Clustering techniques for stock market series : a comparison

In this thesis we address the problem of modeling and forecasting the financial behaviour of public companies through the analysis of their stock prices. We present some new developments in the context of the Mercurio project, a decisional support system for investors, by analyzing stocks of companies traded in the American market. The fluctuation of stock prices can be ascribed to many different and unknown events, which all together determine the final market prices and the relative market trends. The possibility to identify trends in companies stock prices is of paramount importance since it would allow investors to understand which is the best moment to buy or sell their shares. We achieve this goal by proposing a methodology consisting of different data analysis techniques which allows to identify similarities between stock prices of different companies. We discover such similarities by means of clustering different representations (e.g. Moving Averages, Symbolic Approximation and Wavelet Transforms) of companies' stock price time series. Clustering these different representations, instead of the original time series, delivers better clusters both in terms of interpretability and Silhouette coefficient. We employ Wavelet Transforms also for binary stock movement prediction which allow us to obtain an improvement of 8% w.r.t. standard techniques.

In questa tesi affrontiamo il problema di modellare e prevedere il comportamento finanziario delle società pubbliche attraverso l’analisi dei loro prezzi delle azioni. Presentiamo alcuni nuovi sviluppi nel contesto del progetto Mercurio, un sistema di supporto decisionale per gli investitori, analizzando i titoli delle società quotate sul mercato americano. La fluttuazione dei prezzi delle azioni può essere attribuita a molti eventi diversi e sconosciuti, che insieme determinano il valore finale dei titoli azionari ed i loro andamenti sul mercato. La possibilità di identificare tali andamneti è di fondamentale importanza poiché consente agli investitori di capire quale sia il momento migliore per acquistare o vendere le proprie azioni. Raggiungiamo questo obiettivo proponendo una metodologia composta da diverse tecniche di analisi dei dati che permette di identificare somiglianze tra i prezzi delle azioni delle diverse società. La ricerca delle similitudini è condotta mediante il clustering di diverse rappresentazioni (ad esempio Medie Mobili, Symbolic Approximation e Wavelet Transform) delle serie temporali rappresentanti l’andamento dei titoli azionari sul mercato. Raggruppare queste diverse rappresentazioni, anziché le serie temporali originali, produce clusters migliori sia in termini di interpretabilità che di Silhouette coefficient. Utilizziamo inoltre le Wavelet Transform per prevedere un aumento o un calo del prezzo e attraverso esse siamo riusciti a ottenere un miglioramento dell’8% rispetto alle performances fornite dalle tecniche standard.