Memperkenalkan quantmod: Dimungkinkan dengan satu fungsi quantmod untuk memuat data dari berbagai sumber, termasuk. Yahoo Finance (data OHLC) Federal Reserve Bank of St Louis FRED174 (11.000 seri ekonomi) Google Finance (data OHLC) Oanda, Situs Mata Uang (FX dan Logam) Database MySQL (data lokal Anda) Format biner R (.RData dan. Rda) Comma Separated Value files (.csv) Yang akan datang termasuk (RODBC, economagic, Rbloomberg.) Bagaimana Anda bertanyaMendapatkan data gt getSymbols (YHOO, srcgoogle) dari google finance 1 YHOO gt getSymbols (GOOG, srcyahoo) dari yahoo finance 1 GOOG Gt getSymbols (DEXJPUS, srcFRED) Harga FX dari FRED 1 DEXJPUS gt getSymbols (XPTUSD, srcOanda) Platinum dari Oanda 1 XPTUSD Setiap panggilan menghasilkan data yang dimuat langsung ke ruang kerja Anda, dengan nama objek dikembalikan dari panggilan. Semacam berguna, tapi akan lebih baik. Gt Tentukan parameter pencarian, dan simpan untuk sesi berikutnya. Gt gt setSymbolLookup (YHOOgoogle, GOOGyahoo) gt setSymbolLookup (DEXJPUSFRED) gt setSymbolLookup (XPTUSDlist (nameXPTUSD, srcoanda)) gt saveSymbolLookup (filemysymbols. rda) gt sesi baru panggil loadSymbolLookup (filemysymbols. rda) gt gt getSymbols (c (YHOO, GOOG, DEXJPUS, XPTUSD) 1 YHOO GOOG DEXJPUS XPTUSD Sekarang mudah untuk memuat data dari sumber yang berbeda ke dalam ruang kerja Anda (atau lingkungan lainnya) tanpa secara eksplisit meminta penugasan, atau mengingat secara terus-menerus menentukan parameter koneksi. Anggap saja sebagai perintah beban yang bisa mengambil data dari mana saja. Cobalah sendiri gettingdata. R Charting dengan quantmod Sekarang kita memiliki beberapa data yang mungkin ingin kita cermati. Masukkan chartSeries fungsi baru. Saat ini adalah alat yang bagus untuk memvisualisasikan deret waktu keuangan dengan cara yang banyak diketahui oleh banyak praktisi - diagram garis, serta diagram bar OHLC dan lilin. Ada pembungkus kenyamanan untuk gaya yang berbeda ini (lineChart, barChart dan candleChart), meskipun chartSeries cukup sedikit untuk menangani data secara otomatis dengan cara yang paling tepat. Sekilas bagaimana membuat beberapa grafik, termasuk beberapa fitur dan melihat apa yang akan terjadi di rilis mendatang. Gt Tentukan parameter pencarian, dan simpan untuk sesi berikutnya. Gt gt getSymbols (AAPL, srcyahoo) 1 AAPL gt barChart (AAPL) gt Tambahkan multi-coloring dan ubah latar belakang ke candleChart gt putih (AAPL, multi. colTRUE, themewhite) Seri Non-OHLC dan Volume ditangani secara otomatis gt getSymbols (XPTUSD, Srcoanda) 1 XPTUSD gt chartSeries (XPTUSD, namePlatinum (oz) dalam USD) Platinum, sekarang setiap minggu dengan lilin warna kustom menggunakan fungsi quantmod to. weekly gt chartSeries (to. weekly (XPTUSD), up. colwhite, dn. colblue) Alat analisis charting teknis Seperti versi 0.3-0 kita sekarang dapat menambahkan studi analisis teknis dari paket TTR ke grafik di atas. Sebuah contoh contoh rinci akan segera menyusul, tapi inilah sedikit kebaikannya: Fungsi teknis yang sangat bagus dari perpustakaan oleh Josh Ulrich - pada CRAN gt require (TTR) gt getSymbols (AAPL) 1 AAPL gt chartSeries (AAPL) gt addMACD ( ) Gt addBBands () Menggunakan data untuk menghasilkan sinyal Model bangunan sebagian besar akan ditinggalkan untuk seri contoh berikutnya, namun bagi mereka yang ingin terus menyia-nyiakan hari jumat sore di tempat kerja (ketika sebagian besar pengunjung tampak hadir), saya akan melanjutkannya. Pemodelan dalam R adalah apa R adalah tentang. Data masuk ke dalam diskusi ini paling tepat karena data keuangan tidak terkandung dalam objek data tunggal. Banyak, jika tidak semua, harus dikumpulkan dan dikumpulkan oleh Anda, si modeller. Di sinilah sumber data dan parameter koneksi yang telah ditentukan sebelumnya sangat berguna. SetSymbolLookup memungkinkan pemodel kesempatan untuk menginstruksikan quantmod ke data sumber - dengan simbol tertentu - dengan cara tertentu. Saat membangun model di R. Seringkali formula dilewatkan ke fungsi pas bersama dengan objek data yang sesuai untuk dicari. Untuk menangani berbagai sumber, penting untuk membuat objek data dengan semua kolom yang ditentukan sebelumnya, ATAU untuk menggunakan objek yang terlihat di lingkungan pengguna. Keduanya memiliki kekurangan yang jelas - tidak sedikit yang bergantung pada pemantik untuk memuat dan menyelaraskan seri yang dipermasalahkan secara manual. Paling banter ini memakan waktu dan tentunya tidak terlalu mencerahkan. Yang terburuk itu bisa berbahaya karena penanganan data secara inheren rawan kesalahan. Kesalahan data dalam penelitian bisa mahal, kesalahan data dalam trading dapat dengan cepat mengarah pada karir baru. Yang mengatakan, saya akan menekankan kembali persyaratan LISENSI yang menyatakan LENGKAP LENGKAP JAMINAN sehubungan dengan perangkat lunak ini dan semua R untuk masalah ini. User beware Untuk memfasilitasi masalah data yang relatif unik ini, secara dinamis quantmod menciptakan objek data untuk digunakan dalam proses pemodelan, menciptakan kerangka model secara internal setelah melalui serangkaian langkah untuk mengidentifikasi sumber data yang dibutuhkan - loading jika perlu. TentukanModel adalah fungsi pekerja keras untuk menangani semua masalah data, dan file bantuannya harus dibaca untuk memahami sepenuhnya apa yang terjadi secara internal. Untuk tujuan kami di sini, cukup untuk mengetahui bahwa seseorang dapat menentukan data APAPUN dalam panggilan untuk menentukanModel, dan quantmod akan menangani ke pencarian dan agregasi data untuk Anda. Tentu saja data itu harus locatable dan unik, tapi itu mungkin dicurigai. Mari kita lihat contoh defineModel. Gt Buat objek quantmod untuk digunakan dalam gt di pas model selanjutnya. Perhatikan ada gt yang tidak perlu memuat data sebelum tangan. Gt gt setSymbolLookup (SPYyahoo, VXNlist (namaVIX, srcyahoo)) gt gt mm lt - tentukanModel (Berikutnya (OpCl (SPY)) OpCl (SPY) Cl (VIX)) gt gt modelData (mm) mm sekarang merupakan objek quantmod yang memegang Formula model dan struktur data yang menyiratkan periode berikutnya (Berikutnya) yang terbuka untuk penutupan SampP 500 ETF (OpCl (SPY)) dimodelkan sebagai fenntion periode saat ini yang terbuka untuk ditutup dan penutupan saat ini dari VIX (Cl (VIX) ). Panggilan ke modelData mengekstrak kumpulan data yang relevan, dengan transformasi secara ajaib diterapkan. Anda bisa mengambil data dan melakukannya dengan seperti yang Anda inginkan. Fungsi yang lebih langsung untuk mencapai tujuan yang sama adalah buildData. Bagaimana selanjutnya Bagaimana beberapa contoh penanganan data quantmods Perangkat lunak ini ditulis dan dikelola oleh Jeffrey A. Ryan. Lihat lisensi untuk rincian tentang penyalinan dan penggunaan. Hak Cipta 2008.Ada sejumlah indikator dan model matematis yang diterima secara luas dan digunakan oleh beberapa perangkat lunak perdagangan (bahkan MetaStock), seperti MAMA, Hilbert Transform, Fisher Transform (sebagai pengganti FFT), Homodyne Discriminator, Hilbert Sine Wave, Trendline Instan Dll ditemukan oleh John Ehler. Tapi hanya itu. Saya belum pernah mendengar tentang orang lain selain John Ehler yang belajar di bidang ini. Menurut Anda, apakah layak mempelajari pemrosesan sinyal digital? Bagaimanapun, setiap transaksi adalah grafik sinyal dan batang yang agak disaring berupa sinyal ini. Apakah masuk akal diminta 15 Feb 11 jam 20:46 Wavelets hanyalah satu bentuk dekomposisi dasar. Wavelet secara khusus terurai dalam frekuensi dan waktu dan dengan demikian lebih berguna daripada dekomposisi berbasis empatier atau lainnya. Ada dekomposisi waktu-freq lainnya (misalnya HHT) yang harus dieksplorasi juga. Dekomposisi rangkaian harga berguna dalam memahami pergerakan primer dalam suatu seri. Secara umum dengan dekomposisi, sinyal asli adalah jumlah komponen dasarnya (berpotensi dengan multiplier multiplier). Komponen berkisar dari frekuensi terendah (garis lurus melalui sampel) ke frekuensi tertinggi, kurva yang berosilasi dengan frekuensi mendekati mendekati N 2. Bagaimana ini berguna denoising seri yang menentukan komponen utama gerakan dalam rangkaian penentuan Pivot Denoising dilakukan dengan menyusun ulang rangkaian dengan menjumlahkan komponen dari dekomposisi, kurang beberapa komponen frekuensi tertinggi terakhir. Seri denoised (atau filtered) ini, jika dipilih dengan baik, sering memberi pandangan pada proses harga inti. Dengan mengasumsikan kelanjutan ke arah yang sama, dapat digunakan untuk melakukan ekstropolasi dalam waktu singkat. Sebagai timeseries kutu secara real-time, seseorang dapat melihat bagaimana proses harga denoised (atau penyaringan) berubah untuk menentukan apakah pergerakan harga dalam arah yang berbeda signifikan atau hanya noise. Salah satu kunci, bagaimanapun, adalah menentukan berapa tingkat dekomposisi yang akan dikomposisikan dalam situasi tertentu. Tingkat yang terlalu sedikit (freq rendah) akan berarti bahwa rangkaian harga yang direkomposisi merespons dengan sangat lambat terhadap kejadian. Terlalu banyak level (high freq) berarti untuk respon cepat tapi. Mungkin terlalu banyak kebisingan di beberapa rezim harga. Mengingat bahwa pasar bergeser antara gerakan menyamping dan gerakan momentum, proses penyaringan perlu disesuaikan dengan rezim, menjadi kurang lebih sensitif terhadap pergerakan dalam memproyeksikan kurva. Ada banyak cara untuk mengevaluasi hal ini, seperti melihat kekuatan seri yang disaring versus kekuatan seri harga mentah, yang menargetkan tertentu bergantung pada rezim. Dengan asumsi satu telah berhasil menggunakan wavelet atau dekomposisi lainnya untuk menghasilkan sinyal reaktif yang halus dan tepat, dapat mengambil turunan dan gunakan untuk mendeteksi minima dan maxima saat rangkaian harga berlangsung. Seseorang membutuhkan dasar yang memiliki perilaku baik pada titik akhir sehingga kemiringan kurva pada proyek titik akhir sesuai arah. Dasar perlu memberikan hasil yang konsisten pada titik akhir karena timeseries kutu dan tidak bias posisi Sayangnya, saya tidak mengetahui adanya dasar wavelet yang menghindari masalah di atas. Ada beberapa basis lain yang bisa dipilih agar lebih baik. Kesimpulan Jika Anda ingin mengejar Wavelets dan membangun peraturan perdagangan di sekitar mereka, berharap bisa melakukan banyak penelitian. Anda mungkin juga menemukan bahwa meskipun konsepnya bagus, Anda perlu menggali basis penguraian lainnya untuk mendapatkan perilaku yang diinginkan. Saya tidak menggunakan dekomposisi untuk keputusan perdagangan, namun saya merasa berguna dalam menentukan rezim pasar dan langkah-langkah lain untuk melihat ke belakang. Anda perlu menyelidiki bagaimana membedakan metode interpolasi dengan metode ekstrapolasi. Mudah untuk membangun model yang mengulangi masa lalu (hampir semua skema interpolasi akan melakukan triknya). Masalahnya, model itu biasanya tidak berharga ketika harus melakukan ekstrapolasi ke masa depan. Saat Anda mendengar kata siklus, bendera merah harus naik. Gali aplikasi Fourier Integral, Fourier Series, Fourier Transform, dll, dan Anda akan menemukan bahwa dengan frekuensi yang cukup, Anda dapat mewakili rangkaian waktu dengan baik sehingga sebagian besar pedagang eceran dapat yakin bahwa itu berhasil. Masalahnya, tidak memiliki kekuatan prediktif apapun. Alasan metode Fourier berguna di engineeringDSP adalah karena sinyal (voltase, arus, suhu, apapun) biasanya berulang dengan sendirinya di sirkuit di mana ia dihasilkan. Akibatnya, interpolasi kemudian menjadi terkait dengan ekstrapolasi. Jika Anda menggunakan R, Heres beberapa kode hacky untuk dicoba: Analisis siklus dan pemrosesan sinyal mungkin berguna untuk pola musiman namun tanpa mengetahui lebih banyak tentang kinerja pendekatan perdagangan semacam itu, saya tidak akan mempertimbangkan tingkat pemrosesan sinyal hanya untuk perdagangan. Apakah Anda akan senang menerapkan apa yang Anda pelajari mengenai masalah jenis rekayasa standar karena mungkin saja Anda terjebak jika tidak bekerja dengan cukup baik dengan perdagangan. Jawab 15 Feb 11 11 di 22:10 Analisis DSP dan Time Series adalah hal yang sama. DSP menggunakan istilah enginering lingo dan time series menggunakan mathematical lingo namun modelnya cukup simular. Indikator siklus cyber Ehlers adalah ARMA (3,2). Ehlers memiliki beberapa ide unik: Apa arti fase variabel acak yang dijawab 26 Feb 11 at 5:04 Lupakan semua indikator teknis yang disebut ini. Mereka omong kosong, terutama jika Anda tidak tahu bagaimana menggunakannya. Saran saya: beli buku wavelet yang bagus, dan buat strategi Anda sendiri. Jawab Feb 16 11 at 2:52 Hi fRed, buku wavelet apa yang Anda gunakan Dapatkah Anda merekomendasikan judul ndash MisterH Mar 28 11 di 11:26 Pengantar Metode Wavelet dan Metode Penyaringan Lainnya di Keuangan dan Ekonomi oleh Ramazan Gencay, Faruk Selcuk Brandon Whitcher ndash RockScience Mar 29 11 at 2:15 Ive menemukan John Ehlers Fisher Transform cukup berguna sebagai indikator dalam perdagangan berjangka khususnya pada grafik tick Heikin-Ashi. Saya mengandalkannya untuk strategi saya tapi saya rasa ini cukup dapat diandalkan untuk mendasarkan keseluruhan sistem otomatis dengan sendirinya karena belum terbukti dapat diandalkan selama hari berombak tapi sangat bermanfaat pada hari-hari tren seperti hari ini. (Id senang posting grafik untuk menggambarkan tapi saya tidak memiliki reputasi yang dibutuhkan) menjawab 22 Mar 13 di 20: 47Apple: Analisis Pola Perdagangan Kuantitatif Analisis kuantitatif pola perdagangan Apel sejak tahun 1999. Apple telah memiliki sejarah yang lemah 2016 Lebih tinggi upside yang diharapkan Apple memiliki kemungkinan 58,15 mengungguli Nasdaq dalam 20 hari ke depan. Jendela waktu enam bulan memberi peluang 69,28 outperformance, sementara rentang waktu satu tahun adalah 65,47. Jika terjadi koreksi, Apple harus membeli sekitar 106,3 USD, mengharapkan pengembalian 6 dalam waktu sekitar 15 hari. Investasi jangka panjang Apple paling baik dilakukan menjelang akhir hari perdagangan dan setelah penurunan tiga hari beruntun untuk memaksimalkan imbal hasil. Analisis lebih lanjut dan kesimpulan ditemukan di bawah ini. Pada artikel ini, pembaca akan dilengkapi dengan analisis data kuantitatif yang menganalisis secara rinci pola perdagangan harian dan momentum bersama Apple (NASDAQ: AAPL) dan Nasdaq (NASDAQ: QQQ). Akibatnya, pembaca dapat menggunakan informasi yang berasal dari kumpulan data untuk mengidentifikasi pola kunci dalam perilaku keamanan. Informasi utama dalam artikel ini adalah untuk mengidentifikasi kemungkinan kembalinya serial, struktur intraday, berapa lama dan koreksi yang dalam pada persediaan Apple dan kapan harus berjalan lama, serta analisis momentum bersama, di mana kita akan mempelajari kemungkinan Apple akan Outperform untuk kerangka waktu tertentu, seberapa baik Apple menangkap Nasdaq terbalik dan downside dan kapan harus menggunakan Apple sebagai peningkatan portofolio. Informasi kuantitatif yang diberikan dimaksudkan untuk posisi hari dan ayunan serta bagi investor yang mencari pola masuk dan keluar yang didukung secara statistik. Artikel dimulai dengan pengenalan sederhana tentang hubungan historis antara Nasdaq dan Apple, dan bertujuan untuk segera menyelami informasi yang tepat mengenai hal berikut: Analisis pengembalian: Probabilitas untuk pengembalian positif dan negatif setelah melihat pola serial, serta statistik intraday, Termasuk rata-rata Apel rata-rata dan rata-rata harian tinggi versus tutup harian, tutup harian harian rendah setiap hari, tutup harian harian vs. harian. Pola pengembalian harian secara keseluruhan dan probabilitasnya harus melengkapi analisis pengembalian. Analisis Risiko: Langkah-langkah risiko dan sensitivitas risiko kedua efek, serta penarikan rata-rata, rasio rata-rata, pemulihan rata-rata dan rasio pemulihan Apple. Co-Momentum: Tangkapan turun dan turun, dan probabilitas Apple mengungguli Nasdaq dengan rentang waktu yang berbeda hingga satu tahun. Dataset dimulai pada tanggal 23 Juni 1999 dan terdiri dari pengembalian sampai 30 September 2016. Dengan demikian, terdapat dua periode penarikan utama, yaitu gelembung dot-com dan krisis 2007. Data tersebut juga berisi harga open, high, low dan closing yang disesuaikan dari Apple Inc. serta dataset yang sama untuk masa depan generik Nasdaq-100 e-mini. Dataset selanjutnya hanya mencakup hari perdagangan dimana kedua efek diperdagangkan untuk memungkinkan perbandingan kembali yang valid. Dari 4,401 hari perdagangan, 58 lainnya dilepas. Untuk periode 1999 sampai 2016, Apple telah membukukan pengembalian tahunan sebesar 28,50 sementara menunjukkan standar deviasi 43,46. Itu dibandingkan dengan Nasdaqs yang secara mengejutkan menurunkan return tahunan sebesar 4,96 pada deviasi standar 29,01 sejak 1999. Apple dengan demikian dengan mudah mengungguli Nasdaq dengan basis risiko kembali dengan rasio sharpe 0,656 dibandingkan dengan Nasdaqs 0.171. YTD, Apple memiliki pengembalian tahunan sebesar 12,38 dengan deviasi standar yang jauh lebih rendah yaitu 25,43, sehingga rasio sharpe 0,487. Dengan demikian, berdasarkan basis pengembalian risiko, Apple memiliki banyak kesibukan, keduanya dalam kondisi pengembalian dan ketidakstabilan. Nasdaq, di sisi lain, telah mengungguli langkah-langkah historisnya sendiri dengan imbal hasil tahunan sebesar 7,94 dan deviasi standar rendah 17,3, menghasilkan rasio sharpe 0,46, jauh lebih baik daripada nilai historisnya 0,17. Pada 9302016, Apple juga mengalami tradeoff return risiko historis lima tahun terburuk sejak tahun 1999 setelah menjadi yang terbaik di tahun 2011. Periode lima tahun yang berakhir pada bulan September 2006 telah mencapai tingkat pengembalian tertinggi, walaupun juga pada sejarah tertinggi Standar deviasi Nasdaq, seperti yang juga diuraikan dalam artikel saya sebelumnya, adalah per definisi trading dengan standar deviasi yang jauh lebih rendah dan juga telah mengalami lompatan yang kurang kuat dalam tradeoff return return lima tahun sejak tahun 1999, seperti dapat dilihat di bawah ini: Untuk setiap Hari perdagangan, Apple memiliki probabilitas 51,76 untuk mengakhiri hari positif, sementara Nasdaq memiliki probabilitas 53,32, yang secara alami lebih tinggi untuk momentum diversifikasi. Tidak ada satupun saham di Nasdaq yang memiliki frekuensi naik lebih tinggi dibanding indeks itu sendiri. Apple (Nasdaq) mengembalikan rata-rata 0,14 (0,04) per hari, dan median 0,09 (0,09). 25 dari Apel kembali lebih rendah dari -1,15 (-0,71), sementara 75 lebih rendah dari 1,44 (0,81), yang menyoroti fakta bahwa Apple memiliki distribusi kembali yang sangat positif, dan tentu saja juga beta yang lebih tinggi. YTD, Apple telah mengembalikan rata-rata 0,06 per hari perdagangan, jauh lebih rendah dari rata-rata historisnya, sementara mediannya masih sama dengan 0,09. YTD, 25 dari return lebih rendah dari -0,69, sedangkan 75 lebih rendah dari 0,85. Ini sejalan dengan keseluruhan tesis bahwa 2016 sejauh ini merupakan periode yang relatif rendah, volatilitas rendah, di luar pola historis. Pada suatu hari perdagangan tertentu, Apple mundur 1,7 dari level tertinggi intraday, sementara median retreat adalah 1,19. Di sisi lain, Apple pulih rata-rata 1,62 dari level rendah dengan median 1,14. Ini memberitahu kita bahwa Apple umumnya mendekati level terendah intraday range dengan margin 0,08. Rentang perdagangan intraday adalah rata-rata yang cukup luar biasa 3,4 antara tinggi dan rendah dan median masih tinggi 2,9. Dimana menempatkan tingkat stop-loss yang didukung secara statistik akan dibahas lebih lanjut, dimana kita juga akan melihat secara grafis pengelompokkan kembali Apple. Menjadi jelas bahwa kedua hari negatif (dan hari dimana VaR dan ETL terpukul) dan hari-hari positif sering terjadi berturut-turut, karena itulah Id ingin menyoroti beberapa statistik seputar serial return: Rata-rata, Apple memiliki 2.031 (baca: 2 Titik 031) hari positif berturut-turut, kemenangan beruntun maksimal 12 hari dan minimum - tentu saja - satu. Jika kita melihat satu hari positif, ada kemungkinan 45,21 ini akan diikuti oleh hari positif lainnya. Jika kita melihat dua hari positif berturut-turut, ada kemungkinan 56,07 akan ada hari positif ketiga. Setelah melihat tiga hari positif berturut-turut, ada kemungkinan 49,65 kita melihat hari positif keempat. Ini menarik karena kita dapat mengetahui bahwa dua hari positif mengindikasikan kemungkinan yang baik untuk melihat yang ketiga, sesuatu yang dapat digunakan untuk membuka posisi lama setelah dua hari positif. Rata-rata, Apple memiliki 1.893 hari negatif berturut-turut dengan kekalahan beruntun maksimal delapan hari berturut-turut. Setelah satu hari negatif, ada kemungkinan 51,52 kita melihat hari negatif kedua, dan 52,43 kesempatan untuk melihat yang ketiga saat itu. Hanya ada 41,06 kesempatan untuk melihat hari negatif keempat setelah melihat tiga. Dari sini, kita bisa melihat bahwa membeli Apple setelah tiga hari negatif berturut-turut memiliki kemungkinan 58,94 kemungkinan positif keesokan harinya. Dengan kemungkinan 95, hari perdagangan tertentu tidak akan ditutup lebih rendah dari -3,99, yang berarti tingkat stop-loss trading yang didukung secara statistik harus diletakkan pada atau lebih baik lagi di bawah ambang batas ini. Sementara ini bekerja sebagian besar waktu, terutama ketika kita melihat posisi awal intraday rendah dan terbuka di sana, juga benar bahwa selama satu tahun, memang ada beberapa kejadian ketika kemungkinan ini dikalahkan, seperti yang Anda bisa. Lihat di bawah, di mana saya menggambar garis VaR berdasarkan kerangka waktu satu tahun: Tak pelak lagi, yang membawa kita pada metrik risiko berikutnya yang diperkirakan kehilangan ekor, menunjukkan kemungkinan kerugian besar sebenarnya dan tidak hanya menunjukkan Tingkat mana yang kemungkinan tidak bisa dilampaui. Kehilangan ekor yang diharapkan satu hari diperkirakan adalah -5,97, cukup tinggi. Jadi setiap hari perdagangan, ada 5 kesempatan kita menutup 5,97 dibandingkan dengan penutupan kemarin. Nasdaq, di antara indeks AS yang paling tidak stabil, memiliki ETL yang jauh lebih rendah -4,39. Di bawah ini, Anda dapat melihat bagaimana hal ini terlihat seperti tahun sebelumnya (perhatikan pengelompokan kembali yang dibahas di atas): Di bawah ini, saya ingin menunjukkan sensitivitas VaR dan ETL Apple: Apel berarti penarikan dari ketinggian sebelumnya adalah 5,96. Penarikan rata-rata di Apple memakan waktu 31,7 hari, dengan 17,11 hari dihabiskan untuk mencapai koreksi bagian bawah dan 14,56 hari untuk pulih dari sana. Ini berarti bahwa Apple hanya membutuhkan 85 dari waktu yang dibutuhkan untuk mencapai bagian bawah untuk pulih, yang sangat menguntungkan dan menunjukkan kekuatan pemulihan yang hebat yang diberikan Apple. Pada penutupan terakhir, ini menunjukkan posisi panjang untuk masuk pada level 106,3 USD. Seperti yang terlihat di atas, pada hari-hari dimana Nasdaq melakukan perdagangan positif, Apple mengembalikan faktor 1.087, sehingga kenaikan 1 di Nasdaq sesuai dengan kenaikan 1,087 di Apple, rata-rata. Kelemahannya, yang menarik, jauh lebih tertutup, karena Apple hanya menangkap faktor 0,916 pada sisi negatifnya. Dengan demikian, Apple tidak hanya memberikan imbal hasil positif yang lebih baik namun juga perlindungan downside lebih banyak dibanding Nasdaq. Pada 73,96 dari semua kasus, Apple melakukan perdagangan positif saat Nasdaq melakukannya, dan hampir 73,32 kasus, perdagangan negatif ketika Nasdaq negatif. Menarik untuk dilihat juga bahwa Apple mengungguli Nasdaq pada hari-hari positif Nasdaq di 50,99 kasus, sementara mengungguli Nasdaq pada hari-hari negatif di 49,82 kasus. Probabilitas Outperformance Untuk kerangka waktu satu hari, ada kemungkinan 50,4 Apple kembali lebih banyak dari pada Nasdaq. Untuk jangka waktu tiga hari, kemungkinan meningkat menjadi 52,4, 54,05 untuk satu minggu rading, 57,09 untuk dua minggu perdagangan dan 58,15 untuk satu bulan perdagangan. Namun, untuk periode perdagangan tiga bulan, kemungkinannya berkurang menjadi 54,4, mengindikasikan volatilitas dan koreksi yang sering dilakukan Apple dan ini memperkuat kasus ini lebih jauh untuk mengambil keuntungan dari koreksi tersebut. Untuk jangka waktu enam bulan, kemungkinannya adalah 69,28, sementara tahun perdagangan penuh memberi kita kesempatan 65,47 bahwa investasi di Apple menghasilkan lebih dari investasi di Nasdaq. Membeli Apple untuk perdagangan ayunan paling baik dilakukan untuk jangka waktu hingga satu bulan, karena kita melihat kemungkinan marjinalitas meningkat. Investor jangka menengah harus berinvestasi untuk jangka waktu hingga enam bulan karena kita melihat penurunan kemungkinan marjinal selama enam bulan sampai satu tahun. Apple memiliki kemungkinan 58,15 mengungguli Nasdaq dalam 20 hari ke depan, namun hanya kemungkinan 54,4 mengungguli selama tiga bulan ke depan. Jendela waktu enam bulan memberi peluang 69,28 outperformance, sementara rentang waktu satu tahun 65,47. Posisi baru di Apple harus dibuka di sekitar tingkat penarikan rata-rata 5,96 dan harus dilibatkan dengan cepat setelah kita menyaksikan pola pembentuk dasar, karena Apple pulih hanya dalam waktu 85 dari waktu yang dibutuhkan untuk mencapai bagian bawah. Penarikan di Apple biasanya memakan waktu 31,7 hari, sementara pemulihan penuh memakan waktu 14,6 hari. Peluang terbaik untuk melihat hari positif adalah setelah tiga hari kalah berturut-turut, kemungkinan posting 58,94. Setiap hari, kesempatan untuk melihat hasil positif adalah 51,76. Apple memiliki sejarah pengembalian sub-rata YTD dan pandangan kuantitatif membuat kasus untuk harga yang lebih tinggi dapat dilihat sampai akhir tahun. Apple memiliki kecenderungan untuk menutup lebih ke arah yang lebih rendah daripada yang tinggi, yang berarti posisi panjang harus dibuka menjelang akhir hari perdagangan. Bagaimanapun juga, untuk investor jangka panjang, Apple memiliki track record solid rock-solid untuk pengembalian aktif jangka panjang. Pengungkapan: Saya adalah AAPL yang panjang. Saya menulis artikel ini sendiri, dan ini mengungkapkan pendapat saya sendiri. Saya tidak menerima kompensasi untuk itu (selain dari Seeking Alpha). Saya tidak memiliki hubungan bisnis dengan perusahaan yang sahamnya disebutkan dalam artikel ini. Tentang artikel ini:
No comments:
Post a Comment