Agrupamento de Ativos do Mercado Indiano para Administração de Portfólios

Este paper publicado na revista acadêmica Expert Systems with Applications traz um trabalho interessante no qual pesquisadores indianos utilizaram as técnicas de clustering para construção e administração de portfólios de ativos da bolsa de valores da Índia e compararam os resultados com o índice Sensex.

A pesquisa utiliza como parâmetro de seleção de ativos idéias relativas ao artigo Portfolio Selection de Markowitz, no qual a carteira seria composta não somente pelos ativos que tivessem um melhor retorno financeiro, mas que também tivessem um baixo risco.

Partindo desse princípio, as empresas seriam agrupadas em clusters de acordo com alguns indicadores de análise técnica, e em um momento segunte de acordo com o valor do índice de validação dos clusters seriam formados os portfólios com os pesos de cada companhia.

O artigo trás idéias interessantes e o ponto negativo (e que provavelmente não foram apresentados pelos autores por desconhecimento ou abstração) é que fatores técnicos são inadequados para esse tipo de classificação devido ao seu alto volume de transações, bem como a pesquisa é inviável em termos de atualização de dados para alocação de ativos. O artigo se tivesse focado em indicadores fundamentalistas, macroeconômicos e setoriais  para enquadrar a construção e gestão de portfólios apresentaria melhores resultados.

Clustering Indian stock market data for portfolio management

Agrupamento de Ativos do Mercado Indiano para Administração de Portfólios

Mineração de Dados nos Esportes

Para quem não assistiu o filme Moneyball vale a pena assistir como é um trabalho de um cientista de dados aplicado ao esporte. De forma muito satisfatória mostra a história do Oakland Athletics após a análise estatística sobre os atributos de jogadores que estariam subvalorizados pelo mercado de transações.

Nesta entrevista do professor Jim Albert  é apresentado um panorama muito interessante para quem deseja aplicar métodos estatísticos, bem como mineração de dados no domínio esportivo.

Mineração de Dados nos Esportes

Análise RFM

Um dos tópicos mais comuns para quem trabalha com Mineração de Dados em escala gerencial em especial em setores de CRM é RFM que é a sigla de Recency, Frequency, and Monetary Value (Fator de Recência, Frequência e Valor Monetário) e é um fator de metrificação que tem como finalidade identificar a distribuição de clientes, e o seu comportamento de acordo com a última situação de consumo mais a frequência que o mesmo realiza suas compras bem como o seu valor monetário, isto é o quanto ele efetivamente gasta.

Com esse tipo de métrica é possível realizar análises de segmentação de clientes, como desenvolvimento de campanhas de marketing, ou até mesmo auxiliar setores de cobrança na questão do modelo de liquidação de portfólio de cobrança.

Dois cenários rápidos de aplicação do RFM:

a)      Dentro de uma base de clientes você deseja realizar uma campanha de marketing para fidelização de clientes, no qual de acordo com o RFM você pode escolher os clientes que tenham menor fator F (Frequência) ordenados pelo seu valor monetário e posteriormente pela última atividade de compra (Recência); e

b)      Através de uma campanha de cobrança, você pode incluir o RFM para indicar o quão valioso é o cliente na questão de enviar ou não uma carta; ou mesmo dentro de um limite de acionamento você colocar os clientes mais valiosos em valor monetário (M) em prioridade de acordo com o quão recente é o seu débito (R) já que dívidas recentes tem uma propensão maior para serem pagas.

O artigo em si é bem sintético, porém  dá ótimas dicas de como utilizar o conceito de RFM.

Análise RFM

Financial Series – Applications of Data Mining in Stock Market

Esse artigo escrito por Savinderjit Kaur e Veenu Mangat ambos da Panjab University na India apresenta algumas das aplicações da Mineração de Dados no mercado acionário, com diversas idéias de domínio interessantes.

Esse paper é bem feito, e tem como objetivo apresentar de forma bem introdutória aspectos nos quais a Mineração de Dados pode ser aplicada no mercado acionário, tudo isso em um texto bem simples; quase como um overview, porém, com um bom teor acadêmico de background.

Os aspectos apresentados no texto são:

  • Previsões de preços de ativos na bolsa de valores;
  • Predição de Índices no Mercado Acionário;
  • Portfólio Management;
  • Sistemas de Recomendações; e
  • Detecção de Tendências.

De uma maneira geral, o paper tem como grande trunfo aliar a simplicidade nas aplicações bem como ampliar o espectro de aplicações de Mineração de Dados no mercado financeiro. Um ponto negativo no artigo é a editoração/revisão (pontos nos lugares errados); entretanto, nada que comprometa a leitura. É um ótimo artigo para quem deseja iniciar trabalhos no domínio financeiro, e um bom ponto de partida para os iniciantes.

Applications of Data Mining in Stock Market

Financial Series – Applications of Data Mining in Stock Market