GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
#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.
همبستگی بین دلار کاغذی (دلار) و دلار دیجیتالی (تتر) یک رابطه‌ی قوی، مثبت و معنادار است. البته که ما اینجا با یک رابطه 100 درصدی روبه‌رو نیستیم، انتظاری هم نداریم و نادر پدیده‌هایی در طبیعت می‌توان پیدا کرد که ضریب همبستگی آن‌ها دقیقاً برابر با یک r = 1 باشد. با این حال Correlation بین دلار و تتر قوی است و روند حرکتی آن‌ها نه یکسان اما تقریباً مشابه است. اثبات این مطلب ساده است.

در بازار رمز ارزی مانند ایران که تتر را نمی‌توان یک استیبل کوین به حساب آورد و خودش ارز دیجیتالی البته با بتای رگرسیونی مثبت در طول زمان است، یک رابطه تقریباً متوسط و البته وارون با ضریب همبستگی
-0.53 < r < -0.67
بین رمز ارزها و تتر برقرار است.

به این معنا که کاهش قیمت رمز ارزها در بازار بین‌الملل تا حدی سبب افزایش قیمت تتر در بازار ایران می‌شود. این مطلب در زمان‌های افزایش قیمت رمز ارزها در بازار بین‌الملل (کاهش قیمت تتر در ایران) نیز برقرار است البته با همبستگی ضعیف‌تر.

اگر از من می‌پرسید، خب اینها یعنی چه؟ پاسخ می‌دهم یعنی این‌که در تعیین قیمت دلار کاغذی در ایران (در کنار سایر عوامل) یک کمیت پنهان Latent Variable وجود دارد. این کمیت پنهان همان قیمت رمز ارزها در بازار بین‌الملل است.
اگر بخواهم از اندازه
Proportion of Variance Explained

این کمیت پنهان حرف بزنم باید از اندازه‌ای حدود 11.4% نام ببرم. این عدد یعنی اینکه حدود 11.4% قیمت دلار کاغذی در ایران به قیمت رمز ارزها در بازار بین‌الملل وابسته است که خب واضح است در اختیار سیستم داخلی ایران نیز نیست.

نکته دیگری که خوب است بگویم (همان‌گونه که بالاتر نیز نوشتم) این است که واریانس توضیح داده شده‌ی قیمت دلار توسط رمزارزها در بازار بین‌الملل، در تایم‌های صعودی رمز ارزها، کاهش پیدا می‌کند و حدود 8.1% است.

بیان ساده این مطلب این است که عددی بین 8.1% تا 11.4% قیمت دلار در ایران را باید برای قیمت رمز ارزها در بازارهای بین‌المللی درنظر گرفت.
این ارتباط نیز منفی و وارون است، به این معنا که کاهش قیمت رمز ارزها، سبب افزایش قیمت دلار کاغذی در ایران و افزایش قیمت رمزارزها، کاهش (کمتر از تاثیر افزایشی) قیمت دلار کاغذی در ایران را در پی دارد.

البته که این Latent Variable یک فاکتور است در کنار سایر عوامل اثرگزار بر قیمت دلار. به عنوان مثال چنانچه فرض کنیم دلار قیمتی حدود 38000 تومان دارد باید عددی بین 3080 تا 4200 تومان آن را برای روندهای قیمتی رمزارزها کنار گذاشت.

اینکه چرا این اتفاق افتاده است و قیمت BTCUSDT یا مثلاً ETHUSDT و بقیه آن‌ها می‌تواند تا این حد بر روی قیمت تومانی دلار در ایران اثر بگذارد را باید در درگیر شدن بخش زیادی از جامعه ایرانی و پول ایرانی در صرافی‌های داخلی و خارجی رمزارزها جستجو کرد.
امروز مشاهده می‌کردم که سایت گراف پد GraphPad.ir با همکاری زرین‌پال، بر روی مجموعه‌های جدید و به روز شده زمستان، علاوه بر تخفیف 20%، امکان استرداد کامل وجه را نیز قرار داده است. علاقمند بودید این مجموعه‌ها را ببینید.

مجموعه تحلیل‌های آماری
https://graphpad.ir/statistics/

مجموعه Prism
https://graphpad.ir/prism-4u/

مجموعه SPSS
https://graphpad.ir/spss-book/
#سبد

بیایید با هم یک سبد طراحی کنیم. از ریاضیات استفاده می‌کنیم.
فرض کنید ما Variableهای خود را (مثلا نمادهای بازار سرمایه) به صورت زیر بنویسیم.
X1, X2, X3, ….,Xn

هر کدام از X ها نیز به یک نماد تعلق دارد. حال رابطه رگرسیونی و تابع زیر را می‌نویسیم.

Y = B0 + B1X1 + B2X2 + ….+BnXn

در این رابطه، Y درصد سود و B ضریب رگرسیونی و اندازه اثر هر X (در اینجا نماد) بر روی Y است.

نکته‌ای که در این‌جا وجود دارد این است که ما نمی‌توانیم همه X ها را با هم داشته باشیم (مثلاً ما نمی‌توانیم سبدی شامل 600 نماد داشته باشیم). از طرف دیگر برخی از این X ها با یکدیگر هم‌خطی دارند و اصطلاحاً Multicollinearity هستند.

راهکاری که سال‌ها است از آن استفاده می‌شود کم کردن تعداد X ها و کاهش بُعد آن‌ها است. به این معنا که هر چند تعداد از X ها در یک
Principal Component (PC)

قرار می‌گیرند. این کار با استفاده از تحلیلی به نام
Principal Component Analysis (PSA)
انجام می‌شود.

بنابراین پس از انجام PCA اگر ما n تعداد از X ها داشتیم، اکنون به تعداد k تا PC داریم. یعنی
PC1, PC2, …., PCk
که در آن K < n است.

ایده‌ای که پس از ساختن و طراحی PC ها از روی X ها وجود دارد این است که ما به جای ایجاد مدل رگرسیونی بر روی X ها، یک مدل رگرسیونی بر روی PC ها بسازیم. یعنی رابطه‌ی زیر برازش دهیم.

Y = C0 + C1PC1 + C2PC2 + ….+CkPCk

که در آن، Y همان درصد سود و C ضریب رگرسیونی و اندازه اثر هر PC (در اینجا یعنی Principal Component های ساخته شده از روی Xها) بر روی Y است.

موضوعی که وجود دارد این است که PCA نمی‌تواند این کار را برای ما انجام دهد. PCA فقط می‌تواند برای ما Principal Component یا همان PC بسازد و نمی‌تواند مدل رگرسیونی برازش دهد. پس چه کنیم؟

پاسخ این است که ما می‌توانیم از ابزار و تحلیلی به نام
Partial Least Squares Regression

که به آن PLS گفته می‌شود، استفاده کنیم. PLS هم می‌تواند برای ما PC تشکیل دهد و هم بر روی PC ها مدل رگرسیونی برازش دهد.

ابزار دیگری که به نظرم از PLS هم بهتر است و نتایج دقیق‌تری در اختیار قرار می‌دهد
Principal Component Regression (PCR)

است. اینکه چرا PCR از PLS بهتر است را من در این لینک توضیح داده‌ام؛ علاقمند بودید مطالعه کنید.

اینها را نوشتم که بیان کنم طراحی یک سبد از دارایی، قابلیت این را دارد که فرمول‌بندی شود و بر مبنای تحلیل‌هایی مانند PLS و به ویژه PCR ما را به طراحی بهترین سبد دارایی برساند. امیدوارم از PCR در آینده بیشتر بشنوید و بخوانید.
 
تحلیل
 Principal Component Regression (PCR)

 که به آن رگرسیون مولفه‌های اصلی گفته می‌شود، از ترکیب آنالیزهای

Principal Component Analysis (PCA)

 و
 Multiple Linear Regression (MLR) 

ساخته می‌شود. در این نوشته می‌توانید آموزش PCR را مشاهده کنید. به نظر من PCR از PLS نیز که مدت‌ها است متداول شده بهتر است و نتایج دقیق‌تری دارد. در این نوشته می‌توانید آموزش PLS را هم ببینید.
 
البته موضوع حرف من این‌ها نیست. در PCR موضوعی داریم با نام

Contribution of cases.

برای فهم آن این‌گونه شروع می‌کنم که ما در مجموعه و ماتریسی از داده‌ها (هر نوع داده‌ای، فرقی ندارد) سطر و ستون داریم.

در ستون‌ها Variable ها قرار می‌گیرند و در سطرها Case ها. ستون‌ها شامل فاکتورها و شاخص‌ها هستند و سطرها شامل افراد و موردها.
 
به عنوان مثال در ماتریس داده‌های هر جامعه (باز هم فرقی ندارد هر جامعه‌ای)، ستون‌ها عوامل اصلی و مهم مانند فاکتورهای اقتصادی، سیاسی، اجتماعی، روانی، فرهنگی، مذهبی، سلامت، آموزش و .... همراه با زیرشاخص‌های خود هستند و سطرها، همه افراد کوچک و بزرگ آن جامعه.
 
مثلاً ماتریس داده‌های جامعه ایرانی شامل 71 ستون (فاکتورها و شاخص‌های اصلی) و 84829055 سطر (به تعداد جمعیت ایران) است.
 
خب حال برگردیم سر همان بحث تحلیل 
Principal Component Regression (PCR)

 و موضوع
 Contribution of cases

 که من به اختصار از این به بعد به آن CoC می‌گویم.

سوال این است که CoC چیست؟
 
پاسخ می‌دهم، ابزاری است جهت رصد و مانیتور تاثیر هر کدام از سطرها در هر کدام از ستون‌ها. مثلاً در همان ماتریس داده‌های جامعه ایرانی، CoC ابزار تحلیلی است که می‌تواند اثر هر فرد از جامعه حدود 85 میلیونی را در هر کدام از شاخص‌های ستونی 71 گانه بسنجد و ارزیابی کند.
 
به صورت تصادفی و پیش‌فرض عدد CoC برای هر فرد از تقسیم عدد یک بر تعداد کل جامعه به دست می‌آید. مثلاً من در یک شاخص اجتماعی ماتریس داده‌ها، اثر و عدد CoC برابر با 0.0000000117884 دارم. بله، بسیار بسیار کوچک است. همه به صورت پیش‌فرض همین طور هستند.
 
خب، حال تحلیل PCR و نتایج Contribution of cases آن چه کار و کمکی به ما می‌کنند؟

همان‌گونه که گفتم این ابزاری است جهت رصد هر سطر در هر ستون، یعنی بررسی هر فرد در هر شاخص.
 
اعداد خیلی بزرگ در CoC و همچنین خیلی کوچک، نشان‌دهنده بر هم خوردن تعادل و ثبات توسط آن فرد در آن مجموعه داده‌ها هستند. ربطی هم به جامعه ایرانی ندارد و در همه جوامع برقرار است.
 
اکنون می‌توان درباره موضوع اصلی این نوشته صحبت کرد.

اگر سیستم حکمرانی در جامعه ایرانی نمی‌تواند و یا نمی‌خواهد (به هر دلیلی) شاخص‌ها یعنی ستون‌ها را بهبود ببخشد و توانایی و ابزارهای لازم جهت انجام این کار را (باز هم به هر دلیلی) ندارد، مثلا نمی‌تواند شاخص ستون شماره 49 یعنی شاخص سهولت کسب و کار EDB و یا شاخص ستون 55 یعنی شاخص نابرابری جنسیتی GII را بهبود ببخشد، پس سطرها و عدد CoC افراد برهم زننده تعادل داده‌ها را بهبود دهد.

یعنی به جای یک رفتار ستونی که توانایی آن را هم ندارد، سطری و Case به Case رفتار کند.
 
به عنوان مثال آنچه در این چند ماه بر فضای جامعه ایرانی رفت و همچنان می‌رود، علاوه بر اینکه حاصل عوامل 71 گانه ستونی بر حدود 85 میلیون سطر ماتریس داده‌ها بود، اثرگزاری CoC های خیلی بزرگ در بر هم خوردن تعادل را به خوبی نشان داد.
 
اولین این CoC ها مربوط به فردی به نام سپیده رشنو بود. عدد CoC او در اتوبوس BRT خیلی کوچک و مثل همه افراد دیگر جامعه بود. با این حال رفتار ناشیانه سیستم حکمرانی در بزرگ کردن CoC او یعنی پیدا کردنش، دستگیری، تعهد گرفتن، جلوی قاب تلویزیون آوردن و در کل رفتار محض و جانبدارانه حکمران از یک طرف دعوا در یک موضوع فاقد اهمیت، سبب بر هم خوردن ماتریس داده‌های جامعه ایرانی شد.
 
آنچه که من می‌خواهم به اهمیت آن تاکید کنم همین CoC ها و اندازه تاثیر هر فرد (حتی یک نفر) در ماتریس داده‌ها هستند. سیستم حکمرانی ایران، باید از دستکاری و تحریک این CoC ها به شدت پرهیز کند.

این کاری است که سیستم حکمرانی فرانسه استاد آن است و سیستم حکومتی مانند انگلیس به طرز بسیار ماهرانه‌ای به جای در نقطه مقابل قرار گرفتن با هر CoC به شدت بزرگ شده، با آن کاملاً همراه می‌شود و به درستی آن را از آن خود می‌کند.
 
جامعه ایرانی از گذشته (مشروطه و انقلاب 57) تا امروز به شدت و به سرعت تحت تاثیر این CoC ها قرار می‌گیرد.

سیستم حکمرانی ایران بهتر است فقط و فقط به بهبود ستون‌ها فکر کند و اگر نمی‌تواند با CoC های بزرگ شده در آینده که هر آن امکان وقوع دارند، همراه شود، پس لازم است در نقطه مقابل آن‌ها نیز قرار نگیرد.
#Survival

 
در همه‌ی چارت‌های مالی (چه مربوط به بازار سهام در هر کجای دنیا باشد و یا مربوط به ارزهای دیجیتال و یا جفت ارزها) یک چیز مشترک وجود دارد و آن محور X آن‌ها است.

در محور X، زمان Time قرار دارد و کندل‌ها و خط‌ها در طول زمان ساخته می‌شوند.
 
در تحلیل‌های آماری، روش و تکنیکی داریم با نام آنالیز بقا
 Survival Analysis

تحلیل بقا ابزار و روشی است جهت بررسی و درک این مطلب که چگونه احتمال وقوع یک رویداد معین، با گذر زمان کم و یا زیاد می‌شود.

به این ترتیب ما در آنالیز بقا، با سه جز و کلمه‌ی اساسی که تشکیل دهنده‌ی این نوع از تحلیل‌های آماری هستند، رو‌به‌رو هستیم.

این سه کلمه عبارتند از احتمال، رویداد و زمان.
 
شنیدن کلمه‌ی احتمال ما را به یاد انواع مدل‌های رگرسیونی مانند رگرسیون لجستیک باینری، رگرسیون پروبیت و یا رگرسیون چند جمله‌ای می‌اندازد.

در آنالیز بقا نیز با مدل‌های رگرسیونی مانند رگرسیون خطرات متناسب کاکس

Cox Proportional Hazards Regression

 روبه‌رو هستیم. تحلیل‌های کاپلان-مایر Kaplan-Meier نیز در این رده قرار می‌گیرند.

در تحلیل‌های بقا، همان‌گونه که از نام آن‌ها برمی‌آید، رویداد مورد علاقه و مورد بررسی در مطالعه، اغلب مرگ است، و بنابراین مدت زمانی که طول می‌کشد تا این رویداد رخ دهد، زمان بقا Survival Time نامیده می‌شود.
 
آنچه باعث می شود، من در این نوشته از آنالیز بقا نام ببرم، به چند دلیل است.

1- مشابهت‌سازی بین چارت‌های مالی با Survival Analysis امکان پذیر است. در هر دو عامل X، تایم است و در هر دو به دنبال محاسبه و به دست آوردن احتمال رخ‌دادن پیشامد مورد نظر خود هستیم.
 
2- تحلیل‌‌های Survival کاملاً ساختارمند، منظم و فرمول‌بندی شده هستند. نرم‌افزارهای خوبی مانند IBM SPSS و GraphPad Prism به دقت آن‌ها را انجام می‌دهند و دارای هلپ و راهنماهای گام به گام جهت یادگیری و آموزش هستند.
 
3- آنالیزهای آماری Survival اصولا برای مطالعات دارویی، سم‌شناسی و پزشکی به جهت حساسیت و دقت اندازه‌گیری و پیش‌بینی در این مطالعات، طراحی و استفاده می‌شوند. با این‌حال قالب و تمپلیت ریاضی آن‌ها به ما این امکان را می‌دهد که برای بازارهای مالی و سهام نیز به خوبی استفاده شوند.
 
علاقمند بودید ابتدا به یادگیری تئوری‌های Survival Analysis و سپس کار با داده‌ها با استفاده از نرم‌افزار (در گام اول GraphPad Prism و سپس SPSS) بپردازید.
 
امروز بعدازظهر که مانند همه‌ی زمان‌هایی که از دست ریاضیات و آمار (و این روزها از دست کاپلان مایر Kaplan-Meier) خسته می‌شوم و به داستان و رمان پناه می‌برم، رمانی می‌خواندم از نادر ابراهیمی که نوشته‌های او را به اندازه محمود دولت آبادی و جلال آل احمد دوست دارم. در جایی از کتاب که در سال ۱۳۵۲ نوشته شده است، قهرمان داستان چنین می‌گوید

ما بدون زنان خوب، فقط مردان کوچکیم.
#آمار_فازی

اجازه دهید از این‌جا شروع کنم که منطق کلاسیک هر چیزي را بر اساس یـک سیستم دوتایی نشان می‌دهد. (مثبت یا منفی، درست یا غلط، سفید یا سیاه، شکست یا پیروزی، بیمار یا سالم)

ولی منطق فازي درستی هر چیزي را با یک عدد که مقـدار آن بین صفر و یک است نشان می‌دهد. به تفاوت بین تعریف منطق کلاسیک و فازی دقت کنید. منطق کلاسیک همه چیز را صفر و یک می‌بیند یعنی یک عدد گسسته و منطق فازی هر چیزی را بین صفر و یک می‌بیند یعنی عددی پیوسته.

مثلاً اگر رنگ سیاه را با عدد صفر و رنگ سفید را با عدد 1 نشان دهیم، آنگاه رنـگ خاکسـتري عددي نزدیک به صفر خواهد بود.

در منطق کلاسیک یا ارسطویی، یـک دسـته‌بنـدي درست و نادرست از هر چیزی وجود دارد. همه‌ی گزاره‌ها درست یا نادرست‌اند. اما در منطق فازي، گـزاره‌هـا مقـداري درسـت و مقـداري نادرسـت‌اند.

جالب توجه است که بدانیم نظریه‌ی سیستم‌هاي فازي در سال ۱۹۶۵ توسط یک ایرانی به نام لطفی علی عسکرزاده اردبیلی زاده (۴ فوریه ۱۹۲۱ – ۶ سپتامبر ۲۰۱۷) معرفی شد. منطق فازي، بیان می‌کند کـه ابهام در ماهیت علم است. (این جمله بسیار دقیق است، یکبار دیگر آن را بخوانید)

نظریه سیستم‌های فازی معتقد است که باید به دنبال ساختن مدل‌هایی بود کـه ابهـام را بـه منزله‌ی بخشـی از سیسـتم پذیرفت.
برخلاف سایر مدل‌ها که معتقدند باید تقریب‌ها را دقیق‌تر کرد تا پیش‌بینی‌ها با دقت بیشتری انجام شود.

خب، این مقدمه تقریباً طولانی را گفتم که توجه شما را به شاخه‌ای از آمار با نام آمار فازی و به ویژه رگرسیون فازی جلب کنم. رگرسیون فازی تقریباً در نقطه مقابل رگرسیون کلاسیک قرار گرفته است.

اکثر مطالعات پیشرفته پیش‌بینی قیمت سهام، یا هر چیز دیگری که در طول زمان حرکت می‌کند و کم یا زیاد می‌شود، در روش‌های کلاسیکی، چون ARIMA و یا SARIMA قرار می‌گیرند. (خودم هم فکر نمی‌کردم به روش‌های سری زمانی که در اوایل دهه ۱۳۸۰ از بهترین روش‌های پیش‌بینی بود، امروز روش‌های کلاسیک و قدیمی بگوییم. پیشرفت علم تحلیل داده‌ها در این 20 سال خیره‌کننده بوده است)

مدتها است روش‌هایی، چون شبکه‌های عصبی نیز برای پیش‌بینی قیمت سهام تعریف شده و استفاده می‌شوند.
با این حال اگر می‌خواهید یک گام جلوتر باشید روش‌های رگرسیون فازی
 Fuzzy Regression Analysis
 
در پیش‌بینی قیمت را مطالعه کنید.
#تلگرام

چند روز پیش داده‌های یک مطالعه (انجام شده در استان‌های سمنان و گلستان) برایم ارسال شده بود، به نظرم جالب بود. بخش‌هایی از آن را برایتان می‌نویسم.

محقق در این مطالعه 577 نفر را بررسی کرده بود که در بازار سرمایه و بورس فعال هستند. مطالعه نیز در بازه زمانی ابتدای پاییز تا ابتدای زمستان امسال انجام شده بود.

جهت بررسی نتایج از یک مدل رگرسیون لجستیک باینری
Binary Logistic Regression (BLR)

استفاده شد. جالب توجه بود که Odds Ratio مطالعه بیشتر از یک و برابر با OR = 1.47 به دست آمد.

یعنی احتمال به دست آوردن سود برای فردی که اپلیکیشن تلگرام ندارد 1.47 برابر بیشتر از فردی است که تلگرام دارد.

یک موضوع اساسی در هر مطالعه مقایسه‌ای (مانند این مطالعه) این است که کمیت‌های اصطلاحاً مخدوش کننده، Adjust شوند. یعنی مثلاً سن، جنسیت، درآمد، تحصیلات، شغل میزان فعالیت در بازار سرمایه، و .... در هر گروه با هم همانند باشد که البته در این مطالعه رعایت شده بود.

مطالعه گروه سومی هم داشت، افرادی که تلگرام دارند اما در هیچ گروه یا کانال بورسی عضو نیستند.

در اینجا از مدل رگرسیون لجستیک چندجمله‌ای
Multinomial Logistic Regression

استفاده شد. Odds Ratio این گروه، تقریباً همانند گروه بدون تلگرام (OR = 0.95) و بیشتر از گروه افرادی بود که در کانال‌ها و گروه‌های بورسی تلگرام عضو هستند (OR = 1.39).

به معنای این که احتمال سود در افراد دارای تلگرام (بدون عضویت در کانال و گروه) کمی کمتر و تقریباً مشابه با افراد بدون اپلیکیشن تلگرام و 1.39 برابر بیشتر از افراد دارای تلگرام (عضویت در کانال‌ها و گروه‌های بورسی)، به دست آمده است.

در تصویر زیر هیستوگرام همراه با منحنی نرمال Normal Curve هر گروه را که با نرم‌افزار تحلیل آماری Minitab به دست آمده، مشاهده می‌کنید.

https://astat.ir/wp-content/uploads/2023/01/Histogram-of-Telegram-GraphPad.ir_.png
معمولاً عادت کرده‌ایم و در اغلب کتاب‌های درسی آماری نیز چنین نوشته شده است، هنگامی که می‌خواهیم به مقایسه بین دو چیز (هر چیزی که قابل اندازه‌گیری است) بپردازیم، از آزمون‌‌های پارامتری T Test و یا معادل ناپارامتری آن‌ها مانند من-ویتنی یا ویلکاکسون استفاده کنیم.
 
اگر هم تعداد چیزهایی که می‌خواهیم با هم مقایسه کنیم بیشتر از دو تا است (مثلاً سه تا و بیشتر) از آزمون‌های آنالیز واریانس و یا کوواریانس یعنی انواع General Linear Model (GLM) ها استفاده کنیم.
 
این یک مطلب پذیرفته شده در همه جای دنیا است که خب همان‌گونه که گفتم در کتاب‌های درسی نیز چنین نوشته شده و سالیان سال بیان و تدریس می‌شود.
 
مدتی پیش من اثبات کرده بودم که حتی اگر می‌خواهیم دو چیز را با هم مقایسه کنیم، استفاده از آزمون‌های GLM نتایج یکسانی با استفاده از T Test می‌دهد. بنابراین با توجه به اینکه GLM ها دقیق‌تر و نتایج بیشتری نسبت به T Test می‌دهند، خوب است کاملاً T Test ها از بین رفته و جایگزین آن‌ها GLM ها شوند.
 
البته که اثبات من با مثال نبود (با مثال که نمی‌توان هیچ فرضیه یا قانونی را ثابت کرد) بلکه بر مبنای روابط ریاضی و فرمول‌های آماره‌های آن به دست آمده بود.
 
حدود پنج روز قبل تاپیکی در ریسرچ گیت با همین موضوع مطرح شده بود. لینک آن را در زیر ببینید.
 
https://www.researchgate.net/post/When_using_SPSS_is_there_a_difference_between_the_GLM-univariate_t_test_analysis_and_the_compare_means-independent_sample_t_test
 
طراح تاپیک و سوال کننده Jeanine Blumenau از دانشگاه Witwatersrand، است.

پاسخ دهندگان و ریکامند کنندگان Bruce Weaver  (یک استاد تمام آمار در دنیا با بیش از 8200 سایتیشن و مقاله استناد شده به او) از دانشگاه Lakehead کانادا،

دیگری Christian Geiser از آمریکا (سایت او را در اینجا ببینید، او از بهترین آماری‌های آمریکا و از متخصصان نرم‌افزار آماری Mplus در دنیا است)

همچنین David Eugene Booth از دانشگاه Kent State University آمریکا با بیش از 2600 مقاله استناد شده به او)

پاسخ دهنده دیگر در این تاپیک، Jos Feys از دانشگاه KU Leuven بلژیک با سایتیشن بیش از 440 مقاله استناد شده به او است.
 
در بین پاسخ دهندگان که در بالا نام بردم یک ایرانی (من) هم قرار دارد.
 
بهترین پاسخ و به قول ریسرچ گیت Best Answer این تاپیک در بین همه این عنوان‌دارهای جهانی که به شما گفتم، همان فرد ایرانی قرار گرفته است. پاسخ و اثبات او چه بوده را در ابتدای این پست نوشتم.
 
خب، حال این پست را نوشتم که چه بگویم؟ تعریف و تمجید آن فرد ایرانی را بگویم؟ البته که این‌گونه هم بوده هست.

منتهی اصل حرف من این نیست، بلکه می‌خواهم بگویم امروزه حتی قوانین و تئوری‌هایی که سال‌های سال در علوم پایه‌‌ای مانند آمار و ریاضی در کتاب‌ها و در همه‌ی دنیا تدریس می‌شوند و به کار می‌روند، دانه دانه در حال بازنگری، اصلاح و بهبود هستند.

بنابراین حتماً قوانین اجتماعی، رفتاری، اقتصادی و بسیاری چیزهای دیگر که به انسان و جامعه به روز شده، مربوط است، در اولویت بیشتر و بالاتری برای اصلاح، بازنگری و بهبود قرار دارند.