خوشه بندی رفتار سرمایه گذاران بر اساس ویژگی های مالی، رفتاری و جمعیت شناختی: مطالعه ای بر اساس الگوریتم k-means

هدف: یکی از موضوعاتی که تاثیر بسزایی در نحوه سرمایه‌گذاری افراد دارد، خصوصیات رفتاری سرمایه‌گذاران است. با توجه به اهمیت این موضوع، سرمایه‌گذاران باید بتوانند افراد سرمایه‌گذار را به طبقات مختلف دسته‌بندی نمایند و برای هر طبقه، سرمایه‌گذاری 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 بر اساس یک معیار مشابهت به‌گونه‌ای 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 خوشه‌بندی k-means و روش انتشار وابستگی، مجموعه‌ای از سرمایه‌گذاران با توانایی و تمایل مشابه برای پذیرش ریسک را شناسایی می‌کنیم. همچنین نشان می‌دهیم که چگونه می‌توان با استفاده از تکنیک‌های خوشه‌بندی به تخصیص موثر دارایی‌ها با استفاده از خصوصیات سرمایه‌گذاران پرداخت.یافته‌ها: از ضریب silhouette برای ارزیابی دو روش خوشه‌بندی استفاده نموده تا بهترین روش را برای خوشه‌بندی داده‌ها انتخاب نماییم. ضریب k-means برابر با 0.17 و انتشار وابستگی برابر  با 0.097 شد؛ بنابراین ما روش k-means را به‌عنوان روش خوشه‌بندی مطلوب انتخاب می‌نماییم. با استفاده از روش‌ خوشه‌بندی k-means به خوشه‌بندی سرمایه‌گذاران براساس ویژگی‌های مالی، رفتاری و جمعیت شناختی پرداخته و با توجه به نتایج خوشه‌بندی، افراد را به هفت دسته با پذیرش ریسک کم تا زیاد تقسیم‌بندی می‌نماییم.اصالت/ارزش‌افزوده علمی: کلیه محاسبات این پژوهش توسط پایتون 3.8 انجام‌شده است. نتایج این پژوهش می‌تواند توسط مدیران سرمایه‌گذاری و مشاوران توصیه گر سهام مورداستفاده قرار بگیرد.

A Clustering of Investors’ Behavior According to Their Financial, Behavioral, and Demographic Characteristics (an Application of K-means Algorithm)

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 Kmeans 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 kmeans coefficient was equal to 0.17 and the Affinity propagation clustering was equal to 0.097. Therefore, we choose the kmeans method as the optimal clustering method. Using the Kmeans 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.