A Clustering Model for Stocks that Considers Hidden Dynamics and Price Trajectory

IEEE Access. 2025. Vol. 13. P. 213194–213210.

Morychev G., Сизых Д. С., Сизых Н. В.

Одним из основных инструментов анализа больших объемов финансовых данных является использование методов и моделей кластеризации, позволяющих выявлять различные закономерности. В данном исследовании рассматривается проблема кластеризации временных рядов, отражающих поведение цен, доходности, мод, трендов и ряда связанных с ними показателей акций. Актуальность и новизна исследования заключаются в предложении оригинальных алгоритмов кластеризации акций, которые представляют собой сочетание двух подходов: вероятностного моделирования временных рядов с использованием скрытых марковских моделей (HMM) и метрического выравнивания временных рядов с помощью динамического искажения времени (DTW). Мы оценили результаты с помощью метрик качества кластеризации, коэффициента силуэта, индекса Дэвиса-Боулдина и метрик эффективности инвестиций, включая коэффициенты Шарпа и Омега. Используя эти результаты, мы провели сравнительный анализ предложенной и классической моделей кластеризации и продемонстрировали превосходную эффективность предложенного подхода. Для анализа универсальности предложенных алгоритмов мы использовали данные по акциям из двух индексов, представляющих совершенно разные рынки: развитый рынок и развивающийся рынок, оба в период кризиса. Данный анализ охватывает последние десять лет (2015–2025).

Ключевые слова: фондовый рынок, машинное обучение, кластеризация, марковские процессы, stock market, Скрытые марковские временные ряды, Hidden Markov model, Machine learning methods, dynamic time series alignment (DTW), Clustering models for stocks