Quantitativen Handelssignalen

Einführung von quantmod: Es ist möglich, mit einer quantmod-Funktion Daten aus einer Vielzahl von Quellen zu laden, einschließlich. Yahoo Finanzen (OHLC Daten) Federal Reserve Bank von St. Louis FRED174 (11.000 Wirtschaftsserien) Google Finanzen (OHLC Daten) Oanda, Die Währung Site (FX und Metalle) MySQL Datenbanken (Ihre lokalen Daten) R Binärformate (.RData und. Rda) Komma Getrennte Wertdateien (.csv) Mehr zu kommen einschließlich (RODBC, ökonomisch, Rbloomberg.) Wie Sie fragenDie gt getSymbols (YHOO, srcgoogle) von Google Finanzen 1 YHOO gt getSymbols (GOOG, srcyahoo) von yahoo finance 1 GOOG Gt getSymbols (DEXJPUS, srcFRED) FX-Raten von FRED 1 DEXJPUS gt getSymbols (XPTUSD, srcOanda) Platinum von Oanda 1 XPTUSD Jeder Anruf führt dazu, dass die Daten direkt in Ihren Arbeitsbereich geladen werden, wobei der Name des Objekts vom Anruf zurückgegeben wird. Art von handlich, aber es wird besser. Gt Geben Sie Lookup-Parameter an und speichern Sie für zukünftige Sitzungen. Gt gt setSymbolLookup (YHOOgoogle, GOOGyahoo) gt setSymbolLookup (DEXJPUSFRED) gt setSymbolLookup (XPTUSDlist (nameXPTUSD, srcoanda)) gt saveSymbolLookup (filemysymbols. rda) gt neue Sessions call loadSymbolLookup (filemysymbols. rda) gt gt getSymbols (c (YHOO, GOOG, DEXJPUS, XPTUSD)) 1 YHOO GOOG DEXJPUS XPTUSD Jetzt ist es einfach, Daten aus verschiedenen Quellen in Ihren Arbeitsbereich (oder jede andere Umgebung) zu laden, ohne explizit eine Zuweisung zu erfordern, oder ständig erinnernde Verbindungsparameter. Denken Sie daran, wie ein Ladebefehl, der Daten von fast überall abrufen kann. Probieren Sie es selbst aus. Sie können sich mit uns in Verbindung setzen. Geben Sie die neue Funktion chartSeries ein. Gegenwärtig ist dies ein schönes Werkzeug, um die finanziellen Zeitreihen so zu visualisieren, dass viele Praktiker mit - line Charts vertraut sind, sowie OHLC Bar und Kerzen Charts. Es gibt Bequemlichkeitsverpackungen zu diesen verschiedenen Stilen (lineChart, barChart und candleChart), obwohl chartSeries ganz ein bisschen, um automatisch Daten in der am besten geeigneten Weise zu behandeln. Ein kurzer Blick auf, wie man einige Charts, einschließlich einige Features und einen Blick auf was kommt in zukünftigen Releases zu erstellen. Gt Geben Sie Lookup-Parameter an und speichern Sie für zukünftige Sitzungen. Gt gt getSymbols (AAPL, srcyahoo) 1 AAPL gt barChart (AAPL) gt Fügen Sie mehrfarbig hinzu und ändern Sie den Hintergrund zu white gt candleChart (AAPL, multi. colTRUE, themeweite) Nicht-OHLC und Volume-Serie werden automatisch behandelt gt getSymbols (XPTUSD, Srcoanda) 1 XPTUSD gt chartSeries (XPTUSD, namePlatinum (.oz) in USD) Platinum, jetzt wöchentlich mit benutzerdefinierten Farbkerzen mit der Quantmod-Funktion to. weekly gt chartSeries (to. weekly (XPTUSD), up. colwhite, dn. colblue) Technische Analyse-Planungs-Tools Ab Version 0.3-0 kann man nun technische Analysestudien von Paket TTR zum obigen Diagramm hinzufügen. Eine ausführliche Beispielseite wird in Kürze folgen, aber hier ist ein bisschen von der Güte: Sehr schöne technische Funktionalität aus der Bibliothek von Josh Ulrich - auf CRAN gt require (TTR) gt getSymbols (AAPL) 1 AAPL gt chartSeries (AAPL) gt addMACD ( ) Gt addBBands () Mit den Daten zur Erzeugung von Signalen Building Modelle werden meistens für eine spätere Beispielserie verlassen, aber für diejenigen, die weiterhin einen Freitag Nachmittag bei der Arbeit verschwenden wollen (wenn die meisten meiner Besucher zu erscheinen scheinen), werde ich fortfahren. Modellierung in R ist, was R ist über. Die Daten fließen in diese Diskussion am stärksten ein, weil viele Finanzdaten nicht in einzelnen Datenobjekten enthalten sind. Viel, wenn nicht alles, muss von Ihnen gesammelt und aggregiert werden, der modeller. Hier kommt die Vorgabe von Datenquellen und Verbindungsparametern so praktisch an. SetSymbolLookup ermöglicht dem Modellierer die Möglichkeit, quantmod zu Quelldaten anzuweisen - mit einem bestimmten Symbol - in besonderer Weise. Beim Bau von Modellen in R. Oft wird eine Formel an die passende Funktion übergeben, zusammen mit dem entsprechenden Datenobjekt zu suchen. Um viele verschiedene Quellen zu behandeln, ist es notwendig, entweder ein Datenobjekt mit allen vordefinierten Spalten zu erstellen, ODER die in der Benutzerumgebung sichtbaren Objekte zu verwenden. Beide haben offensichtliche Nachteile - nicht die wenigsten davon ist eine Abhängigkeit vom Modellierer, die manuell geladen und ausgerichtet hat. Im besten Fall ist das zeitaufwendig und sicher nicht sehr aufklärend. Im schlimmsten Fall kann es gefährlich sein, da die Datenverarbeitung von Natur aus fehleranfällig ist. Datenfehler in der Forschung können kostspielig sein, Datenfehler im Handel können schnell zu einer neuen Karriere führen. Das heißt, ich werde die Begriffe der LIZENZ unter Angabe der COMPLETE LACK OF GARANTIE in Bezug auf diese Software und alle R für diese Angelegenheit wiederholen. User beware Um dieses relativ eindeutige Datenproblem zu erleichtern, erstellt quantmod dynamisch Datenobjekte für den Einsatz innerhalb des Modellierungsprozesses und erstellt so einen Modellrahmen intern, nachdem er eine Reihe von Schritten durchgeführt hat, um die benötigten Datenquellen zu identifizieren. SpecModel ist die Workhorse-Funktion, um alle Datenprobleme zu behandeln, und seine Hilfedatei sollte gelesen werden, um vollständig zu verstehen, was intern passiert. Für unsere Zwecke hier ist es genug zu wissen, dass man irgendwelche Daten innerhalb des Aufrufs spezifizieren kann, umModel zu spezifizieren, und quantmod behandelt die Such - und Datenaggregation für Sie. Natürlich müssen die Daten lokalisierbar und einzigartig sein, aber das war wohl vermutet. Lass uns ein Beispiel von specModel anschauen. Gt Erstellen Sie ein Quantmodobjekt für die Verwendung in gt in der späteren Modellanpassung. Beachten Sie, dass es keine Notwendigkeit gibt, die Daten vor der Hand zu laden. Gt gt setSymbolLookup (SPYyahoo, VXNlist (nameVIX, srcyahoo)) gt gt mm lt - spezifizierenModel (Weiter (OpCl (SPY)) OpCl (SPY) Cl (VIX)) gt gt modelData (mm) mm ist nun ein Quantmodobjekt Modellformel und Datenstruktur, die die nächsten (nächsten) Perioden, die zum Schließen des SampP 500 ETF (OpCl (SPY) offen sind, impliziert wird, wird als fucntion der aktuellen Periode offen zum Schließen und dem aktuellen Ende des VIX (Cl (VIX) ). Der Aufruf von modelData extrahiert den relevanten Datensatz, wobei die Transformationen magisch angewendet werden. Du kannst die Daten nehmen und damit auch so machen. Eine direktere Funktion, um das gleiche Ende zu erreichen, ist buildData. Was ist weiter Wie wäre es mit einigen Beispielen von quantmods Datenverarbeitung Diese Software wird von Jeffrey A. Ryan geschrieben und gepflegt. Siehe Lizenz für Details zum Kopieren und Verwenden. Copyright 2008.Es gibt eine Reihe von Indikatoren und mathematischen Modellen, die von einigen Trading-Software (sogar MetaStock), wie MAMA, Hilbert Transform, Fisher Transform (als Ersatz von FFT), Homodyne Discriminator, Hilbert Sine Wave, Instant Trendline, weithin akzeptiert und verwendet werden Etc. von John Ehler erfunden. Aber das ist es. Ich habe noch nie von jemand anderem gehört, als John Ehler in diesem Bereich studiert hat. Denken Sie, dass es sich lohnt, digitale Signalverarbeitung zu lernen. Danach ist jede Transaktion ein Signal und Bar-Charts sind etwas gefiltert Form dieser Signale. Ist es sinnvoll gefragt Feb 15 11 um 20:46 Wavelets sind nur eine Form der Basis Zersetzung. Wavelets zersetzen sich insbesondere in Häufigkeit und Zeit und sind daher nützlicher als Fourier - oder andere reinfrequenzbasierte Zerlegungen. Es gibt noch andere Zeit-Freq-Zerlegungen (zB die HHT), die auch erforscht werden sollten. Die Zerlegung einer Preisreihe ist nützlich, um die Primärbewegung innerhalb einer Serie zu verstehen. Im allgemeinen mit einer Zerlegung ist das ursprüngliche Signal die Summe seiner Basiskomponenten (potentiell mit einem Skalierungsmultiplikator). Die Komponenten reichen von der niedrigsten Frequenz (eine gerade Linie durch die Probe) bis zur höchsten Frequenz, eine Kurve, die mit einer Frequenz maximiert, die sich N nähert. Wie dies nützlich ist, kann eine Reihe bestimmen, die die Hauptkomponente der Bewegung in der Serienbestimmung bestimmt Pivots Das Denoisieren wird durch Neuzusammensetzen der Serie durch Zusammenfassen der Komponenten aus der Zersetzung, abzüglich der letzten höchsten Frequenzkomponenten, erreicht. Diese gemittelte (oder gefilterte) Serie, wenn sie gut gewählt wird, gibt oft einen Blick auf den Kernpreisprozess. Angenommen, die Fortsetzung in der gleichen Richtung, kann verwendet werden, um für eine kurze Zeit vorwärts zu extrudieren. Wie die Zeitreihen in Echtzeit ticken, kann man sich anschauen, wie sich der geänderte (oder Filter-) Preisprozess ändert, um festzustellen, ob eine Preisbewegung in einer anderen Richtung signifikant ist oder nur Lärm ist. Einer der Schlüssel ist jedoch festzustellen, wie viele Ebenen der Zersetzung in einer gegebenen Situation neu zu komponieren. Zu wenig Ebenen (niedrige Freq) bedeutet, dass die neu zusammengesetzte Preisreihe sehr langsam auf Ereignisse reagiert. Zu viele Levels (High Freq) bedeutet für schnelle Reaktion, aber. Vielleicht zu viel Lärm in einigen Preisregimen. Angesichts der Tatsache, dass sich der Markt zwischen den Seitenbewegungen und den Impulsbewegungen verschiebt, muss sich ein Filterprozess an das Regime anpassen, wobei er mehr oder weniger empfindlich auf Bewegungen bei der Projektion einer Kurve ist. Es gibt viele Möglichkeiten, dies zu bewerten, so dass die Macht der gefilterten Serie gegen die Macht der Rohpreis-Serie, die auf eine bestimmte abhängig von Regime. Angenommen, man hat erfolgreich Wavelet oder andere Zerlegungen verwendet, um ein glattes, entsprechend reaktives Signal zu liefern, kann die Ableitung nehmen und verwenden, um Minima und Maxima zu erkennen, wenn die Preisreihe fortschreitet. Man braucht eine Basis, die ein gutes Verhalten am Endpunkt hat, so dass die Steigung der Kurve am Endpunkt in einer geeigneten Richtung projiziert. Die Basis muss konsistente Ergebnisse am Endpunkt liefern, da die Zeitreihen ticks und nicht positional voreingenommen sind. Leider bin mir keine Wavelet-Basis bewusst, die die oben genannten Probleme vermeidet. Es gibt einige andere Basen, die gewählt werden können, die besser machen. Fazit Wenn Sie Wavelets verfolgen und Handelsregeln um sie herum aufbauen möchten, erwarten Sie viel Forschung. Sie können auch feststellen, dass, obwohl das Konzept gut ist, müssen Sie andere Zerlegungsbasen erkunden, um das gewünschte Verhalten zu bekommen. Ich verwende keine Zerlegungen für Handelsentscheidungen, aber ich habe sie bei der Bestimmung des Marktregimes und anderer rückständiger Maßnahmen als nützlich erachtet. Sie müssen untersuchen, wie man Interpolationsmethoden im Vergleich zu Extrapolationsmethoden unterscheidet. Es ist einfach, ein Modell zu bauen, das die Vergangenheit wiederholt (fast jedes Interpolationsschema wird der Trick machen). Das Problem ist, dass das Modell in der Regel wertlos ist, wenn es darum geht, in die Zukunft zu extrapolieren. Wenn du das Wort Zyklen hörst, sollte eine rote Fahne hinaufsteigen. Graben Sie in die Anwendung von Fourier Integral, Fourier Series, Fourier Transform, etc, und youll finden, dass mit genügend Frequenzen können Sie jede Zeitreihe gut genug, dass die meisten Einzelhändler können überzeugt werden, dass es funktioniert. Das Problem ist, es hat keine prädiktive Kraft überhaupt. Der Grund Fourier-Methoden sind nützlich in EngineeringDSP ist, weil dieses Signal (Spannung, Strom, Temperatur, was auch immer) in der Regel wiederholt sich in der Schaltungsmaschine, wo es erzeugt wurde. Als Ergebnis wird die Interpolation dann mit der Extrapolation verknüpft. Im Falle youre mit R, Heres einige hacky Code zu versuchen: Zyklus Analyse und Signalverarbeitung könnte für saisonale Muster nützlich sein, aber ohne zu wissen, mehr über die Leistung eines solchen Ansatzes zum Handel würde ich nicht einen Grad in Signalverarbeitung für nur Handel zu betrachten. Wären Sie glücklich anzuwenden, was Sie auf Standard-Engineering-Typ Problem lernen, weil das sein kann, was youll stecken tun, wenn es nicht gut genug mit dem Handel funktioniert. Beantwortet Feb 15 11 um 22:10 DSP und Time Series Analyse sind die gleiche Sache. DSP nutzt Enging Lingo und Zeitreihenanalyse verwendet mathematische lingo aber die Modelle sind ziemlich simular. Ehlers Cyber ​​Cycle Indikator ist ein ARMA (3,2). Ehlers hat einige einzigartige Ideen: Was ist die Bedeutung der Phase einer zufälligen Variablen beantwortet Feb 26 11 um 5:04 Vergessen Sie alle diese so genannten technischen Indikatoren. Sie sind Mist, vor allem, wenn Sie nicht wissen, wie man sie benutzt. Mein Rat: Kaufen Sie ein gutes Wavelet Buch und erstellen Sie Ihre eigene Strategie. Antwortete Feb 16 11 at 2:52 Hallo fRed, welches Wavelet Buch hast du benutzt Kannst du einen Titel ndash empfehlen MisterH Mar 28 11 um 11:26 Eine Einführung in Wavelets und andere Filtermethoden in Finanzen und Wirtschaft von Ramazan Gencay, Faruk Selcuk Brandon Whitcher ndash RockScience Mar 29 11 at 2:15 Ive fand John Ehlers Fisher Transform ganz nützlich als Indikator im Handel Futures vor allem auf Heikin-Ashi Tick Charts. Ich verlasse mich darauf für meine Strategie, aber ich denke nicht, dass es zuverlässig genug ist, um ein ganzes automatisiertes System auf eigene Faust zu gründen, weil es sich während der abgehackten Tage nicht bewährt hat, aber es kann bei Trendtagen wie heute sehr nützlich sein. (Id ist glücklich, ein Diagramm zu veröffentlichen, um zu veranschaulichen, aber ich habe nicht den Ruf benötigt) beantwortet 22. März um 20: 47Apple: Eine Analyse der quantitativen Handelsmuster Eine quantitative Analyse der Äpfel Handelsmuster seit 1999. Apple hat eine historisch schwache 2016 gehabt Weiter nach oben erwartet Apple hat eine Wahrscheinlichkeit von 58,15 von Outperforming Nasdaq über die nächsten 20 Tage. Ein sechsmonatiges Zeitfenster gibt eine Chance von 69.28 Outperformance, während ein einjähriger Zeitrahmen 65.47 ist. Im Falle einer Korrektur, sollte Apple bei rund 106,3 USD gekauft werden, erwartet eine 6 Rückkehr innerhalb von etwa 15 Tagen. Apple-Long-Investitionen sind am besten getan, um das Ende eines Börsentages und nach einem dreitägigen Verlust Streifen, um die Rendite zu maximieren. Weitere Analysen und Schlussfolgerungen finden Sie weiter unten. In diesem Artikel werden die Leser mit einer quantitativen Datenanalyse versehen, die im Detail die täglichen Handelsmuster und die Ko-Impuls von Apple (NASDAQ: AAPL) und Nasdaq (NASDAQ: QQQ) analysiert. Als Ergebnis können die Leser die aus dem Dataset abgeleiteten Informationen verwenden, um Schlüsselmuster im Verhalten der Sicherheit zu identifizieren. Die wichtigsten Informationen in diesem Artikel ist es, serielle Rückkehr Wahrscheinlichkeiten, Intraday-Strukturen zu identifizieren, wie lange und tiefe Korrekturen in Apple-Aktie sind und wann zu lange gehen, sowie eine Co-Impuls-Analyse, in dem wir lernen, wie wahrscheinlich Apple ist Übertreffen für jeden gegebenen Zeitrahmen, wie gut Apple Nasdaq nach oben und unten und wenn man Apple als Portfolio-Erweiterung einsetzt. Die zur Verfügung gestellten quantitativen Informationen sind somit sowohl für Tages - als auch für Schwenkpositionen sowie für Anleger gedacht, die nach statistisch unterstützten Ein - und Ausstiegsmustern suchen. Der Artikel beginnt mit einer einfachen Einführung der historischen Beziehung zwischen Nasdaq und Apple und zielt darauf ab, schnell in die Bereitstellung von präzisen Informationen über die folgenden: Return-Analyse: Wahrscheinlichkeiten für positive und negative Renditen nach dem Erscheinen von seriellen Mustern, sowie Intraday-Statistiken, Einschließlich auf Äpfel durchschnittlich und median täglich hoch versus täglich nah, täglich niedrig vs täglich nah, täglich hoch vs täglich nah. Insgesamt tägliche Rückkehrmuster und ihre Wahrscheinlichkeiten runden die Rückholanalyse ab. Risikoanalyse: Risikomaßnahmen und beide Wertpapiere Risiko Sensitivitäten, sowie durchschnittliche Drawdown, durchschnittliche Länge, durchschnittliche Erholung und Erholung Verhältnisse von Apple. Co-Momentum: Up - und Down-Captures und Wahrscheinlichkeiten von Apple übertreffen Nasdaq über verschiedene Zeitrahmen bis zu einem Jahr. Der Datensatz beginnt am 23. Juni 1999 und besteht aus Renditen bis zum 30. September 2016. Er enthält also zwei große Drawdown-Perioden, nämlich die Dot-Com-Blase und die 2007-Krise. Die Daten enthalten auch die angepassten offenen, hohen, niedrigen und schließenden Preise von Apple Inc. sowie die gleichen Datensätze für die generische Nasdaq-100 e-mini Zukunft. Der Datensatz umfasst darüber hinaus nur Handelstage, an denen beide Wertpapiere gehandelt wurden, um einen gültigen Rückrechnungsvergleich zu ermöglichen. Von 4.401 Handelstagen wurden nun 58 entfernt. Für den Zeitraum von 1999 bis 2016 hat Apple eine jährliche Rendite von genau 28,50 bei einer Standardabweichung von 43,46 veröffentlicht. Im Vergleich zu Nasdaqs enorme niedrigere annualisierte Rendite von 4,96 bei einer Standardabweichung von 29.01 seit 1999. Apple übertrifft damit die Nasdaq auf einer Risiko-Rendite-Basis mit einem Sharpe-Verhältnis von 0,656 im Gegensatz zu Nasdaqs 0.171. YTD hat Apple eine annualisierte Rückkehr von 12,38 mit einer viel niedrigeren Standardabweichung von 25,43, also ein Sharpe-Verhältnis von 0,487. So hat Apple auf einer Risiko-Rendite-Basis viel nachzuholen, sowohl im Gegenzug als auch in der Volatilität. Nasdaq hingegen hat in diesem Jahr seine eigenen historischen Maßnahmen mit einer annualisierten Rendite von 7,94 und einer niedrigen Standardabweichung von 17,3 übertroffen, was eine Sharpe-Ratio von 0,46, viel besser als seine historische 0,17 ergibt. Ab 9302016 ist Apple auch seit dem schlimmsten fünfjährigen historischen Risiko-Rendite-Kompromiss seit 1999, nachdem es im Jahr 2011 am besten gegangen war. Die Fünfjahresperiode, die im September 2006 endete, hat seine höchste Rendite gesehen, wenn auch auch in der höchsten historischen Standardabweichung. Die Nasdaq, wie auch in meinem vorherigen Artikel skizziert, ist per Definition Handel mit einer viel niedrigeren Standardabweichung und hat auch weniger intensive Sprünge in seinem fünf-y-Ohr Risiko-Rückkehr-Kompromiss seit 1999 gesehen, wie unten gesehen werden kann: Für jede gegebene Handelstag hat Apple eine 51.76 Wahrscheinlichkeit, den Tag positiv zu beenden, während Nasdaq eine 53.32 Wahrscheinlichkeit hat, natürlich höher für die Diversifikationsdynamik. Es gibt keine Single-Aktie in der Nasdaq, die eine höhere Hochfrequenz als der Index selbst hat. Apple (Nasdaq) gibt einen Mittelwert von 0,14 (0,04) pro Tag und einen Median von 0,09 (0,09) zurück. 25 der Äpfel-Renditen sind niedriger als -1,15 (-0,71), während 75 niedriger als 1,44 (0,81) ist, was die Tatsache hervorhebt, dass Apple eine sehr positiv-schiefe Rückverteilung und natürlich auch eine höhere Beta hat. YTD hat Apple einen Mittelwert von 0,06 pro Handelstag, viel niedriger als sein historischer Durchschnitt, während der Median ist immer noch gleich 0,09. YTD, 25 der Renditen sind niedriger als -0,69, während 75 niedriger als 0,85 sind. Dies ist inline mit der Gesamtthese, dass 2016 bisher eine relativ niedrige Rendite, niedrige Volatilität, außerhalb historischer Muster war. An jedem gegebenen Handelstag zieht sich Apple 1,7 aus seinem Intraday High, während der Median Retreat 1,19 ist. Auf der anderen Seite, Apfel erholt sich durchschnittlich 1,62 von seinem niedrigen mit einem Median von 1,14. Das sagt uns, dass Apple in der Regel zum unteren Ende des Intraday-Bereichs um eine Marge von 0,08 schließt. Die Intraday-Handelsspanne ist ein ganz außergewöhnlicher Durchschnitt 3,4 zwischen ihrem hohen und niedrigen und einem noch hohen Median von 2,9. Wo man statistisch gestützte Stop-Loss-Levels setzen wird, wird weiter unten diskutiert, wo wir auch grafisch die Return-Clustering von Apple sehen werden. Es wird offensichtlich, dass sowohl negative Tage (und Tage, an denen VaR und ETL getroffen werden) und positive Tage häufig in einer Reihe auftreten, weshalb Id gerne einige Stats um serielle Renditen hervorheben: Im Durchschnitt hat Apple 2.031 (lesen: 2 Punkt 031) positive Tage in Folge, die maximale Siegesserie war 12 Tage und das Minimum - natürlich - eins. Wenn wir einen einzigen positiven Tag sehen, gibt es eine 45.21 Wahrscheinlichkeit, dass dies von einem anderen positiven Tag gefolgt wird. Wenn wir zwei positive Tage in Folge sehen, gibt es eine 56.07 Wahrscheinlichkeit gibt es einen dritten positiven Tag. Nachdem wir drei positive Tage in Folge gesehen haben, gibt es eine 49,65 Wahrscheinlichkeit, dass wir einen vierten positiven Tag sehen. Das ist interessant, denn wir können lernen, dass zwei positive Tage eine gute Wahrscheinlichkeit des Sehens eines Drittels signalisieren, etwas, das für die Eröffnung von Longpositionen nach zwei positiven Tagen verwendet werden kann. Im Durchschnitt hat Apple 1.893 negative Tage in einer Reihe mit einem Maximum verliert Streifen jemals von acht aufeinander folgenden Tagen. Nach einem negativen Tag gibt es eine 51.52 Chance sehen wir einen zweiten negativen Tag und eine 52.43 Chance, ein Drittel dann zu sehen. Es gibt nur eine Chance von 41.06, einen vierten negativen Tag zu sehen, nachdem ich drei gesehen habe. Daraus können wir sehen, dass der Kauf von Apple nach drei negativen Tagen in Folge eine 58,94 Wahrscheinlichkeit hat, am nächsten Tag positiv zu sein. Mit einer Wahrscheinlichkeit von 95 wird ein bestimmter Handelstag nicht niedriger als -3,99 schließen, was bedeutet, dass ein statistisch unterstützter Trading-Stop-Loss-Level unter oder nach dieser Schwelle liegen sollte. Während dies die meiste Zeit funktioniert, besonders wenn wir einen frühen intraday niedrigen und offenen langen Positionen dort sehen, ist es auch wahr, dass es im Laufe eines Jahres gibt es tatsächlich ein paar Vorkommnisse, wenn diese 95 Wahrscheinlichkeit übertroffen wird, wie Sie können Siehe unten, wo ich die VaR-Linie auf der Grundlage eines einjährigen Zeitrahmens zeichnete: Unvermeidlich führt das uns zu der nächsten Risiko-Metrik, die erwarteten Schwanzverlust ist, was auf eine Wahrscheinlichkeit hinweist, wie große Verluste tatsächlich sein werden und nicht nur anzeigen Welches Niveau wird wahrscheinlich nicht übertroffen. Der eintägige 95 erwartete Schwanzverlust ist -5,97, ganz hoch. Also jeden gegebenen Handelstag, gibt es eine 5 Chance wir schließen 5.97 im Gegensatz zu gestern schließen. Nasdaq, unter den volatilsten US-Indizes, hat eine viel niedrigere ETL von -4,39. Unten sehen Sie, wie dies im vergangenen Jahr ausgesehen hat (beachten Sie die Rückkehr Clustering diskutiert oben): Im Folgenden möchte ich sowohl die VaR und ETL Sensibilität von Apple zeigen: Äpfel mittlerer Drawdown von einem früheren Hoch ist 5,96. Der durchschnittliche Drawdown in Apple dauert 31,7 Tage, mit 17,11 Tage verbracht, um den Boden einer Korrektur zu erreichen und 14,56 Tage, um von dort zu erholen. Dies bedeutet, dass Apple nur braucht 85 der Zeit, die es braucht, um den Boden zu erholen, was sehr günstig ist und zeigt die große Erholung Stärke Apple bietet. Schließlich deutet dies darauf hin, dass Long-Positionen auf der Ebene von 106,3 USD eingegeben werden. Wie oben gesehen, an Tagen, an denen die Nasdaq positiv handelt, kehrt Apple den Faktor 1,087 zurück, so dass ein 1-Anstieg in Nasdaq entspricht einem Anstieg von 1.087 in Apple, im Durchschnitt. Der Nachteil, interessanterweise, ist viel mehr abgedeckt, da Apple nur den Faktor von 0,916 auf der Kehrseite einfängt. So bietet Apple nicht nur bessere positive Renditen, sondern auch mehr nach unten Schutz als Nasdaq. In 73,96 von allen Fällen handelt es sich bei Apple um das Geschäft, wenn der Nasdaq tut, und in fast gleichem 73.32 der Fälle handelt es sich negativ, wenn Nasdaq negativ ist. Interessant zu sehen ist auch, dass Apple übertrifft die Nasdaq auf Nasdaqs positive Tage in 50,99 der Fälle, während übertreffen die Nasdaq an negativen Tagen in 49,82 der Fälle. Wahrscheinlichkeit der Outperformance Für einen eintägigen Zeitrahmen gibt es eine 50.4 Chance Apple gibt mehr als die Nasdaq zurück. Für einen dreitägigen Zeitrahmen steigt die Wahrscheinlichkeit auf 52,4, 54,05 für eine t radierende Woche, 57,09 für zwei Handelswochen und 58,15 für einen Handelsmonat. Für eine dreimonatige Handelsperiode verringert sich die Wahrscheinlichkeit jedoch auf 54,4, was auf die Volatilität und häufige Korrekturen hindeutet, die Apple gepostet hat, und dies verstärkt den Fall weiter, um diese Korrekturen zu nutzen. Für einen sechsmonatigen Zeitrahmen ist die Wahrscheinlichkeit 69.28, während ein volles Handelsjahr uns eine Chance von 65.47 gibt, dass eine Investition in Apple mehr als eine Investition in Nasdaq zurückgibt. Der Kauf von Apple für Swing Trades ist am besten für einen Zeitrahmen für bis zu einem Monat getan, da wir zunehmende Randwahrscheinlichkeiten der Outperformance sehen. Mittelfristige Anleger sollten für einen Zeitraum von bis zu sechs Monaten investieren, da wir eine sinkende Randwahrscheinlichkeit für sechs Monate bis zu einem Jahr sehen. Apple hat eine Wahrscheinlichkeit von 58,15 der Outperforming der Nasdaq über die nächsten 20 Tage, aber nur eine Wahrscheinlichkeit von 54,4 von Outperforming über die nächsten drei Monate. Ein sechsmonatiges Zeitfenster gibt eine Chance von 69,28 Outperformance, während ein einjähriger Zeitrahmen 65.47. Neue Positionen in Apple sollten rund um die mittlere Drawdown-Ebene von 5,96 geöffnet werden und sollten schnell verlobt werden, nachdem wir Zeuge unten-bildenden Muster, wie Apple erholt sich in nur 85 der Zeit, die es braucht, um den Boden zu erreichen. Ein Drawdown in Apple dauert in der Regel 31,7 Tage, während eine vollständige Erholung dauert 14,6 Tage. Beste Chancen für einen positiven Tag zu sehen sind nach drei verlieren Tage in einer Reihe, die Entsendung einer Wahrscheinlichkeit von 58,94. Jeder gegebene Tag, die Chance, positive Renditen zu sehen sind 51.76. Apple hat eine sub-durchschnittliche Rückkehr Geschichte YTD und eine quantitative Ansicht macht den Fall für höhere Preise bis zum Ende des Jahres gesehen werden. Apfel hat eine Tendenz, mehr in Richtung der niedrigen als zu seinem hohen zu schließen, dh lange Positionen sollten gegen Ende des Handelstages geöffnet werden. In jedem Fall und für langfristige Investoren hat Apple eine felsige quantitative Erfolgsbilanz für längerfristige aktive Renditen. Offenbarung: Ich bin lange AAPL. Ich schrieb diesen Artikel selbst, und es drückt meine eigenen Meinungen aus. Ich bekomme keine Entschädigung für sie (anders als aus Alpha suchen). Ich habe keine Geschäftsbeziehung mit irgendeinem Unternehmen, dessen Bestand in diesem Artikel erwähnt wird. Über diesen Artikel: