مروري بر پژوهش‌هاي انجام‌ شده در خصوص خوشه‌ بندي سري‌هاي زماني مالي: رويكرد نگاشت دانش

A Review of Research on Financial Time Series Clustering: A Bibliometrics Approach

ميزان اطلاعاتي كه ما بازيابي و استفاده مي‌كنيم، به سرعت افزايش يافته است. داده كاوي فرايند استخراج داده-هاي مربوط از حجم زيادي از داده‌ها و روش كشف و پيدا كردن الگوي مناسب از حجم زيادي از مجموعه داده‌ها است. خوشه‌بندي يكي از روش‌هاي معمول تجزيه‌وتحليل داده‌هاي آماري و همچنين يكي از بهترين رويكردهاي داده‌كاوي است. اين رويكرد به‌عنوان يكي از روش‌هاي يادگيري بدون نظارت، با به‌كارگيري الگوريتم‌هايي، داده‌هاي سري‌هاي زماني را برحسب معيارهاي متفاوتي طبقه‌بندي مي‌كند. هدف از پژوهش حاضر بررسي انواع كاربردهاي خوشه‌بندي و شبكه‌سازي در حوزه‌هاي مختلف مالي ازجمله ريسك، معاملات الگوريتمي، بانكداري و ديگر موضوعات پركاربرد در اين حوزه است. در اين پژوهش با استفاده از پكيج bibliometrix به‌مرور كليه پژوهش‌هاي انجام شده در خصوص خوشه بندي پرداخته مي‌شود. ضمن استخراج انواع معيارها و رويكردهاي خوشه‌بندي به بررسي كاربردهاي آن پرداخته‌شده است. اين پژوهش با مروري جامع بر كليه پژوهش‌هاي اين حوزه مي‌تواند به‌عنوان جعبه‌ابزاري در جهت ارائه انواع روش‌هاي خوشه‌بندي محققان را در ايده پردازي و انتخاب روش مناسب در طبقه‌بندي و تحليل داده‌هاي مالي ياري 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.