K-Means Clustering Von Self-Organizing Maps: Eine Empirische Studie Zum Informationsgehalt Der Selbsteinstufung Von Hedge-Fonds (K-means Clustering of Self-Organizing Maps: An Empirical Study on the Information Content of the Self-Classification of Hedge Funds)

German Abstract: Mit der Implementierung des 2-stufigen Ansatzes nach VesantoAlhoniemi (2000) erweitert der vorliegende Artikel das in der Hedge-Fonds Literatur zur Klassifikation mit Self-Organizing Maps ublicherweise gewahlte Vorgehen der visiuellen Auswertung der Kohonen-Karten und stellt damit ein automatisiertes Verfahren vor, welches eine konsistente Zusammenfassung benachbarter Output-Units und damit eine objektive Klassifizierung garantiert. Die empirische Anwendung dieses Verfahrens resultiert in einer Reduktion der durch die Datenbank vorgegebenen Strategiegruppen. Damit einher geht eine ebenfalls deutliche Reduzierung des Davies-Bouldin Indexes (DBI) der SOM-Partitionierungen. Da eine geringe Streuung innerhalb der Cluster und grose Abstande zwischen den Clustern zu kleinen DBIs fuhren, ist eine Minimierung dieser Grose erwunscht. Diese signifikant bessere Partitionierung der SOMs gegenuber der auf Eigenangaben beruhenden Einteilung der Hedge-Fonds in das durch den Datenbankanbieter vorgegebene Kategorisierungsschema ist in allen untersuchten Datensamples (Robustheitsanalysen) zu beobachten. Letztendlich kann keine der originar 23 Strategiegruppen empirisch validiert werden. Ferner kann keine stabile Klassifizierung festgestellt werden. Sowohl die Anzahl der empirischen bestimmten Kategorien (SOM-Cluster) als auch die Zusammensetzungen dieser Cluster weichen in den untersuchten Subsamples stark voneinander ab. Damit bestatigt das vorliegende Resultate im Wesentlichen die Ergebnisse und Schlussfolgerungen in der Literatur, wonach die originare, auf Selbsteinstufung beruhende Strategiebezeichnungen der Datenbankanbieter irrefuhrend sind und somit regelmasig keinen Informationsgehalt aufweisen. English Abstract: With the implementation of the 2-step approach according to Vesanto & Alhoniemi (2000), this article extends the procedure of visual evaluation of the Kohonen Maps usually chosen in the hedge fund literature for classification with Self-Organizing Maps. It introduces an automated procedure which guarantees a consistent combination of adjacent output units and thus an objective classification. The empirical application of this method results in a reduction of the strategy groups specified by the database. This is also accompanied by a significant reduction in the Davies Bouldin Index (DBI) of the SOM partitions. Since a small dispersion within the clusters and large distances between the clusters lead to small DBIs, a minimization of this measure is desired. This significantly better partitioning of SOMs in comparison to the classification of hedge funds into the categorization scheme specified by the database provider can be observed in all examined data samples (robustness analyses). Ultimately, none of the original 23 strategy groups can be empirically validated. Furthermore, no stable classification can be found. Both the number of empirically determined categories (SOM clusters) and the composition of these clusters differ greatly in the subsamples examined. Thus the results essentially confirm the results and conclusions in the literature, according to which the original, self-classified strategy labels of the database providers are misleading and therefore do not contain any information content.