GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
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
Media is too big
VIEW IN TELEGRAM
#دارا_یکم

کاربرد مدل‌های رگرسیونی در پیش‌بینی قیمت سهام و صندوق‌ها.
یک مدل رگرسیونی خوب ببینید.
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.
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.👇
Media is too big
VIEW IN TELEGRAM
#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.
#خطا
گرافی که می‌بینید، یک تصویر از مدل رگرسیونی پروبیت Probit Regression است که در پست قبلی از آن نام بردم.

این مدل رگرسیونی بر روی 18 روز معاملاتی یک نماد با Combination Index برابر با حدود 7 (یعنی تعداد معاملات ماشینی 7 برابر معاملات کاربران انسانی است)، برازش شده است. R Square این مدل پروبیت حدود 99.83 درصد است. یعنی با قطعیت 100 درصدی، فقط 17 صدم درصد فاصله دارد، آن هم در مجموع همه 18 روز معاملاتی.

واضح است که هر چه روزهای معاملاتی مورد بررسی، بیشتر شود، مدل بهتر هم می‌شود.

خب، حال مشکل من چیست؟ من با آن Combination Index (CI) برابر با 7 این نماد و کل بازار سرمایه که حدود 4.9 است، مشکل دارم.

این عدد باید زیر یک باشد. قرار نیست حذف شود و من هم از حذف معاملات الگوریتمی یا هر اسم دیگری که می‌خواهید بر آن بگذارید حرف نمی‌زنم، من از بزرگ بودن بیش از حد CI در همه نمادها حرف می‌زنم. عدد CI < 1 باید باشد.

یعنی کاربران غیرانسانی باشند، اما کمتر از کاربران و معاملات انسانی. به زبان ساده‌تر R Square مدل‌های رگرسیونی نباید اینقدر خوب و عالی باشند، آن‌ها باید به دلیل ورود افراد واقعی، خطا داشته باشند.

رگرسیون‌ها، رفتار ماشین‌ها را می‌تواند تشخیص دهد، اما حتی بهترین آن‌ها رفتار انسان‌ها را با خطا برازش می‌کند. من به دنبال این خطا هستم و از ضرورت وجود آن، حرف می‌زنم.

https://graphpad.ir/wp-content/uploads/2022/09/Probit-Regression-SPSS-20-GraphPad.ir_.png
#اسرین_محمدی

من اگر بخواهم اظهار نظر کنم و جایی بایستم، کنار این خانواده دختر کرد ایرانی می ایستم.
Media is too big
VIEW IN TELEGRAM
به نظرم خوب است در کنار همه چیزهایی که بلد هستیم، به یادگیری تئوری‌های رگرسیونی و سری زمانی در گام اول و سپس کار با نرم‌افزارهای آماری در گام بعد بپردازیم.

در این ویدئو یک مدل رگرسیونی بسیار ساده که در #شستا برقرار است، بیان شده است.

عدد R Square این مدل رگرسیونی به لطف الگوریتم موجود در شستا 99.9 درصد است.

همان‌گونه که قبلاً نیز نوشتم، وجود الگوریتم‌ها، راه را برای کشف مدل‌های رگرسیونی موجود در هر نماد، ساده کرده است.

من در این پست که آذرماه سال 99 آن را نوشتم، عنوان کردم که شستا و روند رفتاری آن یک پروژه است، جهت اثبات یک ایده و تحلیل خاص.

در این پست نیز که مربوط به اسفند سال 99 بود، به وضوح نوشتم که در شستا و برخی نمادهای دیگر که نام آن‌ها را آوردم، داده‌سازی انجام می‌شود.

آنچه امروز و در این ویدئو بیان کرده‌ام، این است که داده‌سازان و الگوریتم نویسان حتی زحمت طراحی یک مدل پیچیده را هم به خودشان نداده‌اند. بلکه ما در شستا با یک رگرسیون بسیار ساده و ابتدایی رو‌به‌رو هستیم.

علاقمند بودید ویدئو را ببینید و البته بار دیگر این پست را به خودم یادآوری می‌کنم که در آن (آذرماه 99) نوشتم، همه چیز رگرسیون است.
درباره ویدئو و محتوای آموزشی قبلی که به موضوع شستا پرداختم، اگر نخواهم بگویم اهانت بلکه با چشم‌پوشی بگویم انتقاد، چند پیام البته از دیگران برایم ارسال شده بود.

در ادامه چند خط بیشتر درباره آن نوشته‌ام. دوست داشتید بخوانید.

صرفنظر از اینکه همبسته یعنی چه و صرفنظر از اینکه آیا X و Y ما در اینجا همبسته هستند یا نیستند، خوب است به پیش‌فرض‌های تحلیل رگرسیون ان هم از نوع خطی نگاه شود. یعنی ما چه زمانی رگرسیون استفاده می‌کنیم.
در لینک زیر که مربوط به سایت آموزشی Laerd است و بیشتر به آموزش نرم‌افزار SPSS می‌پردازد، پیش فرض‌های انجام یک تحلیل رگرسیون خطی آمده است. آن را ببینید.
در آن‌جا هفت پیش فرض شروع تحلیل رگرسیونی آمده است.

https://statistics.laerd.com/spss-tutorials/linear-regression-using-spss-statistics.php

درباره خود این مثال و داده‌ها هم بهتر است تصویر زیر که بیانگر نتایج و خروجی‌های نرم‌افزار SPSS است، آمده است. من دور بخش Collinearity Statistics آن که به بیان آماره‌های Tolerance و VIF می‌پردازد و هر دو برابر با یک هستند، خط کشیده‌ام.

https://graphpad.ir/wp-content/uploads/2022/10/2022-10-06_19-28-51.png

البته معمولا وقتی ما فقط یک X در مدل رگرسیونی خود داریم، لزومی به محاسبه آماره‌های Collinearity Statistics نیست.
پاسخ به این سوال که اصلا Collinearity Statistics چه هستند را هم به خود سازنده نرم‌افزار SPSS یعنی IBM می‌سپارم. در لینک زیر می‌توانید ببینید.

https://www.ibm.com/docs/SSLVMB_24.0.0/spss/tutorials/reg_cars_collin_01.html

البته من به مدت‌ها قبل درباره Collinearity Statistics در سایت گراف پد توضیح و اموزش داده‌ام. علاقمند بودید لینک زیر را ببینید.

https://graphpad.ir/collinearity-diagnostics-spss/

درباره رگرسیون خطی و R Square هم، به وضوح من چندین بار از ساده بودن این نوع مدل‌ها و البته ساده‌ترین آن‌ها حرف زدم. بله ما بسیاری مدل‌‌های پیچیده‌تر رگرسیونی و آماری داریم. آن‌چه من بیان کردم و چندین بار هم گفتم، یک مدل رگرسیونی ساده بود که سعی شده برای عموم قابل فهم باشد. مهمترین هدف از بیان ان نیز آشنایی با این نوع تحلیل‌ها و البته رگرسیون برای عامه خوانندگان است.
یک نکته دیگر که به اهمیت بیان آن تاکید دارم این است که من در تاریخ 10 آذرماه سال 99 به صراحت در این پست نوشتم که
گراف پد یک کانال بورسی نیست.

سایت گراف پد نیز هرگز بورسی نبوده و به آنچه می‌پردازد، آموزش صرف آمار و تحلیل‌های آماری است.

با این حال این بار می‌خواهم در پاسخ به اهانت‌های نوشته شده در حق من در جاهای مختلف، که امروز به واسطه برایم ارسال شده بود، سوال بپرسم که

آیا من تا به حال در اینجا یا هر جای دیگری سهمی و نمادی برای خرید یا فروش معرفی کرده‌ام؟ آیا ریالی و فقط یک ریال از کسی تحت هر عنوان بورسی دریافت کرده‌ام؟ آیا یک نفر و حتی یک نفر وجود دارد که بگوید من به او چیزی به اسم پکیج بورسی فروخته‌ام؟

و در پایان، به این فکر می‌کنم که شما را با فضای کانال‌های بورسی تلگرام تنها بگذارم و به قول همان پیرمرد کشاورز طبسی خودتان می‌دانید و بورستان و از این به بعد گراف پد صرفاً به آموزش علوم آماری و نه کاربردهای آن در موضوعات بورسی، بپردازد.
#Marginal_Effects


امروز سوال و جوابی درباره‌ی مفهومی به نام Marginal Effects و Elasticities با Bruce Weaver که از محققان دانشگاه lakehead کانادا است، داشتم.

او به همراه Jochen Wilhelm آلمانی و Robert Trevethan استرالیایی و البته Ronán Michael Conroy ایرلندی به نظر من از بهترین‌های آماری حال حاضر دنیا هستند که وقتی خودم پس از چند روز بررسی یک موضوع نتوانم آن را حل کنم و بفهمم، از آن‌ها می‌پرسم.

توضیح اینکه Marginal Effects و Elasticities از آماره‌های مفید در تحلیل مدل‌های رگرسیونی هستند و به بیان تاثیر اضافه شدن یک واحد یا درصد X خاص بر روی Y  (وقتی سایر X ها ثابت بمانند)، اشاره می‌کنند.

محاسبه Marginal Effects و Elasticities وقتی مدل رگرسیونی ما خطی است، ساده است و خود ضرایب رگرسیونی همان پاسخ ما هستند.

مشکل زمانی است که مدل ما غیرخطی و به ویژه از نوع Probit و یا Logit و یا Quantile باشد. IBM به عنوان سازنده نرم‌افزار SPSS در لینک زیر بیان می‌کند که در حال حاضر نمی‌تواند Marginal Effects و Elasticities را برای این مدل‌ها محاسبه کند و قابلیت براورد آن‌ها را ندارد.

https://www.ibm.com/support/pages/will-spss-produce-marginal-effects-or-elastiticities-generalized-linear-models-such-logit-and-probit-models

البته که نرم‌افزارهایی مانند Stata و R توانایی محاسبه Marginal Effects و Elasticities در مدل‌های غیرخطی را هم دارند، اما من تجربه محاسبه مفهومی به اسم ضریب پایایی امگا را داشتم که آن را هم خود IBM می‌گفت نمی‌توان با SPSS انجام داد، اما Syntax و برنامه‌های محاسبه آن با SPSS به دست آمده و کشف شده بود. علاقمند بودید این لینک را ببینید.

به همین دلیل و به این امید که Bruce Weaver بتواند به من کمک کند و یاد دهد چگونه می‌توان Marginal Effects و Elasticities را با SPSS محاسبه کرد و آیا Syntax آن‌ها را دارد یا نه، امروز از او سوال پرسیدم.

نتیجه اینکه باز هم تجربه خوبی شد. با اینکه IBM بیان می‌کرد قابلیت محاسبه آن‌ها را ندارد اما Bruce Weaver در لینک دانشگاه لیکهد، مثال و برنامه‌نویسی Syntax جهت محاسبه Marginal Effects و Elasticities با SPSS را برایم ارسال کرد که خودش آن‌ها را نوشته بود. آن را برایتان ارسال کرده‌ام، اگر شما هم علاقمند بودید، آن را بخوانید.

https://sites.google.com/a/lakeheadu.ca/bweaver/Home/statistics/spss/olscomp_mlecomp
در ابتدا از لطف و محبت دوستانی که من از آنها می آموزم و یاد میگیرم، بسیار سپاسگزارم. 🌹🌺

سعی میکنم به آنچه که هدف من است یعنی ساختن منبع و رفرنسی جهت آموزش علوم آماری برای محققان و پژوهشگران، در روزگاری که دیگر من نیستم، بپردازم.

چیزهای زیادی است که باید نوشته شود و راهی طولانی در پیش است.