری و مشاوران توصیه‌گر سهام مورد استفاده قرار بگیرد.

کلیدواژه‌ها

عنوان مقاله [English]

A Clustering of Investors' BehaviorAccording to Their Financial, Behavioral, and Demographic Characteristics (An Application of K-means Algorithm)

نویسندگان [English]

  • Marziyeh Nourahmadi 1
  • Hojjatollah Sadeqi 2

1 Ph.D. Candidate in Financial engineering, Faculty of Economic ,Management and Accounting, Yazd University, Yazd, Iran

2 Department of Finance and Accounting, School of Management and Economics, Yazd University

چکیده [English]

Purpose: One of the issues that has a great impact on how people invest is the behavioral characteristics of investors. Given the importance of this issue, investors should be able to categorize investors into different classes and for each class, recommend investment appropriate to the personality type of the same class. One of the solutions that can be used for this purpose is clustering. Clustering is one of the unsupervised learning methods and has a descriptive nature. In this method, the data are allocated based on a similarity criterion so that the data in each cluster are most similar to each other and the least similar to the data in other clusters.
Methodology: In this study, using K-means clustering and Affinity propagation clustering, we identify a group of investors with similar ability and willingness to accept risk. We also show how to effectively allocate assets using investor characteristics using clustering techniques.
Findings: Use silhouette coefficient to evaluate two clustering methods to select the best method for data clustering. The k-means coefficient was equal to 0.17 and the Affinity propagation clustering was equal to 0.097. Therefore, we choose the k-means method as the optimal clustering method. Using the K-means clustering method, we cluster investors based on financial, behavioral and demographic characteristics, and according to the clustering results, we divide individuals into seven categories with low to high risk acceptance.
Originality/Value: All calculations in this study were performed by Python 3.8. The results of this study can be used by investment managers and stock advisors.

کلیدواژه‌ها [English]

  • Clustering
  • investment consulting
  • risk tolerance
  • optimization
  • Investor behavior
  • recommender system