.png){kind=icon}
返回
Using machine learning to segment investor behaviour
.png){kind=icon}
PRE
AI
DOI：10.1108/RBF-07-2025-0307.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：为退休而储蓄的投资者倾向于切换投资（尤其在波动时期），导致更差的后续投资回报结果——即行为税。本研究使用机器学习聚类算法更好地理解这种行为。设计/方法/途径：通过以下方式改进Nixon和Gilbert（2022）之前研究的聚类效果：使用不同的聚类算法（k-means）、在特征集中添加新变量（投资组合回撤）、使用包含极端投资波动期（2020年）的大型投资者切换行为新数据集，并在六个单独的日历年进行聚类（而非仅合并样本）。发现：识别的七个行为聚类定义更清晰，具有不同水平的行为税或由共同基金切换造成的价值侵蚀。算法自然地将人群分为不同的投资者群体，各自承担不同水平的行为税。研究局限/启示：（1）不清楚切换是由顾问还是客户发起；（2）不清楚所有情况下切换是否具有行为性质（即非目标变化所致）。行为与特征集之间不存在因果关系，仅有相关性。实践启示：采用此方法论的金融服务业公司可以更有效地细分客户群，实现更个性化的互动。创新点/价值：本研究处理大型客户数据库，适合应用机器学习技术更好地理解客户行为。通过此举，可实现更有效和个性化的互动，并管理/减少/消除行为税。
Keyword:
Unsupervised machine learning
Clustering
Behaviour tax
Risk perception