Любой рынок — это не просто график цены. Это множество финансовых инструментов, эмитентов и сделок с ними. Одна из ключевых задач анализа торгов — понять, какие инструменты ведут себя типично для своего класса, а какие выбиваются из общего ряда.
🔹 Что такое кластер и кластеризация?
Представьте себе стадион с болельщиками. Если одеты все в красное — это один кластер, в синее — другой. Если кто-то пришел в желтом, он явно выбивается. В данных кластер — это группа объектов (например, облигаций или эмитентов), которые похожи друг на друга по каким-то характеристикам и отличаются от других групп.
Кластеризация — это процесс разбиения множества объектов на такие группы (кластеры) без подсказок со стороны аналитика.
Мы не говорим алгоритму: «Вот это аномалия, а это нет». Мы просто просим: «Разберись сам, кто тут свой, а кто чужой».
🔹 Как разделить инструменты на группы и выявить аномалии?
Поможет кластеризация методом K-Means — самый популярный алгоритм для разделения объектов на группы. Представим каждый финансовый инструмент точкой в пространстве признаков: доходность, дюрация, объем торгов, кредитный рейтинг. K-Means попытается разбить их на группы.
Алгоритм дает интерпретируемые сегменты, например, «голубые фишки», «высокодоходные бонды», но требует заранее угадывать количество групп, чувствителен к масштабу данных и работает только с «шарообразными» кластерами.
Проблема K-Means в том, что «аномалия» для него — это просто маленький и далекий кластер.
🔹 Какие данные нужны, чтобы решать такую задачу?
Чтобы кластеризация работала корректно, требуется качественная база по финансовым инструментам и их эмитентам:
• Справочные данные по инструментам: тип бумаги, валюта номинала, наличие обеспечения, субординированность, листинг.
• Итоги торгов: цены закрытия, объемы, количество сделок.
• Календари выплат: купоны, оферты, погашения — чтобы понимать денежные потоки.
• Кредитные рейтинги: от российских агентств (Эксперт РА, АКРА, НКР, НРА) для оценки надежности.
• Финансовая отчетность эмитентов: РСБУ и МСФО, чтобы считать мультипликаторы и долговую нагрузку.
• Макропоказатели: безрисковые кривые, ключевая ставка — для привязки к рыночному контексту.
Все эти данные в структурированном виде доступны в RUDATA.
🔹 Почему кластеризация решает задачу поиска аномалий?
Логика простая: «кто не в кластере — тот подозрительный».
Когда мы разбили весь рынок на однородные группы, любая бумага или эмитент, которые не попадают ни в один из кластеров (или попадают в кластер с другими, но стоят особняком), — автоматически привлекают внимание.
Кластеризация позволяет не гадать, а опираться на реальную структуру рынка: если объект не похож ни на кого — он требует проверки.
🚀 Когда простых методов не хватает, на помощь приходят продвинутые подходы. О них расскажем в следующий раз — разберем, где K-Means подводит и чем опасен DBSCAN.
🔔 Было интересно? Не забудьте подписаться на наш блог! А если вас заинтересовали наши данные и сервисы, запросить демо-доступ можно, отправив сообщение нам на почту: rudata@interfax.ru. Мы также открыты к вопросам: самые интересные наши эксперты разберут в следующих статьях.
#RUDATA #Интерфакс #вопросэксперту #финансовыйрынок #рынокоблигаций #данныефинансовогорынка #кластеризация #алгоритмы #KMeans