Day 15：KMeans聚类与股票风格分类

Day 15：KMeans聚类与股票风格分类

📋 目录

1. 聚类分析概述
2. KMeans算法原理
3. K值选择方法（肘部法则、轮廓系数）
4. 初始化问题与KMeans++
5. 数据预处理与标准化
6. 聚类的评估与解释

---

第一部分：聚类分析概述

1.1 什么是聚类？

聚类（Clustering） 是一种无监督学习 方法，将数据分成若干个组（簇），使得组内相似度高，组间相似度低。

与分类的区别：

对比项	分类	聚类
学习类型	监督学习	无监督学习
标签	有标签	无标签
目标	预测新样本类别	发现数据内在结构
评估	准确率、混淆矩阵	轮廓系数、内部指标

1.2 量化交易中的应用场景

应用场景	说明
股票风格分类	根据基本面因子划分价值/成长/动量等风格
市场状态识别	识别牛/熊/震荡市
风险分群	识别相似风险特征的股票
行业轮动	聚类发现行业轮动规律
异常检测	识别偏离正常模式的异常行为

1.3 常用聚类算法对比

算法	原理	优点	缺点
KMeans	基于质心	快速、简单	需要指定K，对异常值敏感
层次聚类	树状结构	不需要K，可解释	计算量大
DBSCAN	基于密度	发现任意形状，处理异常值	参数敏感
GMM	概率分布	软聚类，可处理椭圆形状	计算复杂

---

第二部分：KMeans算法原理

2.1 算法核心思想

目标 ：将 nnn 个数据点分成 KKK 个簇，使得簇内平方和（Inertia）最小。

簇内平方和公式 ：
Inertia=∑i=1nmin⁡μj∈C∥xi−μj∥2=∑j=1K∑xi∈Cj∥xi−μj∥2 \text{Inertia} = \sum_{i=1}^n \min_{\mu_j \in C} \|x_i - \mu_j \|^2 = \sum_{j=1}^K \sum_{x_i \in C_j} \|x_i - \mu_j \|^2 Inertia=i=1∑nμj∈Cmin∥xi−μj∥2=j=1∑Kxi∈Cj∑∥xi−μj∥2

其中 μj\mu_jμj 是第 jjj 个簇的质心（中心点）。

2.2 算法步骤

输入 ：数据集 XXX，簇数 KKK，最大迭代次数 max_iters
输出：簇分配结果

1. 随机初始化 KKK 个质心 μ1,μ2,⋯ ,μK\mu_1, \mu_2, \cdots, \mu_Kμ1,μ2,⋯,μK

2. 重复直到收敛或达到最大迭代次数：

   2.1 分配步骤：将每个样本分配到最近的质心
   c(i)=arg⁡min⁡j∥xi−μj∥2c(i) = \arg\min_j \|x_i - \mu_j\|^2c(i)=argminj∥xi−μj∥2

   2.2 更新步骤：重新计算每个簇的质心
   μj=1∣Cj∣∑i∈Cjxi\mu_j = \cfrac{1}{|C_j|}\sum_{i \in C_j} x_iμj=∣Cj∣1∑i∈Cjxi

3. 返回簇分配结果

2.3 收敛性

KMeans算法保证在有限步内收敛，但可能收敛到局部最优解而非全局最优。

影响因素：

• 初始质心选择
• 数据分布
• K值选择

2.4 距离度量

KMeans通常使用欧氏距离 ：
d(x,y)=∑i=1p(xi−yi)2 d(x,y) = \sqrt{\sum_{i=1}^p(x_i-y_i)^2} d(x,y)=i=1∑p(xi−yi)2
重要 ：使用欧氏距离前必须对特征进行标准化，否则量纲大的特征会主导距离计算。

---

第三部分：K值选择方法

3.1 肘部法则（Elbow Method）

原理：随着 K 增加，Inertia（簇内平方和）会下降。找到 Inertia 下降速度变缓的"肘点"。

# 肘部法则示例
inertias = []
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X_scaled)
    inertias.append(kmeans.inertia_)

plt.plot(range(1, 11), inertias, 'bo-')
plt.xlabel('K值')
plt.ylabel('Inertia')
plt.title('肘部法则选择K值')

特点：

• 简单直观
• 肘点有时不明显（需要主观判断）

3.2 轮廓系数（Silhouette Coefficient）

原理 ：结合簇内凝聚度和簇间分离度，取值范围 [−1,1][-1, 1][−1,1]。

单个样本的轮廓系数 ：
s(i)=b(i)−a(i)max⁡(a(i),b(i)) s(i) = \cfrac{b(i) - a(i)}{\max(a(i), b(i))} s(i)=max(a(i),b(i))b(i)−a(i)

其中：

• a(i)a(i)a(i)：样本到同簇其他样本的平均距离（簇内不相似度）
• b(i)b(i)b(i)：样本到其他簇的最小平均距离（簇间不相似度）

整体轮廓系数：所有样本轮廓系数的平均值

解读：

轮廓系数	含义
s>0.5s > 0.5s>0.5	聚类效果好
0.2<s<0.50.2 < s < 0.50.2<s<0.5	聚类效果一般
s<0.2s < 0.2s<0.2	聚类效果差
s≈0s \approx 0s≈0	簇之间重叠
s<0s < 0s<0	样本可能被错误分配

from sklearn.metrics import silhouette_score

silhouette_scores = []
for k in range(2, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    labels = kmeans.fit_predict(X_scaled)
    score = silhouette_score(X_scaled, labels)
    silhouette_scores.append(score)

3.3 轮廓系数可视化

from sklearn.metrics import silhouette_samples

# 绘制单个K值的轮廓图
silhouette_vals = silhouette_samples(X_scaled, labels)
y_lower = 10
for i in range(k):
    cluster_vals = silhouette_vals[labels == i]
    cluster_vals.sort()
    y_upper = y_lower + len(cluster_vals)
    plt.fill_betweenx(np.arange(y_lower, y_upper), 0, cluster_vals)
    y_lower = y_upper + 10

3.4 K值选择方法对比

方法	原理	优点	缺点
肘部法则	Inertia下降拐点	简单直观	肘点主观
轮廓系数	聚合/分离度	客观数值	计算量大
Gap统计量	与随机数据对比	统计严谨	计算复杂
Calinski-Harabasz	簇间/簇内方差比	快速	偏向凸簇

---

第四部分：初始化问题与KMeans++

4.1 随机初始化的陷阱

问题：不同的初始质心可能导致不同的聚类结果（局部最优）。

# 运行多次，结果可能不同
kmeans1 = KMeans(n_clusters=3, random_state=0)
kmeans2 = KMeans(n_clusters=3, random_state=42)
# 可能得到不同的簇分配

4.2 KMeans++ 初始化

KMeans++ 是一种智能初始化方法，能有效提高收敛到全局最优的概率。

算法步骤：

1. 随机选择第一个质心
2. 对于每个未选点，计算到最近已有质心的距离 D(x)D(x)D(x)
3. 以概率 D(x)2∑D(x)2\frac{D(x)^2}{\sum D(x)^2}∑D(x)2D(x)2 选择下一个质心
4. 重复直到选满 KKK 个质心

sklearn 中的实现：

from sklearn.cluster import KMeans

# KMeans++ 是默认初始化方法
kmeans = KMeans(n_clusters=5, init='k-means++', random_state=42)

# 也可以使用随机初始化
kmeans = KMeans(n_clusters=5, init='random', random_state=42)

4.3 多次运行取最优

best_inertia = float('inf')
best_kmeans = None

for i in range(10):
    kmeans = KMeans(n_clusters=5, random_state=i)
    kmeans.fit(X_scaled)
    if kmeans.inertia_ < best_inertia:
        best_inertia = kmeans.inertia_
        best_kmeans = kmeans

---

第五部分：数据预处理与标准化

5.1 为什么需要标准化？

问题：不同特征的量纲差异会影响距离计算。

示例：

• 市盈率（PE）：5-50
• 换手率：1%-20%
• ROE：-30% - 30%

若不标准化，PE 的数值会主导距离计算。

5.2 标准化方法

方法	公式	适用场景
StandardScaler	(x−μ)/σ(x - \mu)/\sigma(x−μ)/σ	特征分布近似正态
MinMaxScaler	(x−min⁡)/(max⁡−min⁡)(x - \min)/(\max - \min)(x−min)/(max−min)	需要落在[0,1]
RobustScaler	(x−median)/IQR(x - \text{median})/IQR(x−median)/IQR	有异常值

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

5.3 处理异常值

# 使用分位数去除极端值
lower = df['pe'].quantile(0.01)
upper = df['pe'].quantile(0.99)
df = df[(df['pe'] > lower) & (df['pe'] < upper)]

---

第六部分：聚类的评估与解释

6.1 内部评估指标

指标	公式	说明
Inertia	$\sum	x - \mu
轮廓系数	(b−a)/max⁡(a,b)(b-a)/\max(a,b)(b−a)/max(a,b)	越接近1越好
Davies-Bouldin	簇间/簇内距离比	越小越好
Calinski-Harabasz	簇间方差/簇内方差	越大越好

6.2 聚类结果的可视化

PCA降维可视化：

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=labels, cmap='viridis')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.title('聚类结果可视化（PCA降维）')

6.3 簇特征分析

# 计算每个簇的特征均值
cluster_means = pd.DataFrame(X_scaled, columns=feature_names)
cluster_means['cluster'] = labels
cluster_profile = cluster_means.groupby('cluster').mean()

# 找出每个簇的最显著特征
for cluster in cluster_profile.index:
    top_features = cluster_profile.loc[cluster].abs().sort_values(ascending=False).head(5)
    print(f"簇 {cluster} 的特征: {top_features.index.tolist()}")