#فردا
مدتی قبل، تحلیل دادههای مطالعهای را انجام میدادم. مقایسه بین دو گروه Case و Control.
در این مطالعه گروه Control، افراد (زن و مرد) شاغلی بودند، که هر روز جهت کار و بسته به شغل خود از خانه بیرون میرفتند. آنها هیچ وقت در بورس و بازار سرمایه تهران، فعال نبودند و کد بورسی هم به ندرت داشتند. اگر هم داشتند با آن کار نمیکردند و یا اصلاً خبر نداشتند.
گروه Case، افراد و فعالان بازار سرمایه بودند. البته تعداد آنها در این مطالعه به نسبت تعداد گروه کنترل بیشتر بود. به همین دلیل جهت بالانس شدن تعداد افراد در هر گروه، من صرفاً افرادی را در گروه Case قرار دادم که هم اکنون در بازار و بورس فعال هستند و در این چند سال اگر وارد شدهاند، همچنان حضور دارند و خارج نشدهاند.
پارامترهای زیادی بین این افراد مورد مقایسه قرار گرفت. خیلی ساده میدانیم از آنجا که با گروههای باینری (صفر و یک یعتی Case و Control) روبهرو هستیم، پس نوع مطالعه ما تحلیل رگرسیون غیرخطی لجستیک Binary Logistic Regression است.
یک پارامتر در این مطالعه برایم جالب توجه بود. امید به فردا.
نسبت بخت که به آن Odds Ratio گفته میشود، در گروه Case یعنی افراد فعال در بازار، به صورت معنادار از گروه Control بالاتر بود. حدود 2.4 برابر (P-value = 0.021).
خیلی ساده یعنی اینکه، آنهایی که هنوز بر سفره بازار سرمایه نشستهاند، به امروز و فردای خود، امیدوارتر از دیگران هستند. جمله امروز دیگر درست میشود، در ذهن گروه Case، بلندتر از گروه Control بود. نتایج رگرسیون لجستیک نشان میداد، صبح این افراد، با امید بیشتری شروع میشود و همچنان این بخش از بازار زنده است.
مدتی قبل، تحلیل دادههای مطالعهای را انجام میدادم. مقایسه بین دو گروه Case و Control.
در این مطالعه گروه Control، افراد (زن و مرد) شاغلی بودند، که هر روز جهت کار و بسته به شغل خود از خانه بیرون میرفتند. آنها هیچ وقت در بورس و بازار سرمایه تهران، فعال نبودند و کد بورسی هم به ندرت داشتند. اگر هم داشتند با آن کار نمیکردند و یا اصلاً خبر نداشتند.
گروه Case، افراد و فعالان بازار سرمایه بودند. البته تعداد آنها در این مطالعه به نسبت تعداد گروه کنترل بیشتر بود. به همین دلیل جهت بالانس شدن تعداد افراد در هر گروه، من صرفاً افرادی را در گروه Case قرار دادم که هم اکنون در بازار و بورس فعال هستند و در این چند سال اگر وارد شدهاند، همچنان حضور دارند و خارج نشدهاند.
پارامترهای زیادی بین این افراد مورد مقایسه قرار گرفت. خیلی ساده میدانیم از آنجا که با گروههای باینری (صفر و یک یعتی Case و Control) روبهرو هستیم، پس نوع مطالعه ما تحلیل رگرسیون غیرخطی لجستیک Binary Logistic Regression است.
یک پارامتر در این مطالعه برایم جالب توجه بود. امید به فردا.
نسبت بخت که به آن Odds Ratio گفته میشود، در گروه Case یعنی افراد فعال در بازار، به صورت معنادار از گروه Control بالاتر بود. حدود 2.4 برابر (P-value = 0.021).
خیلی ساده یعنی اینکه، آنهایی که هنوز بر سفره بازار سرمایه نشستهاند، به امروز و فردای خود، امیدوارتر از دیگران هستند. جمله امروز دیگر درست میشود، در ذهن گروه Case، بلندتر از گروه Control بود. نتایج رگرسیون لجستیک نشان میداد، صبح این افراد، با امید بیشتری شروع میشود و همچنان این بخش از بازار زنده است.
#پیشنهاد
دربارهی شاخص کل و نحوه محاسبه آن، برخی دوستان که من از آنها میآموزم و یاد میگیرم، توضیحات بسیار خوب و دقیقی دادند.
من در اینجا قصد ندارم دربارهی درستی یا غلط بودن وزن Wi (همان ارزش بازار هر نماد) که در فرمول شاخص کل، قرار دارد حرفی بزنم.
البته اگر از من بپرسید میگویم غلط است و برای سبد من و شما 5 درصد نماد X با 5 درصد نماد Y فرقی ندارد. بله برای دولتها که بازار سرمایه را به عنوان دارایی (خودشان) نگاه میکنند، اهمیت دارد که بازارش چقدر میارزد و ارزش ریالی آن امروز نسبت به دیروز چقدر کم و یا زیاد شده است.
بنابراین شاخص کل، صرفاً برای همان دولتها خوب است که یک آماره بیش براورد است و همه چیز را هم بهتر از آن چیزی که واقعیت دارد، نشان میدهد.
آنچه من میخواهم پیشنهاد دهم و چندین بار هم در گذشته از آن نام بردم، به صورت زیر است.
همه نمادهای معامله شده در بازار سرمایه را به ترتیب حروف الفبا مرتب میکنیم. برای ما فرقی بین نوع بازار (بورس، فرابورس، بازار پایه، صندوقها و ....) وجود ندارد.
فرض کنید آنها به صورت زیر هستند که به ترتیب حروف الفبا کنار هم قرار گرفتهاند.
X1, X2, …., Xn
که در آن هر Xi درصد قیمت پایانی و یا آخرین قیمت نماد X میباشد. n نیز تعداد نمادهای معامله شده در هر روز است.
حال در مرحله بعد نمادها را به صورت زیر کنار هم قرار میدهیم.
X(1), X(2), …., X(n)
وقتی اندیسها در پرانتز قرار میگیرد، ما به آنها آمارههای ترتیبی میگوییم.
در این حالت X(1) نمادی با کمترین میزان درصد قیمت پایانی و یا آخرین قیمت است. به بیان ساده یعنی منفیترین نماد معامله شده.
به همین ترتیب X(n) نمادی با بیشترین میزان درصد قیمت پایانی و یا آخرین قیمت است. یعنی مثبتترین نماد معامله شده.
حال میانه Median اعداد X(1), X(2), …., X(n) را به دست میآوریم. میانه در اینجا از رابطه زیر به دست میآید.
Median = X ((n+1)/2)
اگر n فرد باشد و
Median = [X (n/2) + X ((n/2)+1)] / 2
اگر n زوج باشد.
البته نرمافزارها به سادگی میتوانند این محاسبات را انجام دهند و به سرعت در هر لحظه، میانه اعداد
X(1), X(2), …., X(n)
را به دست بیاورند.
آنچه درباره میانه اهمیت دارد این است که این یک پارامتر اصطلاحاً Robust و متمایل به مرکز دادهها است. قبلاً درباره این مطلب صحبت کردم.
ویژگی دیگری که میانه در این فرمول دارد، آن است که پارامتری با براورد اصطلاحاً نااریب Median Unbiased Estimator است.
درباره UMVUE بودن شاخص میانه، یعنی برآوردگر نااریب با واریانس به طور یکنواخت مینیمم
Uniformly Minimum Variance Unbiased Estimator (UMVUE)
که یک ویژگی کاملاً مثبت در تئوریهای آماری و قویتر از نااریب بودن است، در ادامه بیشتر میتوان صحبت کرد.
دربارهی شاخص کل و نحوه محاسبه آن، برخی دوستان که من از آنها میآموزم و یاد میگیرم، توضیحات بسیار خوب و دقیقی دادند.
من در اینجا قصد ندارم دربارهی درستی یا غلط بودن وزن Wi (همان ارزش بازار هر نماد) که در فرمول شاخص کل، قرار دارد حرفی بزنم.
البته اگر از من بپرسید میگویم غلط است و برای سبد من و شما 5 درصد نماد X با 5 درصد نماد Y فرقی ندارد. بله برای دولتها که بازار سرمایه را به عنوان دارایی (خودشان) نگاه میکنند، اهمیت دارد که بازارش چقدر میارزد و ارزش ریالی آن امروز نسبت به دیروز چقدر کم و یا زیاد شده است.
بنابراین شاخص کل، صرفاً برای همان دولتها خوب است که یک آماره بیش براورد است و همه چیز را هم بهتر از آن چیزی که واقعیت دارد، نشان میدهد.
آنچه من میخواهم پیشنهاد دهم و چندین بار هم در گذشته از آن نام بردم، به صورت زیر است.
همه نمادهای معامله شده در بازار سرمایه را به ترتیب حروف الفبا مرتب میکنیم. برای ما فرقی بین نوع بازار (بورس، فرابورس، بازار پایه، صندوقها و ....) وجود ندارد.
فرض کنید آنها به صورت زیر هستند که به ترتیب حروف الفبا کنار هم قرار گرفتهاند.
X1, X2, …., Xn
که در آن هر Xi درصد قیمت پایانی و یا آخرین قیمت نماد X میباشد. n نیز تعداد نمادهای معامله شده در هر روز است.
حال در مرحله بعد نمادها را به صورت زیر کنار هم قرار میدهیم.
X(1), X(2), …., X(n)
وقتی اندیسها در پرانتز قرار میگیرد، ما به آنها آمارههای ترتیبی میگوییم.
در این حالت X(1) نمادی با کمترین میزان درصد قیمت پایانی و یا آخرین قیمت است. به بیان ساده یعنی منفیترین نماد معامله شده.
به همین ترتیب X(n) نمادی با بیشترین میزان درصد قیمت پایانی و یا آخرین قیمت است. یعنی مثبتترین نماد معامله شده.
حال میانه Median اعداد X(1), X(2), …., X(n) را به دست میآوریم. میانه در اینجا از رابطه زیر به دست میآید.
Median = X ((n+1)/2)
اگر n فرد باشد و
Median = [X (n/2) + X ((n/2)+1)] / 2
اگر n زوج باشد.
البته نرمافزارها به سادگی میتوانند این محاسبات را انجام دهند و به سرعت در هر لحظه، میانه اعداد
X(1), X(2), …., X(n)
را به دست بیاورند.
آنچه درباره میانه اهمیت دارد این است که این یک پارامتر اصطلاحاً Robust و متمایل به مرکز دادهها است. قبلاً درباره این مطلب صحبت کردم.
ویژگی دیگری که میانه در این فرمول دارد، آن است که پارامتری با براورد اصطلاحاً نااریب Median Unbiased Estimator است.
درباره UMVUE بودن شاخص میانه، یعنی برآوردگر نااریب با واریانس به طور یکنواخت مینیمم
Uniformly Minimum Variance Unbiased Estimator (UMVUE)
که یک ویژگی کاملاً مثبت در تئوریهای آماری و قویتر از نااریب بودن است، در ادامه بیشتر میتوان صحبت کرد.
#EPS
12 دیماه سال 1399، من از یک ایده و مدل روی کاغذ نام بردم که با استفاده از آن بتوانیم به پیشبینی آینده قیمت سهام بپردازیم. این پست را ببینید.
مدتی پیش من برازش مدل با نام
Multiple Binary Logistic Regression (MBLR)
و Run کردن دادهها در آن را انجام دادم. علاقمند بودم بخشی از یافتهها را با شما به اشتراک بگذارم.
اثرگزارترین و به زبان آماری دارای بیشترین اندازه اثر Effect Size بر بتای ضریب رگرسیونی قیمت سهام در یک روند بلندمدت، مربوط به فاکتوری به نام EPS است. به بیان ساده بیشترین عامل اثرگزار (و البته معنادار) بر افزایش قیمت یک نماد، بالا بودن عدد EPS آن است.
اختلاف بین قیمت کنونی یک نماد با NAV آن، یک عامل بیمعنا Non-Significant بر بتای ضریب رگرسیونی قیمت سهام است. این مطلب به معنای آن است که پایین بودن قیمت کنونی سهام نسبت به NAV آن، دلیلی بر افزایش قیمت نماد در آینده نیست.
در ادامه و در پستهای بعدی میتوان با استفاده از مدل به دست آمده، دربارهی سایر فاکتورهای معنادار و یا غیرمعنادار بر قیمت آینده نماد، مانند حجم، قیمت پایانی، خرید و فروشهای های حقیقی و حقوقی، درصد ورود پول حقیقی و حقوقی، تعداد معاملات، نسبت فروشنده به خریدار، ارزش معاملات، PE، PS، میانگین حجم ماهانه، درصد سهام شناور و .... صحبت کرد.
12 دیماه سال 1399، من از یک ایده و مدل روی کاغذ نام بردم که با استفاده از آن بتوانیم به پیشبینی آینده قیمت سهام بپردازیم. این پست را ببینید.
مدتی پیش من برازش مدل با نام
Multiple Binary Logistic Regression (MBLR)
و Run کردن دادهها در آن را انجام دادم. علاقمند بودم بخشی از یافتهها را با شما به اشتراک بگذارم.
اثرگزارترین و به زبان آماری دارای بیشترین اندازه اثر Effect Size بر بتای ضریب رگرسیونی قیمت سهام در یک روند بلندمدت، مربوط به فاکتوری به نام EPS است. به بیان ساده بیشترین عامل اثرگزار (و البته معنادار) بر افزایش قیمت یک نماد، بالا بودن عدد EPS آن است.
اختلاف بین قیمت کنونی یک نماد با NAV آن، یک عامل بیمعنا Non-Significant بر بتای ضریب رگرسیونی قیمت سهام است. این مطلب به معنای آن است که پایین بودن قیمت کنونی سهام نسبت به NAV آن، دلیلی بر افزایش قیمت نماد در آینده نیست.
در ادامه و در پستهای بعدی میتوان با استفاده از مدل به دست آمده، دربارهی سایر فاکتورهای معنادار و یا غیرمعنادار بر قیمت آینده نماد، مانند حجم، قیمت پایانی، خرید و فروشهای های حقیقی و حقوقی، درصد ورود پول حقیقی و حقوقی، تعداد معاملات، نسبت فروشنده به خریدار، ارزش معاملات، PE، PS، میانگین حجم ماهانه، درصد سهام شناور و .... صحبت کرد.
#بازارساز
مدیر شرکتی را فرض کنید که ده نفر کارمند دارد و به او اعتراض میشود چرا حقوق کارمندان شرکت اینقدر پایین است (فرض کنید مثلا 4 میلیون تومان) و حق آنها را نمیدهد.
او فکر کند که خیلی زرنگ است و بیاید حقوق یکی دو نفر (از جمله خودش) را ده برابر کند و بعد گزارش دهد که خیر، اصلا هم اینطور نیست و متوسط حقوق در این شرکت 11 میلیون تومان است.
او راست میگوید و میانگین حقوق در این شرکت بعد از اینکه یکی دو نفر حقوقشان ده برابر شد میشود 11 میلیون تومان.
بله او میتواند پشت میانگین پنهان شود و گزارش دهد که همه چیز اینجا خوب است و متوسط افراد 11 میلیون حقوق میگیرند اما نمیتواند پشت میانه پنهان شود که میانه حقوق همان 4 میلیون تومان است.
خب، حال این یعنی چه و به چه درد ما میخورد؟
یکی از خوبیهای بازار سرمایه (به نظر من شاید بهترین آن) سطح سواد پایین بازارساز است. او انتهای هنرش کار کردن و تحلیل با اکسل است و فکر میکند هیچ کسی هم نمیفهمد چه میکند.
بله او میتواند پشت خروج پول توسط حقیقیها و فروش آنها پنهان شود. او میتواند پشت دخل خالی شده صندوقها و هدایت عامدانه نقدینگی به سمت صندوقها پنهان شود.
او میتواند بیاید بگوید منفیهای بازار کار کدهای حقیقی فروشنده است و پشت این گزاره پنهان شود. حتی خیلی فهمیده باشد میتواند پشت همبستگی منفی بین صندوقها و بازار سهام پنهان شود.
اما خب، آمار هنرمندتر از آن است که بازارساز بتواند او را بفریبد. البته و صد البته که این هنر من نیست و آنچه امروزه از علوم آماری میبینیم، کار دهها و صدها محقق و دانشمند آماری از سالیان سال پیش تا امروز است.
خیلی ساده بنویسم، بازارساز نمیتواند پشت Combination Index بازار سرمایه تهران که اکنون عددی بیش از 6 است و نشان میدهد فقط حدود 15 درصد معاملات توسط کاربر خرد حقیقی و انسانی انجام میشود، پنهان شود.
او نمیتواند پشت Median Index بازار سرمایه که اکنون حوالی 810 هزار واحد است، پنهان شود و شاخص 1.4 میلیونی را به رخ بکشد.
بازارساز نمیتواند پشت DRI Statistic بازار سرمایه که مدتها است به شدت کمتر از یک است و نشان میدهد کار، کار خودش است، پنهان شود.
مدیر شرکتی را فرض کنید که ده نفر کارمند دارد و به او اعتراض میشود چرا حقوق کارمندان شرکت اینقدر پایین است (فرض کنید مثلا 4 میلیون تومان) و حق آنها را نمیدهد.
او فکر کند که خیلی زرنگ است و بیاید حقوق یکی دو نفر (از جمله خودش) را ده برابر کند و بعد گزارش دهد که خیر، اصلا هم اینطور نیست و متوسط حقوق در این شرکت 11 میلیون تومان است.
او راست میگوید و میانگین حقوق در این شرکت بعد از اینکه یکی دو نفر حقوقشان ده برابر شد میشود 11 میلیون تومان.
بله او میتواند پشت میانگین پنهان شود و گزارش دهد که همه چیز اینجا خوب است و متوسط افراد 11 میلیون حقوق میگیرند اما نمیتواند پشت میانه پنهان شود که میانه حقوق همان 4 میلیون تومان است.
خب، حال این یعنی چه و به چه درد ما میخورد؟
یکی از خوبیهای بازار سرمایه (به نظر من شاید بهترین آن) سطح سواد پایین بازارساز است. او انتهای هنرش کار کردن و تحلیل با اکسل است و فکر میکند هیچ کسی هم نمیفهمد چه میکند.
بله او میتواند پشت خروج پول توسط حقیقیها و فروش آنها پنهان شود. او میتواند پشت دخل خالی شده صندوقها و هدایت عامدانه نقدینگی به سمت صندوقها پنهان شود.
او میتواند بیاید بگوید منفیهای بازار کار کدهای حقیقی فروشنده است و پشت این گزاره پنهان شود. حتی خیلی فهمیده باشد میتواند پشت همبستگی منفی بین صندوقها و بازار سهام پنهان شود.
اما خب، آمار هنرمندتر از آن است که بازارساز بتواند او را بفریبد. البته و صد البته که این هنر من نیست و آنچه امروزه از علوم آماری میبینیم، کار دهها و صدها محقق و دانشمند آماری از سالیان سال پیش تا امروز است.
خیلی ساده بنویسم، بازارساز نمیتواند پشت Combination Index بازار سرمایه تهران که اکنون عددی بیش از 6 است و نشان میدهد فقط حدود 15 درصد معاملات توسط کاربر خرد حقیقی و انسانی انجام میشود، پنهان شود.
او نمیتواند پشت Median Index بازار سرمایه که اکنون حوالی 810 هزار واحد است، پنهان شود و شاخص 1.4 میلیونی را به رخ بکشد.
بازارساز نمیتواند پشت DRI Statistic بازار سرمایه که مدتها است به شدت کمتر از یک است و نشان میدهد کار، کار خودش است، پنهان شود.
#ثبات
فردای روز استقرار دولت فعلی را در نظر بگیرید. یعنی چهارشنبه 13 مرداد سال 1400.
فرض کنید من در این روز یک سبد سهام، به ارزش 100 میلیون تومان تشکیل میدهم. دست به این سبد هم نمیزنم و هیچ چیزی را کم یا زیاد نمیکنم.
حال، امروز جمعه 14 مرداد سال 1401 است. سوال من این است. ارزش ریالی سبد من چقدر است؟
پاسخ دقیق به این سوال، عملکرد واقعی دولت فعلی در بازار سرمایه تهران را نشان میدهد.
واضح است که من باید آنقدر عاقل و منصف باشم که سبد خودم را به جای کل بازار و سبدهای مردم جا نزنم و مثلا اگر سبد من امروز 150 میلیون تومان شده، نیایم همه جا را پر کنم که بله، بازار سرمایه در دولت فعلی سود 50 درصدی داده است.
پس چه باید انجام دهم؟
پاسخ چندان سخت نیست. شبیهسازی چاره کار است و با نرمافزارهای آماری امروزی نیز خیلی پیچیده نیست.
من یکصد هزار سبد فرضی هر کدام مثلا با 5 سهم از نمادهای قابل معامله، میسازم. هر سبد هم به ارزش یکصد میلیون تومان.
به معنای اینکه فرض میکنم صد هزار نفر، سبدهای 100 میلیون تومانی در روز چهارشنبه 13 مرداد سال 1400 با قیمت همان روز نمادها، ساختهاند.
این 100 هزار نفر میتواند، مشابه و نظیر بسیار خوبی برای وضعیت امروز سبدهای عموم افراد باشند.
همانگونه که گفتم به هیچ کدام از این سبدها هم دست نمیزنم و شرط مهم ثبات را رعایت میکنم. یعنی هیچ خرید و فروشی انجام نمیدهم و اجازه میدهم سبدها به مدت یکسال دست نخورده بمانند.
هدف من از برقراری شرط ثبات این است که آن گزاره همیشگی، که مقصر اوضاع فعلی، خرید و فروش هیجانی حقیقیها است را حذف کنم.
اکنون و امروز 14 مرداد سال 1401 است. حال سوال خود را یکبار دیگر تکرار میکنم. ارزش ریالی سبدها چقدر است؟
به سبدهای شبیهسازی شده خودم نگاه میکنم. در این 100 هزار سبد سهام، اوضاع مختلفی دیده میشود، تعدادی چند برابر افزایش یافتهاند و تعدادی چند برابر کاهش. برخی چندان افزایش یا کاهش نیافتهاند و برخی نیز کمتر یا بیشتر شدهاند.
مانند همیشه به میانه ارزش ریالی سبدها توجه میکنیم. یعنی سبد سهام بیشتر مردم چه اوضاعی دارد؟
پاسخ این است که میانه ارزش ریالی این سبدها حدود 77 میلیون تومان است. به بیان سادهتر یعنی بازار سرمایه تهران 23 درصد افت و کاهش ارزش ریالی داشته است.
این مطلب یعنی کاهش 23 درصدی ارزش سبدها، آن حقیقتی است که در بورس تهران وجود دارد و نه آن گزاره که
شاخص کل بورس از زمان آغاز دولت سیزدهم ۱۰ درصد رشد داشته است که به معنای بورس با ثبات است.
نیمی از این گزاره یعنی "شاخص کل بورس از زمان آغاز دولت سیزدهم ۱۰ درصد رشد داشته است"، صحیح است
اما نیم دیگر آن، یعنی "که به معنای بورس با ثبات است"، غلط است. بورس تهران به معنای واقعی آن یعنی سبدهای مردم دارای میانه کاهش ارزش 23 درصدی است.
فردای روز استقرار دولت فعلی را در نظر بگیرید. یعنی چهارشنبه 13 مرداد سال 1400.
فرض کنید من در این روز یک سبد سهام، به ارزش 100 میلیون تومان تشکیل میدهم. دست به این سبد هم نمیزنم و هیچ چیزی را کم یا زیاد نمیکنم.
حال، امروز جمعه 14 مرداد سال 1401 است. سوال من این است. ارزش ریالی سبد من چقدر است؟
پاسخ دقیق به این سوال، عملکرد واقعی دولت فعلی در بازار سرمایه تهران را نشان میدهد.
واضح است که من باید آنقدر عاقل و منصف باشم که سبد خودم را به جای کل بازار و سبدهای مردم جا نزنم و مثلا اگر سبد من امروز 150 میلیون تومان شده، نیایم همه جا را پر کنم که بله، بازار سرمایه در دولت فعلی سود 50 درصدی داده است.
پس چه باید انجام دهم؟
پاسخ چندان سخت نیست. شبیهسازی چاره کار است و با نرمافزارهای آماری امروزی نیز خیلی پیچیده نیست.
من یکصد هزار سبد فرضی هر کدام مثلا با 5 سهم از نمادهای قابل معامله، میسازم. هر سبد هم به ارزش یکصد میلیون تومان.
به معنای اینکه فرض میکنم صد هزار نفر، سبدهای 100 میلیون تومانی در روز چهارشنبه 13 مرداد سال 1400 با قیمت همان روز نمادها، ساختهاند.
این 100 هزار نفر میتواند، مشابه و نظیر بسیار خوبی برای وضعیت امروز سبدهای عموم افراد باشند.
همانگونه که گفتم به هیچ کدام از این سبدها هم دست نمیزنم و شرط مهم ثبات را رعایت میکنم. یعنی هیچ خرید و فروشی انجام نمیدهم و اجازه میدهم سبدها به مدت یکسال دست نخورده بمانند.
هدف من از برقراری شرط ثبات این است که آن گزاره همیشگی، که مقصر اوضاع فعلی، خرید و فروش هیجانی حقیقیها است را حذف کنم.
اکنون و امروز 14 مرداد سال 1401 است. حال سوال خود را یکبار دیگر تکرار میکنم. ارزش ریالی سبدها چقدر است؟
به سبدهای شبیهسازی شده خودم نگاه میکنم. در این 100 هزار سبد سهام، اوضاع مختلفی دیده میشود، تعدادی چند برابر افزایش یافتهاند و تعدادی چند برابر کاهش. برخی چندان افزایش یا کاهش نیافتهاند و برخی نیز کمتر یا بیشتر شدهاند.
مانند همیشه به میانه ارزش ریالی سبدها توجه میکنیم. یعنی سبد سهام بیشتر مردم چه اوضاعی دارد؟
پاسخ این است که میانه ارزش ریالی این سبدها حدود 77 میلیون تومان است. به بیان سادهتر یعنی بازار سرمایه تهران 23 درصد افت و کاهش ارزش ریالی داشته است.
این مطلب یعنی کاهش 23 درصدی ارزش سبدها، آن حقیقتی است که در بورس تهران وجود دارد و نه آن گزاره که
شاخص کل بورس از زمان آغاز دولت سیزدهم ۱۰ درصد رشد داشته است که به معنای بورس با ثبات است.
نیمی از این گزاره یعنی "شاخص کل بورس از زمان آغاز دولت سیزدهم ۱۰ درصد رشد داشته است"، صحیح است
اما نیم دیگر آن، یعنی "که به معنای بورس با ثبات است"، غلط است. بورس تهران به معنای واقعی آن یعنی سبدهای مردم دارای میانه کاهش ارزش 23 درصدی است.
#صندوقها
یکی از تحلیلهای آماری را با نام رگرسیون چندگانه سلسله مراتبی
Hierarchical Multiple Regression (HMR)
میشناسیم. با استفاده از این روش تحلیل، میتوانیم اثر یک یا چند عامل و فاکتور را در صورتی که در مدل قرار گیرند و یا از مدل حذف شوند، به دست بیاوریم.
به عنوان مثال فرض کنید، عامل A وقتی در مدل قرار میگیرد دارای تاثیر x است و وقتی از مدل کنار گذاشته میشود، دارای تاثیر y است.
حال سوال ما این است که اختلاف بین x و y یعنی x-y چقدر است؟
واضح است که اگر این اختلاف مثبت باشد، یعنی عامل A دارای اثر مثبت است و اگر در مدل باشد، بهتر است.
همچنین اگر اختلاف x-y منفی باشد، یعنی عامل A دارای اثر منفی است و چنانچه در مدل نباشد، بهتر است.
خب، حال بیایید به موضوع این پست بپردازم.
انواع و اقسام صندوقها در بازار سرمایه تهران وجود دارند، از ثبات تا فردا. از همای تا اعتماد و از کامیاب تا کارا و به همین ترتیب اسامی زیبای دیگر.
بیایید این صندوقها را همان عامل A در نظر بگیریم. بودن اینها و تاثیر آنها را در بازار سرمایه میبینیم. شاخص میانه حدود 812 هزار واحد است. یعنی x = 812
حال فرض کنید، هیچکدام از اینها وجود نداشت. (هر چند میدانم متقاضیان خاص خودش را دارد و من صرفاً یک فرض و ایده آماری را بیان میکنم.) در این صورت شاخص میانه حدود یک میلیون و 117 هزار واحد، بود. یعنی y = 1117
پس خیلی ساده
x – y = 812 – 1117 = - 305
این مطلب یعنی اینکه اگر فاکتور وجود صندوقها را حذف کنیم، سبدها و پرتفوها تقریباً 37 درصد ارزش ریالی بیشتری نسبت به امروز داشتند.
به عنوان مثال اگر امروز فردی سبد سهامش 100 میلیون ارزش دارد، با حذف صندوقها (همه آنها) از فرایند خرید و فروش در بازار سرمایه تهران، دارای سبد سهامی به ارزش 137 میلیون بود.
سادهتر بخواهم بنویسم این است که عملکرد و وجود صندوقها دارای زیان 37 درصدی بر سبدها و پرتفوهای عامه افراد است و از زبان رگرسیون Hierarchical بخواهم بگویم این است که نبودنشان بهتر از بودنشان است.
یکی از تحلیلهای آماری را با نام رگرسیون چندگانه سلسله مراتبی
Hierarchical Multiple Regression (HMR)
میشناسیم. با استفاده از این روش تحلیل، میتوانیم اثر یک یا چند عامل و فاکتور را در صورتی که در مدل قرار گیرند و یا از مدل حذف شوند، به دست بیاوریم.
به عنوان مثال فرض کنید، عامل A وقتی در مدل قرار میگیرد دارای تاثیر x است و وقتی از مدل کنار گذاشته میشود، دارای تاثیر y است.
حال سوال ما این است که اختلاف بین x و y یعنی x-y چقدر است؟
واضح است که اگر این اختلاف مثبت باشد، یعنی عامل A دارای اثر مثبت است و اگر در مدل باشد، بهتر است.
همچنین اگر اختلاف x-y منفی باشد، یعنی عامل A دارای اثر منفی است و چنانچه در مدل نباشد، بهتر است.
خب، حال بیایید به موضوع این پست بپردازم.
انواع و اقسام صندوقها در بازار سرمایه تهران وجود دارند، از ثبات تا فردا. از همای تا اعتماد و از کامیاب تا کارا و به همین ترتیب اسامی زیبای دیگر.
بیایید این صندوقها را همان عامل A در نظر بگیریم. بودن اینها و تاثیر آنها را در بازار سرمایه میبینیم. شاخص میانه حدود 812 هزار واحد است. یعنی x = 812
حال فرض کنید، هیچکدام از اینها وجود نداشت. (هر چند میدانم متقاضیان خاص خودش را دارد و من صرفاً یک فرض و ایده آماری را بیان میکنم.) در این صورت شاخص میانه حدود یک میلیون و 117 هزار واحد، بود. یعنی y = 1117
پس خیلی ساده
x – y = 812 – 1117 = - 305
این مطلب یعنی اینکه اگر فاکتور وجود صندوقها را حذف کنیم، سبدها و پرتفوها تقریباً 37 درصد ارزش ریالی بیشتری نسبت به امروز داشتند.
به عنوان مثال اگر امروز فردی سبد سهامش 100 میلیون ارزش دارد، با حذف صندوقها (همه آنها) از فرایند خرید و فروش در بازار سرمایه تهران، دارای سبد سهامی به ارزش 137 میلیون بود.
سادهتر بخواهم بنویسم این است که عملکرد و وجود صندوقها دارای زیان 37 درصدی بر سبدها و پرتفوهای عامه افراد است و از زبان رگرسیون Hierarchical بخواهم بگویم این است که نبودنشان بهتر از بودنشان است.
#سود
بیایید همه نمادهای قابل معامله در بازار سهام را به دو گروه تقسیم کنیم.
الف) نمادهایی با P/E منفی و کوچکتر از صفر.
ب) نمادهایی با P/E مثبت و بزرگتر از صفر.
حال بیایید از یک مدل رگرسیون غیرخطی با نام
Binary Logistics Regression
استفاده کنیم و یک رابطه و مدل جهت سنجش رابطه بین قیمت و P/E در دو گروه الف و ب به دست بیاوریم.
من این کار را انجام دادهام و چند نتیجه از این مدل را برایتان مینویسم.
۱- نسبت بخت یا همان Odds Ratio در این مدل، کوچکتر از یک و برابر با
OR = 0.695
است. این عدد یعنی احتمال سود در یک نماد با P/E مثبت، کمتر از نمادی با P/E منفی است. دقیقاً نسبت 41 به 59.
این مطلب به معنای آن است که اگر شما در بازار سرمایه تهران بر روی نمادی زیان ده سرمایه گذاری کنید، احتمال بیشتری جهت کسب سود خواهید داشت، تا بر روی یک نماد سود ده.
۲- بیایید گروه بندی P/E را به گونه دیگری نیز تعریف کنیم. در این تعریف، نمادهای با P/E منفی را از مدل خود حذف کنیم و صرفاً تحلیل را بر روی نمادهای با P/E مثبت قرار دهیم.
باز هم دو گروه تشکیل دهیم.
الف) نمادهای با P/E بزرگتر از هفت.
ب) نمادهای با P/E کوچکتر از هفت.
بار دیگر از مدل BLR استفاده میکنیم. در اینجا عدد OR را نیز به دست میآوریم.
OR = 0.818
است. این عدد یعنی احتمال سود در یک نماد با P/E کوچکتر از هفت، نسبت به نمادی با P/E بزرگتر از هفت، برابر با 45 به 55 است.
به معنای اینکه احتمال سود در نمادی با P/E بزرگتر، بیشتر از نمادی با P/E کمتر است.
این نتایج به نظر با تئوری های مالی، تطابق نداشته باشد، با این حال واقعیتی است که در بازار سهام تهران برقرار است.
نکته پایانی اینکه، نتایج به دست آمده حاصل بررسی ۱۷۷ روز کاری بورس تهران میباشد.
این بخش را به متن اصلی اضافه میکنم.
واضح است که منظور من از بیان نتایج بالا، ارجحیت سرمایهگذاری در نمادهای زیان ده نسبت به نمادهای سود ده نیست.
بلکه منظور، بیان انحراف جدی و اساسی است که در بازار سرمایه تهران رخ داده است.
بیایید همه نمادهای قابل معامله در بازار سهام را به دو گروه تقسیم کنیم.
الف) نمادهایی با P/E منفی و کوچکتر از صفر.
ب) نمادهایی با P/E مثبت و بزرگتر از صفر.
حال بیایید از یک مدل رگرسیون غیرخطی با نام
Binary Logistics Regression
استفاده کنیم و یک رابطه و مدل جهت سنجش رابطه بین قیمت و P/E در دو گروه الف و ب به دست بیاوریم.
من این کار را انجام دادهام و چند نتیجه از این مدل را برایتان مینویسم.
۱- نسبت بخت یا همان Odds Ratio در این مدل، کوچکتر از یک و برابر با
OR = 0.695
است. این عدد یعنی احتمال سود در یک نماد با P/E مثبت، کمتر از نمادی با P/E منفی است. دقیقاً نسبت 41 به 59.
این مطلب به معنای آن است که اگر شما در بازار سرمایه تهران بر روی نمادی زیان ده سرمایه گذاری کنید، احتمال بیشتری جهت کسب سود خواهید داشت، تا بر روی یک نماد سود ده.
۲- بیایید گروه بندی P/E را به گونه دیگری نیز تعریف کنیم. در این تعریف، نمادهای با P/E منفی را از مدل خود حذف کنیم و صرفاً تحلیل را بر روی نمادهای با P/E مثبت قرار دهیم.
باز هم دو گروه تشکیل دهیم.
الف) نمادهای با P/E بزرگتر از هفت.
ب) نمادهای با P/E کوچکتر از هفت.
بار دیگر از مدل BLR استفاده میکنیم. در اینجا عدد OR را نیز به دست میآوریم.
OR = 0.818
است. این عدد یعنی احتمال سود در یک نماد با P/E کوچکتر از هفت، نسبت به نمادی با P/E بزرگتر از هفت، برابر با 45 به 55 است.
به معنای اینکه احتمال سود در نمادی با P/E بزرگتر، بیشتر از نمادی با P/E کمتر است.
این نتایج به نظر با تئوری های مالی، تطابق نداشته باشد، با این حال واقعیتی است که در بازار سهام تهران برقرار است.
نکته پایانی اینکه، نتایج به دست آمده حاصل بررسی ۱۷۷ روز کاری بورس تهران میباشد.
این بخش را به متن اصلی اضافه میکنم.
واضح است که منظور من از بیان نتایج بالا، ارجحیت سرمایهگذاری در نمادهای زیان ده نسبت به نمادهای سود ده نیست.
بلکه منظور، بیان انحراف جدی و اساسی است که در بازار سرمایه تهران رخ داده است.
#پُل
تابع ریاضی زیر را ببینید.
Y = f (X)
فرض کنید در این تابع Y را قیمت سهام و X را عوامل اثرگزار بر آن تعریف کنیم. f نیز همان تابع و مدلی است که ارتباط بین قیمت و عوامل اثرگزار بر آن را نشان میدهد.
این f میتواند خیلی ساده مثلاً رگرسیون خطی و یا پیچیدهتر و به صورت منحنی و انواع رگرسیونهای غیرخطی باشد.
رابطه ریاضی بالا را میتوان از یافتههای روزهای قبل ساخت و به دست آورد. به دلیل این که ما از گذشته باخبر هستیم و میدانیم قیمت چقدر بوده است و اعداد آن جلوی چشم ما است.
یعنی ما میتوانیم رابطه Y = f(X) را کشف کنیم، اما اصل داستان این است که این رابطه مربوط به گذشته است. سوال مهم این است آیا ما میتوانیم از این رابطه به منظور پیشبینی آینده استفاده کنیم؟
قبل از پاسخ به این سوال، به یک سوال دیگر پاسخ دهیم. ما از آینده چه چیزی نداریم؟ مشکل ما برای پیشبینی آینده چیست؟
پاسخ به این سوال ساده است. ما قیمت را نداریم. به عبارت ساده در تابع Y = f(X) ما Y را نداریم و فقط با f(X) روبهرو هستیم.
اجازه دهید سادهتر بنویسم.
Y = f(X)
تابعی است که از اطلاعات گذشته در اختیار داریم. ما هم Y را میدانیم، هم f را میتوانیم کشف کنیم و هم X ها در اختیار ما است.
اما در آینده فقط X ها را داریم. مثلاً میدانیم EPS یا P/E این سهم چقدر است. اما Y که همان قیمت است را نداریم.
پس چه کنیم؟ بار دیگر سوال بالا را مطرح میکنم.
آیا میتوانیم از تابع کشف شده Y = f(X) که مربوط به نتایج گذشته است، استفاده کنیم و آیندهای را پیشبینی کنیم که در آن فقط f(X) را داریم و Y را نمیدانیم؟
در واقع آیا میتوانیم با استفاده از تابع به دست آمده f، از گذشته پلی به آینده بزنیم؟
باید بگویم بله، پاسخ مثبت است.
نرمافزار SPSS در ورژنهای جدید و Utilities های خود افزونهای دارد با نام Scoring Wizard. البته کار این افزونه چیز دیگری است و جهت تعمیم نتایج یک مطالعه (انجام شده توسط یک فرد) به مطالعه دیگر (انجام شده توسط فرد دیگر) استفاده میشود.
با این حال من این روش و افزونه Scoring Wizard نرمافزار SPSS را جهت پیشبینی قیمت آینده سهام با استفاده از اطلاعات گذشته، تست کردهام. آنچه به دست آمده، نتایج و یافتههای قابل قبولی است که من سعی میکنم در آینده بیشتر درباره آنها صحبت کنم.
تابع ریاضی زیر را ببینید.
Y = f (X)
فرض کنید در این تابع Y را قیمت سهام و X را عوامل اثرگزار بر آن تعریف کنیم. f نیز همان تابع و مدلی است که ارتباط بین قیمت و عوامل اثرگزار بر آن را نشان میدهد.
این f میتواند خیلی ساده مثلاً رگرسیون خطی و یا پیچیدهتر و به صورت منحنی و انواع رگرسیونهای غیرخطی باشد.
رابطه ریاضی بالا را میتوان از یافتههای روزهای قبل ساخت و به دست آورد. به دلیل این که ما از گذشته باخبر هستیم و میدانیم قیمت چقدر بوده است و اعداد آن جلوی چشم ما است.
یعنی ما میتوانیم رابطه Y = f(X) را کشف کنیم، اما اصل داستان این است که این رابطه مربوط به گذشته است. سوال مهم این است آیا ما میتوانیم از این رابطه به منظور پیشبینی آینده استفاده کنیم؟
قبل از پاسخ به این سوال، به یک سوال دیگر پاسخ دهیم. ما از آینده چه چیزی نداریم؟ مشکل ما برای پیشبینی آینده چیست؟
پاسخ به این سوال ساده است. ما قیمت را نداریم. به عبارت ساده در تابع Y = f(X) ما Y را نداریم و فقط با f(X) روبهرو هستیم.
اجازه دهید سادهتر بنویسم.
Y = f(X)
تابعی است که از اطلاعات گذشته در اختیار داریم. ما هم Y را میدانیم، هم f را میتوانیم کشف کنیم و هم X ها در اختیار ما است.
اما در آینده فقط X ها را داریم. مثلاً میدانیم EPS یا P/E این سهم چقدر است. اما Y که همان قیمت است را نداریم.
پس چه کنیم؟ بار دیگر سوال بالا را مطرح میکنم.
آیا میتوانیم از تابع کشف شده Y = f(X) که مربوط به نتایج گذشته است، استفاده کنیم و آیندهای را پیشبینی کنیم که در آن فقط f(X) را داریم و Y را نمیدانیم؟
در واقع آیا میتوانیم با استفاده از تابع به دست آمده f، از گذشته پلی به آینده بزنیم؟
باید بگویم بله، پاسخ مثبت است.
نرمافزار SPSS در ورژنهای جدید و Utilities های خود افزونهای دارد با نام Scoring Wizard. البته کار این افزونه چیز دیگری است و جهت تعمیم نتایج یک مطالعه (انجام شده توسط یک فرد) به مطالعه دیگر (انجام شده توسط فرد دیگر) استفاده میشود.
با این حال من این روش و افزونه Scoring Wizard نرمافزار SPSS را جهت پیشبینی قیمت آینده سهام با استفاده از اطلاعات گذشته، تست کردهام. آنچه به دست آمده، نتایج و یافتههای قابل قبولی است که من سعی میکنم در آینده بیشتر درباره آنها صحبت کنم.
#ضرر_نقدی
فرض کنید در پرتفوی خود 100 میلیون تومان از یک نماد داریم. با این سهم مجمع رفتهایم و در مجمع هم تقسیم سود نقدی شده است. مثلاً A تومان سود دریافت کردهایم.
فرض کنید که سود مجمع را نه چند روز و یا چند ماه بعد بلکه همان روز مجمع، بدون حتی یک روز تاخیر، به صورت نقد به ما دادهاند.
در نظر بگیرید، سهم، فردای روز مجمع هم بازگشایی میشود. یعنی حتی یک روز هم بسته نیست.
بنابراین روز بازگشایی ما A تومان سود از مجمع در جیب خود داریم و 100 - A تومان هم ارزش این نماد در پرتفوی ما است.
هنگام بازگشایی، نماد، با یک عدد و درصدی باز میشود. مهم نیست چه عددی، فرض کنید X تومان.
حال بیایید به مجموع دارایی خود در این نماد نگاه کنیم.
سهام خود را که همچنان در سبدمان داریم و A تومان هم سود نقدی در جیب داریم.
ارزش ریالی سهام خود را به همراه A تومان سود نقدی که دریافت کردهایم، با هم جمع کنیم.
جالب است، مجموع این دو از 100 میلیون تومان اولیه پول خودمان هم کمتر است. چقدر کمتر؟
حدوداً 2.7 درصد کمتر است. یعنی الان ما 97.3 میلیون تومان پول داریم.
این داستان واقعی که برای شما تعریف کردم، اوضاع امسال مجامع بوده است.
خیلی ساده بخواهم بنویسم این است که در مجامع، تقسیم سود نقدی انجام نشده است، آن چیزی که انجام شده، تقسیم ضرر نقدی بوده. میانه ضرر هم در همهی نمادهای بازار حدود 2.7 درصد به دست میآید.
فرض کنید در پرتفوی خود 100 میلیون تومان از یک نماد داریم. با این سهم مجمع رفتهایم و در مجمع هم تقسیم سود نقدی شده است. مثلاً A تومان سود دریافت کردهایم.
فرض کنید که سود مجمع را نه چند روز و یا چند ماه بعد بلکه همان روز مجمع، بدون حتی یک روز تاخیر، به صورت نقد به ما دادهاند.
در نظر بگیرید، سهم، فردای روز مجمع هم بازگشایی میشود. یعنی حتی یک روز هم بسته نیست.
بنابراین روز بازگشایی ما A تومان سود از مجمع در جیب خود داریم و 100 - A تومان هم ارزش این نماد در پرتفوی ما است.
هنگام بازگشایی، نماد، با یک عدد و درصدی باز میشود. مهم نیست چه عددی، فرض کنید X تومان.
حال بیایید به مجموع دارایی خود در این نماد نگاه کنیم.
سهام خود را که همچنان در سبدمان داریم و A تومان هم سود نقدی در جیب داریم.
ارزش ریالی سهام خود را به همراه A تومان سود نقدی که دریافت کردهایم، با هم جمع کنیم.
جالب است، مجموع این دو از 100 میلیون تومان اولیه پول خودمان هم کمتر است. چقدر کمتر؟
حدوداً 2.7 درصد کمتر است. یعنی الان ما 97.3 میلیون تومان پول داریم.
این داستان واقعی که برای شما تعریف کردم، اوضاع امسال مجامع بوده است.
خیلی ساده بخواهم بنویسم این است که در مجامع، تقسیم سود نقدی انجام نشده است، آن چیزی که انجام شده، تقسیم ضرر نقدی بوده. میانه ضرر هم در همهی نمادهای بازار حدود 2.7 درصد به دست میآید.
#روند
بیایید یک روند را با هم در نظر بگیریم. نماد خودرو روز دوشنبه 10 مرداد، حداقل قیمت 1764 ریال را به ثبت رسانده. در روز چهارشنبه 2 شهریور نیز حداکثر قیمت 2298 ریال.
یک سوال ساده این است که این نماد در این چند روز، چند درصد بازدهی داشته است؟ محاسبه ساده است 30.27 درصد.
یک سوال کمی سختتر این است که این نماد، در سبدها چقدر بازدهی داشته است؟ همه آدمها که در قیمت 1764 نخریدهاند و در قیمت 2298 فروختهاند. عدد 30.27 حداکثر بازدهی ممکن است که خب این براورد را به عنوان بازدهی و رشد 30 درصدی نماد خودرو گزارش میکنند.
من در گراف زیر یک هیستوگرام با نرمافزار Minitab رسم کردهام. این گراف بازدهی سبدها در همین چند روز معامله در نماد خودرو را نشان میدهد.
تعداد 14157 فرد شبیهسازی شده را هم در نظر گرفتهاند که در این مدت حداقل یکبار خرید و فروش کردهاند.
میانگین سود، عددی حدود 8.34 درصد است. میانه نیز 8.22 درصد. یعنی بیشتر افراد از آن روند 30 درصد بازدهی، صرفا 8-9 درصد سود کردهاند.
جالب است که بسیاری نیز ضرر کردهاند، یعنی قیمت فروش آنها کمتر از خرید بوده است (15.6 درصد افراد).
یک نکته جالب توجه دیگر این است که فقط 5.8 درصد افراد بیشتر از 20 درصد و 2.4 درصد افراد بیشتر از 25 درصد سود کردهاند.
منظور من از این متن این است که یک روند صعودی 30 درصدی را نبینید و بعد گزارش کنید که همه 30 درصد سود کردهاند. بقیه نتایج را میتوانید در هیستوگرام زیر ببینید.
https://graphpad.ir/wp-content/uploads/2022/08/Histogram-of-Percent-Summary-Report.png
بیایید یک روند را با هم در نظر بگیریم. نماد خودرو روز دوشنبه 10 مرداد، حداقل قیمت 1764 ریال را به ثبت رسانده. در روز چهارشنبه 2 شهریور نیز حداکثر قیمت 2298 ریال.
یک سوال ساده این است که این نماد در این چند روز، چند درصد بازدهی داشته است؟ محاسبه ساده است 30.27 درصد.
یک سوال کمی سختتر این است که این نماد، در سبدها چقدر بازدهی داشته است؟ همه آدمها که در قیمت 1764 نخریدهاند و در قیمت 2298 فروختهاند. عدد 30.27 حداکثر بازدهی ممکن است که خب این براورد را به عنوان بازدهی و رشد 30 درصدی نماد خودرو گزارش میکنند.
من در گراف زیر یک هیستوگرام با نرمافزار Minitab رسم کردهام. این گراف بازدهی سبدها در همین چند روز معامله در نماد خودرو را نشان میدهد.
تعداد 14157 فرد شبیهسازی شده را هم در نظر گرفتهاند که در این مدت حداقل یکبار خرید و فروش کردهاند.
میانگین سود، عددی حدود 8.34 درصد است. میانه نیز 8.22 درصد. یعنی بیشتر افراد از آن روند 30 درصد بازدهی، صرفا 8-9 درصد سود کردهاند.
جالب است که بسیاری نیز ضرر کردهاند، یعنی قیمت فروش آنها کمتر از خرید بوده است (15.6 درصد افراد).
یک نکته جالب توجه دیگر این است که فقط 5.8 درصد افراد بیشتر از 20 درصد و 2.4 درصد افراد بیشتر از 25 درصد سود کردهاند.
منظور من از این متن این است که یک روند صعودی 30 درصدی را نبینید و بعد گزارش کنید که همه 30 درصد سود کردهاند. بقیه نتایج را میتوانید در هیستوگرام زیر ببینید.
https://graphpad.ir/wp-content/uploads/2022/08/Histogram-of-Percent-Summary-Report.png
#سر_به_سر
گراف پایین را ببینید.
آن چیزی که برای خود من بیشتر از هر چیزی جلب توجه میکند، آن ستون (Bar) بلند، مربوط به درصد سود صفرها است. به معنای اینکه اغلب افراد، به محض اینکه سر به سر شدهاند، فروختهاند.
این مطلب از یکی دو سال پیش، حداقل برای خود من اثبات شده بود که افراد معامله کننده در بورس تهران، عمدتاً سر به سر فروش هستند و ترس از دست دادن سرمایه، سبب میشود، ذهن آنها به محض رسیدن به نقطه سربه سر، مرتب دستور زدن بر روی دکمه فروش را صادر کند.
یعنی به محض اینکه رنگ درصد سود پرتفوی آنها از قرمز به سبز تبدیل شد، به سرعت میفروشند.
یک نکته دیگر گراف این است که افراد جدیدی وارد بازار سرمایه نشدهاند (که معمولاً جرات ریسک بالاتری نیز دارند و به محض سر به سر شدن، فروشنده نیستند) و آنهایی که امروز در بازار مشغول معامله هستند، عمدتاً از مار گزیدگان سال 99 به بعد هستند که از ریسمان سیاه و سفید میترسند و ترس ضرر کردن، ویژگی غالب آنها است.
البته موضوع حرف من در این متن، چرایی وجود ترس و فروش در سر به سر ها نیست. این یک مطلب پذیرفته شده است و فعلاً تا مدتها برای آن کاری نمیتوان کرد.
آنچه من میخواهم به آن اشاره کنم، مطلب دیگری است.
بیایید با یک مثال در همان گراف پایین شروع کنم. فرض کنید فردی بر روی قیمت 2000 ریال خودرو میخرد. قیمت سر به سر او در این حالت 2025 ریال است. بر مبنای گراف، بیشتر افراد به محض رسیدن قیمت خودرو به اعدادی مانند 2026 تا 2030، سهام خود را میفروشند.
در واقع ذهن این افراد (که بیشترین فراوانی را هم در بین همه معاملهگران دارند) با رسیدن قیمت به این اعداد، مرتب دستور فروش به آنها میدهد.
حال چه کنیم؟
عدد سر به سر را (حتی به صورت غیر واقعی) برای آنها بالا ببرید. یعنی اگر عدد 2025 سر به سر آنها است و با گذشتن قیمت خودرو از این عدد، رنگ درصد سود آنها سبز میشود، عدد سر به سر را به عدد مثلاً 2045 افزایش دهید.
یعنی این افراد زمانی فروشنده باشند و ذهن آنها دستور فروش بدهد که قیمت عدد 2045 را رد کرده باشد. این کار باعث میشود، بیشتر افراد (همان سر به سر فروشها) دیرتر و در قیمتهای بالاتری بفروشند.
اساس این حرف این است که کارمزدها نه فقط کاهش، بلکه افزایش نیز پیدا کند. به عبارتی به جای اینکه فاصله اطمینان Confidence Interval ذهن برای صدور فرمان فروش نازکتر شود، آن را پهنتر Wide نیز کنید.
واضح است که این مطلب، مربوط به حال و هوای این روزهای بازار سرمایه تهران است که ترس، مهمترین ویژگی غالب بر آن است و بیشتر افراد سر به سر فروش هستند. در آینده با بهبود اوضاع میتوان به کاهش کارمزدها هم فکر کرد.
نکته پایانی اینکه، افزایش کارمزدها حتی میتواند به صورت غیرواقعی و توسط اپلیکیشهای کارگزاری اعمال شود. مثل همان ساعت روی دیوار خانهها که ما به صورت غیرواقعی حتی چند دقیقه آن را جلو میکشیم، با این ذهنیت که دیر به جایی نرویم و یا زودتر به کارهایمان برسیم.
https://graphpad.ir/wp-content/uploads/2022/08/Bar-Histogram-of-Percent-Summary-Report.png
گراف پایین را ببینید.
آن چیزی که برای خود من بیشتر از هر چیزی جلب توجه میکند، آن ستون (Bar) بلند، مربوط به درصد سود صفرها است. به معنای اینکه اغلب افراد، به محض اینکه سر به سر شدهاند، فروختهاند.
این مطلب از یکی دو سال پیش، حداقل برای خود من اثبات شده بود که افراد معامله کننده در بورس تهران، عمدتاً سر به سر فروش هستند و ترس از دست دادن سرمایه، سبب میشود، ذهن آنها به محض رسیدن به نقطه سربه سر، مرتب دستور زدن بر روی دکمه فروش را صادر کند.
یعنی به محض اینکه رنگ درصد سود پرتفوی آنها از قرمز به سبز تبدیل شد، به سرعت میفروشند.
یک نکته دیگر گراف این است که افراد جدیدی وارد بازار سرمایه نشدهاند (که معمولاً جرات ریسک بالاتری نیز دارند و به محض سر به سر شدن، فروشنده نیستند) و آنهایی که امروز در بازار مشغول معامله هستند، عمدتاً از مار گزیدگان سال 99 به بعد هستند که از ریسمان سیاه و سفید میترسند و ترس ضرر کردن، ویژگی غالب آنها است.
البته موضوع حرف من در این متن، چرایی وجود ترس و فروش در سر به سر ها نیست. این یک مطلب پذیرفته شده است و فعلاً تا مدتها برای آن کاری نمیتوان کرد.
آنچه من میخواهم به آن اشاره کنم، مطلب دیگری است.
بیایید با یک مثال در همان گراف پایین شروع کنم. فرض کنید فردی بر روی قیمت 2000 ریال خودرو میخرد. قیمت سر به سر او در این حالت 2025 ریال است. بر مبنای گراف، بیشتر افراد به محض رسیدن قیمت خودرو به اعدادی مانند 2026 تا 2030، سهام خود را میفروشند.
در واقع ذهن این افراد (که بیشترین فراوانی را هم در بین همه معاملهگران دارند) با رسیدن قیمت به این اعداد، مرتب دستور فروش به آنها میدهد.
حال چه کنیم؟
عدد سر به سر را (حتی به صورت غیر واقعی) برای آنها بالا ببرید. یعنی اگر عدد 2025 سر به سر آنها است و با گذشتن قیمت خودرو از این عدد، رنگ درصد سود آنها سبز میشود، عدد سر به سر را به عدد مثلاً 2045 افزایش دهید.
یعنی این افراد زمانی فروشنده باشند و ذهن آنها دستور فروش بدهد که قیمت عدد 2045 را رد کرده باشد. این کار باعث میشود، بیشتر افراد (همان سر به سر فروشها) دیرتر و در قیمتهای بالاتری بفروشند.
اساس این حرف این است که کارمزدها نه فقط کاهش، بلکه افزایش نیز پیدا کند. به عبارتی به جای اینکه فاصله اطمینان Confidence Interval ذهن برای صدور فرمان فروش نازکتر شود، آن را پهنتر Wide نیز کنید.
واضح است که این مطلب، مربوط به حال و هوای این روزهای بازار سرمایه تهران است که ترس، مهمترین ویژگی غالب بر آن است و بیشتر افراد سر به سر فروش هستند. در آینده با بهبود اوضاع میتوان به کاهش کارمزدها هم فکر کرد.
نکته پایانی اینکه، افزایش کارمزدها حتی میتواند به صورت غیرواقعی و توسط اپلیکیشهای کارگزاری اعمال شود. مثل همان ساعت روی دیوار خانهها که ما به صورت غیرواقعی حتی چند دقیقه آن را جلو میکشیم، با این ذهنیت که دیر به جایی نرویم و یا زودتر به کارهایمان برسیم.
https://graphpad.ir/wp-content/uploads/2022/08/Bar-Histogram-of-Percent-Summary-Report.png
Regression_for_%قیمت_پایانی_vs_P_E_Model_Selection_Report.png
26 KB
البته که با مثال، نمیتوان یک قانون را اثبات کرد. با این حال گراف بالا را ببینید. مربوط به همین امروز یکشنبه 6 شهریور 1401 است.
در بیشتر روزها، همین نتیجه برقرار است. علاقمند بودید این پست را ببینید.
یک رگرسیون ساده بین P/E و قیمت پایانی. بررسی بر روی همه نمادهای معامله شده امروز.
آنچه که اهمیت دارد ضریب بتای مدل رگرسیونی مثبت است. یعنی هر چقدر P/E بزرگتر است، قیمت پایانی مثبتتر.
گراف دو نکته مهم دیگر در خود دارد.
الف) حجم انبوهی از نمادهای بازار دارای P/E های کوچک هستند. این مطلب به نظر بیانگر جذاب بودن این بازار برای سرمایهگزاری است.
ب) نقاط قرمز رنگ را ببینید. آنها دادههای Unusual و یا Large Residuals هستند. به زبان ساده بخواهم بگویم یعنی نمادهایی با بازیگرهای مخرب و تابلو خراب کن. نام آنها محفوظ است. هر چند بسیار ساده میتوان آنها را به دست آورد و بیان کرد.
فکر میکنم باز هم باید این بخش را به متن بالا اضافه کنم که
منظور من از بیان این نتایج، ارجحیت سرمایهگذاری در نمادهای زیان ده نسبت به نمادهای سود ده نیست.
بلکه منظور، بیان انحراف جدی و اساسی است که در بازار سرمایه تهران رخ داده است.
در بیشتر روزها، همین نتیجه برقرار است. علاقمند بودید این پست را ببینید.
یک رگرسیون ساده بین P/E و قیمت پایانی. بررسی بر روی همه نمادهای معامله شده امروز.
آنچه که اهمیت دارد ضریب بتای مدل رگرسیونی مثبت است. یعنی هر چقدر P/E بزرگتر است، قیمت پایانی مثبتتر.
گراف دو نکته مهم دیگر در خود دارد.
الف) حجم انبوهی از نمادهای بازار دارای P/E های کوچک هستند. این مطلب به نظر بیانگر جذاب بودن این بازار برای سرمایهگزاری است.
ب) نقاط قرمز رنگ را ببینید. آنها دادههای Unusual و یا Large Residuals هستند. به زبان ساده بخواهم بگویم یعنی نمادهایی با بازیگرهای مخرب و تابلو خراب کن. نام آنها محفوظ است. هر چند بسیار ساده میتوان آنها را به دست آورد و بیان کرد.
فکر میکنم باز هم باید این بخش را به متن بالا اضافه کنم که
منظور من از بیان این نتایج، ارجحیت سرمایهگذاری در نمادهای زیان ده نسبت به نمادهای سود ده نیست.
بلکه منظور، بیان انحراف جدی و اساسی است که در بازار سرمایه تهران رخ داده است.
اجازه دهید من یک سوال خیلی ساده از شما بپرسم.
100 بزرگتر است یا 1؟
من میگویم 1 از 100 بزرگتر است.
فرض کنید مغازهای قیمت اجناسش را با 100 درصد افزایش میفروشد، مثلاً اگر کالایی 1000 تومان است آن را با 100 درصد افزایش به دو برابر قیمت یعنی 2000 تومان میفروشد.
حال فرض کنید مغازه دیگری کنار همان مغازه قبلی است که خیلی ادعای مردم دوستی و کاربلدی دارد. او میگوید من فقط با یک درصد افزایش قیمت کالاهایم را میفروشم.
اما سوال بسیار مهم این است، یک درصد افزایش نسبت به چه چیزی؟
او با یک درصد افزایش قیمت بیشتر نسبت به مغازه قبلی (همان مغازهای که قیمت اجناسش را با 100 درصد افزایش میفروخت) کالاهایش را میفروشد. یعنی 101 درصد افزایش قیمت.
خب نتیجه چه میشود؟
این مغازه مردمدار، همان کالای 1000 تومانی را 2010 تومان میفروشد. ادعایش را هم همه جا پر کرده که بله، من خیلی خوب هستم و فقط یک درصد افزایش قیمت داشتهام و مغازه کناری، بد است چون 100 درصد افزایش قیمت داشته.
خب همه اینها یعنی چی؟
یعنی اینکه درست است که جامعه ایرانی زودباور و زخم خورده است، اما اینقدر فریبش ندهید.
ادعای اینکه تورم در دولت قبل مثلاً 50 درصد بوده و ما آن را کاهش دادهایم و شده مثلاً 30 درصد، یعنی همان کالای 1000 تومانی را اگر دولت قبل 1500 تومان تحویل داده، الان در دولت فعلی دقیقا شده است 1950 تومان.
لابد هم فکر کردهاید همه میگویند، چقدر خوب قبلاً 50 درصد تورم داشتیم الان 30 درصد داریم. پس اوضاع خوب شده. اما واقعیت این است که آن 30 از 50 بزرگتر است.
تورم یک آماره تجمعی Cumulative است و نه قدرمطلق Absolute. قطعا شما این را میدانید، اما روی ساده لوحی مردم بسیار حساب باز کردهاید.
https://graphpad.ir/wp-content/uploads/2022/08/photo_2022-08-30_08-53-50.jpg
100 بزرگتر است یا 1؟
من میگویم 1 از 100 بزرگتر است.
فرض کنید مغازهای قیمت اجناسش را با 100 درصد افزایش میفروشد، مثلاً اگر کالایی 1000 تومان است آن را با 100 درصد افزایش به دو برابر قیمت یعنی 2000 تومان میفروشد.
حال فرض کنید مغازه دیگری کنار همان مغازه قبلی است که خیلی ادعای مردم دوستی و کاربلدی دارد. او میگوید من فقط با یک درصد افزایش قیمت کالاهایم را میفروشم.
اما سوال بسیار مهم این است، یک درصد افزایش نسبت به چه چیزی؟
او با یک درصد افزایش قیمت بیشتر نسبت به مغازه قبلی (همان مغازهای که قیمت اجناسش را با 100 درصد افزایش میفروخت) کالاهایش را میفروشد. یعنی 101 درصد افزایش قیمت.
خب نتیجه چه میشود؟
این مغازه مردمدار، همان کالای 1000 تومانی را 2010 تومان میفروشد. ادعایش را هم همه جا پر کرده که بله، من خیلی خوب هستم و فقط یک درصد افزایش قیمت داشتهام و مغازه کناری، بد است چون 100 درصد افزایش قیمت داشته.
خب همه اینها یعنی چی؟
یعنی اینکه درست است که جامعه ایرانی زودباور و زخم خورده است، اما اینقدر فریبش ندهید.
ادعای اینکه تورم در دولت قبل مثلاً 50 درصد بوده و ما آن را کاهش دادهایم و شده مثلاً 30 درصد، یعنی همان کالای 1000 تومانی را اگر دولت قبل 1500 تومان تحویل داده، الان در دولت فعلی دقیقا شده است 1950 تومان.
لابد هم فکر کردهاید همه میگویند، چقدر خوب قبلاً 50 درصد تورم داشتیم الان 30 درصد داریم. پس اوضاع خوب شده. اما واقعیت این است که آن 30 از 50 بزرگتر است.
تورم یک آماره تجمعی Cumulative است و نه قدرمطلق Absolute. قطعا شما این را میدانید، اما روی ساده لوحی مردم بسیار حساب باز کردهاید.
https://graphpad.ir/wp-content/uploads/2022/08/photo_2022-08-30_08-53-50.jpg
چنانچه به مشاهده و بهتر شدن دانستههای خود در زمینه موضوعات و تحلیلهای آماری علاقمند هستید، در لینک زیر میتوانید آموزشهای ویدئویی انواع تحلیلهای آماری با نرمافزارهایی مانند
GraphPad Prism
IBM SPSS Statistics
Minitab
را ببینید.
https://www.aparat.com/GraphPad
GraphPad Prism
IBM SPSS Statistics
Minitab
را ببینید.
https://www.aparat.com/GraphPad
This media is not supported in your browser
VIEW IN TELEGRAM
تست مدل دیشب را ببینیم.
DARA.ETF 1401.06.13.jpg
29.8 KB
ابتدا باید از دوستان دقیق و خوب خودم تشکر کنم. من در ویدئو شب گذشته، از حجم روز قبل نام میبرم اما به اشتباه ستون تعداد معاملات را کپی میکنم. این را به حساب خستگی کار در آن ساعت شب بگذارید. البته در اصل موضوع و مدل تفاوتی وجود ندارد و مدل بر مبنای تعداد معاملات نیز به خوبی کار میکند. هر چند اگر همان حجم را قرار میدادیم، نتیجه بهتر و دقیقتری نیز میگرفتیم.
در ویدئو قبلی بیان کردم که بر مبنای مدل رگرسیون برازش شده، قیمت پایانی امروز دارا یکم برابر با 97720 خواهد بود.
عدد قیمت پایانی واقعی برابر با 97920 به دست آمده است. بنابراین خطای پیشبینی حدود 0.204 درصد (حدود دو دهم درصد خواهد بود).
البته که باز هم باید تاکید کنم که با مثال نمیتوان یک قانون را ثابت کرد، با این حال این نتیجه نشان میدهد، ابزارهای رگرسیونی قابلیتهای فراوانی جهت پیشبینی و برازش دقیق دادهها را دارند. در آینده سعی میکنم از آنها بیشتر صحبت کنم.
در ویدئو قبلی بیان کردم که بر مبنای مدل رگرسیون برازش شده، قیمت پایانی امروز دارا یکم برابر با 97720 خواهد بود.
عدد قیمت پایانی واقعی برابر با 97920 به دست آمده است. بنابراین خطای پیشبینی حدود 0.204 درصد (حدود دو دهم درصد خواهد بود).
البته که باز هم باید تاکید کنم که با مثال نمیتوان یک قانون را ثابت کرد، با این حال این نتیجه نشان میدهد، ابزارهای رگرسیونی قابلیتهای فراوانی جهت پیشبینی و برازش دقیق دادهها را دارند. در آینده سعی میکنم از آنها بیشتر صحبت کنم.
Time Series Plot of _CLOSE_, FITS (Palayesh.eft).png
20.7 KB
#پالایش
تقریباً با اطمینان میتوان گفت، آنچه در پالایش میگذرد، یک مدل رگرسیون از نوع خطی ساده Simple Linear Regression است که به سادگی میتوان آن را به دست آورد.
در گراف بالا، به ازای تمام روزهای معاملاتی پالایش، عدد واقعی پایانی (دایرههای سبزرنگ) در برابر پیشبینی مدل رگرسیونی (مربعهای نارنجی رنگ) رسم شده است.
همانگونه که میبینید پیش بینی های به دست آمده از یک مدل رگرسیونی، به اعداد واقعی قیمت پایانی بسیار نزدیک هستند.
من در ویدئو زیر علاوه بر چگونگی طراحی و ساختن این مدل رگرسیونی، به یک موضوع به نظرم مهمتر نیز پرداختهام.
پاسخ به این سوال که آیا بازار سرمایه (در اینجا مثال موردی صندوق پالایش) نسبت به ماهها و چند سال قبل پیشبینی پذیرتر شده است و یا از تحلیل و پیشبینی خارج شده است؟
علاقمند بودید ویدئو زیر را ببینید.👇
تقریباً با اطمینان میتوان گفت، آنچه در پالایش میگذرد، یک مدل رگرسیون از نوع خطی ساده Simple Linear Regression است که به سادگی میتوان آن را به دست آورد.
در گراف بالا، به ازای تمام روزهای معاملاتی پالایش، عدد واقعی پایانی (دایرههای سبزرنگ) در برابر پیشبینی مدل رگرسیونی (مربعهای نارنجی رنگ) رسم شده است.
همانگونه که میبینید پیش بینی های به دست آمده از یک مدل رگرسیونی، به اعداد واقعی قیمت پایانی بسیار نزدیک هستند.
من در ویدئو زیر علاوه بر چگونگی طراحی و ساختن این مدل رگرسیونی، به یک موضوع به نظرم مهمتر نیز پرداختهام.
پاسخ به این سوال که آیا بازار سرمایه (در اینجا مثال موردی صندوق پالایش) نسبت به ماهها و چند سال قبل پیشبینی پذیرتر شده است و یا از تحلیل و پیشبینی خارج شده است؟
علاقمند بودید ویدئو زیر را ببینید.👇
Media is too big
VIEW IN TELEGRAM
#پالایش
آیا بازار سرمایه نسبت به گذشته پیش بینی پذیرتر شده است؟ (مثال موردی صندوق پالایش)
آیا بازار سرمایه نسبت به گذشته پیش بینی پذیرتر شده است؟ (مثال موردی صندوق پالایش)
#مسابقه
15 دیماه سال 1397 اولین دوره مسابقاتی با نام نخستین دوره مسابقات معاملات الگوریتمی بازار سرمایه ایران، برگزار شد.
سال بعد نیز فکر میکنم در 28 دیماه سال 1398 دومین دوره این مسابقات برگزار شد.
من چند تصویر از آن مسابقات برایتان ارسال کردهام. تا آنجا هم که اطلاع دارم دیگر این مسابقات برگزار نشد. اما خب، همان دو دوره برگزاری به مذاق مسئولان آن روزها و این روزها خیلی خوش آمد. فهمیدند، عجب چیز خوبی است و کاملاً بازار را میتوان در کنترل خود بگیریم.
این چیزی که ماهها و شاید یکی دو سال است در بازار میبینید، نتیجه همان مسابقات است. خیلی صادقانه بخواهم بنویسم، برای من که خوب است. هر چقدر بازار الگوریتمیتر برای من آماری بهتر. به دلیل اینکه قابل پیشبینیتر و الگوپذیرتر میشود.
چند نمونه با استفاده از رگرسیون آن هم خطی ساده به شما در پستهای قبلی نشان دادم. R Square همه این مدلها بالای 99 درصد بود و این نشان میدهد اتفاقاً بازار الگوریتمی چقدر هم خوب است.
سعی میکنم در پست بعدی یک مدل رگرسیون غیرخطی با نام رگرسیون پروبیت Probit Regression به شما نشان دهم که عملکردی حتی بهتر از 99 درصد مدلهای قبلی هم دارد.
اما نکته مهم این است که این کار ببخشید، زشت است. همه که به الگوریتمها دسترسی ندارند. ببخشید، اصلا بلد هم نیستند. البته هنری هم نیست که کسی بلد باشد و دسترسی داشته باشد.
این متن را نوشتم که آن ضرب المثل را یادآوری کنم که دست بالای دست بسیار است. شما الگوریتم و منابع دارید و ما پروبیت و لجیت و اردینال و نامینال و بسیاری مدلهای رگرسیونی و یا سری زمانی دیگری داریم، دست شما را هم میخواند اما به نظرم این کار بدی است که بازار را از رفتار و کاربرهای انسانی خالی کردهاید.
15 دیماه سال 1397 اولین دوره مسابقاتی با نام نخستین دوره مسابقات معاملات الگوریتمی بازار سرمایه ایران، برگزار شد.
سال بعد نیز فکر میکنم در 28 دیماه سال 1398 دومین دوره این مسابقات برگزار شد.
من چند تصویر از آن مسابقات برایتان ارسال کردهام. تا آنجا هم که اطلاع دارم دیگر این مسابقات برگزار نشد. اما خب، همان دو دوره برگزاری به مذاق مسئولان آن روزها و این روزها خیلی خوش آمد. فهمیدند، عجب چیز خوبی است و کاملاً بازار را میتوان در کنترل خود بگیریم.
این چیزی که ماهها و شاید یکی دو سال است در بازار میبینید، نتیجه همان مسابقات است. خیلی صادقانه بخواهم بنویسم، برای من که خوب است. هر چقدر بازار الگوریتمیتر برای من آماری بهتر. به دلیل اینکه قابل پیشبینیتر و الگوپذیرتر میشود.
چند نمونه با استفاده از رگرسیون آن هم خطی ساده به شما در پستهای قبلی نشان دادم. R Square همه این مدلها بالای 99 درصد بود و این نشان میدهد اتفاقاً بازار الگوریتمی چقدر هم خوب است.
سعی میکنم در پست بعدی یک مدل رگرسیون غیرخطی با نام رگرسیون پروبیت Probit Regression به شما نشان دهم که عملکردی حتی بهتر از 99 درصد مدلهای قبلی هم دارد.
اما نکته مهم این است که این کار ببخشید، زشت است. همه که به الگوریتمها دسترسی ندارند. ببخشید، اصلا بلد هم نیستند. البته هنری هم نیست که کسی بلد باشد و دسترسی داشته باشد.
این متن را نوشتم که آن ضرب المثل را یادآوری کنم که دست بالای دست بسیار است. شما الگوریتم و منابع دارید و ما پروبیت و لجیت و اردینال و نامینال و بسیاری مدلهای رگرسیونی و یا سری زمانی دیگری داریم، دست شما را هم میخواند اما به نظرم این کار بدی است که بازار را از رفتار و کاربرهای انسانی خالی کردهاید.