GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
الکسا یک سایت بسیار خوب و بهترین آن جهت دادن اطلاعات ورودی و خروجی، تعداد بازدیدها، ضریب بازگشت و آماره‌های مفید دیگری از همه سایت‌های اینترنتی بود. من در چندین نوشته در این کانال، از آن برای شناسایی زمان‌های ورود و خروج سرمایه‌گزاری در بورس بر مبنای اطلاعاتی که الکسا از سایت TSE ارایه می‌داد، استفاده کردم. علاقمند بودید، کلمه الکسا را سرچ کنید.

منتهی به طور ناگهانی و بدون هیچ گونه توضیحی عنوان کرد که برای همیشه بازنشسته خواهد شد.

اکسا صرفاً در چند خط نوشت که

Twenty-five years ago, we founded Alexa Internet. After two decades of helping you find, reach, and convert your digital audience, we made the difficult decision to retire Alexa.com on May 1, 2022. Thank you for making us your go-to resource for content research, competitive analysis, keyword research, and so much more.

و دیگر نیز هیچ توضیحی نداد. من سایت جایگزینی برای آن پیدا نکردم، البته واقعاً جستجوی زیادی هم نکردم. آنچه واضح است این است که الکسا با این تصمیم، افراد بسیاری از همه جای دنیا را از وجود موثر خود محروم کرد.
یک سوال خوب. سعی کردم در ویس زیر کوتاه توضیح دهم. 👇
Audio
مدل‌های پروبیت و لجیت
#فضایی

امروز 24 مهرماه داده‌های بازار سهام را می‌دیدم، به نظرم چند نکته آمد که بنویسم.

1- از بین نمادهایی که صف خرید بودند، حدود 30 درصد آن‌ها زیانده و دارای P/E‌ و EPS منفی هستند. میانگین P/E همه نمادهای صف خرید هم حدود 50 است. این عدد را مقایسه کنید با P/E بقیه بازار که اطراف 5.5 تا 6 قرار دارد. در واقع باید گفت هر چقدر نماد زیانده‌تر و P/E آن بالاتر، مثبت‌تر و بهتر. این نتیجه‌ای است که من بارها به آن اشاره کرده‌ام.

2- بازار اگر به دو دسته و گروه (الف P/E منفی و ب P/E مثبت) تقسیم شود و سپس از آزمون‌های ساده‌ای مانند ناپارامتری Mann-Whitney و یا حتی T Test‌و در مراحل بالاتر و پیچیده تر از رگرسیون Quantile استفاده شود، نتیجه می‌شود که میانگین درصد قیمت پایانی نمادهای با P/E منفی، بهتر از میانگین درصد قیمت پایانی نمادهای با P/E مثبت است. (0.82- در برابر 0.94-)

3- براساس آن‌چه به صورت رسمی اعلام می‌شود و ابزار تصمیم‌گیری هم قرار می‌گیرد، درصد شاخص کل بورس امروز 0.5- و هم‌وزن 0.8- قرار دارد. اما خب، باید به شما بگویم فقط به عنوان نمونه، درصد شاخص میانه امروز 1.81- است. یعنی بیش از سه برابر منفی‌تر از شاخص کل و بیش از دو برابر منفی‌تر از حتی شاخص هم‌وزن.

4- برخلاف آن ایده‌ای که سعی می‌کند بورس تهران را عادی و تحت کنترل نشان دهد و شاخص کل هم ابزار بسیار خوبی جهت همراهی با این ایده است، بهتر است بگویم شاخص میانه عدد حدود 727 هزار واحدی را نشان می‌دهد، نه عدد فضایی 1 میلیون و سیصد و هفده هزار واحد را.
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.