Новый подход к классификации хедж-фондов
Аннотация
Хедж-фонд базы данных зависит от типа фонда включены и их классификации. Классификация на основе инвестиционной стратегии и / или инвестиционных стиле. Значительные изменения происходит в определениях, метод расчета прибыли и предположения. В результате множество классификаций, определенное дублирование, а некоторые являются взаимоисключающими. Это требует "альтернативного подхода к классификации хедж-фондов для решения в связи с отсутствием" чистых "типов хедж-фондов. Хедж-фонд литературы практически полностью зависит от существующих классификаций хедж фонд. Результаты исследований на хедж фонда производительность может отличаться в зависимости от базы данных, что затрудняет их сравнение. Действительно, многочисленные классификации может способствовать появлению различий в значениях сообщили различными организациями измерения производительности хеджевых фондов. Это исследование использует nonhierarchical кластерного подхода, анализа классифицировать хедж-фондов на основе активов, размер хедж-фондов, поощрительное вознаграждение, риск-уровне, а ликвидность хедж-фондов. Полученные результаты сравниваются с существующей классификации ZCM / базы данных хеджирования. Срок действия схемы классификации проверяется с использованием фиктивной переменной подход к регрессии.
Введение
Хедж-фонды пользуются здорового роста на протяжении многих лет и продолжают расти в популярности среди высоких уровнем собственного капитала инвесторов, доминирующих участника. В последнее время все большее число учреждений выделяют небольшую часть своих активов для этих альтернативных инвестиций из-за долгосрочного успеха некоторых хеджевых фондов. Хотя хедж-фонды будут использоваться для описания широкого спектра инвестиционных инструментов, которые могут существенно различаться с точки зрения размера, стратегии и организационной структуры, одна общность ограниченный объем информации для потенциальных инвесторов. Эта информация может включать только периодического возвращения. Даже ведущие базы данных хеджевого фонда предоставлять ограниченный информации, почерпнутой из средств эмиссионных документов, таких, как договорные положения, описания инвестиций, стили инвестиций и периодического возвращения. Договорные положения обычно включаются плата структуры, минимальный размер инвестиций, а также изъятия положения. К сожалению, Есть никаких юридических определений, что составляет хедж-фондов или отраслевым стандартом для их схемы классификации. Там, как представляется, множество классификаций существует.
Инвестиционная стратегия и / или инвестиционных стилей являются основой классификации. Среди этих различных классификаций, Есть некоторые базовые стратегии, при помощи менеджерам хеджевых фондов. Существует необходимость единого подхода к классификации хедж-фондов. В статье классифицируются хедж-фондов с использованием кластерного анализа. Классификация основана на классы активов хедж-фондов инвестирования, поощрительное вознаграждение, риска и ликвидности инвестиционной стратегии, и размер хедж-фондов. Полученные результаты сравниваются с существующей классификации ZCM / базы данных хеджирования для США и Non-US средств.
Хедж-фонд промышленности
В 1949 году фактический вес Джонс введено понятие хедж-фонда путем объединения заемных длинную позицию складе с портфелем акций в короткий инвестиционного фонда с структура пошлин стимулирования. Хедж-фонд инвестиционной деятельности и стратегии, произошли от этой простой концепции. Кроме того, хедж-фонды уже не только для американского рынка, но существует во многих областях по всему миру. В Соединенных Штатах, они обычно предлагают свои доли в частных размещений и имеют менее 100 высокого собственного капитала инвесторов, с тем чтобы использовать нормативных изъятий, предусмотренных в соответствии с Законом о ценных бумагах 1933 года, ценных бумагах и биржах 1934 года, а также Инвестиционный Компания Закона 1940 года.
Интерес к хедж-фонды и их эффективность воском и уменьшилась с течением времени. Хедж-фонды пользуются здоровый рост. Например, с высоким уровнем собственного достоинства инвесторов создается с помощью бычьего рынка конца 1980-х начали инвестировать в хедж-фонды как средство повышения их доходов. В 1990 году насчитывалось около 600 хедж-фондов во всем мире с активами около $ 38 миллиардов. По мнению отраслевых изданий, в конце 1998, несмотря на огласку крах Long Term Capital Management (LTCM), было около 3300 хедж-фондов с активами около $ 375 миллиардов. Дополнительные инвестиции в начале века толкнул индустрию хеджевых фондов на $ 600 миллиардов. Хотя хеджевые фонды инвестируют в различные ликвидные активы похожи на паевые инвестиционные фонды, они совершенно разные. В соответствии с действующим федеральным законодательством, хедж-фонды не имеют ограничений по управлению, практически никаких ограничений на состав портфелей, а не обязательного раскрытия информации о запасах или производительности.
Обзор литературы
Исследование хедж-фондов является новым явлением, в первую очередь из-за наличия данных. Таким образом, большая часть литературы меньше, чем десятилетней давности, но становится все более распространенной после азиатского кризиса LTCM и с акцентом на производительность присвоения (т. е. возвращает моделирование), оценки эффективности, характеристики и влияние на финансовые рынки. Резюме эмпирические работы по хедж-фондов приводит к следующим выводам: хедж-фонды последовательно превосходят взаимные фонды, но не стандартные показатели рынка хедж-фондов возвращения летучих; включения хедж-фондов в диверсифицированных портфелей повышает эффективность этих портфелей; хедж-фондов имеют низкую корреляцию с традиционными классами активов; фонд хедж-фонды предлагают диверсификации выгод в определенной мере хедж-фонды, возможно, с поправкой на риск исполнения настойчивость, там может быть уменьшение обратного к масштаба в индустрии фондов хеджирования; хедж-фонды не есть какие-то непосредственную роль в осаждением риска на финансовом рынке, структура поощрительное вознаграждение не приводят менеджерам хеджевых фондов принять более риску из-за возможность не выживания, а также хедж-фонды следить очень динамично стратегий. В таблице 1 приводятся хеджевых фондов литературы.
Классификации Хедж-фонд
Базы данных популярных среди исследователей и инвестиционного сообщества включают: Zurich Capital Markets (ДКЗ / Хедж) базы данных (ранее MAR / хеджирования), которая обеспечивает полный охват глобальных хедж-фондов; Хедж Fund Research (HFR) база данных, которая содержит более основе равенства хедж-фондов, а также ТАСС, информационные и исследовательские дочерней Credit Suisse First Boston Тремонт советников. База данных поставщиков все из них предлагают хедж-фондов и индексов классификации, к сожалению, не много общего. Хедж-фонд категорий, перечисленных в конкретной базе данных на основе представляются самостоятельно стиле классификации менеджерам хеджевых фондов. Кроме того, ни одна из баз данных содержит информацию о полной вселенной хедж-фондов. Базы данных отличаются от их определения "хедж-фондов. Например, ТАСС только базы данных, которая включает в себя управляемые фьючерсы средств, которые ограничивают свою деятельность на рынке фьючерсов.
С менеджерам хеджевых фондов используют разнообразные инвестиционные стратегии, базы данных услуг должны предоставлять какие-то схемы классификации. Хотя все основные базы данных полагаться на добровольные информации менеджерам хеджевых фондов, определения стилей и количество хеджевых фондов категории отличаются друг от поставщиков баз данных. Например, ZCM / Хедж-база данных, используемая в данном исследовании, классифицирует хедж-фондов в 4 общих классов и 10 широких категорий инвестиционных стилей. Занятия 'береговых' хедж-фондов (HF'US), "оффшорная 'хедж-фондов (HF-NON)," береговые "средствами-оф-фондов (FOF США) и" морской "средствами-оф-фондов (FOF -NON). Некоторые из категорий югу от классификации. ZCM / Хедж категорий баз данных, показаны на рисунке 1.
Хедж-фонд литературы показывает почти полную зависимость от существующих классификаций хеджевого фонда. Сравнение производительности различных хедж-фондов с существующими индексов хедж-фонд возвращает данные, не соответствующие как частный хедж-фондов могут быть классифицированы в две или несколько классов в зависимости от базы данных. Таблица 2 сравнивает классификации ZCM / Хедж, HFR, ТАСС и VanHedge баз данных.
Как видно из таблицы 2, что исследования по производительности хеджевых фондов может привести к разным результатам, на основе базы данных используется. Там, кажется, нет общей основы для сравнения существующей литературы по хедж-фондов. Неравенство, которое наблюдается в чисел, между различными организациями, измерения производительности хеджевых фондов могут быть отнесены к разнообразной классификации хедж-фондов. Многие изменения существует в определениях, методик расчета, предположений и данных работающих в различных менеджеров и баз данных. Это необходимо для сравнения практики менеджер хедж-фондов по сравнению с их сверстниками, как хеджевые фонды следовать различным стратегиям. Существует необходимость в "альтернативный подход к классификации хедж-фондов, учитывая отсутствие" чистого "типа хедж-фондов, которые существуют в отрасли.
[Рисунок 1 опущены]
Данные организации и методологии
В статье классифицируются хедж-фондов с использованием кластерного анализа. Кластерный анализ неоднократно использовалась в качестве инструмента классификации. Литература по кластерного анализа довольно большой и разнообразный. Кластерный анализ, в отличие от дискриминантного анализа, не дает никаких предположений относительно предварительного существенные различия в населении. Все данные аналитических методов, за исключением кластерного анализа, разработали в рамках конкретной дисциплины. Многочисленные дисциплин самостоятельно подошел кластерный анализ. Пундж и Стюарт (1993) обеспечивает детальное обсуждение применения кластерного анализа в социальных науках.
Данные характеристики, атрибуты, классного членства, и другие такие свойства описывают данные для кластеризации. Эти дескрипторы коллективно атрибуты этой проблемы. Атрибуты, которые тесно связаны добавить немного с точки зрения различения данных подразделений, в том числе и атрибуты, которые имеют большой разброс между единиц данных, но, не имеющие отношения к проблеме под рукой будет поставлять недостоверные результаты.
Я использую кластерного анализа отдельно для хедж-фондов проживающие в США, и те, проживающие за пределами США. Многие менеджеры хедж-фондов имеют два одновременных операций, одна проживает в США и еще проживает за пределами США, но с такими же характеристиками с точки зрения их инвестиционной стратегии и инвестиционной стиле.
А. атрибуты, используемые для классификации
Класса активов: активы класс определяет рынок, на котором фонд осуществляет свою деятельность. Этот атрибут подразделяется на четыре различных суб-атрибуты: акции, облигации, валюта и производные инструменты. Каждое из этих подразделений рассматривается как отдельный атрибут для кластеризации цели. Атрибут производной состоит из опционов, фьючерсов и ордеров. Никаких конкретных заказов, признается за любым из этих трех производных. В самом деле, они принимаются в качестве производной 1, 2 производной и производной 3. Если хедж-фонд использует все три типа производных финансовых инструментов, надлежащего вес, назначенный представлять использования всех видов производных финансовых инструментов.
Размер (1): минимальная закупка используется в качестве прокси для размера. Она представляет собой размер "паевых" в частности хедж-фондов.
Плата (2): Стимулирование плата используется как атрибут для классификации.
Кредитное плечо: от заемных средств и других повышенного риска инвестиционных стратегий, являются отличительной чертой хедж-фонд управления. Плечо от 0 до 70 раз стоимости актива.
Ликвидность: Существует нет прямого показателем ликвидности, которые могут быть рассчитаны для хедж-фондов. Погашение частота, которая варьируется от ежедневных ежегодно рассматривается как мера ликвидности.
B. Данные организации
Атрибутов считается классификации имеют различные шкалы измерения (в количественном и качественном отношении). Атрибуты для актива класса качественного типа, предоставление информации относительно того, хедж-фонд инвестирует в особый класс активов или нет (без портфеля состава). Все атрибуты преобразуются в качественные типа, а с учетом необходимости свести к минимуму потери информации в процессе перехода.
Эволюционная нечеткой логики (3) используется для преобразования количественных признаков в качественные переменных с порядковым шкала измерения с использованием двух этапов. На этапе 1, рассмотрев данные для оценки диапазонов каждой из количественных признаков. В таблице 3 приведены доступные диапазоны для каждого из атрибутов, а также ряд фондов в каждом диапазоне. На стадии 2, группы формируются с использованием различных диапазонов атрибутов. Новые диапазоны, чем присвоен состояния, используя порядковые шкалы. Таблица 3 содержит соответствующих государств и количество средств в каждом государстве для атрибутов поощрительное вознаграждение, рычаги, выкуп частоты и минимальные покупки.
Класса активов подразделяются на четыре атрибуты: акции, облигации, валюта и производные инструменты. Хедж-фонд менеджеров ZCM / базы данных Хедж использоваться три типа производных. Не делается никакого различия в отношении типа производной использоваться для присвоения государства этот атрибут, но должное внимание на количество производных используется управляющий фондом хеджирования. Например, если менеджер хеджевого фонда используются два производных инструментов (опционы и фьючерсы, фьючерсы и ордера и т.д.), фонд возложена на государство 2 производных атрибута.
Критерии отбора обеспечивает 8 символов; 4 по классам активов, и по одному для поощрительное вознаграждение, рычаги, выкуп частоты и минимальные покупки. Эти 8 атрибуты используются, чтобы найти сходство между хедж-фондов в базе данных. Так как производные могут иметь максимальную состояние 3, другие атрибуты класса активов также приведены в состояние 3, если они вкладывают в особый класс активов и состояния -3, если они не вкладывают в этой категории активов. Государство ноль (0) назначается на хедж-фонды, которые не имеют никакой информации относительно их использования или недостаточного использования, в отношении атрибут вопрос. Наконец, все атрибуты преобразуются в единый логический государств от 3 до -3, сохраняя при этом число состояний, связанных с каждого атрибута. Это назначает равное значение для каждого из 8 атрибутов, используемых для классификации. Все логические состояния представлены десятичное число, которое используется для вычисления расстояния меры.
C. Методология
Nonhierarchical K-средних кластеризации методом (4) используется для классификации хедж-фондов на основе вышеупомянутых признаков. Атрибутов выбранного таковы, что характеристики хедж-фондов представлены с помощью этого набора атрибутов не должны меняться со временем, если только сама структура хеджевых фондов изменилась. Рыночных условий, которые оказывают влияние на возвращение хедж-фонд, не изменится кластера принадлежность к хедж-фондов. Правильный уход взят для того, чтобы выбранные атрибуты представляют собой структуры, а не возвращаться характеристики хедж-фондов.
Первый шаг в использовании средств K-метода кластеризации является проверка действительности реализован алгоритм. K-средних метод разделов образца п субъектов в А групп на основе выбранной меры расстояния (как правило, евклидово расстояние). K-средних алгоритм может использовать различные меры расстояния. Эта статья использует два популярных расстояние меры, "расстояние меры Squared евклидовой и сумма абсолютных расстояний (" Сити-Блок "расстояние измерения). "Расстояние Squared евклидовом ', [d.sup.2.sub.xy], между двумя р-мерное замечания (пункты) X = [[x.sub.1], [x.sub.2], ... , [x.sub.p]] 'и Y = [y.sub.1], [y.sub.2], ..., [y.sub, р]' является
[D.sup.2.sub.xy] = [([x.sub.1] - [y.sub.1]). Sup.2] [([x.sub.2] - [y.sub. 2]). sup.2] ... [([X.sub.p] - [y.sub.p]). Sup.2] = (X - Y) '(XY) (1)
"Расстояние меры Squared евклидовом 'выбран для классификации по причинам, изложенным в следующем пункте.
Выбор числа кластеров
При кластеризации осуществляется за счет оптимизации целевой функции, такие как сведение к минимуму в пределах кластера разница, обычный подход заключается повторить алгоритм кластеризации с разным числом кластеров. Существует сокращение ошибку каждый раз количество кластеров увеличивается на передачу одного хедж-фондов в новый кластер. Таким образом, разница будет монотонно уменьшаются с увеличением числа кластеров. Если средства хеджирования п сгруппированы в к-выбрать хорошо разделенных кластеров, разница должна быстро уменьшаться, пока число кластеров K = K-опция, а уменьшение гораздо медленнее, после этого, пока не достигнет нуля, когда & = n. Значение К-опция определена путем построения внутри кластера разница в зависимости от количества кластеров и сосредоточения внимания на 'колено кривой.
Это расстояние должно уменьшаться количество кластеров (K) увеличивается. 2 показана сумма расстояний (Y-ось) для различных числа кластеров (по оси Х) с помощью "расстояния меры Squared евклидовом 'для хедж-фондов проживает в США (класс 1). Эти участки и предоставить ряд К-кластеров, которые могут быть использованы для классификации.
Есть 1106 хедж-фондов в класс 1 и 852 хедж-фондов в классе 2. Количество кластеров изменяется с шагом в 100 в первом участка для диапазона 52 до 1106, она изменяется с шагом в 1 в диапазоне от 2 до 52 во второй участок. В следующих двух участков уменьшить диапазон от 2 до 26 и от 2 до 16, соответственно, помогают сосредоточиться на уменьшении расстояния по мере соответствующего ассортимента. Соответствующих параметров по числу кластеров находится между 5 и 9 класса 1 с использованием "Сити-Блок" расстояние мерой и между 5 и 8 использованием "мера евклидовой Squared. Соответствующие диапазоны для ряда кластеров 9:56 для класса 2 хедж-фондов (проживающие за пределами США). От "меры с помощью" критерия City-блок "не плавно уменьшаются для класса 1 хеджевых фондов. Классификации хедж-фондов осуществляется с помощью "расстояния меры Squared евклидовой. Результаты 1 класса хедж-фондов как сообщается в документе. Аналогичные результаты получены для класса 2 хедж-фондов.
[Рисунок 2 опущены]
Как избежать минимумы
K-средних метод минимизирует сумму расстояний всех хедж-фондов с использованием кластера тяжести iteractive метод минимизации в пределах кластера дисперсии. Он произвольно разделов средств хедж п на А кластеров и вычисляет координаты центра тяжести кластера (в среднем), ([[bar.X]. Sup.k.sub.1], [[bar.X]. Sup.k. sub.2] ... [[bar.X]. sup.k.sub.j]), где по ряду признаков J равна 8 в этой схеме классификации.
Координаты центра тяжести кластера А, состоящий из средств м хеджирование [[bar.X]. Sup.k.sub.j] и определяется следующим образом.
[[Bar.X]. Sup.k.sub.j] = ([X.sup.k.sub.1j] [X.sup.k.sub.2j] ... [X.sup.k.sub . тг]) / м = 1 / м [m.summation старше (я = 1)] [X.sup.k.sub.ij] (2)
Одной из мер расстояния выше, используется для расчета расстоянии друг от хедж-фондов из группы центроиды (к центроиды). Каждый хедж-фонда переводятся в ближайшей кластера, например, что сводит к минимуму в пределах кластера дисперсии. Со времени проведения первого раздела осуществляется произвольно, K-средних метода, как и многие другие типы численных минимизаций может достигать локальных минимумов. Идущих на местном минимумов (и, следовательно, не оптимизации критерию минимума дисперсии) можно избежать за счет тиражирования случайный процесс к кластеров много раз. Как правило, рекомендуется, что репликация быть сделано, по крайней мере к 1 количество раз к кластеров. Эта статья повторяет случайного процесса между 100 и 1000 раз при каждом k.
Соотношение силуэт
Важно проверить разделения кластеров для классификации с использованием различных номеров кластеров. Силуэт значение представляет собой меру разделения кластеров. Силуэт значение для каждого хедж-фондов является показателем того, насколько близки, что хедж-фондов является хедж-фондов в своем кластере, по сравнению с хедж-фондами в других кластеров. Значение варьируется от 1 до -1. Силуэт значение, S (я) для г-го хеджирования определяется как
S (я) = ((мин (Ь (I, K))-а (я)) / (макс ((я), не менее (Ь (I, K))) (3)
где:
(я) является среднее расстояние-го хеджирования от других хедж-фондов в одном кластере, б (я, К) среднее расстояние-го хедж-фондов из хедж-фондов в соседних кластеров, мин ( B (I, K)) является минимальной из всех средних расстояний от хедж-фондов хедж-фондов в других кластеров.
Силуэт значение 1, для (я) = 0, для определенного хеджевого фонда показывает, что хедж-фондов очень далеко от соседних кластеров. Силуэт значение 0, для мин (б (я, Ь) = (I), показывает, что хедж-фонд, не ясно в один кластер или иной форме. Силуэт значение -1, для мин (б (я, к ) = 0, показывает, что хедж-фонда возлагается на неправильное кластера.
На рисунке 3 показана силуэт значения для класса 1 хеджевых фондов. Силуэт участков приведены для двух наборов классификации, где переход в силуэт значение происходит. Например, силуэт значение 1 для всех фондов для классификации класса 1 хедж-фондов использованием +352 или несколько кластеров. Силуэт стоимость уменьшается на определенные средства в 252-кластера классификации. Существует компромисс между стоимостью силуэт и количество кластеров. Схема классификации, которая классифицирует 1106 хедж-фондов в 352 кластеров не представляет большого практического применения. Наверное, каждый хеджевый фонд другое. Идея классификации выйти с управляемым числом группы хедж-фондов, без хедж-фонды с очень разными характерными сгруппированы вместе.
[Рисунок 3 опущены]
Силуэт сюжет отображает ту же информацию. Вместо того, чтобы визуально сравнения силуэт участков для различного числа кластеров, K, решение в отношении оптимального количества кластеров (с минимальной ошибочной классификации) осуществляется путем сравнения средних значений силуэт для разных размеров кластера.
Поиск оптимального количества кластеров
Для того, чтобы найти оптимальное количество кластеров, средние значения силуэт рассчитаны на разное количество кластеров, начиная от 2 до 16 лет. Диапазон количество кластеров решил из участков расстояние меры показано на рисунке 2. Таблица 4 сравнивает расстояние мер и среднего силуэт значения для разных количество кластеров. Как и следовало ожидать, расстояние меры уменьшается число кластеров возрастает. Расстояние, дает оценку близости от хедж-фонды, которые принадлежат к той же группе. Нижняя расстояние мера, лучше оптимизации с точки зрения близости хедж-фондов в рамках кластера.
Есть 13 различных кластеров для класса 1 хедж-фондов со средней силуэт значений, превышающих 0,5, используя "расстояние мера евклидовой Squared. Подчеркнул, приведенных в таблице 4, количество кластеров, которые требуют дальнейшего исследования. Рассмотрел критерии для выбора числа кластеров, для обеих класса хедж-фондов, в качестве кандидатов для дальнейшего расследования возможной скорости убывания на расстоянии измерять и одновременное увеличение среднего значения силуэт.
Проверка грубости количество кластеров
Важно, чтобы проверить надежность количество кластеров. Это достигается двумя путями. В алгоритм кластеризации, рандомизации семян точек сделать 1000 раз для каждой классификации А-кластера, чтобы избежать локальных минимумов. Даже после того, тиражирование случайный процесс в 1000 раз, алгоритм кластеризации выполняется четыре раза, чтобы проверить, есть ли существенные изменения в расстоянии измерять и средних силуэт. В таблице 5 представлены расстояние измерения и среднее значение силуэт различных выполняется в течение 6-кластер, 7-кластера, а также 9-кластерных систем классификации.
Существует никаких изменений в области дистанционного мер и среднего силуэт значения для классификации 6-кластера, используя функцию "расстояние мера евклидовой Squared. 9-кластера классификация показывает небольшое изменение среднего значения силуэт для класса 1 хедж-фондов, но эти различия несущественны. Результаты с помощью города-блок меры показывают, что это расстояние мера не хватает надежности по сравнению с 'Squared евклидовой "мера.
Таблица 6 сравнивает расстояние мер и среднего силуэт значения для 6-кластер, 7-кластера, а также 9-кластера классификаций с использованием "расстояние меры Squared евклидовой. 7-кластера классификации работает лучше, с точки зрения оптимизации критерия минимума расстояния и уменьшения ошибочной классификации для обоих классов.
Тестирование Действительность классификацией
Важно определить, при распределении средств от первоначального ZCM / классификации хеджирования в рамках новой схемы классификации для разных чисел кластеров до того, как заключение в отношении надлежащего числа кластеров будет достигнут. Кластеров, полученных с помощью K-средства кластеризации методом, по сравнению с первоначальным ZCM классификационной схемой хеджирования.
Таблица 7 показывает, перекрестных таблиц в ZCM / Хедж классификации по сравнению с 6-кластера классификации для класса 1 хедж-фондов использованием K-средства кластеризации. Кластер 3, самый крупный кластер с точки зрения общего количества средств, состоит из хедж-фондов из всех категорий. Интересно отметить, что новая схема классификации не сохранились любой из первоначальных классификаций ZCM / базы данных хеджирования. Можно предположить, что хедж фонд категории ZCM / базы данных хеджирования состоят из гетерогенных хедж-фондов, в связи с атрибутами, которые рассматриваются в настоящем исследовании.
Таблица 8 показывает, перекрестных таблиц для ZCM / Хедж классификации по сравнению с семи кластеров классификации для класса 1 хеджевых фондов. Единственная разница между 6-кластером и 7-кластера классификация распада кластера номер 6 в 6-кластера классификации на две группы, 6
Как видно из таблицы 8, что из 7 кластеров, кластеров 1 имеет более чем 50 процентов средств из каждой категории. Представляется, что большинство хедж-фондов очень похожи друг на друга, даже если они принадлежат к различным категориям данных. Срок действия схемы классификации проверяется с помощью фиктивной регрессии переменной.
Возвращение всех хедж-фондов, принадлежащих к той или иной группе является регресс на фиктивные переменные, которые указывают члены фонда в категорию ZCM / классификации хеджирования. Цель в данном случае заключается в проверке нулевой гипотезы не отличается от среднего дохода хедж-фондов различных категорий, пока эти хедж-фонды являются членами одного и того же кластера. Регрессионной модели выглядит следующим образом:
[R.sub.i] = [А] [л] [[бета]. Sub.1] [[D.sub.1i] [[бета]. Sub.2] [[D.sub.2i] [[ бета-версия]. sub.3] [[D.sub.3i] ... [[Бета]. Sub.m] [[D.sub.mi]] [[эпсилон]. Sub.i] (4)
где: R является (N х 1) вектор месячный доход хедж-фонда я для изучения периода Т (N х 1) вектор из единиц, и
[D.sub.1i], [D.sub.2i], ..., [D.sub.mi], является (N х 1) вектор фиктивных переменных с указанием членов хедж-фондов к особой категории, соответственно, .
Например, [D.sub.1] = 1, если хедж-фонд относится к категории 1, который является категории Event Driven, она принимает значение, равное нулю в противном случае. Есть м категориям, и поэтому число фиктивных переменных (т-1). Это позволяет избежать фиктивной переменной ловушку совершенной мультиколлинеарности.
Средний доход хедж-фондов из группы 1, которые принадлежат к категории м определяется по формуле:
E ([R.sub.i] | [D.sub.1i] = [D.sub.2i] = ... = [D.sub. (Т-1) г] = 0) = [А] [ [бета]. sub.m] (5)
Аналогичным образом, средний доход хедж-фондов из группы 1, которые принадлежат к категории управления является:
E ([R.sub.i] | [D.sub.1i] = [D.sub.2i] = ... = [D.sub.mi] = 0) = [] альфа-(6)
Если нулевая гипотеза не отличается средний доход от кластера 1 хедж-фондов, принадлежащих к различным категориям так, то предполагаемые бета получить от регрессии уравнения (4) должны быть статистически незначимыми. Результаты регрессии хедж-фонд возвращения на фиктивные переменные с указанием категории членства для хедж-фондов проживает в США приведены в таблице 9.
Результате регрессии, не впечатляет. В целом, отдельных бета-версии имеют значение для кластера 1. Кластер 3 и 7 кластеров в основном незначительные бета-версии, поддерживающие гипотезу, что категории членства не влияет на возврат тех пор, пока средства принадлежат к той же группе. Однако в результате кластера 1 приводит к противоположному выводу. Это не означает, что кластеры не полностью сформировавшимися, в противном случае бета-версии 3 для кластера и кластера 7 будут значительными. Это явное несоответствие в результатах объясняется тем, что кластер 1 является крупнейшим кластера с точки зрения доли хедж-фондов, что само по себе загадка. Дальнейшие работы должно быть сделано в попытке выделить хедж-фондов с точки зрения их атрибутов.
Такой же подход используется для проверки разницы в свою очередь хедж-фондов той же категории, но, членство в различных кластерах. Если кластер-членов представляет собой ожидаемое возвращение характеристики хедж-фондов, а затем получить бета-версии от регрессии кластера фонд возвращения на фиктивные переменные должны быть статистически незначимым, с указанием категории членов. Кроме того, бета получить от регрессии категории фондов вернуться на фиктивные переменные должны быть значительными, что свидетельствует членство кластера. В целом, бета получить от регрессии категории фондов вернуться на фиктивные переменные являются статистически незначимыми, ведущие к выводу, что кластер-членов не имеет большого влияния на возврат характеристик.
Резюме и выводы
Инвестиционная стратегия и / или инвестиционных стиля лежат в основе схемы классификации хедж-фондов занятых различными поставщиками данных. Эта классификация зависит от базы к базе данных. Существует значительная разница в определениях, возвращение методик расчета и предположения. Там существует множество классификаций, определенное дублирование, а некоторые являются взаимоисключающими. Источником информации для классификации схема анкеты заполнены менеджер хеджевого фонда. Важно отметить, что стратегия определения сами иногда не ясно. В определенное время, управляющий фондом хеджирования могут подумать, что инвестиционная стратегия фонда матчи с определенной категории, то же менеджер может думать иначе в различных периода времени, хотя, возможно, не было никаких фундаментальных изменений в стратегии следуют менеджер.
В настоящем документе используется кластерный анализ для классификации хедж-фондов в ZCM / базы данных хеджирования. Атрибуты, используемые при классификации являются те, которые влияют на возвращение характеристики хедж-фондов. Эти атрибуты скажется на доходности фонда хеджирования, но возвращаться не будет влиять на схеме классификации. Кластерного анализа на основе активов, размер хедж-фондов, поощрительное вознаграждение, риск-уровне, а ликвидность хедж-фондов. Все атрибуты преобразуются в единую шкалу измерения.
Сходство признаков, представляющих интерес, основу для формирования кластеров для хедж-фондов. В исследовании используется nonhierarchical K-средних кластеризации методом классификации хедж-фондов. Диапазон значений для оптимального количества кластеров решил, сосредоточив внимание на "колене кривой" в сюжете дистанционного меры в зависимости от числа кластеров. Надежность алгоритма рассматривается путем сравнения расстояние измерения и среднего силуэт значение для разных трасс алгоритма. В основу классификации по оптимизации внутри кластера дисперсии и минимизации ошибочной классификации хедж-фондов.
Классификации использует два расстояния меры, "Сити-блок" и "Squared евклидовой. Результаты показывают, что "мера Squared евклидовом 'является надежной по сравнению с" Сити-Блок "мера. Расстояние мер и среднего силуэт значения для 6-кластер, 7-кластера, а также 9-кластера классификации сравниваются. 7-кластера классификации работает лучше, с точки зрения оптимизации расстояние критерий и сокращения ошибочной классификации. Новая классификация полученных с помощью K-средства кластеризации метод по сравнению с существующей классификации ZCM / базы данных Хедж. Новая классификация не сохранились любой категории существующие классификации. Это говорит о том, что существующая классификация не учитывает атрибуты, которые используются для классификации в настоящем документе. Атрибуты, используемые в данном документе нет никаких субъективных критериев, которые будут меняться от менеджера до руководителя. Атрибутов изменится только тогда, когда основные характеристики хеджевых фондов изменения.
Срок действия схемы классификации проверяется с помощью фиктивной подход регрессии переменной. Результате регрессии является неоднозначным. Кластеров с большим числом хеджевых фондов статистически значимых бета-версии, тогда как другие кластеры имеют статистически незначимым бета-версии, что ведет к противоположному выводу. Существует необходимость для тонкой настройки системы классификации, основанные как на более государств из атрибутов считается для кластерного анализа, либо на дополнительных атрибутов, которые будут лучше описать хедж-фондов.
В новой классификации могут быть использованы для разработки критериев оценки эффективности работы хедж-фондов. Хедж-фонды из других баз данных могут быть классифицированы с использованием этой схемы классификации. Дальнейшие работы нужно сделать, чтобы определить представитель характеристики типичных хедж-фондов на членство в той или иной группе, которая поможет в идентификации хедж-фондов, чтобы этот новый метод классификации.
Ссылки
Андерберг Майкл Р. (1982), кластерного анализа для приложений, Academic Press.
Стивен Дж. Браун, Уильям Н. Готцманном и Джеймс Парк (2000), "Хедж-фонды и валютного кризиса в Азии 1997 года", Журнал Управление портфелем, Лето, с. 95-101.
Babinec Тони (2002), "Редакция: Некоторые размышления о кластерного анализа", журнал "Ориентация, измерение и анализ по маркетингу, Vol. 10, с. 301-303.
Колдуэлл Тед Классификация хедж фонды: "Что в имени?", Инвестиционная политика, 1, с. 30-41.
Das, Нандита, Ричард Дж. Киш, Дэвид Л. Muething и Ларри, У. Тейлор (2002), "Литература по хедж-фондов", Working Paper, Lehigh University Мартиндейл центр.
Das, Нандита, Ричард Дж. Киш, Дэвид Л. Muething и Ларри, У. Тейлор (2002), "Обзор индустрию хеджевых фондов", Working Paper, Lehigh University Мартиндейл центр.
Das, Нандита (2000), хедж-фонды: Вариант альтернативных инвестиций ", доклад, подготовленный к SEI Инвестиции".
Франклин Р. Эдвардс (1999), "Хедж-фонды и крах Лонг Срок Капитал Менеджмент", журнал "Экономические перспективы", Vol. 13, с. 189-210.
Фунг, Уильям и Дэвид А. Се (2001), "Критерии хедж-фонд производительности: содержание информации и погрешностей измерений", журнал Финансовый аналитик в.
Фунг, Уильям и Дэвид А. Се (1997), "Эмпирические характеристики динамического торговые стратегии: Дело о хедж-фондов", обзор финансовых исследований, Vol. 10, с. 275-302.
Goldman Sachs
Goldman Sachs
Хоппнер Фрэнк, Фрэнк Klawonn Рудольф Kruese и Томас Runkler (1999), нечеткие кластерного анализа, М. Джон и сыновья "ООО
А. Джонсон Ричард Дин В. Уичерн (1998), прикладной многомерного статистического анализа, Prentice Hall.
Го RJ, Л. Хо и Ху CM (2002), "кластерного анализа в области промышленного Сегментация рынка" посредством искусственной нейронной сети, компьютеров и организации промышленного производства, Vol. 42, с. 391-399.
Lorr Морис (1983), кластерный анализ для социологов, Jossey-Bass публикации.
Пундж Girish и Дэвид У. Стюарт (1983), "кластерного анализа в маркетинговых исследованиях: обзор и предложения по применению", журнал "Маркетинговые исследования, Vol. 20, с. 134-48.
Ромсберг Чарльз Х. (1988), кластерного анализа для исследователей, Lifetime Обучение Публикации.
Себер GAF (1984), многомерный наблюдениям, John Wiley и сыновья ".
Спат Гельмут (1985), кластер Dissection и анализа, Ellis Horwood Limited.
Яго Гленн, Lalita Ramesh Ной Е. Hochman (1999), "Хедж-фонды: Структура и эффективность", журнал альтернативных инвестиций.
ПРИМЕЧАНИЯ
(1.) Стоимости чистых активов может быть мерой величины. Тем не менее, стоимость чистых активов будет меняться из года в год и будет зависеть от метода расчета. Паевые инвестиционные фонды оцениваются свихнувшийся с опубликованной стоимости чистых активов (NAV). Есть нет конкретных норм, регулирующих ценообразование хеджевых фондов. американскими фондами хеджирования предоставлять инвесторам только ежемесячную оценку получить процент или убыток.
(2.) В общем, хедж заряда средств двух видов сборов: сбор по управлению активами и поощрительное вознаграждение. Плата по управлению активами базируется на процент от активов в фонде, как правило, 1 или 2 процентных пункта в год. Это включает в себя юридические, аудит, административные и другие расходы. Она выплачивается ежемесячно или ежеквартально, и может быть связано в начале или в конце каждого периода. Плата автоматически списывается пропорционально со счета каждого инвестора. Плата управления активами почти одинакова для всех хедж-фондов. Таким образом, плата по управлению активами не рассматриваются в качестве атрибута для этой системы классификации. Плата стимулирования или, перевозимых заинтересованности "доли хедж менеджер фонда в прибыли фонда. Это поощрительное вознаграждение это то, что отличает хедж-фондов с активами взаимных фондов. Обычно плата составляет 20 процентов, но это может варьироваться от 0 до 50 процентов.
(3.) Эволюционного нечеткой логики, формы многозначной логики основывается на понятии градуированных истинности и ложности, как и другие многозначных логических систем. Тем не менее, она позволяет исследователю, чтобы изменить количество государств, не меняя состав уже классифицированных членов. Она также включает в себя состояние неизвестно, где правда и ложь сливаются. Эта функция помогает решать недостающую информацию в базы данных для какой-нибудь атрибут. В контексте данной статьи, эта логическая система позволяет конвертировать количественной переменной в качественной переменной с порядковым шкала измерения. Например, хедж-фонд, который идентифицирует себя как использование кредитного плеча в размере 10% имеет членство в государстве, которая охватывает три государства 1 (до 1% кредитного плеча) и Государственной 2 (1% -2% от кредитного плеча).
(4.) Процедура, разработанная в 1967 году Маккуин, перегородки образца п субъектов в А групп на основе евклидова расстояния меры. Алгоритм присваивает каждому пункту в кластер с ближайшим центроидом (в среднем). Вместо того, чтобы, начиная с раздела всем пунктам, в предварительных группах А, можно определить к первоначальной центроид (семян баллов). K-средних обрабатывает каждый наблюдения в наборе данных, как объект, имеющий место в пространстве. Объекты разбиты по таким образом, чтобы они как можно ближе друг к другу, насколько это возможно каждого кластера, и вдали от объектов в других кластеров. Каждая группа в данном разделе определяется ее объектов членов и ее тяжести. Центр тяжести для каждого кластера является точка, к которой сумма расстояний от всех объектов в этой группе было минимальным.
Нандита Дас, Блумсберг университета.
* Автор выражает благодарность Фонд для управляемых производных исследований для предоставления субсидий и исследований, чтобы г-н Ричард Е. Oberuc из Лапорт Распределение активов системы для обеспечения ZCM / Хедж базы данных.
