#متغیرهای_کلان_اقتصادی
داده های متغیرهای کلان اقتصادی ایران رو از کجا بگیریم؟
▫️اقتصاد ایران در دهه های اخیر شرایط نابسامان و فلاکت باری رو تجربه میکنه که برای عوام هم به راحتی قابل لمس بوده و درکش نیازی به دانش خاص اقتصادی نداره. توضیحِ اینکه این وضعیت نتیجه چیه و اگه قطار پس رفت با همین فرمون و سرعت پیش بره به کجا خواهد رسید، نمک به زخم پاشیدنه و مشکلی از من و شما حل نمیکنه. بنابراین به جای رویکرد انتقادی که مصداق بارز آب در هاون کوبیدنه (چون گوش شنوایی وجود نداره) و روح و روان مون رو فرسوده میکنه، بهتره رویکرد عبرت آموزی داشته باشیم و از این مدیریت شکست خورده اقتصادی درس هایی بگیریم تا حداقل در زندگی شخصی از سوراخ بی کفایتی مسؤلین کشور چند باره گزیده نشیم!
▫️داستان این شکست های مکرر و عبرت آموز، تو متغیرهای کلان اقتصادی پنهانه و اگه نگاهی بهش بندازیم و به زبان زندگی خودمون بازنویسی کنیم، شاید بتونیم نردبانی برای خروج از چاهی که تحریم و مهمتر از اون سوء مدیریت اقتصادی کشور برامون کنده، پیدا کنیم. خوشبختانه علم داده ابزارهایی برای استخراج و نگارش این داستان در اختیارمون قرار داده و اگه به این ابزارها مجهز هستیم، باید دنبال خمیر مایه کار که همون داده های کلان اقتصادی هست باشیم.
▫️داده های متغیرهای کلان اقتصادی همه کشورها توسط بانک مرکزی و مرکز آمارشون منتشر میشه. ایران هم از این قاعده مستثنی نیست و اگرچه این روزها روایت هایی از دستکاری آمارهای اقتصادی توسط دولت به گوش میرسه، ولی باز هم این منابع قابل اتکا ترین منابع داده برای متغیرهای اقتصاد کلان ایران هستند. چرا که آلترناتیو دیگه ای وجود نداره و منابع خارجی مثل بانک جهانی و ... هم داده های خودشون رو از این منابع گرفته و حتی گاها اعداد ریالی رو با نرخ های دلار ۴۲۰۰۰ ریال تبدیل میکنن که منجر به استنباط های نادرست از شرایط اقتصاد ایران میشه.
▫️برای دسترسی به داده های متغیرهای کلان اقتصادی میتونید از منابع زیر استفاده کنید:
۱) درگاه ملی آمار مرکز آمار ایران
۲) بانک اطلاعات سری های زمانی اقتصادی بانک مرکزی برخی از آمارهای به روزتر هم در تب "آمارها و داده ها" سایت خود بانک مرکزی هست.
۳) بانک داده های اقتصادی و مالی وزارت اقتصاد که در واقع آمارهای مهم بانک مرکزی و مرکز آمار رو یه جا جمع کرده.
@FinPy
داده های متغیرهای کلان اقتصادی ایران رو از کجا بگیریم؟
▫️اقتصاد ایران در دهه های اخیر شرایط نابسامان و فلاکت باری رو تجربه میکنه که برای عوام هم به راحتی قابل لمس بوده و درکش نیازی به دانش خاص اقتصادی نداره. توضیحِ اینکه این وضعیت نتیجه چیه و اگه قطار پس رفت با همین فرمون و سرعت پیش بره به کجا خواهد رسید، نمک به زخم پاشیدنه و مشکلی از من و شما حل نمیکنه. بنابراین به جای رویکرد انتقادی که مصداق بارز آب در هاون کوبیدنه (چون گوش شنوایی وجود نداره) و روح و روان مون رو فرسوده میکنه، بهتره رویکرد عبرت آموزی داشته باشیم و از این مدیریت شکست خورده اقتصادی درس هایی بگیریم تا حداقل در زندگی شخصی از سوراخ بی کفایتی مسؤلین کشور چند باره گزیده نشیم!
▫️داستان این شکست های مکرر و عبرت آموز، تو متغیرهای کلان اقتصادی پنهانه و اگه نگاهی بهش بندازیم و به زبان زندگی خودمون بازنویسی کنیم، شاید بتونیم نردبانی برای خروج از چاهی که تحریم و مهمتر از اون سوء مدیریت اقتصادی کشور برامون کنده، پیدا کنیم. خوشبختانه علم داده ابزارهایی برای استخراج و نگارش این داستان در اختیارمون قرار داده و اگه به این ابزارها مجهز هستیم، باید دنبال خمیر مایه کار که همون داده های کلان اقتصادی هست باشیم.
▫️داده های متغیرهای کلان اقتصادی همه کشورها توسط بانک مرکزی و مرکز آمارشون منتشر میشه. ایران هم از این قاعده مستثنی نیست و اگرچه این روزها روایت هایی از دستکاری آمارهای اقتصادی توسط دولت به گوش میرسه، ولی باز هم این منابع قابل اتکا ترین منابع داده برای متغیرهای اقتصاد کلان ایران هستند. چرا که آلترناتیو دیگه ای وجود نداره و منابع خارجی مثل بانک جهانی و ... هم داده های خودشون رو از این منابع گرفته و حتی گاها اعداد ریالی رو با نرخ های دلار ۴۲۰۰۰ ریال تبدیل میکنن که منجر به استنباط های نادرست از شرایط اقتصاد ایران میشه.
▫️برای دسترسی به داده های متغیرهای کلان اقتصادی میتونید از منابع زیر استفاده کنید:
۱) درگاه ملی آمار مرکز آمار ایران
۲) بانک اطلاعات سری های زمانی اقتصادی بانک مرکزی برخی از آمارهای به روزتر هم در تب "آمارها و داده ها" سایت خود بانک مرکزی هست.
۳) بانک داده های اقتصادی و مالی وزارت اقتصاد که در واقع آمارهای مهم بانک مرکزی و مرکز آمار رو یه جا جمع کرده.
@FinPy
👍10
#معرفی_کتاب
▫️در علم داده ماهیت مسایل پیش رو همیشه از جنس پیش بینی نبوده و گاها نیاز هست تا روابط علت و معلولی کشف و بررسی بشه. این نوع از مدلسازی بسیار قابل اتکاتر و قابل تفسیرتر بوده و نتایج اون میتونه حتی در مدل های پیش بینی مورد استفاده قرار بگیره. اگه نمیدونید فرق مدلهای پیش بینی و مدلهایی که به دنبال کشف علیت هستند چیه این ویدیو کوتاه رو ببینید:
Enabling end-to-end Causal Inference at Scale
▫️ اگر مساله پیش روی شما نیاز به چنین مدلسازی ای داره مطالعه کتابهای زیر که هم به مفاهیم مربوطه پرداخته و هم نحوه استفاده از پکیج های پایتون مربوطه (DoWhy و EconML) رو تا حدی زیادی پوشش دادن، پیشنهاد میشه:
- Causal Inference and Discovery in Python
- Causal Inference in Python: Applying Causal Inference in the Tech Industry
@FinPy
▫️در علم داده ماهیت مسایل پیش رو همیشه از جنس پیش بینی نبوده و گاها نیاز هست تا روابط علت و معلولی کشف و بررسی بشه. این نوع از مدلسازی بسیار قابل اتکاتر و قابل تفسیرتر بوده و نتایج اون میتونه حتی در مدل های پیش بینی مورد استفاده قرار بگیره. اگه نمیدونید فرق مدلهای پیش بینی و مدلهایی که به دنبال کشف علیت هستند چیه این ویدیو کوتاه رو ببینید:
Enabling end-to-end Causal Inference at Scale
▫️ اگر مساله پیش روی شما نیاز به چنین مدلسازی ای داره مطالعه کتابهای زیر که هم به مفاهیم مربوطه پرداخته و هم نحوه استفاده از پکیج های پایتون مربوطه (DoWhy و EconML) رو تا حدی زیادی پوشش دادن، پیشنهاد میشه:
- Causal Inference and Discovery in Python
- Causal Inference in Python: Applying Causal Inference in the Tech Industry
@FinPy
👍9
#finpy_tse
دسترسی به دیتای قراردادهای اختیار
▫️زیاد سوال پرسیده میشه که "چجوری میتونم دیتای قراردادهای اختیار رو بگیرم؟". جواب اینه که اگرچه فینپای برای قراردادهای اختیار طراحی نشده، اما اگه منظورتون از دیتا، سابقه قیمت و حقیقی-حقوقی هست، به همون روشی که دیتای سهم ها رو میگیرید!
▫️همون طور که شما در سایت TSE سهمی رو سرچ میکنید، فینپای هم به همون طریق، اول نماد درخواستی شما رو در سایت TSE جستجو و از نتایج حاصل، مواردی که با عبارت وارد شده برای stock مچ باشه رو جدا میکنه تا صفحه مربوط به نماد رو پیدا کنه. بعد، داده درخواستی (مثلا قیمت یا حقیقی-حقوقی) رو از صفحه یافت شده، استخراج و در اختیار شما قرار میده. بنابراین اهمیتی نداره که نماد وارد شده متعلق به سهم، قرارداد اختیار، اوراق درآمد ثابت یا ... باشه و تنها چیزی که مهمه اینه که نام نماد به درستی وارد و البته دیتا هم داشته باشه. حتی اهمیت نداره که اون قرارداد سررسید شده باشه یا نه.
▫️اگر به دیتایی خارج از این موارد، مثل لیست قراردادهای اختیار یا موقعیت های باز و ... نیاز دارید، فعلا روی فینپای حساب نکنید.
@FinPy
دسترسی به دیتای قراردادهای اختیار
▫️زیاد سوال پرسیده میشه که "چجوری میتونم دیتای قراردادهای اختیار رو بگیرم؟". جواب اینه که اگرچه فینپای برای قراردادهای اختیار طراحی نشده، اما اگه منظورتون از دیتا، سابقه قیمت و حقیقی-حقوقی هست، به همون روشی که دیتای سهم ها رو میگیرید!
▫️همون طور که شما در سایت TSE سهمی رو سرچ میکنید، فینپای هم به همون طریق، اول نماد درخواستی شما رو در سایت TSE جستجو و از نتایج حاصل، مواردی که با عبارت وارد شده برای stock مچ باشه رو جدا میکنه تا صفحه مربوط به نماد رو پیدا کنه. بعد، داده درخواستی (مثلا قیمت یا حقیقی-حقوقی) رو از صفحه یافت شده، استخراج و در اختیار شما قرار میده. بنابراین اهمیتی نداره که نماد وارد شده متعلق به سهم، قرارداد اختیار، اوراق درآمد ثابت یا ... باشه و تنها چیزی که مهمه اینه که نام نماد به درستی وارد و البته دیتا هم داشته باشه. حتی اهمیت نداره که اون قرارداد سررسید شده باشه یا نه.
▫️اگر به دیتایی خارج از این موارد، مثل لیست قراردادهای اختیار یا موقعیت های باز و ... نیاز دارید، فعلا روی فینپای حساب نکنید.
@FinPy
👍17
#معرفی_کتاب
▫️استفاده از دیتا ساینس برای حل مسایل مربوط به بازارهای مالی به سر راستی مسایل سایر حوزه ها نیست و پیچیدگی ها و ظرافت های خاص خودش رو داره. این کتاب که به طور خاص به برخی از کاربردهای دیتا ساینس در بازارهای مالی پرداخته یکی از جدیدترین ها تو این حوزه هست. هر چند متن سنگینی داره و خوندن و درک مطالب اش ممکنه ماه ها طول بکشه، اما میشه با توجه به نیاز و علاقه مندی، بخش های خاصی از این کتاب رو مطالعه و ازش یاد گرفت.
Machine Learning and Data Sciences for Financial Markets
@FinPy
▫️استفاده از دیتا ساینس برای حل مسایل مربوط به بازارهای مالی به سر راستی مسایل سایر حوزه ها نیست و پیچیدگی ها و ظرافت های خاص خودش رو داره. این کتاب که به طور خاص به برخی از کاربردهای دیتا ساینس در بازارهای مالی پرداخته یکی از جدیدترین ها تو این حوزه هست. هر چند متن سنگینی داره و خوندن و درک مطالب اش ممکنه ماه ها طول بکشه، اما میشه با توجه به نیاز و علاقه مندی، بخش های خاصی از این کتاب رو مطالعه و ازش یاد گرفت.
Machine Learning and Data Sciences for Financial Markets
@FinPy
👍9
#معرفی_ریپو
Forecasting Economic and Market Regimes
▫️بر خلاف تصور عمومی، ماشین لرنینگ تو فایننس فقط برای پیش بینی قیمت استفاده نمیشه و در واقع این کاربرد جایی هست که شواهد کمتری از موفقیت اش نسبت به حوزه های دیگه فایننس وجود داره! تو این ویدیو آقای دپرادا علاوه بر اینکه کاربردهای ماشین لرنینگ تو فایننس رو بر شمرده، دلایل این ادعا رو هم توضیح داده:
Ten Financial Applications of Machine Learning
▫️یکی از کاربردهای ماشین لرنینگ در فایننس پیش بینی رکودهای اقتصادیه که از زندگی افراد عادی جامعه تا بیزنس ها و بازارهای مالی رو تحت تاثیر قرار میده. برای درک اهمیت این موضوع، یه پروژه تو گیتهاب قرار دادیم تا علاقه مندان بتونن به عنوان یه کار پایلوت ازش استفاده کرده و پروسه کار رو از جمع آوری دیتا با پایتون تا تفسیر مدل انتخابی ببینند. اگرچه هسته پروژه بر پایه مقالات معتبر هست و نتایج ادعایی بازتولید شدن، اما آرمانشهر نیست و بیشتر با هدف آموزشی باهاتون به اشتراک گذاشته شده.
@FinPy
Forecasting Economic and Market Regimes
▫️بر خلاف تصور عمومی، ماشین لرنینگ تو فایننس فقط برای پیش بینی قیمت استفاده نمیشه و در واقع این کاربرد جایی هست که شواهد کمتری از موفقیت اش نسبت به حوزه های دیگه فایننس وجود داره! تو این ویدیو آقای دپرادا علاوه بر اینکه کاربردهای ماشین لرنینگ تو فایننس رو بر شمرده، دلایل این ادعا رو هم توضیح داده:
Ten Financial Applications of Machine Learning
▫️یکی از کاربردهای ماشین لرنینگ در فایننس پیش بینی رکودهای اقتصادیه که از زندگی افراد عادی جامعه تا بیزنس ها و بازارهای مالی رو تحت تاثیر قرار میده. برای درک اهمیت این موضوع، یه پروژه تو گیتهاب قرار دادیم تا علاقه مندان بتونن به عنوان یه کار پایلوت ازش استفاده کرده و پروسه کار رو از جمع آوری دیتا با پایتون تا تفسیر مدل انتخابی ببینند. اگرچه هسته پروژه بر پایه مقالات معتبر هست و نتایج ادعایی بازتولید شدن، اما آرمانشهر نیست و بیشتر با هدف آموزشی باهاتون به اشتراک گذاشته شده.
@FinPy
👍22
پاسخ به سوالاتی مهم و پرکاربرد در حوزه تحلیل سری های زمانی
▫️داده هایی که ما باهاش در فایننس سر و کار داریم غالبا ماهیت سری زمانی دارند. در مواجه با این سری های زمانی مالی گاها سوالاتی مثل آنچه در شکل هست برامون پیش میاد که نمیدونیم راهکار اصولی برای یافتن جوابش چیه. آقای Eamonn Keogh و رفقاش به این سوالات پاسخ دادن و کدهای متلب اش رو هم به اشتراک گذاشتن:
100 Time Series Data Mining Questions with Answers
▫️ اگر چه کدها تو متلب نوشته شدن، ولی میشه نمونه کدهای پایتون این تکنیک ها رو گاها حتی در قالب پکیج های آماده پایتون مثل STUMPY که اینجا معرفی شد رو هم پیدا کرد.
@FinPy
▫️داده هایی که ما باهاش در فایننس سر و کار داریم غالبا ماهیت سری زمانی دارند. در مواجه با این سری های زمانی مالی گاها سوالاتی مثل آنچه در شکل هست برامون پیش میاد که نمیدونیم راهکار اصولی برای یافتن جوابش چیه. آقای Eamonn Keogh و رفقاش به این سوالات پاسخ دادن و کدهای متلب اش رو هم به اشتراک گذاشتن:
100 Time Series Data Mining Questions with Answers
▫️ اگر چه کدها تو متلب نوشته شدن، ولی میشه نمونه کدهای پایتون این تکنیک ها رو گاها حتی در قالب پکیج های آماده پایتون مثل STUMPY که اینجا معرفی شد رو هم پیدا کرد.
@FinPy
👍7
چت جی پی تی (ChatGPT) کد نویس چندان خوبی نیست!
▫️توجه دوستانی که دارن کدهای خودشون رو با ChatGPT مینویسن یا اساتیدی که در کلاس آموزشی از ChatGPT میخوان براشون کد بنویسه و (انشالله ناخواسته) این عادت اشتباه رو بین دانشجویانشون جا میندازن، به این پست Valeriy Manokhin جلب میکنم!
#ChatGPT
@FinPy
▫️توجه دوستانی که دارن کدهای خودشون رو با ChatGPT مینویسن یا اساتیدی که در کلاس آموزشی از ChatGPT میخوان براشون کد بنویسه و (انشالله ناخواسته) این عادت اشتباه رو بین دانشجویانشون جا میندازن، به این پست Valeriy Manokhin جلب میکنم!
#ChatGPT
@FinPy
👍10👎7
#معرفی_پکیج_پایتون
انتظارات از تصمیمات آتی نرخ بهره - PyFedWatch
▫️فعالان بازارهای جهانی از اهمیت و تاثیرگذاری نرخ بهره آمریکا بر بازارها، اقتصادها، نرخ برابری ارزها نسبت به دلار و حتی شرایط آینده کسب و کارها به خوبی مطلع هستند. بنابراین وجود ابزاری که بتونه برآوردی از این تصمیمات به این دسته از فعالان بده، میتونه بسیار راهگشا باشه. PyFedWatch که یک پیاده سازی از ابزار FedWatch هست، میتونه با استفاده از قیمت زنجیره ای از قراردادهای آتی، چنین دیدی رو برای کاربرانش فراهم کنه.
▫️اگرچه متدولوژی پیاده سازی شده در این پکیج، با متدولوژی منتشر شده توسط CME (بورس کالای شیکاگو) متفاوته، ولی عینا همون مقادیری رو که خود FedWatch تولید میکنه رو در اختیارتون قرار میده، به شرطی که داده های قیمت قراردادهای آتی رو بهش بدید! اطلاعات بیشتر رو میتونید تو ریپو پیدا کنید.
پست تکمیلی: آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟
@FinPy
انتظارات از تصمیمات آتی نرخ بهره - PyFedWatch
▫️فعالان بازارهای جهانی از اهمیت و تاثیرگذاری نرخ بهره آمریکا بر بازارها، اقتصادها، نرخ برابری ارزها نسبت به دلار و حتی شرایط آینده کسب و کارها به خوبی مطلع هستند. بنابراین وجود ابزاری که بتونه برآوردی از این تصمیمات به این دسته از فعالان بده، میتونه بسیار راهگشا باشه. PyFedWatch که یک پیاده سازی از ابزار FedWatch هست، میتونه با استفاده از قیمت زنجیره ای از قراردادهای آتی، چنین دیدی رو برای کاربرانش فراهم کنه.
▫️اگرچه متدولوژی پیاده سازی شده در این پکیج، با متدولوژی منتشر شده توسط CME (بورس کالای شیکاگو) متفاوته، ولی عینا همون مقادیری رو که خود FedWatch تولید میکنه رو در اختیارتون قرار میده، به شرطی که داده های قیمت قراردادهای آتی رو بهش بدید! اطلاعات بیشتر رو میتونید تو ریپو پیدا کنید.
پست تکمیلی: آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟
@FinPy
👍13
#بکتست
قسمت اول - آیا نتایج بک تست قابل اتکاست؟!
▫️خیر، چون بیشتر بک تست ها صحت شون مخدوشه و حتی اگر صحیح هم باشن، تضمینی برای تکرار نتایج به ما نمیده. موارد متعددی وجود داره که صحت بک تست رو مخدوش میکنه اما ضربه اصلی اتکا به نتایج بک تست، زمانی به پیکر دارایی ما وارد میشه که با تغییر پارامترهای استراتژی در بازه بک تست، سعی در پیدا کردن بهینه ترین مقادیر داشته باشیم. اگر همین یک مورد رو ازش اجتناب کنیم، ضربه کمتری از ناحیه اتکا به بک تست خواهیم دید.
▫️بک تست فقط به درد تشخیص و کنار گذاشتن مدل های ناکارآمد میخوره، به این معنی که بعد از توسعه استراتژی میتونید عملکردش رو در گذشته بازار چک کرده در صورت نامطلوب بودن نتایج، کنار بزاریدش. هرگز از نتایج بک تست برای تغییر پارامترهای استراتژی در راستای بهبود عملکردش استفاده نکنید چون منجر به یک یافته غلط از رفتار بازار خواهد شد.
@FinPy
قسمت اول - آیا نتایج بک تست قابل اتکاست؟!
▫️خیر، چون بیشتر بک تست ها صحت شون مخدوشه و حتی اگر صحیح هم باشن، تضمینی برای تکرار نتایج به ما نمیده. موارد متعددی وجود داره که صحت بک تست رو مخدوش میکنه اما ضربه اصلی اتکا به نتایج بک تست، زمانی به پیکر دارایی ما وارد میشه که با تغییر پارامترهای استراتژی در بازه بک تست، سعی در پیدا کردن بهینه ترین مقادیر داشته باشیم. اگر همین یک مورد رو ازش اجتناب کنیم، ضربه کمتری از ناحیه اتکا به بک تست خواهیم دید.
▫️بک تست فقط به درد تشخیص و کنار گذاشتن مدل های ناکارآمد میخوره، به این معنی که بعد از توسعه استراتژی میتونید عملکردش رو در گذشته بازار چک کرده در صورت نامطلوب بودن نتایج، کنار بزاریدش. هرگز از نتایج بک تست برای تغییر پارامترهای استراتژی در راستای بهبود عملکردش استفاده نکنید چون منجر به یک یافته غلط از رفتار بازار خواهد شد.
@FinPy
👍23👎1
#گزارش
گزارش هوش مصنوعی کگل ۲۰۲۳
▫️از بخش های مختلف این گزارش که به بررسی ترندها و دیدگاه های بزرگان کگل در حوزه های مختلف ماشین لرنینگ پرداخته، بخش ۴ که در مورد داده های جدولی و سری های زمانیه، کاربردی ترین برای فایننسی هاست. اگرچه همه فایننس داده های جدولی نیست و اگر با داده های آلترناتیو کار میکنید، سایر بخش ها هم میتونه براتون مفید واقع بشه، اما زمان ویژه ای برای مطالعه نکات بخش ۴ و نوتبوک های مربوطه که لینک اش در گزارش گنجانده شده، بزارید. برای سهولت مراجعه به نوتبوکها، میتونید از لیست زیر هم استفاده کنید:
- Learnings From the Typical Tabular Modelling Pipeline
- AI Report - Time Series and Tabular Data
- Tabular Data in the Age of AI
▫️فایل گزارش رو میتونید از اینجا دانلود کنید. قبلا هم کتاب The Kaggle Book رو اینجا معرفی کردیم.
@FinPy
گزارش هوش مصنوعی کگل ۲۰۲۳
▫️از بخش های مختلف این گزارش که به بررسی ترندها و دیدگاه های بزرگان کگل در حوزه های مختلف ماشین لرنینگ پرداخته، بخش ۴ که در مورد داده های جدولی و سری های زمانیه، کاربردی ترین برای فایننسی هاست. اگرچه همه فایننس داده های جدولی نیست و اگر با داده های آلترناتیو کار میکنید، سایر بخش ها هم میتونه براتون مفید واقع بشه، اما زمان ویژه ای برای مطالعه نکات بخش ۴ و نوتبوک های مربوطه که لینک اش در گزارش گنجانده شده، بزارید. برای سهولت مراجعه به نوتبوکها، میتونید از لیست زیر هم استفاده کنید:
- Learnings From the Typical Tabular Modelling Pipeline
- AI Report - Time Series and Tabular Data
- Tabular Data in the Age of AI
▫️فایل گزارش رو میتونید از اینجا دانلود کنید. قبلا هم کتاب The Kaggle Book رو اینجا معرفی کردیم.
@FinPy
👍11
#بکتست
قسمت دوم - بایاس Survivorship در بک تست
▫️این بایاس به معنی استفاده از یونیورس فعلی سهم ها و در نظر نگرفتن سهم هایی که در گذر زمان به هر دلیلی از لیست سهم های قابل معامله حذف و در نتیجه سرمایه اختصاص یافته به اونها صفر یا بلا تکلیف شده (مثل آکنتور)، هست.
▫️در شکل یه نمونه از تاثیر چنین بایاسی در نتایج بک تست نشون داده شده. سهم هایی که در شاخص Russell 3000 بودن از کمی بیشتر از ۲۵۰۰ تا در اواخر سال ۱۹۸۶ به حدود ۵۰۰ تا در اواخر سال ۲۰۱۳ رسیده (شکل چپ) و اگر بک تست یه پرتفوی هم وزن با همه سهم های یونیورس بازماندگان (Survivor Universe) در سال ۲۰۱۳ انجام بشه، منحنی قرمز (شکل راست) به دست میاد در حالی که اگه بک تست روی همه سهم های فعال شاخص Russell 3000 در اواخر سال ۱۹۸۶ انجام میشد، منحنی آبی (شکل راست) که حدود ۳ برابر کمتر از یونیورس بازمانده ها بازدهی داده، به دست میومد. فاصله این نتایج در صورتی که از معیارهای خاصی برای انتخاب یونیورس استفاده کنید میتونه حتی خیلی بیشتر هم بشه!
@FinPy
قسمت دوم - بایاس Survivorship در بک تست
▫️این بایاس به معنی استفاده از یونیورس فعلی سهم ها و در نظر نگرفتن سهم هایی که در گذر زمان به هر دلیلی از لیست سهم های قابل معامله حذف و در نتیجه سرمایه اختصاص یافته به اونها صفر یا بلا تکلیف شده (مثل آکنتور)، هست.
▫️در شکل یه نمونه از تاثیر چنین بایاسی در نتایج بک تست نشون داده شده. سهم هایی که در شاخص Russell 3000 بودن از کمی بیشتر از ۲۵۰۰ تا در اواخر سال ۱۹۸۶ به حدود ۵۰۰ تا در اواخر سال ۲۰۱۳ رسیده (شکل چپ) و اگر بک تست یه پرتفوی هم وزن با همه سهم های یونیورس بازماندگان (Survivor Universe) در سال ۲۰۱۳ انجام بشه، منحنی قرمز (شکل راست) به دست میاد در حالی که اگه بک تست روی همه سهم های فعال شاخص Russell 3000 در اواخر سال ۱۹۸۶ انجام میشد، منحنی آبی (شکل راست) که حدود ۳ برابر کمتر از یونیورس بازمانده ها بازدهی داده، به دست میومد. فاصله این نتایج در صورتی که از معیارهای خاصی برای انتخاب یونیورس استفاده کنید میتونه حتی خیلی بیشتر هم بشه!
@FinPy
👍8
#کریپتو
چرا بازار رمزارزها از رونق افتاده؟
▫️داده های ماه جاری The Block، نشان دهنده افت بی سابقه حجم معاملات کریپتو به کمترین مقدار خود از اکتبر ۲۰۲۰ هست. عوامل موثر بر این رکود در بازار کریپتو که در حال تشدید شدن هم هستند، عبارتند از:
۱. خروج مارکت میکرهای (Market Maker) بزرگ و اختلال در تامین نقدینگی مورد نیاز بازار رمزارزها.
۲. فروپاشی بانک های Silvergate و Signature که چرخانندگان دو زیرساخت مهم SigNet و SEN، برای انتقال بلادرنگ و کم هزینه دارایی های دیجیتال بودن.
۳. فروپاشی شدو بانکهای بزرگ (Shadow Bank) کریپتو که تامین نقدینگی برای هج فاندها و بازارسازهای فعال در این بازار رو دشوار کرده.
۴. افزایش حداقل مارجین مورد نیاز و کاهش حداکثر اهرم قابل استفاده برای بازارسازها و هج فاندهای فعال بازار.
۵. تصویب قوانین سخت گیرانه نظارتی در آمریکا که صرافی های بزرگ رو هدف گرفته.
این عوامل که در مجموع پول رو از بازار کریپتو فراری داده، به راحتی قابل برطرف شدن یا خنثی شدن توسط عوامل دیگه نبوده و در نتیجه رونق گرفتن مجدد بازار کریپتو، حداقل با معلومات امروز امری دور از ذهن به نظر میرسه!
@FinPy
چرا بازار رمزارزها از رونق افتاده؟
▫️داده های ماه جاری The Block، نشان دهنده افت بی سابقه حجم معاملات کریپتو به کمترین مقدار خود از اکتبر ۲۰۲۰ هست. عوامل موثر بر این رکود در بازار کریپتو که در حال تشدید شدن هم هستند، عبارتند از:
۱. خروج مارکت میکرهای (Market Maker) بزرگ و اختلال در تامین نقدینگی مورد نیاز بازار رمزارزها.
۲. فروپاشی بانک های Silvergate و Signature که چرخانندگان دو زیرساخت مهم SigNet و SEN، برای انتقال بلادرنگ و کم هزینه دارایی های دیجیتال بودن.
۳. فروپاشی شدو بانکهای بزرگ (Shadow Bank) کریپتو که تامین نقدینگی برای هج فاندها و بازارسازهای فعال در این بازار رو دشوار کرده.
۴. افزایش حداقل مارجین مورد نیاز و کاهش حداکثر اهرم قابل استفاده برای بازارسازها و هج فاندهای فعال بازار.
۵. تصویب قوانین سخت گیرانه نظارتی در آمریکا که صرافی های بزرگ رو هدف گرفته.
این عوامل که در مجموع پول رو از بازار کریپتو فراری داده، به راحتی قابل برطرف شدن یا خنثی شدن توسط عوامل دیگه نبوده و در نتیجه رونق گرفتن مجدد بازار کریپتو، حداقل با معلومات امروز امری دور از ذهن به نظر میرسه!
@FinPy
👍14👎1