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 üblicherweise gewählte 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 große Abstände zwischen den Clustern zu kleinen DBIs führen, ist eine Minimierung dieser Größe erwünscht. Diese signifikant bessere Partitionierung der SOMs gegenüber 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 originär 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 bestätigt das vorliegende Resultate im Wesentlichen die Ergebnisse und Schlussfolgerungen in der Literatur, wonach die originäre, auf Selbsteinstufung beruhende Strategiebezeichnungen der Datenbankanbieter irreführend sind und somit regelmäßig keinen Informationsgehalt aufweisen