#Random
چند ماه پیش و در March 2022 فردی بلژیکی به نام Koen Van de Moortel (بر روی نام او بزنید تا وارد پروفایلش شوید) نرمافزاری جهت پیشبینی و مدلبندی دادهها طراحی کرده بود.
من قبلاً Koen را به عنوان یک برنامهنویس قابل و خوب میشناختم، با این حال او این بار توانسته بود به تنهایی یک نرمافزار خوب بسازد و طراحی کند.
او در تاپیکی که در March 2022 در ریسرچ گیت منتشر کرده بود، از محققان و پژوهشگران از همه جای دنیا خواسته بود، جهت تست و آزمون نرمافزارش، دادهها و یافتههای خود را برایش بفرستند تا او بتواند قدرت و درستی کار نرمافزار تازه طراحی شده را آزمون کند.
در لینک زیر میتوانید تاپیک او را ببینید.
https://www.researchgate.net/post/Can_you_provide_me_with_your_data_for_modeling_software_testing
من هم برای او یکسری دیتا و اطلاعات ارسال کردم و بدون اینکه به او بگویم این دادهها چیست و مربوط به کدام پدیده است، از او خواستم بر روی این دادهها، مدل برازش کرده و با استفاده از نرمافزارش، پیشبینی انجام دهد.
تصویر متن پاسخ او به خودم را برایتان قرار دادهام. Koen در پاسخ به دادههای ارسالی من، به یک نکته بسیار کلیدی اشاره میکند. (دور آن خط کشیدهام) او میگوید
What you sent me rather looks like some random pattern
بله random pattern و نکته و کلمه کلیدی همین جا است Random. یعنی تصادفی و شانسی.
خب، حال بیایید برویم حوزههای علمیه و از علما و فقهای آنجا بپرسیم، آقا قمار چیست؟ تعریف فقهی قمار چه چیزی است و به چه کاری قمار میگوییم؟
در پاسخ آنجا نیز یک کلمه کلیدی میشنوید، همان Random و شانسی.
دادههایی که من برای Koen فرستادم و به او نگفتم آنها چه هستند، بخشی از دادههای بورس تهران بودند.
روی صحبت من با آدمهای مشغول در بورس نیست. روی صحبت من با آن سیستم و حکومت نه یک کلمه کمتر و نه یک کلمه بیشتر با نام جمهوری اسلامی است که بانکش ربا است و بورسش قمار. مردم بورس را به قمار تبدیل نکردند، شما آن را با دستکاری در اعداد به قمار تبدیل کردید. شما کاری کردید که اعداد مانند حرکت براونی ذرات، هر روز از جایی به جای دیگر بروند. در یک الگوی کاملاً تصادفی.
https://graphpad.ir/wp-content/uploads/2022/05/Koen-Van-de-Moortel-re.png
چند ماه پیش و در March 2022 فردی بلژیکی به نام Koen Van de Moortel (بر روی نام او بزنید تا وارد پروفایلش شوید) نرمافزاری جهت پیشبینی و مدلبندی دادهها طراحی کرده بود.
من قبلاً Koen را به عنوان یک برنامهنویس قابل و خوب میشناختم، با این حال او این بار توانسته بود به تنهایی یک نرمافزار خوب بسازد و طراحی کند.
او در تاپیکی که در March 2022 در ریسرچ گیت منتشر کرده بود، از محققان و پژوهشگران از همه جای دنیا خواسته بود، جهت تست و آزمون نرمافزارش، دادهها و یافتههای خود را برایش بفرستند تا او بتواند قدرت و درستی کار نرمافزار تازه طراحی شده را آزمون کند.
در لینک زیر میتوانید تاپیک او را ببینید.
https://www.researchgate.net/post/Can_you_provide_me_with_your_data_for_modeling_software_testing
من هم برای او یکسری دیتا و اطلاعات ارسال کردم و بدون اینکه به او بگویم این دادهها چیست و مربوط به کدام پدیده است، از او خواستم بر روی این دادهها، مدل برازش کرده و با استفاده از نرمافزارش، پیشبینی انجام دهد.
تصویر متن پاسخ او به خودم را برایتان قرار دادهام. Koen در پاسخ به دادههای ارسالی من، به یک نکته بسیار کلیدی اشاره میکند. (دور آن خط کشیدهام) او میگوید
What you sent me rather looks like some random pattern
بله random pattern و نکته و کلمه کلیدی همین جا است Random. یعنی تصادفی و شانسی.
خب، حال بیایید برویم حوزههای علمیه و از علما و فقهای آنجا بپرسیم، آقا قمار چیست؟ تعریف فقهی قمار چه چیزی است و به چه کاری قمار میگوییم؟
در پاسخ آنجا نیز یک کلمه کلیدی میشنوید، همان Random و شانسی.
دادههایی که من برای Koen فرستادم و به او نگفتم آنها چه هستند، بخشی از دادههای بورس تهران بودند.
روی صحبت من با آدمهای مشغول در بورس نیست. روی صحبت من با آن سیستم و حکومت نه یک کلمه کمتر و نه یک کلمه بیشتر با نام جمهوری اسلامی است که بانکش ربا است و بورسش قمار. مردم بورس را به قمار تبدیل نکردند، شما آن را با دستکاری در اعداد به قمار تبدیل کردید. شما کاری کردید که اعداد مانند حرکت براونی ذرات، هر روز از جایی به جای دیگر بروند. در یک الگوی کاملاً تصادفی.
https://graphpad.ir/wp-content/uploads/2022/05/Koen-Van-de-Moortel-re.png
بیایید درباره پست قبلی بیشتر صحبت کنیم.
ابتدا تصویر پایین را نگاه کنید. به نظر شما آنها چه هستند؟ اعداد تصادفی؟ در ظاهر شاید اینگونه باشد، اما هر کدام از آنها، یک نظم احتمالی، مدل ریاضی و توزیع آماری شناخته شده و کشف شده دارند.
یعنی ما میدانیم از کجا آمدهاند و حرکت بعدی آنها چیست. به عبارت خیلی ساده آنها یک تابع هستند. نام آنها را نوشتهام. من برخی از این توابع توزیع احتمال PDF را در تصویر بالا آوردهام. دهها و صدها نمونه دیگر نیز داریم. خود من در دهمین کنفرانس آمار ایران در دانشگاه تبریز، دو تابع توزیع جدید با نامهای SLEV و SSLEV معرفی کردم که برای اولین بار کشف شده بود.
بیایید سادهتر حرف بزنیم. پرتاب یک سکه. به نظر شما آیا پرتاب سکه پدیدهای تصادفی است؟ باید بگویم خیر. ما در اینجا نیز با یک نظم ریاضی و تابع توزیع احتمال با نام یکنواخت گسسته DU{0,1} روبهرو هستیم. امید ریاضی، میانگین، انحراف معیار و به صورت کلی گشتاورهای مرتبه k نیز حتی برای همین پرتاب سکه به ظاهر تصادفی وجود دارد.
حال همین پرتاب سکه از نظم خارج میشود. اگر یک نفر این سکه را به دندان بگیرد و آن را کج کند (اصطلاحاً اریب شود). در این صورت دیگر پرتاب سکه نظم احتمالی ندارد و تصادفی میشود.
منظور من چیست؟ تابلو بورس تهران و اعداد ان را کسی به دندان گرفته. اینکه چه کسی است هم من میدانم و هم شما. دادههای بورس تهران اعداد تصادفی است. از هیچ نظم و مدل احتمالی نیز پیروی نمیکنند. نه اینکه مدلی وجود دارد و ما آن را کشف نکردهایم، نه.
ما حتی بخشی از آمار را با نام آمار توزیع آزاد میشناسیم و آنها را در دسته تحلیلهای ناپارامتری قرار میدهیم. موضوع این است تابلو بورس تهران حتی از آمار توزیع آزاد نیز پیروی نمیکند و قبلاً هم نوشتهام در اغلب نمادها Combination Index آن بزرگتر از یک است. یعنی اینکه ما با کاربر انسانی مواجه نیستیم و اعداد به صورت کاملاً تصادفی تولید میشوند. مثلاً نماد فملی CI حدود 7 دارد، شستا از آن هم بدتر است و حدود 9 است. یعنی اینکه سیستمی غیرانسانی با حدود 9 برابر قدرت در برابر یک سیستم انسانی قرار گرفته است. اغلب نمادها هم همینطور.
بسیاری از دادههایی که در بازارهای جهانی میبینید، به ظاهر تصادفی هستند. آنها در واقع یک تابع تصادفی Random Function هستند که برای آنها، یک نظم احتمالی، مدل ریاضی و توزیع آماری شناخته و کشف شده است. آنها تصادفی هستند، بله. اما یک تابع تصادفی. به عبارت ساده، آنها از یک الگو پیروی میکنند و ما صدها نوع از این الگوها داریم. بله، آنها آزاد هستند هر کجا میخواهند بروند، اما در روند حرکت و رفتار آنها یک نظم از پیش تعیین شده و شناخته شده وجود دارد. در تهران، ما نظمی نمیبینیم. آنها فقط تصادفی هستند بدون وجود هر نوع تابع تصادفی.
https://graphpad.ir/wp-content/uploads/2022/06/Layout-Probability.png
ابتدا تصویر پایین را نگاه کنید. به نظر شما آنها چه هستند؟ اعداد تصادفی؟ در ظاهر شاید اینگونه باشد، اما هر کدام از آنها، یک نظم احتمالی، مدل ریاضی و توزیع آماری شناخته شده و کشف شده دارند.
یعنی ما میدانیم از کجا آمدهاند و حرکت بعدی آنها چیست. به عبارت خیلی ساده آنها یک تابع هستند. نام آنها را نوشتهام. من برخی از این توابع توزیع احتمال PDF را در تصویر بالا آوردهام. دهها و صدها نمونه دیگر نیز داریم. خود من در دهمین کنفرانس آمار ایران در دانشگاه تبریز، دو تابع توزیع جدید با نامهای SLEV و SSLEV معرفی کردم که برای اولین بار کشف شده بود.
بیایید سادهتر حرف بزنیم. پرتاب یک سکه. به نظر شما آیا پرتاب سکه پدیدهای تصادفی است؟ باید بگویم خیر. ما در اینجا نیز با یک نظم ریاضی و تابع توزیع احتمال با نام یکنواخت گسسته DU{0,1} روبهرو هستیم. امید ریاضی، میانگین، انحراف معیار و به صورت کلی گشتاورهای مرتبه k نیز حتی برای همین پرتاب سکه به ظاهر تصادفی وجود دارد.
حال همین پرتاب سکه از نظم خارج میشود. اگر یک نفر این سکه را به دندان بگیرد و آن را کج کند (اصطلاحاً اریب شود). در این صورت دیگر پرتاب سکه نظم احتمالی ندارد و تصادفی میشود.
منظور من چیست؟ تابلو بورس تهران و اعداد ان را کسی به دندان گرفته. اینکه چه کسی است هم من میدانم و هم شما. دادههای بورس تهران اعداد تصادفی است. از هیچ نظم و مدل احتمالی نیز پیروی نمیکنند. نه اینکه مدلی وجود دارد و ما آن را کشف نکردهایم، نه.
ما حتی بخشی از آمار را با نام آمار توزیع آزاد میشناسیم و آنها را در دسته تحلیلهای ناپارامتری قرار میدهیم. موضوع این است تابلو بورس تهران حتی از آمار توزیع آزاد نیز پیروی نمیکند و قبلاً هم نوشتهام در اغلب نمادها Combination Index آن بزرگتر از یک است. یعنی اینکه ما با کاربر انسانی مواجه نیستیم و اعداد به صورت کاملاً تصادفی تولید میشوند. مثلاً نماد فملی CI حدود 7 دارد، شستا از آن هم بدتر است و حدود 9 است. یعنی اینکه سیستمی غیرانسانی با حدود 9 برابر قدرت در برابر یک سیستم انسانی قرار گرفته است. اغلب نمادها هم همینطور.
بسیاری از دادههایی که در بازارهای جهانی میبینید، به ظاهر تصادفی هستند. آنها در واقع یک تابع تصادفی Random Function هستند که برای آنها، یک نظم احتمالی، مدل ریاضی و توزیع آماری شناخته و کشف شده است. آنها تصادفی هستند، بله. اما یک تابع تصادفی. به عبارت ساده، آنها از یک الگو پیروی میکنند و ما صدها نوع از این الگوها داریم. بله، آنها آزاد هستند هر کجا میخواهند بروند، اما در روند حرکت و رفتار آنها یک نظم از پیش تعیین شده و شناخته شده وجود دارد. در تهران، ما نظمی نمیبینیم. آنها فقط تصادفی هستند بدون وجود هر نوع تابع تصادفی.
https://graphpad.ir/wp-content/uploads/2022/06/Layout-Probability.png
اجازه دهید همچنان به بحث رفتار تصادفی بپردازیم.
یک سوال بسیار خوب این است که
شما که میگویید رفتار بازارهای مالی در دنیا یک تابع تصادفی است (گفتم برخلاف بورس تهران که صرفاً تصادفی است) و میتوان توزیع احتمالی آن را به دست آورد، آیا میتوان بر مبنای این مدلهای احتمالی و توابع توزیع آماری، پول هم درآورد و موقعیتهای خوب خرید و فروش را پیدا کرد؟
برای پاسخ به این سوال ابتدا یک مثال ساده میزنم.
فرض کنید من صد بار یک سکه را پرتاب میکنم. اگر شیر بیاید کد صفر و اگر خط بیاید کد یک را یادداشت میکنم. بنابراین در انتها من صد کد با اعداد 0 و 1 دارم.
حال شما هم بیایید همین کار را انجام دهید. به این ترتیب شما هم صد کد با اعداد صفر و یک دارید.
حالا بیایید اعدادمان را کنار هم قرار دهیم. ما هر دو کدهای صفر و یک داریم، اما آیا ترتیب و توالی اعداد من و شما مثل هم است. نه. اصلاً اینگونه نیست. مثلا من 0, 1, 1, 1, 0, … دارم و شما 1, 1, 0, 0, 1, ….
پرتاب سکه یک مدل ریاضی با نام یکنواخت گسسته DU{0, 1} است، در واقع ما تابع احتمالی آن را میدانیم، امید ریاضی و انحراف معیار دادههای من و شما هم تقریبا یکسان است، مثلا هر دو تقریباً در 50 درصد موارد شیر میآوریم، اما اعداد تولید شده توسط من و شما با هم متفاوت است.
حال به تصویر زیر نگاه کنید. به نظر شما آیا آنها با هم متفاوت هستند؟ حتما میگویید بله. روند اعداد در گرافها با هم فرق میکند.
اما باید به شما بگویم، هر دو این گرافها از یک توزیع احتمالی هستند. جالبتر اینکه حتی پارامترهای آنها نیز با هم یکسان است. یعنی هر دو گراف از یک توزیع آماری با نام وایبل Weibull (7, 4, 5) ساخته شدهاند. اما همانگونه که میبینید، ترتیب و توالی کنار هم قرار گرفتن اعداد در گرافها با هم متفاوت است.
خب، با همه این حرفها ما میتوانیم چه کنیم؟ مثلاً میخواهیم در بیت کوین سرمایهگزاری کنیم. خب چه کنیم و این توزیع احتمال به چه دردی میخورد؟
پاسخ این است که
ابتدا مدل احتمالی و تابع توزیع تصادفی بیت کوین را کشف کنید. مثلا من میدانم بیت کوین، تابع توزیعی احتمالی به نام کوشی Cauchy دارد، گاهی اوقات هم به توزیع به نام گاما Gamma میل میکند.
در گام بعد، احتمال Probability Distribution هر عدد را به دست بیاورم و بعد پوزیشن خرید و یا فروش را در نقطهای قرار دهم که بیشترین احتمال را دارد.
به عبارت سادهتر وقتی تابع توزیع احتمال کشف میشود، چارچوب رفتاری نیز به دست میآید. آنچه هنوز باقی میماند و کسی نمیداند، رفتار تصادفی بعدی است. آن را نیز میتوان بر مبنای Probability Distribution بر روی نقطه ورود و یا خروج بیشترین احتمال رخداد قرار داد.
در تصویر زیر، به جدول اعداد نگاه کنید. در ستون Price من قیمت حال حاضر یک رمز ارز را دارم. در ستون Probability من احتمال اتفاق افتادن آن قیمت را دارم. مثلا بر مبنای یافتههای سطر اول قیمت با احتمال 35.6 درصد در گام بعد بر روی عدد 8.56 خواهد بود. در سطر بعدی نشان دادهام با احتمال 49.6 درصد، قیمت 8.79 میشود. بالاترین احتمال کجاست؟ سطر ششم. با احتمال 98.9 درصد قیمت در گام بعدی بر روی عدد 9.96 خواهد بود. به عبارت خیلی ساده، این رمز ارز در گام بعدی افزایش قیمت خواهد داشت. البته با همان احتمالی که نوشتم.
https://graphpad.ir/wp-content/uploads/2022/06/Weibull-Distribution.jpg
یک سوال بسیار خوب این است که
شما که میگویید رفتار بازارهای مالی در دنیا یک تابع تصادفی است (گفتم برخلاف بورس تهران که صرفاً تصادفی است) و میتوان توزیع احتمالی آن را به دست آورد، آیا میتوان بر مبنای این مدلهای احتمالی و توابع توزیع آماری، پول هم درآورد و موقعیتهای خوب خرید و فروش را پیدا کرد؟
برای پاسخ به این سوال ابتدا یک مثال ساده میزنم.
فرض کنید من صد بار یک سکه را پرتاب میکنم. اگر شیر بیاید کد صفر و اگر خط بیاید کد یک را یادداشت میکنم. بنابراین در انتها من صد کد با اعداد 0 و 1 دارم.
حال شما هم بیایید همین کار را انجام دهید. به این ترتیب شما هم صد کد با اعداد صفر و یک دارید.
حالا بیایید اعدادمان را کنار هم قرار دهیم. ما هر دو کدهای صفر و یک داریم، اما آیا ترتیب و توالی اعداد من و شما مثل هم است. نه. اصلاً اینگونه نیست. مثلا من 0, 1, 1, 1, 0, … دارم و شما 1, 1, 0, 0, 1, ….
پرتاب سکه یک مدل ریاضی با نام یکنواخت گسسته DU{0, 1} است، در واقع ما تابع احتمالی آن را میدانیم، امید ریاضی و انحراف معیار دادههای من و شما هم تقریبا یکسان است، مثلا هر دو تقریباً در 50 درصد موارد شیر میآوریم، اما اعداد تولید شده توسط من و شما با هم متفاوت است.
حال به تصویر زیر نگاه کنید. به نظر شما آیا آنها با هم متفاوت هستند؟ حتما میگویید بله. روند اعداد در گرافها با هم فرق میکند.
اما باید به شما بگویم، هر دو این گرافها از یک توزیع احتمالی هستند. جالبتر اینکه حتی پارامترهای آنها نیز با هم یکسان است. یعنی هر دو گراف از یک توزیع آماری با نام وایبل Weibull (7, 4, 5) ساخته شدهاند. اما همانگونه که میبینید، ترتیب و توالی کنار هم قرار گرفتن اعداد در گرافها با هم متفاوت است.
خب، با همه این حرفها ما میتوانیم چه کنیم؟ مثلاً میخواهیم در بیت کوین سرمایهگزاری کنیم. خب چه کنیم و این توزیع احتمال به چه دردی میخورد؟
پاسخ این است که
ابتدا مدل احتمالی و تابع توزیع تصادفی بیت کوین را کشف کنید. مثلا من میدانم بیت کوین، تابع توزیعی احتمالی به نام کوشی Cauchy دارد، گاهی اوقات هم به توزیع به نام گاما Gamma میل میکند.
در گام بعد، احتمال Probability Distribution هر عدد را به دست بیاورم و بعد پوزیشن خرید و یا فروش را در نقطهای قرار دهم که بیشترین احتمال را دارد.
به عبارت سادهتر وقتی تابع توزیع احتمال کشف میشود، چارچوب رفتاری نیز به دست میآید. آنچه هنوز باقی میماند و کسی نمیداند، رفتار تصادفی بعدی است. آن را نیز میتوان بر مبنای Probability Distribution بر روی نقطه ورود و یا خروج بیشترین احتمال رخداد قرار داد.
در تصویر زیر، به جدول اعداد نگاه کنید. در ستون Price من قیمت حال حاضر یک رمز ارز را دارم. در ستون Probability من احتمال اتفاق افتادن آن قیمت را دارم. مثلا بر مبنای یافتههای سطر اول قیمت با احتمال 35.6 درصد در گام بعد بر روی عدد 8.56 خواهد بود. در سطر بعدی نشان دادهام با احتمال 49.6 درصد، قیمت 8.79 میشود. بالاترین احتمال کجاست؟ سطر ششم. با احتمال 98.9 درصد قیمت در گام بعدی بر روی عدد 9.96 خواهد بود. به عبارت خیلی ساده، این رمز ارز در گام بعدی افزایش قیمت خواهد داشت. البته با همان احتمالی که نوشتم.
https://graphpad.ir/wp-content/uploads/2022/06/Weibull-Distribution.jpg
این گراف را ببینید. یک رگرسیون خطی بسیار ساده بین پالایش و شپنا است. خط نزولی است و ضریب بتا پالایش منفی.
به زبان بسیار ساده یعنی اینکه روزهایی که بازار مثبت است، پالایش مثبت کمتری نسبت به شپنا دارد. روزهایی هم که بازار منفی است، پالایش منفی بزرگتری نسبت به شپنا دارد. این موضوع با بقیه نمادهای شبندر، شتران و شبریز نیز برقرار است. یعنی مثل یک مسابقه دو است که پالایش اغلب نفر چهارم و یا پنجم میشود.
فردای اولین روز معامله پالایش من این پست را نوشتم. آن روز پالایش Combination Index (CI) کمتر از یک داشت و یک نماد خوب و روان به حساب میآمد. امروز CI پالایش حدود 13 است.
پالایش یکی از بزرگترین CIهای بازار را دارد. به زبان ساده شما یک نماد خوب را تحویل گرفتید و 13 برابر آن را خرابتر کردید. فکر میکنید چه کسی این کار را میکند. مردم عادی؟ من اصلاً حرف از NAV و حقی که روزانه از این صندوق خورده میشود، نمیزنم. اوضاع دارا یکم نیز تقریباً مانند پالایش است.
توضیح اینکه هر چقدر CI بزرگتر از یک باشد، به معنای دستکاری و خراب کردن اردرهای خرید و فروش توسط یک سیستم غیر انسانی است. CI کل بازار بورس ایران 4.8 است.
به زبان بسیار ساده یعنی اینکه روزهایی که بازار مثبت است، پالایش مثبت کمتری نسبت به شپنا دارد. روزهایی هم که بازار منفی است، پالایش منفی بزرگتری نسبت به شپنا دارد. این موضوع با بقیه نمادهای شبندر، شتران و شبریز نیز برقرار است. یعنی مثل یک مسابقه دو است که پالایش اغلب نفر چهارم و یا پنجم میشود.
فردای اولین روز معامله پالایش من این پست را نوشتم. آن روز پالایش Combination Index (CI) کمتر از یک داشت و یک نماد خوب و روان به حساب میآمد. امروز CI پالایش حدود 13 است.
پالایش یکی از بزرگترین CIهای بازار را دارد. به زبان ساده شما یک نماد خوب را تحویل گرفتید و 13 برابر آن را خرابتر کردید. فکر میکنید چه کسی این کار را میکند. مردم عادی؟ من اصلاً حرف از NAV و حقی که روزانه از این صندوق خورده میشود، نمیزنم. اوضاع دارا یکم نیز تقریباً مانند پالایش است.
توضیح اینکه هر چقدر CI بزرگتر از یک باشد، به معنای دستکاری و خراب کردن اردرهای خرید و فروش توسط یک سیستم غیر انسانی است. CI کل بازار بورس ایران 4.8 است.
#تثبیت_و_توسعه
واضح است که ما با چیز عجیب و غریبی روبهرو نیستیم و مانند بقیه سازمانها و نهادهای کشور که اکثریت آنها آنتاگونیست هستند، در اینجا نیز با یک سازمان آنتاگونیست مواجهیم.
بنابراین خیلی طبیعی و عادی است که در گراف زیر، در تمام سالها Combination Index ما بزرگتر از عدد یک است و اصلاً موضوع صحبت من این هم نیست.
شاید بپرسید من دقیقاً دارم از چه چیزی حرف میزنم؟
خیلی به زبان ساده بخواهم بگویم این است که آنتاگونیست بودن یعنی رفتار و کاری برخلاف شرح وظایف یک سیستم و سازمان. همانگونه هم که نوشتم این مطلب کاملاً پذیرفته شده است و همه هم میدانند و نیاز به کشف و استدلال من هم ندارد که در جلوی نام اکثریت نهادها و سیستمهای کشور باید کلمه "ضد" اضافه شود. مثلا اگر نام سازمانی فناوری اطلاعات است باید نوشته شود، ضد فناوری اطلاعات یا مثلاً اگر تجارت جهانی است باید نوشته شود سازمان ضد تجارت جهانی و به همین ترتیب برای بقیه.
همانگونه هم که در گراف زیر نوشتم و مشاهده میکنید، CI سازمان بورس و اوراق بهادار کشور در همه سالها (فرقی هم نمیکند کدام دولت یا رئیس) عددی بزرگتر از یک است و به بیان ساده یعنی کار این سازمان خراب کردن، وظایف مصوب خودش است و خب، ایرادی هم ندارد. مانند بقیه سیستمهای کشور است. هر فردی هم که آمده وظیفهاش بالا نگه داشتن CI بوده.
نکته مهم این نیست. موضوع مطلب دیگری است. به شمارهها و فلشهای روی گراف دقت کنید. در این تایمها، یکدفعه و به صورت جهشی CI بالا میرود. یعنی سازمانی که وظیفهاش خراب کردن است (باز هم میگویم با این بخش مشکلی نداریم و میپذیریم که همه همینطور هستند) در این تایمها در خراب کردن موفقتر عمل میکند. یعنی اگر خراب است آن را خرابتر میکند.
برای خود من از مدتها پیش سوال این بود که در این تایمها چه اتفاقی افتاده که CI جهشی شده است؟
پاسخ را مینویسم.
1- اساسنامه صندوق تثبیت بازار سرمایه در این بازه زمانی، تصویب میشود.
2- مجوز فعالیت صندوق تثبیت بازار سرمایه در این محدوده زمانی، صادر میشود.
3- تزریق پول و ردیف مستقل بودجه برای صندوق تثبیت بازار سرمایه، انجام میشود.
به این ترتیب موضوع برای خودم حل شد. در این بازههای زمانی، یک چیز جدید به بازار سرمایه اضافه شده و او هم خیلی خوب نقشش را یعنی خرابتر کردن بازار سرمایه ایفا میکند.
https://graphpad.ir/wp-content/uploads/2022/06/CI-TEDPIX.png
واضح است که ما با چیز عجیب و غریبی روبهرو نیستیم و مانند بقیه سازمانها و نهادهای کشور که اکثریت آنها آنتاگونیست هستند، در اینجا نیز با یک سازمان آنتاگونیست مواجهیم.
بنابراین خیلی طبیعی و عادی است که در گراف زیر، در تمام سالها Combination Index ما بزرگتر از عدد یک است و اصلاً موضوع صحبت من این هم نیست.
شاید بپرسید من دقیقاً دارم از چه چیزی حرف میزنم؟
خیلی به زبان ساده بخواهم بگویم این است که آنتاگونیست بودن یعنی رفتار و کاری برخلاف شرح وظایف یک سیستم و سازمان. همانگونه هم که نوشتم این مطلب کاملاً پذیرفته شده است و همه هم میدانند و نیاز به کشف و استدلال من هم ندارد که در جلوی نام اکثریت نهادها و سیستمهای کشور باید کلمه "ضد" اضافه شود. مثلا اگر نام سازمانی فناوری اطلاعات است باید نوشته شود، ضد فناوری اطلاعات یا مثلاً اگر تجارت جهانی است باید نوشته شود سازمان ضد تجارت جهانی و به همین ترتیب برای بقیه.
همانگونه هم که در گراف زیر نوشتم و مشاهده میکنید، CI سازمان بورس و اوراق بهادار کشور در همه سالها (فرقی هم نمیکند کدام دولت یا رئیس) عددی بزرگتر از یک است و به بیان ساده یعنی کار این سازمان خراب کردن، وظایف مصوب خودش است و خب، ایرادی هم ندارد. مانند بقیه سیستمهای کشور است. هر فردی هم که آمده وظیفهاش بالا نگه داشتن CI بوده.
نکته مهم این نیست. موضوع مطلب دیگری است. به شمارهها و فلشهای روی گراف دقت کنید. در این تایمها، یکدفعه و به صورت جهشی CI بالا میرود. یعنی سازمانی که وظیفهاش خراب کردن است (باز هم میگویم با این بخش مشکلی نداریم و میپذیریم که همه همینطور هستند) در این تایمها در خراب کردن موفقتر عمل میکند. یعنی اگر خراب است آن را خرابتر میکند.
برای خود من از مدتها پیش سوال این بود که در این تایمها چه اتفاقی افتاده که CI جهشی شده است؟
پاسخ را مینویسم.
1- اساسنامه صندوق تثبیت بازار سرمایه در این بازه زمانی، تصویب میشود.
2- مجوز فعالیت صندوق تثبیت بازار سرمایه در این محدوده زمانی، صادر میشود.
3- تزریق پول و ردیف مستقل بودجه برای صندوق تثبیت بازار سرمایه، انجام میشود.
به این ترتیب موضوع برای خودم حل شد. در این بازههای زمانی، یک چیز جدید به بازار سرمایه اضافه شده و او هم خیلی خوب نقشش را یعنی خرابتر کردن بازار سرمایه ایفا میکند.
https://graphpad.ir/wp-content/uploads/2022/06/CI-TEDPIX.png
#Robust
درباره فرمول محاسبه شاخص کل و ضریب ثابت OR = 0.717 که به آن میزنند تا باعث شود در روزهای منفی، کمتر منفی شود و در روزهای مثبت، مثبت بزرگتری ثبت شود، قبلاً صحبت کردم. میتوانید این پست را ببینید.
همه میدانیم که شاخص کل وضعیت و نمای واقعی بازار را نشان نمیدهد و به شدت Non-Robust است. حتی شاخص هم وزن نیز که نوعی میانگین است، به دلیل خاصیت ذاتی میانگین، تمایل به گریز از مرکز دارد و تحت تاثیر دادههای بزرگ و یا کوچک قرار میگیرد.
در مقابل میانه Median قرار دارد. من در اینجا چندین بار از شاخصی با نام شاخص میانه Median Index نام بردم. این پست را ببینید.
میانه، اندازهای با ثبات و کاملاً Robust است که به دلیل تعریف آن (اندازهای که نصف دادهها از آن بزرگتر و یا کوچکتر هستند) تمایل فراوان به حفظ مرکز Central Tendency دارد.
به عنوان مثال برای امروز 11 تیرماه 1401، شاخص میانه عدد 1.67-% را نشان میدهد. این را مقایسه کنید با عدد درصد شاخص کل (0.8-%) و شاخص هم وزن (1.02-%). به معنای اینکه شاخص میانه امروز، وضعیت بازار را تقریباً دو برابر منفیتر از شاخص کل، بیان میکند.
خوب است بدانیم، شاخص کل و یا هم وزن و نحوه تعریف و فرمول آنها در محدوده آمار کلاسیک قرار میگیرند و امروزه با معرفی آمار استوار Robust Statistics (علاقمند بودید در این زمینه سرچ کنید) از شاخصها و آمارههای بسیار بهتری میتوان استفاده کرد.
درباره فرمول محاسبه شاخص کل و ضریب ثابت OR = 0.717 که به آن میزنند تا باعث شود در روزهای منفی، کمتر منفی شود و در روزهای مثبت، مثبت بزرگتری ثبت شود، قبلاً صحبت کردم. میتوانید این پست را ببینید.
همه میدانیم که شاخص کل وضعیت و نمای واقعی بازار را نشان نمیدهد و به شدت Non-Robust است. حتی شاخص هم وزن نیز که نوعی میانگین است، به دلیل خاصیت ذاتی میانگین، تمایل به گریز از مرکز دارد و تحت تاثیر دادههای بزرگ و یا کوچک قرار میگیرد.
در مقابل میانه Median قرار دارد. من در اینجا چندین بار از شاخصی با نام شاخص میانه Median Index نام بردم. این پست را ببینید.
میانه، اندازهای با ثبات و کاملاً Robust است که به دلیل تعریف آن (اندازهای که نصف دادهها از آن بزرگتر و یا کوچکتر هستند) تمایل فراوان به حفظ مرکز Central Tendency دارد.
به عنوان مثال برای امروز 11 تیرماه 1401، شاخص میانه عدد 1.67-% را نشان میدهد. این را مقایسه کنید با عدد درصد شاخص کل (0.8-%) و شاخص هم وزن (1.02-%). به معنای اینکه شاخص میانه امروز، وضعیت بازار را تقریباً دو برابر منفیتر از شاخص کل، بیان میکند.
خوب است بدانیم، شاخص کل و یا هم وزن و نحوه تعریف و فرمول آنها در محدوده آمار کلاسیک قرار میگیرند و امروزه با معرفی آمار استوار Robust Statistics (علاقمند بودید در این زمینه سرچ کنید) از شاخصها و آمارههای بسیار بهتری میتوان استفاده کرد.
#مساوی
🔆 اجازه دهید یک سوال از شما بپرسم.
فرض کنید بازار سرمایه تهران، فقط دو نماد دارد. الف و ب.
در یک روز خاص، نماد الف، مثبت ۵ است و نماد ب، منفی ۵.
شما هم در هر دو، سرمایه کاملاً یکسانی دارید، مثلاً از هر کدام ۱ میلیون تومان.
فرض کنید قیمت سهام آنها نیز دقیقاً مساوی هم است. یعنی در همان روز که یکی مثبت پنج است و دیگری منفی پنج، مثلاً قیمت سهام هر کدام ۱۰۰ تومان است.
حتی فرض کنید که در این روز، نمادهای الف و ب، حجم کاملآ یکسانی نیز معامله شدهاند. مثلاً هر دو یک میلیون سهم.
سوال من از شما این است.
در این روز، شاخص بورس به درستی ۴.۵ درصد، مثبت را نشان میدهد. چگونه این عدد امکان دارد؟
به بیان ساده، وقتی همه چیز کاملاً با هم مساوی است و ما هم در بازار، فقط دو نماد الف و ب را داریم، چگونه امکان دارد، شاخص کل، (تاکید میکنم، به درستی و بدون خطا) مثبت ۴.۵ باشد؟
پاسخ درست به این سوال، به ما در فهمیدن این نکته که ایراد فرمول شاخص بورس تهران دقیقاً چیست و کدام قسمت فرمول غلط است، کمک میکند.
روزهای آینده و در متن بعدی پاسخ، سوال بالا را برایتان مینویسم. اگر علاقمند بودید، شما هم دست به قلم شوید.
🔆 اجازه دهید یک سوال از شما بپرسم.
فرض کنید بازار سرمایه تهران، فقط دو نماد دارد. الف و ب.
در یک روز خاص، نماد الف، مثبت ۵ است و نماد ب، منفی ۵.
شما هم در هر دو، سرمایه کاملاً یکسانی دارید، مثلاً از هر کدام ۱ میلیون تومان.
فرض کنید قیمت سهام آنها نیز دقیقاً مساوی هم است. یعنی در همان روز که یکی مثبت پنج است و دیگری منفی پنج، مثلاً قیمت سهام هر کدام ۱۰۰ تومان است.
حتی فرض کنید که در این روز، نمادهای الف و ب، حجم کاملآ یکسانی نیز معامله شدهاند. مثلاً هر دو یک میلیون سهم.
سوال من از شما این است.
در این روز، شاخص بورس به درستی ۴.۵ درصد، مثبت را نشان میدهد. چگونه این عدد امکان دارد؟
به بیان ساده، وقتی همه چیز کاملاً با هم مساوی است و ما هم در بازار، فقط دو نماد الف و ب را داریم، چگونه امکان دارد، شاخص کل، (تاکید میکنم، به درستی و بدون خطا) مثبت ۴.۵ باشد؟
پاسخ درست به این سوال، به ما در فهمیدن این نکته که ایراد فرمول شاخص بورس تهران دقیقاً چیست و کدام قسمت فرمول غلط است، کمک میکند.
روزهای آینده و در متن بعدی پاسخ، سوال بالا را برایتان مینویسم. اگر علاقمند بودید، شما هم دست به قلم شوید.
#تسخیر
من در اینجا و از حدود فروردینماه سال 1400، نوشتم و به این نکته اشاره کردم که بازار سرمایه در حال تبدیل شدن به دادههای صرفاً تصادفی، دادهسازی توسط ماشینهای IT، رباتها و الگوریتمها است. علاقمند بودید، پستهای زیر را ببینید.
پست 1 ، پست 2 ، پست 3 ، پست 4 ، پست 5 ، پست 6
این روزها عدد Combination Index بازار، مرتب در حال بالا رفتن است و اکنون در حوالی عدد 5 قرار گرفته است. به معنای ساده یعنی اینکه به طور متوسط از هر 6 معامله در بازار، یک معامله توسط کاربر انسانی و 5 معامله توسط کاربر غیرانسانی انجام میشود. یعنی فقط حدود 17 درصد معاملات توسط افراد و کاربر انسانی انجام میشود.
این مطلب را نوشتم که بگویم فردا روزی هر اتفاقی برای این بازار افتاد، آن را از جانب کاربران انسانی و افراد واقعی پشت سیستم ها نبینید. حدود 83 درصد بازار در تسخیر همان فرمان و دستوری است که مدتی قبل نوشته شد و گفته شد که موتورهای تولید کننده تورم در کشور خاموش شده است. شما بهتر از من میدانید وقتی سیستمی نمیتواند و نمیخواهد سایر موتورها را خاموش کند، هیچ چیزی سادهتر و راحتتر از خاموش کردن موتور بازار سرمایه نیست.
من در اینجا و از حدود فروردینماه سال 1400، نوشتم و به این نکته اشاره کردم که بازار سرمایه در حال تبدیل شدن به دادههای صرفاً تصادفی، دادهسازی توسط ماشینهای IT، رباتها و الگوریتمها است. علاقمند بودید، پستهای زیر را ببینید.
پست 1 ، پست 2 ، پست 3 ، پست 4 ، پست 5 ، پست 6
این روزها عدد Combination Index بازار، مرتب در حال بالا رفتن است و اکنون در حوالی عدد 5 قرار گرفته است. به معنای ساده یعنی اینکه به طور متوسط از هر 6 معامله در بازار، یک معامله توسط کاربر انسانی و 5 معامله توسط کاربر غیرانسانی انجام میشود. یعنی فقط حدود 17 درصد معاملات توسط افراد و کاربر انسانی انجام میشود.
این مطلب را نوشتم که بگویم فردا روزی هر اتفاقی برای این بازار افتاد، آن را از جانب کاربران انسانی و افراد واقعی پشت سیستم ها نبینید. حدود 83 درصد بازار در تسخیر همان فرمان و دستوری است که مدتی قبل نوشته شد و گفته شد که موتورهای تولید کننده تورم در کشور خاموش شده است. شما بهتر از من میدانید وقتی سیستمی نمیتواند و نمیخواهد سایر موتورها را خاموش کند، هیچ چیزی سادهتر و راحتتر از خاموش کردن موتور بازار سرمایه نیست.
#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.