چکیده:
میزان اطلاعاتی که ما بازیابی و استفاده میکنیم، به سرعت افزایش یافته است. داده کاوی فرایند استخراج داده-های مربوط از حجم زیادی از دادهها و روش کشف و پیدا کردن الگوی مناسب از حجم زیادی از مجموعه دادهها است. خوشهبندی یکی از روشهای معمول تجزیهوتحلیل دادههای آماری و همچنین یکی از بهترین رویکردهای دادهکاوی است. این رویکرد بهعنوان یکی از روشهای یادگیری بدون نظارت، با بهکارگیری الگوریتمهایی، دادههای سریهای زمانی را برحسب معیارهای متفاوتی طبقهبندی میکند. هدف از پژوهش حاضر بررسی انواع کاربردهای خوشهبندی و شبکهسازی در حوزههای مختلف مالی ازجمله ریسک، معاملات الگوریتمی، بانکداری و دیگر موضوعات پرکاربرد در این حوزه است. در این پژوهش با استفاده از پکیج bibliometrix بهمرور کلیه پژوهشهای انجام شده در خصوص خوشه بندی پرداخته میشود. ضمن استخراج انواع معیارها و رویکردهای خوشهبندی به بررسی کاربردهای آن پرداختهشده است. این پژوهش با مروری جامع بر کلیه پژوهشهای این حوزه میتواند بهعنوان جعبهابزاری در جهت ارائه انواع روشهای خوشهبندی محققان را در ایده پردازی و انتخاب روش مناسب در طبقهبندی و تحلیل دادههای مالی یاری دهد.
The amount of information and data we retrieve and use is growing rapidly. Data mining is the process of extracting relevant data from large volumes of data and the method of discovering and finding the appropriate pattern from large volumes of data sets. Clustering is one of the most common methods of statistical data analysis, and also one of the best data mining approaches. This approach, as a method of unsupervised learning, uses algorithms to classify time series data according to different criteria. The purpose of this study is to investigate the types of applications of clustering and networking in various financial fields, including risk, algorithmic trading, banking and other widely used topics in this field. In this research, using the bibliometrix package in the software, all the researches on clustering is reviewed. While extracting various criteria and clustering approaches, its applications have been studied. This study with a comprehensive review of all research in this field can help researchers as a toolbox to provide a variety of clustering methods in ideation and selection of appropriate methods in classifying and analyzing financial data.
خلاصه ماشینی:
در اين ميان، bibliometrics بالقوه توانايي معرفي يک فرايند مروري نظاممند، شفاف و تکرارپذيري را بر اساس اندازهگيري آماري علم ، متخصصان و فعاليت هاي علمي را دارد (برادوس ١٩٨٧،٦)، 1 Sfetsos and Siriopoulos 2004 2 Graves and Pedrycz 2010 3 Aghabozorgi, Shirkhorshidi, and Wah 2015 4 Briner & Denyer, 5 Rousseau,2012 6 Broadus, R.
(1969) 2 Diodato,1994 3 Crane, 1972 4 Börner, Chen, and Boyack 2003 5 Cobo et al.
com/) براي درک بهتر موضوع کاربرد خوشه بندي و شـبکه سـازي مـالي ابتـدا کليـدواژه " clustering" AND" "network"financial time series" AND را در اسکوپوس در تاريخ ٧ نوامبر ٢٠٢٠ جسـتجو کـرده و با استفاده از پکيج bibliometrix در نرمافزار R خروجي هاي زير را دريافت شده است .
1 De Prado 2020 2 Jain, Murty, and Flynn 1999 3 Hautamaki, Nykanen, and Franti 2008 4 Cheeseman and Stutz 1996 5 Kohonen 1990 6 Theodoridis and Chellappa 2013 7 MacQueen 1967 (به تصویر صفحه رجوع شود) نمودار (٦) رويکردهاي خوشه بندي سري هاي زماني (آقابزرگي و همکاران،٢٠١٥) در پژوهش هاي متعدد روشهاي گوناگوني به منظور بررسي انواع فاصله ي سري هاي زماني استفادهشـده اسـت .
در اين پژوهش با استفاده از روش نگاشت علم به بررسي کاربردهاي خوشه بندي در زمينه هاي مختلف پرداخته شده است .