GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
من نام نمودار بالا را گراف فرسودگی و بازی با اعصاب و روان مردم می‌نامم.
این گراف، نتیجه سرچ کلمه بورس در 90 روز اخیر در فضای وب است. به سیکل‌ها و دوره‌های تناوب مشابه و همانند آن نگاه کنید. دو روز در کف و ناحیه زردرنگ قرار دارد. امید در افراد زنده می‌شود و بالا می‌رود، یکی دو روز بالا می‌ماند، سرکوب می‌شود و بعد دوباره به پایین و ناحیه زردرنگ برمی‌گردد. بارها و بارها این روند مشابه تکرار می‌شود.

گراف پایین، همان نتایج را برای 5 سال اخیر نشان می‌دهد، بلندترین قله مربوط به اواسط اردیبهشت 99 است. به نظر می‌رسد آلارم ریزش از همان محدوده زمانی صادر شده است. با این‌حال دوباره از اواسط خرداد همان سال، توجهات را جلب کرده است و بالا رفته است. هر چند به قله قبلی نرسیده. مدتی در این محدوده باقی مانده و سپس همان‌گونه که می‌دانیم از اواخر مرداد شروع به ریزش کرده است.

به نظر من اصل داستان ریزش و راز آن (البته اگر بتوان به آن نام راز گذاشت) در اواسط خرداد 99 است، نه مرداد 99. هنگامی که بورس در حال ریزش بوده است، کدام رسانه‌ها، افراد و هر چیز دیگری، بار دیگر توجهات عموم مردم را به بورس جلب کرده‌اند؟ یکی، دو ماه مردم را مشغول کرده و سپس داستانی که همه می‌دانیم را نوشته‌اند.

بار دیگر به این نکته توجه کنید که گراف‌ها، سرچ در فضای اینترنت را نشان می‌دهد، بنابراین اتفاقی که در خرداد تا مرداد 99 افتاده است یک کار رسانه‌ای قوی بوده است. در حالی که توجهات از بورس در حال کاهش بوده است و قیمت‌ها نیز کمتر (نسبت به زمان ریزش بزرگ)، بار دیگر با پمپاژ اخبار و تبلیغات رسانه‌ای (چه فردی و چه گروهی) بورس به مرکز توجه بازگشته است.

واضح است که من قصد ندارم، خاطره تعریف کنم و آنچه بیش از دو سال پیش اتفاق افتاده است را الان بازگو کنم. هدف من ساختن چراغی برای آینده است.
1- گراف را در این نوشته توضیح دادم. دو محدوده زمانی از A تا B (اردیبهشت تا خرداد 99 که با کاهش توجه عموم به بورس مواجه هستیم) و محدوده B تا C (مرداد 99) که دوباره توجهات به بورس جلب می‌شود، نشان داده‌ام. در متن قبل نوشتم که این جلب توجه مجدد، نتیجه کار رسانه‌ای و اجتماعی قوی بوده است.

2- نقشه کشور به تفکیک استان‌ها در محدوده زمانی A تا B را نشان می‌دهد. هر چه پُررنگ‌تر توجه بیشتر.

3- همان نقشه و این بار محدوده زمانی خرداد تا مرداد 99. تقریباً همه استان‌ها پُررنگ‌تر شده‌اند.

4- عدد هر استان در زمان A تا B با B تا C خودش مقایسه شده است. نتایج در ستون dif آمده است. همه مثبت هستند. یعنی در تمام استان‌ها فرایند جلب توجه مجدد، انجام شده است.
لرستان در صدر کشور است. پس از آن ایلام، کرمانشاه، اردبیل و آذربایجان شرقی قرار دارند. وجه مشترک این استان‌‌ها چیست؟ پاسخ من این است که در غرب ایران قرار دارند.

به نظرم به کنایه حرف زدن، بلیغ‌تر و رساتر از حرف زدن صریح و سرراست است. ایده‌هایی مبنی بر چرایی این اتفاق (تلاش رسانه‌ای و جلب توجه بیشتر در غرب ایران) در ذهنم دارم، با این حال بهتر است بعدا با دلایل بیشتری بیان کنم.
#آینده

من در این نوشته که آن را در ۱۱ اسفند سال ۱۴۰۰ نوشتم، با استفاده از یک مدل شبیه سازی به بیان گروههای مختلف سود و زیان در سال ۱۴۰۰ پرداختم. علاقمند بودید آن را بخوانید.

در آنجا نوشتم که امید ریاضی سود به ضرر در سال ۱۴۰۰ نسبت ۳۷ به ۶۳ بوده است. یعنی احتمال ۳۷ درصد سود در برابر احتمال ۶۳ درصد ضرر.


در همان نوشته، پیش بینی برای سال ۱۴۰۱ نیز این بود که امید ریاضی نسبت سود به ضرر، ۴۳ به ۵۷ خواهد بود. یعنی همچنان رخداد ضرر، شانس بیشتری نسبت به سود دارد.

اتفاقی که در این ۷ ماه رخداده است، درستی این پیش بینی را نشان می‌دهد.

با این حال نکته مهم این است که به نظر می‌رسد پیش بینی سال ۱۴۰۱، بیش برآورد بوده است. به این معنا که وضعیت بازار را بهتر ارزیابی می کرده است، یعنی اینکه سود در بازار عقب تر از پیش بینی است.

مفهوم این مطلب این است که چنانچه پیش بینی و برآورد ما برای سال ۱۴۰۱ همچنان بخواهد صحیح باشد ما باید با بازاری بهتر از ۷ ماه گذشته در پنج ماه آینده روبه رو باشیم.
#TURF


اجازه دهید با یک مثال ساده شروع کنم. فرض کنید ما یک شرکت تولید بستنی هستیم که انواع بستنی با طعم‌ها و شکل‌های مختلف تولید می‌کنیم. مثلاً n بستنی مختلف. حال می‌خواهیم یک پکیج یا بسته‌ای از چند بستنی (مثلاً 5 بستنی مختلف) طراحی و به بازار عرضه کنیم که این بسته دارای بیشترین جذابیت و مطلوبیت خرید برای مصرف کننده باشد.

خب، چه کنیم؟ آیا راه حل ساده آن این است که بیاییم به ترتیب 5 بستنی پرفروش خود را در این بسته قرار دهیم؟ این کار چندان منطقی نیست. امکان دارد کسی که بستنی شماره 1 را دوست دارد، از شکل و مزه بستنی شماره 2 و یا 4 خوشش نیاید و یا مثلاً یکی بستنی شماره 5 را بخواهد و بستنی شماره 1 را دوست نداشته باشد و ده‌ها حالت دیگر.

اینجا است که تحلیلی با نام
Total Unduplicated Reach Frequency Analysis

که به اختصار به آن TURF Analysis گفته می‌شود، کاربرد پیدا می‌کند. هدف از این نوع تحلیل این است که بتوانیم از بین تمام محصولات و یا به صورت کلی‌تر از بین همه Variableهای موجود، پکیج، بسته و سبدی طراحی کنیم که بیشترین مطلوبیت، جذابیت و بازدهی را داشته باشد.

به عنوان مثال دیگر، این همه نماد بورسی، فرا بورسی و .... جلوی چشم ما قرار دارد. هر کدام از آن‌ها را یک Variable یا همان بستنی در نظر بگیرید. حال من می‌خواهم سبدی با حداکثر 7 نماد طراحی کنم که بیشترین بازدهی را داشته باشد. من باز هم از همان TURF Analysis استفاده می‌کنم.

از این موضوع بگذریم. اصل حرف من این نیست. صرفاً می‌خواستم شما را با تحلیلی به نام TURF آشنا کنم. پس یکبار دیگر مرور می‌کنیم، TURF Analysis روش تحلیل آماری است که به ما کمک می‌کند بتوانیم از بین همه گزینه‌های ممکن، بسته‌ای از چند گزینه را طراحی کنیم که این بسته بیشترین مطلوبیت را داشته باشد.

من خرداد سال 1400، یک Popup روی سایت گراف پد طراحی کرده بودم. از هر فردی که وارد سایت می‌شد و علاقمند بود یک نظرسنجی می‌کردم. از چه چیزی؟
جلوی او لیستی از اسامی افرادی بود که در انتخابات ریاست جمهوری 1400 ثبت نام کرده بودند. حدود 47 نفر.

از فردی که وارد سایت می‌شد، سوال می‌شد آیا شما به این فرد رای می‌دهید. پاسخ به صورت بله و خیر بود. یعنی فرد می‌توانست به هر تعداد که دلش می‌خواهد رای بدهد یا رای ندهد. یعنی فرد پاسخ‌دهنده به 47 کاندیدا به صورت بله و خیر پاسخ می‌داد.

من آن زمان می‌خواستم پکیجی از نامزدها طراحی کنم که بیشترین مطلوبیت (به معنای مشارکت در انتخابات) را داشته باشد. مثلاً من می‌خواهم مهندسی انتخابات کنم و می‌خواهم سبدی از هفت کاندیدا درست کنم و هفت نفر را جلوی مردم بگذارم که این سبد من بتواند بیشترین مشارکت و جذابیت انتخابات را داشته باشد.

من با استفاده از همان TURF Analysis به این هفت نفر رسیدم. Pct of Responses سبد من هم که معیاری جهت سنجش مطلوبیت سبد طراحی شده است، برابر با 70.41% به دست آمد.

این همه داستان گفتم که چه بگویم؟
من در دنیای خیالی خودم، مهندسی کردم و هفت نفر را به عنوان کاندید ریاست جمهوری سال 1400 جلوی چشم مردم قرار دادم. هفت نفر از آن‌هایی که خودشان ثبت‌نام کرده بودند. اجازه دهید نام آن‌ها را نیاورم. مطلوبیت این سبد من 70.41% به دست آمد. این عدد را مقایسه کنید با درصد مشارکت حدود 48% درصدی که در آن انتخابات شرکت کردند.

از اینجا به بعد را من می‌خواهم برای نظام جمهوری اسلامی بنویسم. بنابراین ادامه متن من را نخوانید.
به نام خدا
با سلام
آقای جمهوری اسلامی، فکر می‌کنی Top Variable آن سبد فرضی من چه کسی بود؟ من به شما پاسخ می‌دهم. همان فردی که اکنون رئیس جمهور است. یعنی خیلی ساده، به جای آن هفت نفری که در خرداد 1400 جلوی مردم جهت انتخاب گذاشتی، 7 نفر به دست آمده از تحلیل TURF را می‌گذاشتی، نتیجه همان می‌شد که تو می‌خواستی و از آن مهم‌تر زبانت هم بلند بود که بله، ببینید درصد مشارکت بیشتر از 70 درصد بوده است.

خیلی سربسته بگویم کاری که رژیم صهیونیستی در انتخاباتش (حتی همین انتخابات جدید) انجام می‌دهد یک TURF Analysis است با Minimum Percentage of Positive Responses برابر با 3.25%. فرصتی شد درباره مکانیزم آن بیشتر حرف می‌زنم.

حال این داستان گذشته و امروز با فضای جدیدی در کشور روبه‌رو هستیم. من چند نکته به ترتیب می‌نویسم.

1- یک انتخابات کاملاً آزاد در کشور برگزار شود. هیچ ایرادی هم ندارد نهادهای بین‌المللی بیایند و ببینند. در این انتخابات از همه احزاب چه داخلی چه خارجی شرکت کنند. از سلطنت طلب و دموکرات و تجزیه طلب بگیر تا جمهوری مهاباد و کومله و حزب کمونیست ایران. از پان ترک‌های شمال غربی تا تجزیه طلبان بلوچستان جنوب شرقی.
2- منتخبان به مجلسی راه می‌یابند که تعداد آن 590 نفر است. همانند همه جای دنیا یک عدد به عنوان Minimum Percentage of Positive Responses قرار می‌گیرد. این عدد تقسیم صد بر تعداد احزاب شرکت کننده در همان انتخابات آزاد است. مثلا اگر 21 حزب شرکت کردند، این عدد می‌شود 4.76%. این عدد در انتخابات همه دنیا وجود دارد، حالا کمتر و یا بیشتر.
خب، این یعنی چه؟ یعنی حزبی می‌تواند به مجلس راه یابد که حداقل 4.76 درصد آرا را به دست آورده باشد.
همین جا یک اتفاقی می‌افتد. برخی از آن احزابی که من در بالا نام بردم و برخی را هم نام نبردم، اصلا نمی‌توانند این عدد 4.76% را پاس کنند. یعنی آن‌ها در انتخابات آزاد شرکت می‌کنند، اما هیچ نماینده‌ای در آن مجلس 590 نفره نخواهند داشت.

شما فکر می‌کنی چگونه اروپا، اسرائیل و خیلی دیگر از نقاط دنیا دهان اقلیت‌ها را به خوبی و خوشی می‌بندند و آن‌ها را به آینده و انتخابات بعدی که بیشتر تلاش کن، حواله می‌دهند. همه هم راضی که بله نشد، چند رای کم آوردیم. خوب است صحبت‌های چند روز پیش زهاوا گال اون رهبر حزب چپ مرتز رژیم صهیونیستی را بخوانی که هیچ نماینده‌ای در کنست نخواهد داشت و چقدر هم خوشحال است که عیبی ندارد ما فقط 3800 رای کمتر آوردیم. (حزب مرتز نتوانست عدد مینیمم 3.25% آرا را پاس کند.) حزب قدیمی کارگر هم تقریباً همین‌طور.

3- فکر می‌کنی حزب پیروز در انتخابات کیست؟ ائتلاف حزب جمهوری اسلامی. بله تو قطعا نمی‌توانی 590 کرسی یکدست را به دست بیاوری، اما می‌توانی 296 کرسی را به دست بیاوری. بنابراین نخست وزیر و یا رئیس جمهور یا هر عنوان دیگری را خود تو انتخاب خواهی کرد. همه در انتخابات شرکت کرده‌اند، راضی هم هستند که به اندازه وزن خود سهم گرفته‌اند و خروجی همچنان خود تو خواهی بود.
شعار آزادی آمده که ایران را نجات دهد و ثبات ببخشد، به آن عمل کن.
#Ratio_Statistics

هنگامی که می‌خواهیم به بررسی نسبت (در اینجا به معنای تقسیم) دو Variable بر یکدیگر بپردازیم، از روشی با نام Ratio Analysis استفاده می‌کنیم. در این نوع مطالعات، ما به جای تمرکز بر روی صورت و مخرج، بر عدد به دست آمده از تقسیم تحلیل انجام می‌دهیم.

مثال واضح و ساده این روش همان P/E است. این خودش یک نسبت Ratio است و از تقسیم P (به معنای قیمت) بر E‌ (به معنای درآمد) به دست می‌آید.

من در این متن می‌خواهم چند ابزار و آماره جدید دیگر که از همان تحلیل‌های Ratio به دست می‌آید، معرفی کنم که خوب است همانند P/E یا P/B از آن‌ها نیز استفاده شود. نحوه به دست آوردن و فرمول آن‌ها را نیز در ادامه این متن آورده‌ام.

ابتدا توضیح دهم که در این تحلیل Ratio، صورت کسر من ارزش Asset سهم (که می‌توان آن را NAV نیز در نظر گرفت) و مخرج آن قیمت فروش sales price سهم است، قرار داده‌ام.

به بیان ساده از رابطه زیر استفاده می‌کنم و نام آن را A/P می‌گزاریم.
Ratio = Asset/Price

واضح است که هر چقدر این عدد از یک بزرگتر باشد، بیانگر ارزش بیشتر سهم نسبت به قیمت فروش آن و هر چقدر از یک کوچکتر باشد به معنای ارزش کمتر سهم نسبت به قیمت فروش است.

به عنوان یک مثال ساده و برای فهم بهتر، عدد A/P صندوق پالایش برای روز چهارشنبه 18 آبان برابر با 1.43 و برای دارا یکم A/P = 1.48 به دست می‌آید.

حال من می‌خواهم به معرفی چند شاخص جدید به منظور تحلیل بر روی این نسبت یعنی همان A/P بپردازم.

Average Absolute Deviation (AAD)
Coefficient of Dispersion (COD)
Coefficient of Variation (COV)
Price Related Differential (PRD)
Price Related Bias (PRB)

اینکه اینها چه هستند و چگونه به دست می‌آیند، سعی شده است در فایل PDF زیر توضیح داده شود. شاید در نگاه ابتدایی کمی پیچیده باشند، اما دقیق هستند و نرم‌افزارها به سادگی آن‌ها را محاسبه می‌کنند.

در این بین به نظرم مهمترین و دقیق‌ترین آن‌ها Price Related Bias (PRB) خواهد بود که با استفاده از یک مدل رگرسیونی، می‌توان برای هر نماد و هر روز آن را محاسبه کرد و به دست آورد.

در پایان منظور من از این نوشته و معرفی چند ابزار جدید این است که در صفحه TSE هر نماد علاوه بر P/E، EPS و P/B این شاخص‌ها یعنی A/P و آماره‌های AAD، COD، COV، PRD و PRB که بر مبنای یک تابع و معادله رگرسیونی نوشته شده است، نیز قرار بگیرد.

در این صورت فرد با دقت و تشخیص بهتری می‌تواند به بررسی یک نماد بپردازد و البته درهای جدیدی نیز به عنوان تحلیل بر روی تحلیل‌گران باز خواهد شد، یعنی صرفاً به جای تحلیل P/E می‌توان PRD و یا PRB نماد را نیز تحلیل و با بقیه مقایسه کرد. این اعداد را نیز می‌توان روزانه برای هر نماد محاسبه کرد و به دست آورد.

https://graphpad.ir/wp-content/uploads/2022/11/Descriptive-Statistics-Ratio-SPSS-GraphPad.ir_.pdf
#امید_ریاضی

در مفاهیم آماری عبارتی داریم با نام Expectation و یا Mathematical Expectation که به نام امید ریاضی شناخته می‌شود.

به صورت خلاصه بخواهم بگویم امید ریاضی از حاصل ضرب یک عدد در احتمال رخداد آن عدد به دست می‌آید. یعنی اگر فرض کنید عدد ما X است و احتمال رخدادن این عدد P(X) است، امید ریاضی به صورت زیر به دست می‌آید.
E(X) = X * P(X)

محاسبه E(X) خیلی هم ساده نیست و بر مبنای اینکه توزیع آماری X ما چه چیزی است، امید ریاضی متفاوت خواهد بود. دوستانی که خودشان آمار خوانده‌اند می‌دانند من چه می‌گویم و اثبات امید ریاضی هر توزیع شامل انتگرال گیری‌های مختلف در توزیع‌های پیوسته و یا محاسبه Summation های گوناگون در توزیع‌های گسسته است.

معمولاً امید ریاضی در تئوری‌ها، در گامی بالاتر از احتمال قرار دارد و از آن‌جا که در ساختن آن‌ها، احتمال نیز نقش دارد و محدودیت‌های احتمال را نیز ندارند (مثلاً امید ریاضی می‌تواند منفی نیز باشد)، کاربردی بهتر از احتمال در پیش‌بینی رخداد یک پدیده می‌توانند داشته باشند.

با این حال لطفاً اجازه دهید من از این بحث عبور کنم و خواننده علاقمند به موضوع و مفاهیم امید ریاضی را به کتاب‌های آماری ارجاع می‌دهم.

در این‌جا می‌خواهم نکته دیگری را بنویسم و آن هم امید ریاضی سود نسبت به تعداد نمادهای موجود در پرتفوی افراد است.

از نوشتن از تئوری‌ها صرفنظر می‌کنم و می‌خواهم به این نکته تاکید کنم که در دوران بازار سرمایه‌ای که ما در آن به سر می‌بریم و من نام آن دوران فرسودگی می‌گزارم (لطفا این نوشته را ببینید)، وجود تعداد بیشتر نماد در سبد افراد، دارای امید ریاضی سود بیشتری نسبت به تعداد کمتر نماد است.

به بیان ساده سبدی که 10 نماد در خود دارد، امید ریاضی سود بالاتری نسبت به سبدی که 5 نماد دارد، خواهد داشت.

این نتیجه صرفنظر از نام، نوع، گروه نماد و فقط بر مبنای تعداد نماد به دست می‌آید. یعنی اینکه اگر ما به صورت تصادفی سرمایه خود را در 10 نماد قرار دهیم، امید ریاضی کسب سودی بیشتر نسبت به حالتی خواهیم داشت که به صورت تصادفی سرمایه خود را در 5 نماد قرار دهیم.

عدد بهینه یعنی ماکزیمم امید ریاضی سود در یک سبد با تعداد 28 نماد قرار دارد.
#PRB

من در این نوشته سعی کردم به معرفی و بیان چند شاخص جدید که می‌توانند ابزاری جهت شناسایی و درک مفاهیم ارزش و قیمت هر نماد مورد استفاده قرار گیرند، صحبت کردم. آن‌ها ابزار و آماره‌هایی هستند که با عدد نسبت بین ارزش و قیمت به عنوان Ratio کار می‌کنند.

در بین آن‌ها Price Related Bias که به آن PRB نیز گفته می‌شود، از یک مدل رگرسیونی نتیجه می‌شود و به نظرم بهتر از سایر آماره‌ها می‌تواند عمل کند.

توضیح کوتاه اینکه هنگامی که عدد PRB (که همان ضریب رگرسیونی مدل ما است) منفی است به معنای این است که دارایی به صورت کم براورد ارزیابی می‌شود و اگر عدد PRB مثبت باشد به معنای بیش براورد ارزیابی دارایی، خواهد بود.

من در ویدئو زیر که آن را در کانال رسمی (تیک سبز) گراف پد در آپارات قرار داده‌ام، سعی کرده‌ام به صورت ساده نحوه به دست آوردن PRB و روابط ریاضی آن را بیان کنم.

این ویدئو یک مثال آموزشی است که بر روی صندوق زعفران سحرخیز و 596 روز کاری آن انجام شده است. تحلیل نیز با استفاده از نرم‌افزار IBM SPSS Statistics 28 انجام شده است.

https://www.aparat.com/v/zmTZK
یک سوال خوب.
سعی کرده‌ام، در نوشته بعدی به تفصیل پاسخ دهم.
در این نوشته می‌توانید سوال را ببینید.

سلام. آفرین خوب نوشتی. یعنی از کلمات دقیق و شفاف آماری استفاده کردی. کلماتی مانند مقایسه، شبیه هم و بازه زمانی.
اینکه به دنبال چیز دیگری به جز همبستگی و ضریب بتا رگرسیون (احتمالاً خطی ساده) هم هستی، خیلی خوبه.

حال باید چند تا مرحله و گام را انجام بدهیم.

1- در اینجا ما به ابزاری که نیاز داریم، داده‌های هر روز همان دو تا نمودار (اجازه بده اسمش را بگذاریم X و Y) است. یعنی ما باید به ازای هر روز هم برای X و هم برای Y داده داشته باشیم.

2- حال لازمه از یکی از انواع آزمون‌های مقایسه‌ای استفاده کنیم. آن‌ها به دو دسته کلی پارامتری و ناپارامتری تقسیم می‌شوند. اینکه از کدام استفاده کنیم به گام بعدی برمی‌گردد.

3- آیا می‌توانیم توزیعی بر داده‌های روزانه X و Y پیدا کنیم. اگر پاسخ مثبت است به عنوان مثال داده‌ها دارای توزیع نرمال هستند، پس از آزمون‌های پارامتری استفاده می‌کنیم. اگر هم نمی‌توانیم توزیع خاصی بر داده‌های X و Y به دست بیاوریم، خب از آزمون‌‌های ناپارامتری که بهش توزیع آزاد هم گفته می‌شود، استفاده می‌کنیم. توزیع منظمی داشتن یا نداشتن داده‌ها با استفاده از چهار متد انجام می‌شود که خب قدیمی‌ترین و متداول‌ترین آن‌ها آزمونی با نام دو ریاضیدان روسی به نام‌های
Kolmogorov-Smirnov

است. خود من روش دیگری با نام
Anderson-Darling Test

را بیشتر ترجیح می‌أهم و نتایج دقیق‌تری به نظرم دارد.

3-1- علاقمند هستم، اینجا یک نکته‌ای را بیان کنم. معمولاً ترجیح استفاده از آزمون‌های پارامتری هست (آن‌ها Power بیشتری نسبت به آزمون‌های ناپارامتری دارند). قضیه‌ای در آمار وجود دارد که راهگشای مطلب است با نام
قضیه حد مرکزی Central Limit Theorem

خلاصه این قضیه این است که اگر تعداد داده‌های زیادی دارید، داده‌های شما به سمت توزیع نرمال میل می‌کنند (این قضیه اثبات شده یکی از شگفتی‌های طبیعت را نشان می‌دهد که نظم و انضباظ بر داده‌ها حکمفرما است).
خب نتیجه ساده این می‌شود که پس اگر تعداد داده‌های روزانه شما برای X و Y زیاد است، از آزمون‌‌های پارامتری استفاده کنید. این همان چیزی است که دلخواه ما است.

4- حالا اگر به هر دلیلی بخواهیم از آزمون ناپارامتری استفاده کنیم، از چهار آزمون ناپارامتری به منظور مقایسه داده‌های روزانه X و Y می‌توانیم استفاده کنیم. متداولترین آن‌‌‌ها به نام
Mann-Whitney Test

شناخته می‌شود.

5- حال اگر بخواهیم از آزمون پارامتری استفاده کنیم، روش ما
Independent Samples T-Test

خواهد بود. در اینجا علاوه بر این آزمون، استفاده از اندازه اثرها Effect Size که معمولاً Cohen's d خواهد بود، بسیار به ما کمک می‌کند,

6- در نهایت آنچه به دست می‌آید و خروجی ما خواهد بود، مقایسه روز به روز همان داده‌‌های X و Y و پاسخ به این سوال است که آیا داده‌ها یعنی رفتار و حرکت آن‌ها به هم شبیه هست و یا با هم فرق می‌کنند.
موفق باشید 🌹
از جمله لحظه‌هایی که می‌توانی ثمره و نتیجه کارهایت را ببینی، این است که در گوشه‌ای از دنیا یک مقاله علمی و پژوهشی نوشته شود و بخش تحلیل آماری Data Analysis آن، در بین این همه کتاب و محقق آماری در دنیا، به تو و بر مبنای یکی از کتاب‌ها یا مقالاتت استناد و نوشته شود.
من در این متن درباره‌ی اهمیت تشخیص و یافتن توزیع آماری داده‌ها، جهت انجام مقایسه بین آن‌‌ها (و یا هر تحلیل دیگری) صحبت کردم.

یافتن توزیع و نظم ریاضی موجود در داده‌ها، اولین گام جهت انجام تحلیل بر روی آن‌ها و پیش‌بینی رفتار و روند بعدی آن‌ها می‌باشد.

فرایند شناسایی و براورد توزیع داده‌ها، در مبحثی با نام نیکویی برازش Goodness oF Fit قرار می‌گیرد، که خب به آزمون‌های آماری و براورد پارامترهای مدل نیاز دارد.

راه ساده‌تر یافتن نظم ریاضی موجود در داده‌ها که به آن توزیع Distribution داده‌ها گفته می‌شود، استفاده از گراف‌هایی با نام Probability Plot است که به آن‌ها P-P Plot نیز گفته می‌شود. آن‌ها ابزار ساده‌ای هستند که به ما در شناسایی توزیع داده‌ها کمک می‌کنند.

من در لینک زیر به بیان و توضیح Probability Plot و نحوه به دست آوردن آن‌ها پرداخته‌ام. علاقمند بودید آن را ببینید.

https://graphpad.ir/p-p-plot-spss/
#اضافه
عدد امروز (سه‌شنبه 15 آذرماه 1401) شاخص کل چند است؟
حدود 1 میلیون و 410 هزار واحد.

از آن 4.496% کم کنید. یعنی حدود 63 هزار واحد. پس شاخص می‌شود 1.347 میلیون واحد.

چرا کم کنیم؟
عدد 4.496% تاثیر اضافی شستا بر شاخص کل است. از روزی که وارد بازار سرمایه شده یعنی 27 فروردین 1399 تا امروز. به ویژه روزهایی که شاخص کل هر روز 40-50 هزار واحد مثبت می‌خورد و شستا هم صف خرید بود.

همین کار را برای چند سهم بزرگ دیگر بازار هم انجام دهید. یعنی تاثیر اضافه آن‌ها بر شاخص کل را به دست بیاورید. شاخص لاغر و لاغرتر می‌شود تا تقریباً می‌رسد به عدد شاخص میانه امروز یعنی حدود 747 هزار واحد.

حال نکته جالب این است که اغلب نمادهایی که شاخص را به دلیل وزن خود بالا برده‌اند، اکنون بیشتر از شاخص ریزش کرده‌اند.
مثلاً همان شستا نسبت به سقف خود 2.8 برابر کاهش داشته، اما شاخص نسبت به سقف خود 1.5 برابر کاهش داشته است.

خب این یعنی چه؟
یعنی اینکه شاخص حتی نسبت به دوستان خود (آن‌هایی که او را بالا برده‌اند) هم وفادار نبوده. با آن‌ها بالا رفته، خوب هم بالا رفته. اما با پایین آمدن آن‌ها هم پایین نیامده.
#بیشتر

اجازه دهید در ادامه این متن، چند نکته بیشتر بنویسم.

1- واضح است که من درباره‌ی رابطه‌ی ریاضی و نحوه محاسبه شاخص کل ایرادی وارد نمی‌کنم. محاسبه آن کاملاً درست است. با دست و توسط فرد یا افرادی هم محاسبه نمی‌شود که بگوییم اشتباه است. عدد بر مبنای فرمول محاسبه آن هم، همان چیزی است که همه می‌بینیم.

2- نام این شاخص، همان‌گونه که از آن برمی‌آید شاخص کل است. نه چیز بیشتری. موضوع این است که این شاخص، شاخص بازار نیست. شاخص رنگ و شدت رنگ بازار نیست. پس بهتر است ابزار قضاوت این بازار قرار نگیرد.

3- همیشه این‌گونه نیست که شاخص کل جلوتر حرکت کند و بهتر جلوه کند. به عنوان مثال همین امروز شاخص میانه، یعنی عددی که نصف بازار از آن بزرگتر و نصف دیگر از آن کوچکتر هستند، عدد 0.27+ درصد بوده است. یعنی از شاخص کل که امروز 0.3- درصد بوده، بهتر و جلوتر بوده است. به عبارت ساده شاخص کل همیشه بیش براورد نیست، در برخی روزها نیز کم‌براورد است.

4- عدد شاخص کل امروز یعنی 0.3-%، صدک Percentile رتبه 38 است. یعنی 38 درصد بازار از آن منفی‌تر و 62 درصد مثبت‌تر هستند. مثلاً یک الاکلنگ را نگاه کنید. شاخص کل در نقطه تعادل آن الاکلنگ قرار ندارد. البته این ایراد شاخص کل نیست. رابطه ریاضی آن به گونه‌ای نوشته شده که در مرکز تعادل قرار نگیرد. از نظر تئوری شاخص کل هیچ وقت نمی‌تواند میانه Median بازار باشد، مگر اینکه به صورت تصادفی در یک روز خاص عدد شاخص کل برابر با میانه همان روز شود.

4-1- عدد شاخص هم‌وزن امروز را هم ببینید. عدد 0.39+% است. یعنی در Percentile رتبه 57 قرار دارد. به بیان ساده 57 درصد بازار از آن عقبت‌تر و 43 درصد بازار از آن جلوتر هستند. پس حتی شاخص هم‌وزن هم در نقطه تعادل قرار ندارد.

5- آن چیزی که در نقطه تعادل قرار دارد، خود عدد میانه یعنی Percentile رتبه 50 است. یعنی دقیقاً در وسط بازار ایستاده. نصف بازار از آن عقب‌تر و نصف دیگر بازار از آن جلوتر هستند. بسیار ساده هم محاسبه می‌شود و من در این نوشته، فرمول محاسبه آن را پیشنهاد داده بودم. خبر بهتر درباره‌ی شاخص میانه اینکه هر فردی خودش می‌تواند آن را برای هر روز محاسبه کند، با یک نرم‌افزار خیلی ساده.
#اصلاح
به نظرم گراف‌های Population Pyramid پا دارند و راه می‌روند، به ویژه اگر بر روی آن‌ها Normal Curve هم قرار گیرند.

من قبلاً در متن‌هایی مانند این نوشته و این نوشته از یک انحراف در بازار نام بردم. به این بیان که احتمال سود در نمادی با P/E بزرگتر، بیشتر از نمادی با P/E کمتر است. به بیان ساده هر چقدر P/E بزرگتر باشد، احتمال سود بیشتر است.

با این حال به نظرم امروز باید بنویسم، این انحراف در حال اصلاح است. پاهای Population Pyramid نشان می‌دهد آینده از آن P/Eهای کوچک است و احتمال سود در آن‌ها در مقایسه با P/E های بزرگ، در حال افزایش است.
مدرسه و سالهای راهنمایی، معلم هنری داشتیم به نام آقای آریانپور، بی نهایت دوست داشتنی و قابل احترام. با خاطرات بسیار نیکی که برای ما بچه‌های آن سالها، از خود به جای گذاشت.

فرزند او (داریوش آریانپور) اکنون استاد فوق ممتاز خوشنویسی ایران است و مدرس موسیقی سنتی ایرانی.

علاقمند بودید نمایشگاه خوشنویسی او و تابلوهای زیبایش را ببینید.