Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Time-Frequency Filtering for Seismic Waves Clustering Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

Dynamic Clustering of Financial Assets

verfasst von : Giovanni De Luca, Paola Zuccolotto

Erschienen in: Analysis and Modeling of Complex Data in Behavioral and Social Sciences

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this work we propose a procedure for time-varying clustering of financial time series. We use a dissimilarity measure based on the lower tail dependence coefficient, so that the resulting groups are homogeneous in the sense that the joint bivariate distributions of two series belonging to the same group are highly associated in the lower tail. In order to obtain a dynamic clustering, tail dependence coefficients are estimated by means of copula functions with a time-varying parameter. The basic assumption for the dynamic pattern of the copula parameter is the existence of an association between tail dependence and the volatility of the market. A case study with real data is examined.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel The Estimation of the Parameters in Multi-Criteria Classification Problem: The Case of the Electre Tri Method
Nächstes Kapitel A Comparison of χ 2 Metrics for the Assessment of Relational Similarities in Affiliation Networks
Literatur
Alonso, A. M., Berrendero, J. R., Hernández A., & Justel, A. (2006). Time series clustering based on forecast densities. Computational Statistics and Data Analysis, 51, 762—776.CrossRefMATHMathSciNet
Caiado, J., Crato, N., & Peña, D. (2006). A periodogram-based metric for time series classification. Computational Statistics and Data Analysis, 50, 2668–2684.CrossRefMATHMathSciNet
Cherubini, U., Luciano, E., & Vecchiato, W. (2004). Copula methods in finance. New York: Wiley.CrossRefMATH
Corduas, M., & Piccolo, D. (2008). Time series clustering and classification by the autoregressive metrics. Computational Statistics and Data Analysis, 52, 1860–1872.CrossRefMATHMathSciNet
De Luca, G., & Zuccolotto, P. (2011). A tail dependence-based dissimilarity measure for financial time series clustering. Advances in Classification and Data Analysis, 5, 323–340.CrossRef
De Luca, G., & Zuccolotto, P. (2014). Time series clustering on lower tail dependence. In M. Corazza, & C. Pizzi (Eds.), Mathematical and statistical methods for actuarial sciences and finance. New York: Springer.
Galeano, P., & Peña, D. (2006). Multivariate analysis in vector time series. Resenhas, 4, 383–404.
Joe, H. (1997). Multivariate models and dependence concepts. New York: Chapman & Hall/CRC.CrossRefMATH
Nelsen, R. (2006). An introduction to copulas. New York: Springer.MATH
Otranto, E. (2008). Clustering heteroskedastic time series by model-based procedures. Computational Statistics and Data Analysis, 52, 4685–4698.CrossRefMATHMathSciNet
Piccolo, D. (1990). A distance measure for classifying ARMA models. Journal of Time Series Analysis, 11, 153–164.CrossRefMATH
Sokal, R. R., & Michener, C. D. (1958). A statistical method for evaluating systematic relationships. University of Kansas Science Bulletin, 38, 1409–1438.
Metadaten
Titel
Dynamic Clustering of Financial Assets
verfasst von
Giovanni De Luca
Paola Zuccolotto
Copyright-Jahr
2014
Buch
Analysis and Modeling of Complex Data in Behavioral and Social Sciences

Print ISBN: 978-3-319-06691-2

Electronic ISBN: 978-3-319-06692-9

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-319-06692-9_12