Классификация паевых фондов в Индии: некоторые результаты кластеризации

Аннотация

Эта статья попытки классифицировать 100 паевых фондов использованием кластерного анализа и использования целого ряда критериев, как я год общий доход, 2 года годовая доходность, 3 года годовая доходность, 5 лет годовая доходность, альфа-, бета-, R-квадрат, коэффициент Шарпа в, среднее значение и стандартное отклонение и т.д. Данные получается из Valuresearchonline. Мы действительно нашли доказательства несоответствия между инвестиций стиль / объективной классификации и возвращения полученных фонда.

I. ВВЕДЕНИЕ

взаимный фонд промышленности Индии резко вырос за последние несколько лет. В 2003-04 сумму 47873 рупий рупий был мобилизован в паевые инвестиционные фонды. Из этого рупий 41510 рупий был мобилизован частный сектор паевые инвестиционные фонды. Можно представить себе значительный потенциал для роста бизнеса взаимными фондами, так как небольшая часть сбережений в стране инвестируется на рынках капитала. Руководители иностранных компаний, деньги начали также вкладывают средства во взаимные фондового рынка. В этой динамичной атмосфере торговли, покупатели сталкиваются с проблемой диверсификации своего портфеля между различными типами фондов. Имя, данное им не всегда отражают стиль управления фонда. Настоящее исследование дает разведочных попытка классифицировать 100 паевых фондов использованием кластерного анализа и использования целого ряда критериев, как 1 год общий доход, 2 года годовая доходность, 3 года годовая доходность, 5 лет годовая доходность, альфа-, бета-, R-квадрат , соотношение Шарпес, среднее значение и стандартное отклонение и т.д., полученных от Valueresearchonline. Мы действительно нашли доказательства несоответствия между инвестиций стиль / объективной классификации и возвращения полученных фонда.

Остальные статья организована следующим. Раздел 2 следы индийской промышленности взаимного фонда вкратце. Немного прошлого исследования были рассмотрены в разделе 3. В разделе 4 описываются методы и источники данных. Результаты кластерного анализа представлены в разделе 5 и раздел 6 предлагает несколько заключительных замечаний.

II. ИНДИЙСКИЙ взаимное ПРОМЫШЛЕННОСТИ ФОНД

Взаимный фонд промышленности в Индии был создан в 1963 году с создания Группы Траст оф Индиа (UTI) *. Ее деятельность началась в июле 1964 года "с целью стимулирования сбережений и инвестиций и участия в доходах, прибыли и доходов, получаемых корпорацией от приобретения, хранения, управления и распоряжения ценными бумагами" (Sankaran, 2003, стр.40). UTI было монополии на фонд отрасли до государственных банков и страховых компаний вошли промышленности в 1987 году. Частный сектор инвестфондов были допущены при ценным бумагам и биржам Индии (SEBI) разработали всеобъемлющие правила для фондов. Они были заменены SEBI взаимных правил фонда в 1996 году. В настоящее время взаимный промышленности фонд состоит из следующих игроков, помимо UTI.

(А) Банк профинансировал

(Б) учреждений

(С) Частный сектор (Индии, совместные предприятия-преимущественно индийской, Объединенный venturespredominantly иностранных).

Таблица 2.1 представляет ресурсов, мобилизованных выше игроки 1990-1991 годов до 2004-2005 годов.

Промышленность выросла с точки зрения размера, игроков и управление активами. Мобилизация сбережений домашних хозяйств в направлении собственного капитала, кажется, неизбежно возникающих в индийский рынок для будущего экономического роста. Роль взаимных фондов промышленности приобретает особое значение в этом контексте.

III. Некоторые прежние исследования

Паевые инвестиционные фонды ели обычно классифицируются на основе их целей. Инвесторы могут принять цели как сигналы свои риски и доходы, если деятельность паевых инвестиционных фондов соответствуют поставленным задачам.

Исследование др. Копен и др. (1996) исследовал, каким образом потребители сделали инвестиционные решения для взаимных фондов. Инвесторы сообщили, что они считают многие неисполнение связанных переменных. Когда инвесторы были сгруппированы по сходству инвестиционного процесса принятия решений, с одной небольшой группы, очень хорошо осведомлены о своих инвестиций. Тем не менее, большинство инвесторов, как представляется, наивный, не имея достаточного знания о стратегии инвестирования и финансовые детали своих инвестиций.

JIN Сюэ-июне и Ян Сяо-центр (2003) проанализировали паевой инвестиционный фонд объективной классификации в Китае с помощью статистических методов дистанционного анализа и дискриминантного анализа. Авторы рассмотрели, если указанные инвестиционные цели паевых инвестиционных фондов адекватно представлены их атрибуты для инвесторов. То есть, если взаимные фонды присоединились к поставленным задачам, атрибуты должны быть разнородными между инвестициями цель групп и однородных внутри них. В целом, они обнаружили, что существует никаких существенных различий между группами различных объективных и 50% взаимных фондов, не согласуются с их цель группы.

В индийском контексте, Аманулла (2001) проверили эффективность портфеля паевых инвестиционных фондов отдела Траст оф Индиа (UTI), используя традиционные показатели эффективности, такие как Jensen, Трейнор и методологии Шарпес. Используя Грейнджер причинности и сотрудничеству интеграции испытаний, в документе также исследованы оценки эффективности инвестиционных фондов. Средняя еженедельная чистая стоимость активов 16 взаимных фондов UTI и две фондовые индексы на рыночную цену т.е. Бомбейская фондовая биржа (BSE) чувствительным показателем, а также S

Ferruz и Ортис (2005) попытка изучения индийской паевые инвестиционные фонды. Они проверили, если классификации получил от названия, данного идентифицировать их соответствовала той, которую можно было бы получить было до управления должны быть приняты во внимание. Используя факторный анализ и кластерный анализ исследования был сделан вывод, что отнесение средств в соответствии с риском производства малых уклонений в отношении критериев доля инвестиций, что позволило классификации сделал учреждениями, ответственными за обеспечение правильного функционирования и безопасность инвесторов во взаимном фондового рынка.

IV. Данных и метод

Данные, используемые в настоящем исследовании, относятся к паевых фондов, инвестирующих в индийском фондовом рынке и получены из Valueresearchonline *. Сто взаимных фондов из 6 различных именно секторах. автомобильной, фармацевтической, базовый инжиниринг, FMCG, финансовые услуги и технологии принимаются в период с мая 2002 по май 2006 года. Средств, взятых также подразделяются на шесть различных категорий в зависимости от их инвестиционных стилей и капитализации. Эти категории роста Большие (GL), и среднего роста (ГМ), стимулирования роста малых (GS), Blend-Большие (BL), Blend-средний (БМ) и Blend-Малый (BS). Большие, малые и средние относятся к рыночной капитализации фонда. Наряду с рыночной капитализации, если фокус фонда на рост, классифицируется как рост или особым экономическим ростом среднего роста или малом. Если сосредоточиться фонда на рост и значение ориентированной запасов, это классифицируется как Blend-Большие или Blend-среднего и Blend-Малый. В общей сложности 10 переменных, используемых для выполнения кластерного анализа именно 1 год общий доход, 2 года годовая доходность, 3 года годовая доходность, 5 лет годовая доходность, альфа-, бета-, R-квадрат, Шарпес отношение, среднее значение и стандартное отклонение взяты из Valueresearch . Возвращение переменных съел рассчитывается из стоимости чистых активов фонда.

Евклидово расстояние для кластеризации используется. Евклидово расстояние ([d.sub.ij]) между двумя объектами, т. е. два различных паевых инвестиционных фондов, я и /, можно измерить, как:

[D.sub.ij] = [[n.summation более (А = 1 )][[([ X.sub.ik] - [X.sub.jk]). Sup.2]]. Sup.2] (1)

где [X.sub.ik] и [X.sub.jk] относятся к [k.sup.th] характеристики (например, альфа-, бета-, возврат и т.д.) [i.sup.th] и [J . sup.th средств], соответственно.

Важным компонентом алгоритм кластеризации расстояние мера между различными точками данных. На рисунке показано ниже, иллюстрирует это на примере ширины и высоты объекта. Несмотря на оба измерения, принимаемых в той же физических единицах, обоснованное решение должно быть принято в отношении относительной герметизации. Как видно из рисунка, различные уплотнения может привести к разным кластерам.

Учитывая тот факт, что евклидово расстояние не является инвариантной масштабе, это решение для расширения ввода данных должным образом, что все данные точки лежат между [0,1]. Для этой цели каждая точка данных вычисляется следующим образом:

[X.sub.k, масштабировать] = [X.sub.k] - [X.sub.k, мин] / [X.sub.k, макс] - [X.sub.k, мин] (2)

где [X.sub.k] является характерной фонда (например, альфа-, бета и т.д.) и [X.sub.k, мин или макс] относятся к его минимальное и максимальное значения, соответственно.

[Иллюстрация опущены]

В. Кластерный анализ DATA

В последнее время несколько алгоритмов перегородки были развиты, что можно разделить данные элементы в K кластеров, для которых сумма расстояний по пунктам их центрами кластеров является минимальным. Количество кластеров, K задается пользователем. Эти алгоритмы различаются по определению центре. В K-средних кластеризации центра кластера определяется как среднее ректор данные, усредненные по всем пунктам, в кластере. Вместо того, чтобы сказать, в к-медиан кластеризации медиана рассчитывается для каждого аспекта данных ректора. Наконец, в к-medoid кластеризации центра кластера определяется как пункт с наименьшей суммой расстояний до других элементов в кластере.

K-средних алгоритм присваивает каждой точке к кластеру, центр которого (также называемый тяжести) является ближайшей. Центр среднем из всех точек в кластере а именно, его координаты среднее арифметическое для каждого измерения отдельно по всем точкам в кластере.

Алгоритм может быть выполнен через следующие шаги:

* Случайный порождают К кластеров и определения центров кластеров, или самостоятельно создавать точки А в качестве семян центров кластеров.

* Назначьте каждой точки до ближайшего центре.

* Re-вычислить новые центры кластеров.

* Повторяйте, пока некоторое сближение критерия (как правило, того, что уступка не изменилась).

В качестве исходных пунктов назначения для кластеров производится случайным образом, как правило, различные решения кластеризации находится каждый раз, когда алгоритм будет выполнен. Чтобы найти оптимальное решение кластеризации, к-средств алгоритм повторяется много раз, каждый раз, начиная с различных исходных случайных кластеров. Сумма расстояний от детали к их центра кластера сохраняются для каждого запуска, и решение с наименьшим значением этой суммы будут возвращены в общем решении кластеризации. Как часто алгоритм должен быть запущен в зависимости от количества элементов кластерного время. Если оптимальное решение найдено много раз, маловероятно, что лучшего решения существуют, чем один найден. Однако, если оптимальное решение можно найти только один раз, может вполне быть и другие решения с меньшим внутри кластера сумма расстояний.

Здесь мы используем средства K-алгоритм для 10-измерение данных взаимного фонда, который влечет за собой финансовые показатели кластера взаимных фондов в 5 различных кластеров. Алгоритм был бежать 10000 раз, а решение об найдено 122 раз. Это означает, что решение найдено здесь нашли много раз, и маловероятно, что лучшего решения, чем это есть. Следовательно, решение вряд ли изменится каждый раз мы запустили программу. Ошибка меры в рамках кластера сумма расстояний оказалась 0,71402, что лучше, чем один проход суммы алгоритма от расстояния 0,77203.

Кластеров Полученные данные приведены в таблицах 5,1 до 5,6. В группе 1 из 29 фондов 2 относятся к ГМ, 1 BL, а 26 относятся к GL. В группе 2 относятся к 9 ГМ 1 BS, 2 Б.М., 16 и GL. Кластер 3 средств всех фондов роста стиле. Есть четыре ГМ 1 Б.М., 1 и 3 BS GL средств в группе 4. Кластер состоит из трех 5 BL, 4 ГМ 1 BS, 1 Б. и 19 GL средств. Кластер 3 имеет никаких противоречий относительно стиля, когда сгруппированы по возвращении характеристик. Кластер 1 имеет немного несоответствия с 3 из 29 средств относятся к другой стиль. Кластер 4 имеет разумные несоответствий, где, как кластер 5 в значительной степени доминируют GL фонда хотя и небольшая группа М., Б. М. и Б. средства также нашли в нем. Сводная картина представлена в таблице 5.6.

Что касается секторов беспокоит, мы видим несоответствие между секторами. Сочетание различных секторах выполнения аналогично с точки зрения финансовых характеристик содержит важную информацию инвестиций для инвесторов.

VI. ЗАКЛЮЧЕНИЕ

Доказательства из кластерного анализа в пользу какой-либо несоответствий, хотя и не грубые, между стилем / цель классификации и фактического исполнения взаимных фондов в нашей выборке. Следует отметить, что исследование ознакомительный характер с данными Valueresearch. Однако, для инвестора недостаточный уровень знаний и стремление к инвестициям результаты показывают, как можно диверсифицировать инвестиции в паевые инвестиционные фонды по секторам и стилей или целей. Прошлой деятельности должны быть приняты во внимание до принятия инвестиционных решений, поскольку средства из различных классификаций может пойти вместе с точки зрения их эффективности как это было в наших кластеров.

Ссылки

Аманулла. S. (2001), "взаимные фонды эффективно диверсифицированный или интегрированы с рынка индекс? Доказательств UTI паевые фонды", Udyog Pragati, Vol. 24, 1-16.

Кэпон Ноэль, Гавань j. Фицсаймонс, Русс Алан князь (1996), "Индивидуальный анализ уровня паевого инвестиционного фонда Решение", журнал "Финансовые услуги исследований, Vol. 10, 59-82.

Ferruz Луис и С. Ортис (2005), "Взаимная ли фонд управления в Индии соответствует его инвестиционной Цель классификации"? Обзор бассейна Тихого океана по финансовым рынкам и политика, Vol. 8, 659.

JIN Сюэ-июне и Ян Сяо-центр (2003), "Эмпирические исследования о взаимной Фонда Цель классификации", журнал "Zhejiang университет Science, Vol. 5, 533-538.

Sankaran Сундар (2003), индийский Справочник взаимные фонды, Vision Книги, Нью-Дели.

Мишель де Хун Seiya Imoto, Satoru Miyano (2004), "C кластеризации библиотека", Токийский университет, Институт медицинских наук, геноме центр.

GAJENDRA SIDANA

Кафедра химической технологии

ИИТ Мадрас, Ченнаи

DEBASHIS АЧАРЬЯ

Кафедра гуманитарных социальных наук

ИИТ Мадрас, Ченнаи

* Впрочем, инвестиционные тресты были на существование в Индии с 1869 года. Среди них были по промышленному инвестиционный фонд установленные Премчанд Roychand в 1933 году и инвестиционная корпорация Индии организовано Тата в 1936 году.

* Значение исследований в области независимого поставщика инвестиционных информацию о паевых инвестиционных фондов. Основанная в 1990, это компании финансировать научные исследования в Индии, которая отслеживает индийских инвестиционных фондов и публикует данные взаимного фонда, оценок и комментариев в интернете и печатных услуг.