Trading Strategi Svm

MetaTrader 5 - Trading Machine Learning: Hvordan Støtte Vector Maskiner kan brukes i Trading Hva er en Support Vector Machine En støtteteknormaskin er en metode for maskinlæring som forsøker å ta inn data og klassifiseres i en av to kategorier. For at en støttevektormaskin skal være effektiv, er det nødvendig å først bruke et sett med treningsinngangs - og utdata for å bygge støttemodulmaskinmodellen som kan brukes til å klassifisere nye data. En støttevektormaskin utvikler denne modellen ved å ta treningsinngangene, kartlegge dem til flerdimensjonalt mellomrom, og deretter bruke regresjon for å finne en hyperplan (en hyperplan er en overflate i n-dimensjonalt rom som adskiller plassen til to halvrom) som skiller seg best de to klassene av innganger. Når støttevektormaskinen har blitt opplært, kan den vurdere nye innganger med hensyn til separerende hyperplanet og klassifisere det til en av de to kategoriene. En støttevektormaskin er i hovedsak en inngangsutgangsmaskin. En bruker er i stand til å legge inn en inngang, og basert på modellen utviklet gjennom trening, vil den returnere en utgang. Antall innganger for en hvilken som helst støttevektormaskin varierer teoretisk fra en til uendelig, men i praksis er datakraft begrenset hvor mange innganger som kan brukes. Hvis for eksempel N-innganger brukes for en bestemt støttevektormaskin (heltalverdien av N-kan-området fra en til uendelig), må støttevektormaskinen kartlegge hvert sett av innganger i det N-dimensjonale rommet og finne en (N-1 ) - dimensjonal hyperplane som best adskiller treningsdataene. Figur 1. Støttevektormaskiner er inputoutputemaskiner Den beste måten å konseptualisere hvordan en støttevektormaskin fungerer, er å vurdere den todimensjonale saken. Anta at vi vil opprette en støttetvektormaskin som har to innganger og returnerer en enkelt utgang som klassifiserer datapunktet som tilhørende en av to kategorier. Vi kan visualisere dette ved å plotte det på et 2-dimensjonalt diagram som for eksempel diagrammet nedenfor. Figur 2. Venstre: Støtte vektor maskininnganger kartlagt til et 2D-diagram. De røde sirkler og blå kryss er brukt til å betegne de to klassene av innganger. Figur 3. Høyre: Støtte vektor maskininnganger kartlagt til et 2D-diagram. De røde sirkler og blå kryss er brukt til å betegne de to klassene av innganger med en svart linje som indikerer separerende hyperplanet. I dette eksemplet angir de blå kryssene datapunkter som tilhører kategori 1 og de røde kretsene som representerer datapunkter som tilhører kategori 2. Hver enkelt av de individuelle datapunktene har unik inngang 1 verdi (representert ved deres posisjon på x-aksen ) og en unik inngang 2-verdi (representert ved sin posisjon på y-aksen) og alle disse punktene er kartlagt til det 2-dimensjonale rommet. En støttevektormaskin kan klassifisere data ved å lage en modell av disse punktene i 2-dimensjonalt rom. Støttevektormaskinen observerer dataene i 2-dimensjonalt rom, og bruker en regresjonsalgoritme for å finne en 1-dimensjonal hyperplan (aka-linje) som mest nøyaktig skiller dataene i sine to kategorier. Denne skillelinjen blir da brukt av støttevektormaskinen til å klassifisere nye datapunkter i enten kategori 1 eller kategori 2. Animasjonen nedenfor illustrerer prosessen med å trene en ny støttervektormaskin. Algoritmen vil starte ved å lage en tilfeldig gjetning for å finne en separerende hyperplan, og deretter øke iterativt nøyaktigheten av hyperplanen. Som du kan se, begynner algoritmen ganske aggressivt, men senker den da den begynner å nærme seg ønsketløsningen. Figur 4. En animasjon som viser en trening vektor maskin trening. Hyperplanet konvergerer gradvis på den ideelle geometrien for å skille mellom de to dataklassene. Det 2-dimensjonale scenariet ovenfor presenterer tillater oss å visualisere prosessen med en støttevektormaskin, men det er bare i stand til å klassifisere et datapunkt ved hjelp av to innganger. Hva om vi vil bruke flere innganger Heldigvis gir støttevektormaskinalgoritmen oss det samme i høyere dimensjoner, selv om det blir mye vanskeligere å konseptualisere. Tenk på dette, du ønsker å opprette en støttevektormaskin som tar 20 innganger og kan klassifisere et hvilket som helst datapunkt ved hjelp av disse inngangene i enten kategori 1 eller kategori 2. For å gjøre dette må støttevektormaskinen modellere dataene i 20 dimensjonalt rom og bruk en regresjonsalgoritme for å finne en 19-dimensjonal hyperplan som skiller datapunktene i to kategorier. Dette blir svært vanskelig å visualisere som det er vanskelig for oss å forstå noe over 3-dimensjoner, men alt du trenger å vite er at det fungerer på nøyaktig samme måte som det for det 2-dimensjonale tilfellet. Hvordan fungerer støttevektorer Eksempel: Er det en skinn? Tenk deg dette hypotetiske scenariet, du er en forsker som undersøker et sjeldent dyr som bare finnes i dybden av Arktis kalt Shnicks. Gitt fjernheten av disse dyrene, har bare en liten håndfull blitt funnet (kan si rundt 5000). Som forsker står du fast med spørsmålet. Hvordan kan jeg identifisere en Schnick? Alt du har til disposisjon er de forskningsblader som tidligere ble publisert av en håndfull forskere som har sett en. I disse forskningsdokumentene beskriver forfatterne visse egenskaper om de Schnicks de fant, det vil si høyde, vekt, antall ben, etc. Men alle disse egenskapene varierer mellom forskerpapirene uten å anse det som ikke er synlig. Hvordan kan vi bruke disse dataene til å identifisere et nytt dyr som en schnick En mulig løsning på vårt problem er å bruke en støttevektormaskin for å identifisere mønstrene i dataene og lage et rammeverk som kan brukes til å klassifisere dyr som enten en schnick eller ikke en schnick. Det første trinnet er å skape et sett med data som kan brukes til å trene støttemaskinvektoren din for å identifisere schnicks. Opplæringsdataene er et sett med innganger og matchende utganger for støttevektormaskinen for å analysere og trekke ut et mønster fra. Derfor må vi bestemme hvilke innspill som skal brukes og hvor mange. Teoretisk sett kan vi ha så mange innganger som vi vil, men dette kan ofte føre til langsom trening (jo flere innganger du har jo mer tid det tar støttevektormaskinen å trekke ut mønstre). Også, du vil velge innspill verdier som vil ha en tendens til å være relativt konsistent på tvers av alle schnicks. For eksempel vil dyrets høyde eller vekt være et godt eksempel på en inngang fordi du forventer at dette ville være relativt konsistent på tvers av alle schnicks. Imidlertid vil gjennomsnittsalderen til et dyr være et dårlig valg av innspill fordi du forventer at alder av identifiserte dyr vil variere betydelig. Av denne grunn ble følgende innganger valgt: Høydevekt Antall ben Antall øyne Lengden på dyrets armer Dyrets gjennomsnittlige hastighet Frekvensen av dyrene som passer til samtalen Med de valgte inngangene kan vi begynne å kompilere treningsdataene våre . Effektive opplæringsdata for en støttevektormaskin må oppfylle visse krav: Dataene må ha eksempler på dyr som er schnicks Dataene må ha eksempler på dyr som ikke er schnicks I dette tilfellet har vi forskerpapir fra forsker som har vellykket identifisert en schnick og oppført sine eiendommer. Derfor kan vi lese disse forskningspapirene og trekke ut dataene under hver av inngangene og tildele en utgang av enten ekte eller falsk til hvert av eksemplene. Opplæringsdataene i dette tilfellet kan se ut som i tabellen nedenfor. Tabell 1. Eksempel tabell av schnick observasjoner Når vi har samlet dataene for alle våre treningsinnganger og utganger, kan vi bruke den til å trene vår støttevektormaskin. Under treningsprosessen vil støttevektormaskinen opprette en modell i syvdimensjonalt mellomrom som kan brukes til å sortere hver av treningseksemplene til enten sann eller falsk. Støttevektormaskinen fortsetter å gjøre dette til den har en modell som nøyaktig representerer treningsdataene (innenfor den angitte feiltoleransen). Når treningen er fullført, kan denne modellen brukes til å klassifisere nye datapunkter som enten sant eller falskt. Fungerer støttevektormaskinen egentlig med Schnick-scenariet, har jeg skrevet et skript som tester hvor godt en støtteteknormaskin faktisk kan identifisere nye schnicks. For å gjøre dette har jeg brukt funksjonalitetsbiblioteket Support Vector Machine Learning, som kan lastes ned fra markedet. For å modellere dette scenariet effektivt må vi først bestemme hva som er de faktiske egenskapene til en Schnick. Egenskapene jeg har antatt i dette tilfellet har blitt oppført i tabellen under. Hvis et dyr oppfyller alle kriteriene under, så er det en Schnick. Tabell 2. Sammendrag av parametere som definerer en schnick Nå som vi har definert vår Schnick, kan vi bruke denne definisjonen til å eksperimentere med støttevektormaskiner. Det første trinnet er å skape en funksjon som er i stand til å ta de syv inngangene til et gitt dyr og returnere den faktiske klassifiseringen av dyret som en schnick eller ikke. Denne funksjonen blir brukt til å generere treningsdata for støttevektormaskinen, samt vurdere ytelsen til den på slutten. Dette kan gjøres ved å bruke funksjonen nedenfor. Det neste trinnet i prosessen er å skape en funksjon som kan generere treningsinngangene og utgangene. Inngangene i dette tilfellet vil bli generert ved å lage tilfeldige tall innenfor et sett område for hver av de syv inngangsverdiene. Deretter for hvert sett av tilfeldige innganger generert, vil isItASchnick () - funksjonen ovenfor bli brukt til å generere den tilsvarende ønskede utgang. Dette gjøres i funksjonen nedenfor: Vi har nå et sett med treningsinnganger og - utganger, det er nå på tide å lage våre støttevektormaskiner ved hjelp av Support Vector Machine Learning Tool tilgjengelig i markedet. Når en ny støttevektormaskin er opprettet, er det nødvendig å sende treningsinngangene og utgangene til den og utføre opplæringen. Vi har nå en støttevektormaskin som har blitt opplært med å identifisere Scnhicks. For å bekrefte dette kan vi teste den endelige støttende vektormaskinen ved å be den om å klassifisere nye datapunkter. Dette gjøres ved først å generere tilfeldige innganger, og bruker deretter isItASchnick () - funksjonen til å avgjøre om disse inngangene korresponderer med en faktisk Schnick. Deretter bruker du støttevektormaskinen til å klassifisere inngangene og avgjøre om det forutsagte resultatet samsvarer med det faktiske resultatet. Dette gjøres i funksjonen nedenfor: Jeg anbefaler å spille med verdiene i de ovennevnte funksjonene for å se hvordan støttemodulmaskinen utfører under forskjellige forhold. Hvorfor er støttevektormaskinen så nyttig Fordelen med å bruke en støttevektormaskin for å trekke ut komplisert mønster fra dataene er at det ikke er nødvendig å forstå tidligere oppførselen til dataene. En støttevektormaskin kan analysere dataene og trekke ut kun innsikt og relasjoner. På denne måten fungerer det som en svart boks som mottar en inngang og genererer en utgang som kan vise seg å være svært nyttig for å finne mønstre i dataene som er for komplekse og ikke åpenbare. En av de beste funksjonene til støttevektormaskiner er at de er i stand til å håndtere feil og støy i dataene veldig bra. De kan ofte se det underliggende mønsteret i dataene og filtrere ut datautviklere og andre kompleksiteter. Tenk på følgende scenario, når du utfører din forskning på Schnicks, kommer du over flere forskningsblanketter som beskriver Schnicks med massivt forskjellige egenskaper (som en sknick som er 200kg og er 15000mm høy). Feil som dette kan føre til forvrengninger din modell av hva en Schnick er, noe som potensielt kan føre til at du gjør en feil når du klassifiserer nye Schnick-funn. Fordelen med støttevektormaskinen er at den vil utvikle en modell som stemmer overens med det underliggende mønsteret mot en modell som passer til alle treningsdatapunktene. Dette gjøres ved å tillate et visst feilnivå i modellen for å muliggjøre at støttevektormaskinen overser eventuelle feil i dataene. I tilfelle av Schnick-støttevektormaskinen, hvis vi tillater en feiltoleranse på 5, vil trening bare prøve å utvikle en modell som stemmer overens med 95 av treningsdataene. Dette kan være nyttig fordi det tillater trening å ignorere den lille prosentdelen av utjevningene. Vi kan undersøke denne egenskapen til støttevektormaskinen videre ved å endre vårt Schnick-skript. Funksjonen nedenfor er lagt til for å introdusere bevisst tilfeldige feil i treningsdatasettet. Denne funksjonen velger tilfeldig treningspoeng og erstatter inngangene og tilsvarende utdata med tilfeldige variabler. Denne funksjonen tillater oss å introdusere bevisst feil i treningsdataene våre. Ved å bruke denne feilfylte data kan vi opprette og trene en ny støtteteknormaskin og sammenligne ytelsen med den opprinnelige. Når skriptet kjøres, produserer det følgende resultater i ekspertloggen. I et treningsdatasett med 5000 treningspunkter, var vi i stand til å introdusere 500 tilfeldige feil. Når du sammenligner ytelsen til denne feilfylte støttevektormaskinen med den opprinnelige, blir ytelsen bare redusert med lt1. Dette skyldes at støttevektormaskinen er i stand til å overse utjevningene i datasettet ved trening og fortsatt er i stand til å produsere en imponerende nøyaktig modell av de sanne dataene. Dette antyder at støttevektormaskiner kan være et mer nyttig verktøy for å utvinne komplekse mønstre og innsikt fra støyende datasett. Figur 5. Den resulterende ekspertloggen ved å kjøre Schnick-skriptet i MetaTrader 5. Demo Versions En full versjon av koden ovenfor kan lastes ned fra Code Base, men dette skriptet kan bare kjøres i terminalen din hvis du har kjøpt en fullversjon av Support Vector Machine Learning-verktøyet fra markedet. Hvis du bare har en demoversjon av dette verktøyet lastet ned, vil du være begrenset til å bruke verktøyet via strategistesten. For å tillate testing av Schnick-koden ved hjelp av demoversjonen av verktøyet, har jeg omskrevet en kopi av skriptet til en ekspertrådgiver som kan distribueres ved hjelp av strategitesteren. Begge disse kodeversjonene kan lastes ned ved å følge koblingene nedenfor: Fullversjon - Bruke et skript som distribueres i MetaTrader 5-terminalen (krever en kjøpt versjon av Support Vector Machine Learning Tool) Demoversjon - Bruk en ekspertrådgiver som er distribuert i MetaTrader 5-strategi testeren (krever bare en demoversjon av støttevektormaskinens læringsverktøy). Hvordan kan støtte vektormaskiner brukes i markedet? Det er ganske enkelt ganske enkelt, Schnick-eksemplet som er beskrevet ovenfor, men det er ganske mange likheter som kan tegnes mellom dette eksemplet og ved hjelp av støttevektormaskiner for teknisk markedsanalyse. Teknisk analyse er fundamentalt om bruk av historiske markedsdata for å forutsi fremtidige prisbevegelser. På samme måte i schnick-eksempelet brukte vi observasjonene fra tidligere forskere for å forutsi om et nytt dyr er en sknick eller ikke. Videre er markedet plaget av støy, feil og statistiske avvikere som gjør bruken av en støttevektormaskin et interessant konsept. Grunnlaget for et vesentlig antall teknologiske analysemetoder omfatter følgende trinn: Overvåking av flere indikatorer Identifisering av hvilke forhold for hver indikator korrelerer med en potensielt vellykket handel. Sjekk hver indikator og vurder når alle (eller de fleste) signaliserer en handel. Det er mulig å vedta en lignende tilnærming til å bruke støttevektormaskiner for å signalisere nye handler på en lignende måte. Støttevektormaskinens læringsverktøy ble utviklet med dette i tankene. En fullstendig beskrivelse av hvordan du bruker dette verktøyet, finnes i Market, så jeg gir bare en rask oversikt. Prosessen for bruk av dette verktøyet er som følger: Figur 6. Blokkediagrammet som viser prosessen for implementering av støttevektormaskinverktøyet i en ekspertrådgiver Før du kan bruke Support Vector Machine Learning Tool, er det viktig å først forstå hvordan treningen innganger og utganger blir generert. Hvordan genereres treningsinnganger Så, de indikatorene du vil bruke som innganger, har allerede blitt initialisert, så vel som din nye støttevektormaskin. Det neste trinnet er å sende indikatorhåndtakene til den nye støttende vektormaskinen og instruere den om hvordan du genererer treningsdataene. Dette gjøres ved å ringe funksjonen setIndicatorHandles (). Denne funksjonen lar deg passere håndtakene til initialiserte indikatorer inn i støttevektormaskinen. Dette gjøres ved å gi passord og heltall som inneholder håndtakene. De to andre inngangene for denne funksjonen er offsetverdien og antall datapunkter. Offset-verdien angir forskyvningen mellom den nåværende linjen og startlinjen som skal brukes til å generere treningsinngangene, og antall treningspunkter (betegnet med N) angir størrelsen på treningsdataene dine. Diagrammet nedenfor illustrerer hvordan man bruker disse verdiene. En forskyvningsverdi på 4 og en N-verdi på 6 vil fortelle støttevektormaskinen å bare bruke stolpene tatt i det hvite torget for å generere treningsinnganger og utganger. På samme måte vil en forskyvningsverdi på 8 og en N-verdi på 8 fortelle støttevektormaskinen å bare bruke stolpene tatt i det blå torget for å generere treningsinnganger og utganger. Når funksjonen setIndicatorHandles () har blitt kalt, er det mulig å ringe genInputs () - funksjonen. Denne funksjonen vil bruke indikatorhåndtakene til å passere for å generere en rekke inngangsdata som skal brukes til opplæring. Figur 7. Lysdiagram som illustrerer verdiene for Offset og N Hvordan genereres treningsutganger Treningsutgangene genereres ved å simulere hypotetiske handler basert på historiske prisdata og avgjøre om en slik handel ville ha vært vellykket eller mislykket. For å gjøre dette, er det noen få parametre som brukes til å instruere støttemateriellets læringsverktøy hvordan man vurderer en hypotetisk handel som enten vellykket eller mislykket. Den første variabelen er OPTRADE. Verdien av dette kan enten være KJØP eller SELL, og vil svare til enten hypotetisk kjøp eller salg av handler. Hvis verdien av dette er KJØP, da når du genererer utgangene, vil det bare se på den potensielle suksessen til hypotetiske kjøpshandlinger. Alternativt, hvis verdien av dette er SELG, da når du genererer utgangene, vil det bare se på den potensielle suksessen til hypotetiske salgshandlinger. De neste verdiene som brukes, er stoppfallet og ta fortjeneste for disse hypotetiske handler. Verdiene er satt i pips og vil angi stopp og grenseverdier for hver av de hypotetiske handler. Den endelige parameteren er varighet for handel. Denne variabelen måles i timer og vil sikre at kun handler som er ferdige innen denne maksimale varigheten, anses som vellykkede. Årsaken til å inkludere denne variabelen er å unngå støttevektormaskinens signaleringsvirksomhet i et sakte, flytende, sidelengs marked. Betraktninger som skal gjøres ved valg av innganger Det er viktig å legge inn litt tanke i innspillingsvalget ved implementering av støttevektormaskiner i din handel. I likhet med Schnick-eksempelet, er det viktig å velge et innspill som forventes å ha likhet på tvers av forskjellstilfeller. For eksempel kan du bli fristet til å bruke et glidende gjennomsnitt som en inngang, men siden den langsiktige gjennomsnittsprisen har en tendens til å endres ganske dramatisk over tid, kan et glidende gjennomsnitt i isolasjon ikke være det beste inputet til bruk. Dette skyldes at det ikke vil være noen signifikant likhet mellom den bevegelige gjennomsnittsverdien i dag og de bevegelige gjennomsnittsverdiene for seks måneder siden. Anta at vi handler EURUSD og bruker en støtteteknormaskin med en gjennomsnittlig innsats til signalkjøp. Si at dagens pris er 1,10, men det genererer treningsdata fra seks måneder siden da prisen var 0,55. Ved trening av støttevektormaskinen kan mønsteret det finner bare føre til at en handel blir signalisert når prisen er rundt 0,55, siden dette er de eneste dataene den vet. Derfor kan din støttevektormaskin aldri signalisere en handel før prisen senker ned til 0,55. I stedet kan en bedre inngang til bruk for støttevektormaskinen være en MACD eller lignende oscillator fordi verdien av MACD er uavhengig av det gjennomsnittlige prisnivået og bare signalerer relativ bevegelse. Jeg anbefaler at du eksperimenterer med dette for å se hva som gir de beste resultatene for deg. En annen vurdering å gjøre når du velger innspill, er å sikre at støttevektormaskinen har et tilstrekkelig øyeblikksbilde av en indikator for å signalisere en ny handel. Du kan i din egen handelsopplevelse finne at en MACD bare er nyttig når du har de siste fem stolpene å se på, da dette vil vise en trend. En enkelt stang i MACD kan være ubrukelig isolert, med mindre du kan fortelle om den går opp eller ned. Derfor kan det være nødvendig å sende de siste par stolpene i MACD-indikatoren til støttevektormaskinen. Det er to mulige måter du kan gjøre dette på: Du kan opprette en ny tilpasset indikator som bruker de siste fem stolpene i MACD-indikatoren til beregne en trend som en enkelt verdi. Denne tilpassede indikatoren kan da sendes til støttevektormaskinen som en enkelt inngang, eller Du kan bruke de forrige fem stolpene i MACD-indikatoren i støttevektormaskinen som fem separate innganger. Måten å gjøre dette på er å initialisere fem forskjellige forekomster av MACD-indikatoren. Hver av indikatorene kan initialiseres med en forskjellig forskyvning fra den nåværende linjen. Deretter kan de fem håndtakene fra de separate indikatorene overføres til støttevektormaskinen. Det bør bemerkes at alternativ 2 vil ha en tendens til å forårsake lengre gjennomføringstider for din ekspertrådgiver. Jo flere innganger du har, desto lenger tid vil det ta for å lykkes med å trene. Implementere supportvektormaskiner i og ekspertrådgiver Jeg har utarbeidet en ekspertrådgiver som er et eksempel på hvordan noen kan potensielt bruke støttevektormaskiner i egen handel (en kopi av dette kan lastes ned ved å følge denne lenken mql5encode1229). Forhåpentligvis vil Expert Advisor tillate deg å eksperimentere litt med støttevektormaskiner. Jeg anbefaler at du copychangemodify Expert Advisor slik at den passer til din egen handelsstil. EA fungerer som følger: To nye støttevektormaskiner blir opprettet ved hjelp av svMachineTool-biblioteket. En er satt opp for å signalisere nye Kjøp handler, og den andre er satt opp for å signalere nye selgerhandler. Sju standardindikatorer initialiseres med hver av håndtakene deres lagret til et heltall array (Merk: En hvilken som helst kombinasjon av indikatorer kan brukes som innganger, de må bare sendes til SVM i et heltallstall). Utvalget av indikatorhåndteringer overføres til de nye støttevektormaskiner. Ved hjelp av en rekke indikatorhåndtak og andre parametere brukes historiske prisdata til å generere nøyaktige innganger og utdata som skal brukes til opplæring av støttevektormaskiner. Når alle inngangene og utgangene er generert, blir begge støttevektormaskiner trent. De utdannede støttevektormaskinene brukes i EA til å signalisere nye kjøp og salg av handler. Når en ny kjøp eller salg av handel signaliseres, åpner handelen sammen med manuelle Stop Loss og Take Profit bestillinger. Initialiseringen og opplæringen av støttevektormaskinen utføres i funksjonen onInit (). Som referanse er dette segmentet av svTrader EA inkludert med notater. Avansert Support Vector Machine Trading Ytterligere evner ble bygd inn i støttevektormaskinens læringsverktøy for de mer avanserte brukerne der ute. Verktøyet lar brukerne passere i sine egne tilpassede inngangsdata og utdata (som i Schnick-eksempelet). Dette gjør at du kan tilpasse design dine egne kriterier for støtte vektor maskininnganger og utganger, og manuelt passere i disse dataene for å trene den. Dette åpner muligheten til å bruke støttevektormaskiner i ethvert aspekt av din handel. Det er ikke bare mulig å bruke støttevektormaskiner til å signalisere nye handler, men det kan også brukes til å signalere avslutning av handler, pengehåndtering, nye avanserte indikatorer etc. For å sikre at du ikke mottar feil, er det viktig å forstå hvordan Disse innganger og utganger skal struktureres. Inputs: Inputene sendes til SVM som et 1-dimensjonalt utvalg av dobbelte verdier. Vær oppmerksom på at alle innspill du oppretter må sendes inn som en dobbel verdi. Booleske, heltall, etc. må alle omdannes til en dobbel verdi før de sendes inn i støttevektormaskinen. Inngangene kreves i følgende form. For eksempel, antar vi passerer i innganger med 3 innganger x 5 treningspunkter. For å oppnå dette må vårt doble array være 15 enheter lange i formatet: A 1 B 1 C 1 A 2 B 2 C 2 A 3 B 3 C 3 A 4 B 4 C 4 A 5 B 5 C 5 Det er også nødvendig å passere i en verdi for antall innganger. I tilfelle NInputs3. Utganger: Utganger sendes inn som en rekke boolske verdier. Disse boolske verdiene er ønsket utgang fra SVM korrespondert til hvert sett av innganger som er sendt inn. Følg eksemplet ovenfor, si at vi har 5 treningspunkter. I dette scenariet vil vi passere i en boolsk matrise av utdataverdier som er 5 enheter lange. Når du genererer dine egne innganger og utganger, må du være sikker på at lengden på dine arrays samsvarer med verdiene du sender inn. Hvis de ikke samsvarer, vil det oppstå en feil som melder deg om uoverensstemmelsen. Hvis vi for eksempel har gått inn i NInputs3, og innganger er en rekkevidde av lengde 16, vil en feil bli kastet (siden vil en ninputsverdi på 3 bety at lengden på en hvilken som helst inngangsarray må være et flertall av 3) . På samme måte må du sørge for at antall sett av innganger og antall utdata du sender inn er like. Igjen, hvis du har NInputs3, lengden på innganger på 15 og en lengde på utganger på 6, vil en annen feil bli kastet (som du har 5 sett med innganger og 6 utganger). Prøv å sikre at du har nok variasjon i treningsutgangene dine. Hvis du for eksempel passerer 100 treningspoeng, som betyr et utgangsarrangement med lengde 100, og alle verdiene er falske med bare ett sant, er differensieringen mellom det sanne saken og det falske tilfellet ikke tilstrekkelig nok. Dette vil ha en tendens til å føre til SVM-trening veldig fort, men den endelige løsningen er svært dårlig. Et mer variert treningssett vil ofte føre til en mer affektiv SVM. Trading med Support Vector Machines (SVM). Endelig har alle stjernene rettet opp, og jeg kan trygt bruke litt tid på back-testing av nye handelssystemer og Support Vector Machines (SVM). ) er den nye 8220toy8221 som skal holde meg opptatt en stund. SVM er et velkjent verktøy fra området overvåket maskinlæring. og de brukes både til klassifisering og regresjon. For mer informasjon, se litteraturen. Det synes for meg at den mest intuitive søknaden om handel er regresjon, så let8217s begynner med å bygge en SVM-regresjonsmodell. Etter vår erfaring med ARMAGARCH-modeller, begynner vi å prøve å prognostisere avkastning, i stedet for priser. På samme måte, i våre første tester vil vi bare bruke avkastningen av de foregående 5 dagene som funksjonene som bestemmer avkastningen av en bestemt dag. Vi starter med en historie på 500 dager som treningssettet. I mer matematiske termer, for treningssettet har vi N-funksjoner, for hver av dem har vi M-prøver. Vi har også M-svar. Gitt en rekke funksjonsverdier, er den venstre matrisen, SVM trent til å produsere responsverdien. I vårt spesifikke eksempel har vi fem kolonner (funksjoner), hver kolonne som svarer til avkastningen med et annet lag (fra 1 til 5). Vi har 500 prøver og de tilsvarende svarene. Når SVM er utdannet på dette settet, kan vi begynne å mate det med sett med fem funksjoner, som svarer til avkastningen for de fem foregående dagene, og SVM vil gi oss svaret, som er den forventede avkastningen. For eksempel, etter å ha trent SVM på de foregående 500 dagene, vil vi bruke avkastningen for dagene 500, 499, 498, 497 og 496 (disse er våre som inngang for å oppnå den forventede avkastningen for dag 501. Fra alle tilgjengelige pakker I R bestemte jeg meg for å velge e1071-pakken. Et nært annet valg var kernelab-pakken, som jeg fortsatt planlegger å prøve i fremtiden. Så prøvde jeg noen strategier. Først prøvde jeg noe som ligner ARMAGARCH-tilnærming 8211 forsinket avkastning fra de fem foregående dagene. Jeg var ganske overrasket over å se at denne strategien virket bedre enn ARMAGARCH (dette er ARMAGARCHs hjemland og jeg ville vært ganske glad bare med sammenlignbare resultater). Neste gang prøvde jeg å de samme fem funksjoner, men prøver å velge den beste delmengden. Utvalget ble gjort med en grådig tilnærming, som begynner med 0 funksjoner, og interaktiv legger til funksjonen som minimerer feilen best. Denne tilnærmingen forbedret ting ytterligere. Til slutt prøvde jeg en annen approac h med omtrent et dusin funksjoner. Funksjonene inkluderer retur over en annen tidsperiode (1-dag, 2-dagers, 5-dagers, etc), noen statistikk (middel, median, sd, etc) og volum. Jeg brukte samme grådige tilnærming til å velge funksjoner. Dette siste systemet viste også en veldig god ytelse, men det tok et stykke tid å løpe. Tiden for å avslutte dette innlegget, må resultatene for back-testing vente. Inntil da kan du selv spille med full kildekoden. Her er et eksempel på å bruke det: Hei I Windows fungerer ikke Work2 på grunn av multicore-problem. En ting som jeg ikke forstår, er reflektert i dette til rader av kode rets retsindex (data) data dataindex (rets) Etter min mening er it8217s mer effektiv til å slå sammen serien smth som mydtret lt-na. exclude (flette (rets, data) og for å ha bare ett argumentobjekt å fungere, ring i stedet for 2 Interessant arbeid, takk Mike Argh, Windows 8211 Jeg bruker det sjeldent i det siste. Ganske overrasket, siden parallellpakken er en del av basen R-distribusjonen nå. Forhåpentligvis vil det bli behandlet snart I mellomtiden, hva med å ikke bruke parallell kjøring. Det finnes også andre pakker som gir parallell kjøring, men det ville være mer arbeid. Du har rett på flette 8211 Jeg lurer fortsatt på hvorfor jeg gjorde det på denne måten denne gangen. I8217m mottar feil. Nå er feilen gt data svmFeatures (tt), c (1,2) Feil i match. fun (FUN). objekt 8216skewness8217 ikke funnet Men når jeg lager dataobjekt manuelt, mottar jeg feil i prediksjon svmComputeOneForecast lt - funksjon relatert til dimensjoner og samplingquotcrossquot It039 er vanskelig for meg å feilsøke skjevhet, kommer fra PerformanceAnalytics-pakken, som du må installere fra CRAN. Legge til krav (PerformanceAnalytics) som den første linjen i svmFeatures bør adressere det første problemet. Nå er feilen feil i merge. xts (res, xts (na. trim (lag (rollmean (rets, k 21, juster 8220right8221). lengden på 8216dimnames8217 2 ikke lik array-omfanget. Det ser ut til at i Windows-koden trenger mange endringer Mike, I never meant the code to be used directly (until now I was providing only snippets), but I am surprised that R on Windows is so ugly. Not sure what8217s your goal, but to analyze the strategies performance, you can use the indicator series which are already computed. It8217s just pure academic interest on SVM. I used to work with clusters, PCA and I am curious how SVM is doing the same work. In windows a lot of error are related to objects with dates as xts is or data frames. UNIX is better but all brokers give API for windows. Some of them in Java and only this we may use from UNIX. I don8217t like win architecture but it8217s a habit already and I don8217t have time to change OS. I just tried it on windows 7, 64 bit, R version 2.15.2. I get a warning from svmFeatures, which I know how to fix (calling sd on an xtszoo object does interesting conversion to a matrix), but no problems. Running: Thanks I8217ll try. One question if you don8217t mind Why are you using get with function cetSymbols from quantmod package I use call vers Example SPY lt - getSymbols(039SPY039, auto. assign FALSE) You have a lot to compute and get consume memory and takes time to obtain objects name as a string var The same error I8217m using R 2.15.1 But I8217m surprised with this result before call gt head(data) 1 function (8230, list character(), package NULL, lib. loc NULL, 2 verbose getOption(8220verbose8221), envir. GlobalEnv) 3 4 fileExt lt - function(x) 5 db lt - grepl(quot...(gzbz2xz)quot, x) 6 ans lt - sub(quot..quot, quotquot, x) It seems that data is reserved word And now I don039t know what is going to features functionTrading with Support Vector Machines (SVM) Finally all the stars have aligned and I can confidently devote some time for back-testing of new trading systems, and Support Vector Machines (SVM) are the new 8220toy8221 which is going to keep me busy for a while. SVMs are a well-known tool from the area of supervised Machine Learning. and they are used both for classification and regression. For more details refer to the literature. It seems to me that the most intuitive application for trading is regression, so let8217s start by building an SVM regression model. Following our experience with ARMAGARCH models, we will start by trying to forecast returns, instead of prices. Likewise, in our first tests, we will use only the returns of the previous 5 days as the features determining the return of a particular day. We will start with history of 500 days as the training set. In more mathematical terms, for the training set we have N features, for each of them we have M samples. We also have M responses. Given a row of feature values, the left matrix, the SVM is trained to produce the response value. In our specific example, we have five columns (features), each column corresponding to the returns with a different lag (from 1 to 5). We have 500 samples and the corresponding responses. Once the SVM is trained on this set, we can start feeding it with sets of five features, corresponding to the returns for the five previous days, and the SVM will provide us with the response, which is the forecasted return. For example, after training the SVM on the previous 500 days, we will use the returns for days 500, 499, 498, 497 and 496 (these are ours as the input to obtain the forecasted return for day 501. From all the packages available in R, I decided to choose the e1071 package. A close second choice was the kernlab package, which I am still planning to try in the future. Then I tried a few strategies. First I tried something very similar to the ARMAGARCH approach 8211 the lagged returns from the five previous days. I was quite surprised to see this strategy performing better than the ARMAGARCH (this is the home land of the ARMAGARCH and I would have been quite happy just with comparable performance) Next, I tried to the same five features, but trying to select the best subset. The selection was done using a greedy approach, starting with 0 features, and interactively adding the feature which minimizes the error best. This approach improved things further. Finally, I tried a different approac h with about a dozen features. The features included returns over different period of time (1-day, 2-day, 5-day, etc), some statistics (mean, median, sd, etc) and volume. I used the same greedy approach to select features. This final system showed a very good performance as well, but it took a hell of a time to run. Time to end this post, the back-testing results have to wait. Until then you can play with the full source code yourself. Here is an example of using it: Never miss an update Subscribe to R-bloggers to receive e-mails with the latest R posts. (You will not see this message again.)Support Vector Machines: A Guide for Beginners In this guide I want to introduce you to an extremely powerful machine learning technique known as the Support Vector Machine (SVM). It is one of the best out of the box supervised classification techniques. As such, it is an important tool for both the quantitative trading researcher and data scientist. I feel it is important for a quant researcher or data scientist to be comfortable with both the theoretical aspects and practical usage of the techniques in their toolkit. Hence this article will form the first part in a series of articles that discuss support vector machines. This article specifically will cover the theory of maximal margin classifiers . support vector classifiers and support vector machines . Subsequent articles will make use of the Python scikit-learn library to demonstrate some examples of the aforementioned theoretical techniques on actual data. Motivation for Support Vector Machines The problem to be solved in this article is one of supervised binary classification . That is, we wish to categorise new unseen objects into two separate groups based on their properties and a set of known examples, which are already categorised. A good example of such a system is classifying a set of new documents into positive or negative sentiment groups, based on other documents which have already been classified as positive or negative. Similarly, we could classify new emails into spam or non-spam, based on a large corpus of documents that have already been marked as spam or non-spam by humans. SVMs are highly applicable to such situations. A Support Vector Machine models the situation by creating a feature space . which is a finite-dimensional vector space. each dimension of which represents a feature of a particular object. In the context of spam or document classification, each feature is the prevalence or importance of a particular word. The goal of the SVM is to train a model that assigns new unseen objects into a particular category. It achieves this by creating a linear partition of the feature space into two categories. Based on the features in the new unseen objects (e. g. documentsemails), it places an object above or below the separation plane, leading to a categorisation (e. g. spam or non-spam). This makes it an example of a non-probabilistic linear classifier. It is non-probabilistic, because the features in the new objects fully determine its location in feature space and there is no stochastic element involved. However, much of the benefit of SVMs comes from the fact that they are not restricted to being linear classifiers. Utilising a technique known as the kernel trick they can become much more flexible by introducing various types of non-linear decision boundaries. Formally, in mathematical language, SVMs construct linear separating hyperplanes in high-dimensional vector spaces. Data points are viewed as (vec , y) tuples, vec (x1, ldots, xp) where the xj are the feature values and y is the classification (usually given as 1 or -1). Optimal classification occurs when such hyperplanes provide maximal distance to the nearest training data points. Intuitively, this makes sense, as if the points are well separated, the classification between two groups is much clearer. However, if in a feature space some of the sets are not linearly separable (i. e. they overlap), then it is necessary to perform a mapping of the original feature space to a higher-dimensional space, in which the separation between the groups is clear, or at least clearer. However, this has the consequence of making the separation boundary in the original space potentially non-linear. In this article we will proceed by considering the advantages and disadvantages of SVMs as a classification technique, then defining the concept of an optimal linear separating hyperplane . which motivates a simple type of linear classifier known as a maximal margin classifier (MMC). We will then show that maximal margin classifiers are not often applicable to many real world situations and as such need modification, in the form of a support vector classifier (SVC). We will then relax the restriction of linearity and consider non-linear classifiers, namely support vector machines . which use kernel functions to improve computational efficiency. Advantages and Disadvantages of SVMs As a classification technique, the SVM has many advantages, many of which are due to its computational efficiency on large datasets. The Scikit-Learn team have summarised the main advantages and disadvantages here but I have repeated and elaborated on them for completeness: Advantages High-Dimensionality - The SVM is an effective tool in high-dimensional spaces, which is particularly applicable to document classification and sentiment analysis where the dimensionality can be extremely large (geq 106). Memory Efficiency - Since only a subset of the training points are used in the actual decision process of assigning new members, only these points need to be stored in memory (and calculated upon) when making decisions. Versatility - Class separation is often highly non-linear. The ability to apply new kernels allows substantial flexibility for the decision boundaries, leading to greater classification performance. Disadvantages p gt n - In situations where the number of features for each object (p) exceeds the number of training data samples (n), SVMs can perform poorly. This can be seen intuitively, as if the high-dimensional feature space is much larger than the samples, then there are less effective support vectors on which to support the optimal linear hyperplanes, leading to poorer classification performance as new unseen samples are added. Non-Probabilistic - Since the classifier works by placing objects above and below a classifying hyperplane, there is no direct probabilistic interpretation for group membership. However, one potential metric to determine effectiveness of the classification is how far from the decision boundary the new point is. Now that weve outlined the advantages and disadvantages, were going to discuss the geometric objects and mathematical entities that will ultimately allow us to define the SVMs and how they work. There are some fantastic references (both links and textbooks) that derive much of the mathematical detail of how SVMs work. In the following derivation I didnt want to reinvent the wheel too much, especially with regards notation and pedagogy, so Ive formulated the following treatment based on the references provided at the end of the article, making strong use of James et al (2013). Hastie et al (2009) and the Wikibooks article on SVMs. I have made changes to the notation where appropriate and have adjusted the narrative to suit individuals interested in quantitative finance. Linear Separating Hyperplanes The linear separating hyperplane is the key geometric entity that is at the heart of the SVM. Informally, if we have a high-dimensional feature space, then the linear hyperplane is an object one dimension lower than this space that divides the feature space into two regions. This linear separating plane need not pass through the origin of our feature space, i. e. it does not need to include the zero vector as an entity within the plane. Such hyperplanes are known as affine . If we consider a real-valued p-dimensional feature space, known mathematically as mathbb p, then our linear separating hyperplane is an affine p-1 dimensional space embedded within it. For the case of p2 this hyperplane is simply a one-dimensional straight line, which lives in the larger two-dimensional plane, whereas for p3 the hyerplane is a two-dimensional plane that lives in the larger three-dimensional feature space (see Fig 1 and Fig 2): If we consider an element of our p-dimensional feature space, i. e. vec (x1. xp) in mathbb p, then we can mathematically define an affine hyperplane by the following equation: begin b0 b1 x1 . bp xp 0 end b0 neq 0 gives us an affine plane (i. e. it does not pass through the origin). We can use a more succinct notation for this equation by introducing the summation sign: Notice however that this is nothing more than a multi-dimensional dot product (or, more generally, an inner product ), and as such can be written even more succinctly as: If an element vec in mathbb p satisfies this relation then it lives on the p-1-dimensional hyperplane. This hyperplane splits the p-dimensional feature space into two classification regions (see Fig 3): Elements vec above the plane satisfy: While those below it satisfy: The key point here is that it is possible for us to determine which side of the plane any element vec will fall on by calculating the sign of the expression vec cdot vec b0. This concept will form the basis of a supervised classification technique. Classification Continuing with our example of email spam filtering, we can think of our classification problem (say) as being provided with a thousand emails (n1000), each of which is marked spam (1) or non-spam (-1). In addition, each email has an associated set of keywords (i. e. separating the words on spacing) that provide features . Hence if we take the set of all possible keywords from all of the emails (and remove duplicates), we will be left with p keywords in total. If we translate this into a mathematical problem, the standard setup for a supervised classification procedure is to consider a set of n training observations . vec i, each of which is a p-dimensional vector of features. Each training observation has an associated class label . yi in . Hence we can think of n pairs of training observations (vec i, yi) representing the features and class labels (keyword lists and spamnon-spam). In addition to the training observations we can provide test observations . vec (x 1. x p) that are later used to test the performance of the classifiers. In our spam example, these test observations would be new emails that have not yet been seen. Our goal is to develop a classifier based on provided training observations that will correctly classify subsequent test observations using only their feature values. This translates into being able to classify an email as spam or non-spam solely based on the keywords contained within it. We will initially suppose that it is possible, via a means yet to be determined, to construct a hyperplane that separates training data perfectly according to their class labels (see Figs 4 and 5). This would mean cleanly separating spam emails from non-spam emails solely by using specific keywords. The following diagram is only showing p2, while for keyword lists we may have pgt106. Hence Figs 4 and 5 are only representative of the problem. This translates into a mathematical separating property of: begin vec cdot vec i b0 gt 0,enspacetext enspace yi 1 end begin vec cdot vec i b0 lt 0,enspacetext enspace yi -1 end This basically states that if each training observation is above or below the separating hyperplane, according to the geometric equation which defines the plane, then its associated class label will be 1 or -1. Thus we have developed a simple classification process. We assign a test observation to a class depending upon which side of the hyperplane it is located on. This can be formalised by considering the following function f(vec ), with a test observation vec (x 1. x p): If f(vec ) gt 0 then y 1, whereas if f(vec ) lt 0 then y -1. However, this tells us nothing about how we go about finding the bj components of vec , as well as b0, which are crucial in helping us determine the equation of the hyperplane separating the two regions. The next section discusses an approach for carrying this out, as well as introducing the concept of the maximal margin hyperplane and a classifier built on it, known as the maximal margin classifier . Deriving the Classifier At this stage it is worth pointing out that separating hyperplanes are not unique, since it is possible to slightly translate or rotate such a plane without touching any training observations (see Fig 4). So, not only do we need to know how to construct such a plane, but we also need to determine the most optimal . This motivates the concept of the maximal margin hyperplane (MMH), which is the separating hyperplane that is farthest from any training observations, and is thus optimal. How do we find the maximal margin hyperplane Firstly, we compute the perpendicular distance from each training observation vec i for a given separating hyperplane. The smallest perpendicular distance to a training observation from the hyperplane is known as the margin . The MMH is the separating hyperplane where the margin is the largest. This guarantees that it is the farthest minimum distance to a training observation. The classification procedure is then just simply a case of determining which side a test observation falls on. This can be carried out using the above formula for f(vec ). Such a classifier is known as a maximimal margin classifier (MMC). Note however that finding the particular values that lead to the MMH is purely based on the training observations . That is, we still need to be aware of how the MMC performs on the test observations . We are implicitly making the assumption that a large margin in the training observations will provide a large margin on the test observations, but this may not be the case. As always, we must be careful to avoid overfitting when the number of feature dimensions is large (e. g. in Natural Language Processing applications such as email spam classification). Overfitting here means that the MMH is a very good fit for the training data but can perform quite poorly when exposed to testing data . I discuss this issue in depth in the article on the bias-variance trade-off . To reiterate, our goal now becomes finding an algorithm that can produce the bj values, which will fix the geometry of the hyperplane and hence allow determination of f(vec ) for any test observation. If we consider Fig 6, we can see that the MMH is the mid-line of the widest block that we can insert between the two classes such that they are perfectly separated. One of the key features of the MMC (and subsequently SVC and SVM) is that the location of the MMH only depends on the support vectors . which are the training observations that lie directly on the margin (but not hyperplane) boundary (see points A, B and C in Fig 6). This means that the location of the MMH is NOT dependent upon any other training observations. Thus it can be immediately seen that a potential drawback of the MMC is that its MMH (and thus its classification performance) can be extremely sensitive to the support vector locations. However, it is also partially this feature that makes the SVM an attractive computational tool, as we only need to store the support vectors in memory once it has been trained (i. e. the bj values are fixed). Constructing the Maximal Margin Classifier I feel it is instructive to fully outline the optimisation problem that needs to be solved in order to create the MMH (and thus the MMC itself). While I will outline the constraints of the optimisation problem, the algorithmic solution to this problem is beyond the scope of the article. Thankfully these optimisation routines are implemented in scikit-learn (actually, via the LIBSVM library ). If you wish to read more about the solution to these algorithmic problems, take a look at Hastie et al (2009) and the Scikit-Learn page on Support Vector Machines . The procedure for determining a maximal margin hyperplane for a maximal margin classifier is as follows. Given n training observations vec 1. vec n in mathbb p and n class labels y1. yn in , the MMH is the solution to the following optimisation procedure: Maximise M in mathbb , by varying b1. bp such that: begin yi left( vec cdot vec b0 right) geq M, quad forall i 1. n end Despite the complex looking constraints, they actually state that each observation must be on the correct side of the hyperplane and at least a distance M from it. Since the goal of the procedure is to maximise M, this is precisely the condition we need to create the MMC Clearly, the case of perfect separability is an ideal one. Most real world datasets will not have such perfect separability via a linear hyperplane (see Fig 7). However, if there is no separability then we are unable to construct a MMC by the optimisation procedure above. So, how do we create a form of separating hyperplane Essentially we have to relax the requirement that a separating hyperplane will perfectly separate every training observation on the correct side of the line (i. e. guarantee that it is associated with its true class label), using what is called a soft margin . This motivates the concept of a support vector classifier (SVC). Support Vector Classifiers As we alluded to above, one of the problems with MMC is that they can be extremely sensitive to the addition of new training observations. Consider Figs 8 and 9. In Fig 8 it can be seen that there exists a MMH perfectly separating the two classes. However, in Fig 9 if we add one point to the 1 class we see that the location of the MMH changes substantially. Hence in this situation the MMH has clearly been over-fit : As we mentioned above also, we could consider a classifier based on a separating hyperplane that doesnt perfectly separate the two classes, but does have a greater robustness to the addition of new invididual observations and has a better classification on most of the training observations. This comes at the expense of some misclassification of a few training observations. This is how a support vector classifier or soft margin classifier works. A SVC allows some observations to be on the incorrect side of the margin (or hyperplane), hence it provides a soft separation. The following figures 10 and 11 demonstrate observations being on the wrong side of the margin and the wrong side of the hyperplane respectively: As before, an observation is classified depending upon which side of the separating hyperplane it lies on, but some points may be misclassified. It is instructive to see how the optimisation procedure differs from that described above for the MMC. We need to introduce new parameters, namely n epsiloni values (known as the slack values ) and a parameter C, known as the budget . We wish to maximise M, across b1. bp, epsilon1. epsilonn such that: begin yi left( vec cdot vec b0 right) geq M (1 - epsiloni), quad forall i 1. n end begin epsiloni geq 0, quad sum epsiloni leq C end Where C, the budget, is a non-negative tuning parameter. M still represents the margin and the slack variables epsiloni allow the individual observations to be on the wrong side of the margin or hyperplane. In essence the epsiloni tell us where the ith observation is located relative to the margin and hyperplane. For epsiloni0 it states that the xi training observation is on the correct side of the margin. For epsiloni0 we have that xi is on the wrong side of the margin, while for epsiloni1 we have that xi is on the wrong side of the hyperplane. C collectively controls how much the individual epsiloni can be modified to violate the margin. C0 implies that epsiloni0, forall i and thus no violation of the margin is possible, in which case (for separable classes) we have the MMC situation. For C0 it means that no more than C observations can violate the hyperplane. As C increases the margin will widen. See Fig 12 and 13 for two differing values of C: How do we choose C in practice Generally this is done via cross-validation. In essence C is the parameter that governs the bias-variance trade-off for the SVC. A small value of C means a low bias, high variance situation. A large value of C means a high bias, low variance situation. As before, to classify a new test observation x we simply calculate the sign of f(vec ) vec cdot vec b0. This is all well and good for classes that are linearly (or nearly linearly) separated. However, what about separation boundaries that are non-linear How do we deal with those situations This is where we can extend the concept of support vector classifiers to support vector machines. Support Vector Machines The motivation behind the extension of a SVC is to allow non-linear decision boundaries. This is the domain of the Support Vector Machine (SVM). Consider the following Figs 14 and 15. In such a situation a purely linear SVC will have extremely poor performance, simply because the data has no clear linear separation: Hence SVCs can be useless in highly non-linear class boundary problems. In order to motivate how an SVM works, we can consider a standard trick in linear regression, when considering non-linear situations. In particular a set of p features x1. xp can be transformed, say, into a set of 2p features x1, x21. xp, x2p. This allows us to apply a linear technique to a set of non-linear features. While the decision boundary is linear in the new 2p-dimensional feature space it is non-linear in the original p-dimensional space. We end up with a decision boundary given by q(vec )0 where q is a quadratic polynomial function of the original features and hence is a non-linear solution. This is clearly not restricted to quadratic polynomials. Higher dimensional polynomials, interaction terms and other functional forms, could all be considered. Although the drawback is that it dramatically increases the dimension of the feature space to the point that some algorithms can become untractable. The major advantage of SVMs is that they allow a non-linear enlargening of the feature space, while still retaining a significant computational efficiency, using a process known as the kernel trick. which will be outlined below shortly. So what are SVMs In essence they are an extension of SVCs that results from enlargening the feature space through the use of functions known as kernels . In order to understand kernels, we need to briefly discuss some aspects of the solution to the SVC optimisation problem outlined above. While calculating the solution to the SVC optimisation problem, the algorithm only needs to make use of inner products between the observations and not the observations themselves. Recall that an inner product is defined for two p-dimensional vectors u, v as: Hence for two observations an inner product is defined as: While we wont dwell on the details (since they are beyond the scope of this article), it is possible to show that a linear support vector classifier for a particular observation vec can be represented as a linear combination of inner products: begin f(vec ) b0 sum alphai langle vec , vec i rangle end With n ai coefficients, one for each of the training observations. To estimate the b0 and ai coefficients we only need to calculate n(n-1)2 inner products between all pairs of training observations. In fact, we ONLY need to calculate the inner products for the subset of training observations that represent the support vectors . I will call this subset mathscr . This means that: begin ai 0 enspace text enspace vec i notin mathscr end This means we can rewrite the representation formula as: This turns out to be a major advantage for computational efficiency. This now motivates the extension to SVMs. If we consider the inner product langle vec i, vec k rangle and replace it with a more general inner product kernel function KK(vec i, vec k), we can modify the SVC representation to use non-linear kernel functions and thus modify how we calculate similarity between two observations. For instance, to recover the SVC we just take K to be as follows: Since this kernel is linear in its features the SVC is known as the linear SVC. We can also consider polynomial kernels, of degree d: This provides a significantly more flexible decision boundary and essentially amounts to fitting a SVC in a higher-dimensional feature space involving d-degree polynomials of the features (see Fig 16). Hence, the definition of a support vector machine is a support vector classifier with a non-linear kernel function. We can also consider the popular radial kernel (see Fig 17): begin K(vec i, vec k) exp left(-gamma sum (x - x )2 right), quad gamma 0 end So how do radial kernels work They are clearly quite different from polynomial kernels. Essentially if our test observation vec is far from a training observation vec i in standard Euclidean distance then the sum sum (x j - x )2 will be large and thus K(vec, vec i) will be very small. Hence this particular training observation vec i will have almost no effect on where the test observation vec is placed, via f(vec ). Thus the radial kernel has extremely localised behaviour and only nearby training observations to vec will have an impact on its class label. While this article has been very theoretical, the next article on document classification using Scikit-Learn makes heavy use of SVMs in Python. Biblographic Notes Originally, SVMs were invented by Vapnik (1996). while the current standard soft margin approach is due to Cortes (1995). My treatment of the material follows, and is strongly influenced by, the excellent statistical machine learning texts of James et al (2013) and Hastie et al (2009) . References Vapnik, V. (1996) The Nature of Statistical Learning Theory Cortes, C. Vapnik, V. (1995) Support Vector Networks, Machine Learning 20 (3): 273 James, G. Witten, D. Hastie, T. Tibshiranie, R. (2013) An Introduction to Statistical Learning Hastie, T. Tibshiranie, R. Friedman, J. (2009) The Elements of Statistical Learning Wikibooks (2016) Support Vector Machines (Link ) Scikit-Learn (2016) Support Vector Machines (Link ) Just Getting Started with Quantitative Trading

Lær Forex Trading Online Kurs

Lær Forex 8211 Gratis Online Beginners Course Velkommen til Forex School Online Free Online Beginners Trading Course. Dette nybegynnerkurset har blitt satt sammen av Master Price Action trader Johnathon Fox for nybegynnerhandleren som ønsker å lære å handle Forex vellykket og med en rett frem kurs på nettet. Inne i gratis online nybegynnere Forex kurset vil du bli gitt all den informasjonen som trengs for å få en fast forståelse av de grunnleggende Forex trading konseptene. Dette kurset er designet for å gi deg den kunnskapen du trenger for å komme i gang i Forex-markedene, og sette deg på vei til å bli en trygg, vellykket handelsmann. Etter at du har fullført Forex School Online Beginners Course, vil du være klar til å ta neste steg og studere kurset Advanced Price Action Trading som er designet for seriøse handelsmenn som ønsker å ta neste steg i sin handel og begynne å lage ekte handler med høy sannsynlighet og lav risiko trading metode Alt suksess Forex School Online Team Forex School Online Beginners Course 8211 Course OutlineForex Kurs For Begynnere Investorer som ønsker å gå inn i en verden av valuta kan finne seg frustrert og raskt spiral nedover, mister kapital raskt og optimisme enda raskere. Investere i forex - enten i futures. opsjoner eller spot - gir god mulighet, men det er en svært forskjellig atmosfære enn aksjemarkedet. Selv de mest vellykkede aksjehandlerne vil mislykkes i forex ved å behandle markedene på samme måte. Aksjemarkedene innebærer overføring av eierskap, mens valutamarkedet drives av ren spekulasjon. Men det finnes løsninger for å hjelpe investorer til å komme over læringskurven - handelskurs. (Valutahandel gir langt mer fleksibilitet enn andre markeder, for å lære hvordan du kommer i gang, sjekk ut Forex Walkthrough.) 1. Nettkurs 2. Individuell opplæring Nettkurs kan sammenlignes med fjernundervisning i en klasse på høyskole. En instruktør gir PowerPoint-presentasjoner, ebøker, handelssimuleringer og så videre. En handelsmann vil bevege seg gjennom nybegynner-, mellom - og avanserte nivåer som de fleste online kurs tilbyr. For en næringsdrivende med begrenset utenlandsk kunnskap kan et kurs som dette være uvurderlig. Disse kursene kan variere fra 50 til godt inn i hundrevis av dollar. (Hvis du er nybegynner, sjekk ut de 7 beste spørsmålene om valutahandel. Besvart for en oversikt over grunnleggende begreper.) Individuell trening er mye mer spesifikk, og det anbefales at en handelsmann har grunnleggende forex trening før du går inn. En tilordnet mentor, typisk en vellykket handelsmann, vil gjennomgå strategi og risikostyring. men tilbringer mesteparten av tiden undervisning gjennom å plassere faktiske handler. Individuell trening går mellom 1000 og 10.000. Hva du skal se etter Uansett hvilken type opplæring en handelsmann velger, er det flere ting de bør undersøke før du registrerer deg: Omdømme av kurset Et enkelt Google-søk viser omtrent 2 millioner resultater for valutakurser. For å begrense søket fokuserer du på kursene som har et solidt rykte. Det er mange svindel lovende gigantiske avkastninger og øyeblikkelige penger (mer om dette senere). Ikke tro sprøyten. Et solidt treningsprogram lover ikke annet enn nyttig informasjon og dokumenterte strategier. (Les Komme i gang i Forex for mer om å definere en strategi.) Omdømmet til et kurs er best målrettet ved å snakke med andre handelsmenn og delta i onlinefora. Jo mer informasjon du kan samle fra folk, som har tatt disse kursene, desto mer selvsikker kan du være at du vil gjøre det riktige valget. Sertifisering God handelskurs er sertifisert gjennom en reguleringsinstans eller finansinstitusjon. I USA er de mest populære regjeringskortene som overvåker forex meglere og sertifiserer kurs: Men hvert land har egne regjeringskort, og internasjonale kurs kan bli sertifisert av ulike organisasjoner. Kurs - og kurshandelskurs kan kreve en solid forpliktelse (hvis individuell veiledning er involvert) eller kan være like fleksibel som online podcastklasser (for internettbasert læring). Før du velger et kurs, må du nøye undersøke tids - og kostnadsforpliktelsene, da de varierer mye. Hvis du ikke har flere tusen dollar budsjettert for en-mot-trening, er du sannsynligvis bedre i å ta et online kurs. Men hvis du planlegger å slutte jobben til å handle på heltid, ville det være gunstig å søke profesjonelt råd - selv til den høye prisen. (Les Få Into A Broker Training Program for mer informasjon om å bli megler.) Hold deg unna svindel Gjør 400 avkastninger på en dag. Garantert fortjeneste. Ingen måte å miste Disse og andre catchphrases kull på Internett, lovende det perfekte trading kurset som fører til suksess. Selv om disse nettstedene kan være fristende, bør begynnelseshandlere fjerne tydelig, fordi noen garantier i utenrikshandel er en svindel. (Les mer om dagshandelen i Vil du tjene som en daghandler) Ifølge en Commodity Futures Trading Commission (CFTC) i en utgave i mai 2008, er forex svindel på vei oppover: CFTC har sett økende antall og en voksende kompleksitet, av finansielle investeringsmuligheter de siste årene, inkludert en kraftig økning i utenlandsk valuta (forex) trading svindel. Commodity Futures Modernization Act of 2000 (CFMA) gjorde klart at CFTC har jurisdiksjon og autoritet til å undersøke og ta rettslige skritt for å lukke et bredt utvalg av uregulerte selskaper som tilbyr eller selger valutaterminer og opsjonskontrakter til allmennheten. For å sikre et trading kurs er ikke en svindel, les vilkårene nøye, avgjøre om det lover noe urimelig og dobbeltsjekke sin sertifisering for ektheten. (Finn ut hvordan du kan beskytte deg selv og dine kjære fra økonomiske svindlere i Stop Svindel i deres spor og unngå online investering svindel.) Andre måter å lære å handle Mens handel kurs tilbyr en strukturert måte å lære utenlandsk valuta, de arent den eneste alternativ for en begynnende næringsdrivende. De som er dyktige selvstudenter kan dra nytte av gratis alternativer på nettet, for eksempel handelsbøker. gratis artikler, profesjonelle strategier og grunnleggende og teknisk analyse. Igjen, selv om informasjonen er ledig, må du sørge for at den er fra en troverdig kilde som ikke har noen forstyrrelse i hvordan eller hvor du handler. Dette kan være en vanskelig måte å lære på, ettersom god informasjon er spredt, men for en næringsdrivende som starter med et stramt budsjett, kan det være vel verdt tiden investert. Bunnlinjen Før du hopper inn med haiene, bør handelsrådgivning i den svært volatile forexmarkedet være en topp prioritet. Suksess i aksjer og obligasjoner utgjør ikke nødvendigvis suksess i valuta. Trading kurs - enten gjennom individuell veiledning eller online læring - kan gi en handelsmann med alle verktøyene for en lønnsom opplevelse. (For mer om dette temaet, les 8 Grunnleggende Forex Market Concepts and Forex: Wading Into Valutamarkedet.) En type kompensasjonsstruktur som hedgefondsledere vanligvis bruker i hvilken del av kompensasjonen som er resultatbasert. En beskyttelse mot tap av inntekt som ville oppstå hvis den forsikrede døde. Den navngitte støttemottakeren mottar. Et mål på forholdet mellom en endring i mengden som kreves av et bestemt godt og en endring i prisen. Pris. Den totale dollarverdien av alle selskapets utestående aksjer. Markedsverdien beregnes ved å multiplisere. Frexit kort for quotFrench exitquot er en fransk spinoff av begrepet Brexit, som dukket opp da Storbritannia stemte til. En ordre som er plassert hos en megler som kombinerer funksjonene til stoppordre med grensene. En stop-limit-ordre vil. Forex Education DailyFX Free Online Forex Trading Universitetshandel er en reise som kan vare i livet. Mens ideen om lsquobuying lav, og selger høy, kan rsquo høres enkelt nok i virkeligheten, lønnsom handel er betydelig vanskeligere enn bare å kjøpe når prisen går ned, eller selger når prisen beveger seg høyere. En traderrsquos Forex utdanning kan krysse en rekke markedsforhold og handelsstiler. I DailyFX Free Online Forex Trading University går vi over et stort antall faktorer som påvirker prisbevegelser i Forex-markedet. Wersquove organisert innholdet etter vanskelighetsgrad, begynner med freshman år, og slutter med senior års eksamen. Hvis du klikker på lsquoLearn Morersquo i noen av seksjonene nedenfor, tar du deg direkte til læreplanen, og du kan følge læreplanen ved å klikke på lsquonext lessonrsquo nederst på hver artikkel. Denne læreplanen kan gi en stor del av forexutdanningen din, og hvis din konto er mer, tilbyr DailyFX PLUS On-Demand Forex Video Course som tilbyr 15 moduler, med 3-4 videoer hver. Freshman Year Dette er på tide å få grunnleggende sett for grunnlaget for Forex trading utdanning. I løpet av dette året presenterer vi valutamarkedet, de mest populære valutaparene og aktivaklassene, sammen med noen ekstremt viktige konsepter i Forex-markedet, som innflytelse og margin, ordre typer og tilgjengelige handelssessioner. Dette er på tide å få grunnlaget for resten av forexutdanningen din, og det er helt sentralt at nye handelsmenn er kjent med og komfortabel med konseptene som læres under Freshman-året. Les mer Sophomore Year I løpet av Sophomore-året begynner handelsmenn å lær hvordan de kan navigere i en verden der en uendelig mengde informasjon flyter på dem fra flere retninger. Dette er når vi begynner å lære om rollen som økonomi og økonomiske data kunngjøringer i Forex markedet. Dette er også hvor vi presenterer indikatorer og sentimentanalyse som kan være sentrale i Forex traderrsquos karriere. Lær mer Juniorår Junioråret er når studenten begynner å lære hvordan utdanningen og konseptene fra Freshman og Sophomore årene kan utnyttes i den virkelige verden. Begreper som lysestake analyse, psykologi og meshing Tekniske og grunnleggende utsiktspunkter er i forkant. Dette er alt i ferd med å forberede handelsmenn for senioråret. Les mer seniorår Senioråret er den viktigste delen av en traderrsquos utdanning Dette er hvor handelsmannen vil begynne å bli forberedt på å gå ut og handle i den virkelige verden, på egen hånd . Vi lærer handelsmenn hvordan de skal komponere sin handelsplan, hvordan man handler i ulike markedsforhold, og hvordan man integrerer avanserte grunnleggende begreper i analysen. Det legges vekt på risikostyring i løpet av senioråret, da dette ofte anses som det viktigste for nye handelsmenn å lære før de kan finne kontinuerlig og konsekvent suksess i finansmarkeder. Les mer Siste utdanningsartikler for nybegynnere:

Jse Trading Strategier

Vår første leksjon er en viktig. Du må forstå at dagens bjørnmarkedet er normalt. Faktisk er det velkomment for den fulle investoren. Å sitere Warren Buffet Vær redd når alle er grådige og grådige når alle er redd. Nå tenker på dette - de amerikanske markedene har sett sine største dråper siden den store depresjonen og Buffet har begynt å kjøpe amerikanske aksjer. Dette papiret tar deg gjennom noen av historien og arten av tidligere JSE-sammenbrudd, hva som forårsaker tyr og bjørnmarkeder og viser deretter du hvorfor nå er det en helt fantastisk tid å investere i aksjemarkedene på lang sikt. Vi viser deg selv hvordan du tjener penger i løpet av et krasj ved hjelp av enkle mekaniske strategier. Du vil ikke se noen av denne typen forskning for JSE publisert i Sør-Afrika. BAKGRUND Se på tabellen nedenfor av 11 betydelige nedganger på JSE de siste 21 årene, sett fra et topp-til-gjennom-perspektiv. Det har vært mange flere mini nedturer, men de som er over er de voksne nedgangene. Økede nedturer vi definerte som varige lenger enn 90 dager og representerer en nedgang på mer enn 15. Perioder over er de eneste gangene dette har skjedd siden oktober 1987. Hver gang markedet har bodd ut, har det steget til høyere enn alle Perioder før Hver gang markedet vender etter trough, er det utrolig gode gevinster innen korte perioder. Dette er normale sykluser som spyler systemet, i motsetning til popular tro på at markedene ikke er så effektive. Markeder pris ting for høy på grunn av over-exuberance. som fører til kollapser som til slutt skjer på grunn av eksterne hendelser som en finansiell krise, og deretter går de etterfølgende sammenbruddene helt overbord i den påfølgende panikk og salg. Alle investeringsgrader anerkjente bære markeder som gyldne muligheter for å kjøpe aksjer for langt mindre enn de er verdt, og deretter selge dem for langt mer enn de er verdt. Hvor ellers tror du at disse mennene gjorde millioner av dollar Et annet interessant poeng er hvor raskt store nedgangstider har oppstått. Tabellen nedenfor viser de samme periodene som ovenfor, men fra et tau-til-topp-perspektiv. Legg merke til hvor mye lengre disse oksene går, enn nedgangene (DAYS-kolonnen.) Merk hvor raskt reverseringen får grunn i løpet av 6 måneder etter tråden. Disse er bare for ALSH-indeksen, og sjansen er at du hadde plukket litt blåchips under oppgangen du ville ha fått enda mer (faktisk har vi bevist denne teorien i vår Anatomy of a Crash-papir). Tilbake til den første tabellen ovenfor - du vil merke at vi var 182 dager inn i den siste nedgangen, og JSE ALSH var en rekord 46,4 ned, men ikke for langt fra oktober 1987 og april 1998 langvarige bjørnmarkeder (selv om det var litt lengre). Den nåværende rebounden har vært fantastisk, og hvis de andre store correctionsrebounds er noe å gå forbi, har vi nettopp startet. Dette ser ut som tiden til å pakke våre rifler og gjøre litt verdijakt. Men før vi vil kjøpe noen gamle aksjer, må vi ta deg gjennom noen flere leksjoner basert på vår forskning de siste 12 månedene. Du kan klikke på diagrammet over for en mer detaljert oversikt over indeksen over hele de siste 20 årene. Legg merke til hvor kort krasjene er (ikke mer enn ett år, men for det meste mindre enn 120 dager) og hvor lenge noen av tyrene kan være (2, 3 til og med 5 år). Legg også merke til hvordan hver tyr løper mer enn utgjør for tapene fra den forrige bjørnkjøringen. Vær også oppmerksom på at når vi beveger oss til høyre virker hver korreksjon dyptgående for å tenke at korreksjonene blir verre og verre, men i virkeligheten som du ser fra tallene, er de alle omtrent det samme (20-45). Dette er bare en optisk illusjon siden hver korreksjon er av en mye høyere base. FEM FASER AV LAGERMARKETSKYKEL Fra aksjemarkedet går aksjemarkedet gjennom fem forskjellige faser, nemlig Akkumulering (når de tidlige adopterne, verdsetter investorer og de som er kjent med), Mark-Up (tidlig flertall), Grådighet sent flertall), Distribusjon (laggards) og til slutt kulminerer i Mark-Down (desperat). Det er alltid viktig for investoren å forstå hvilken fase vi er i da det påvirker din investeringsstil, avkastning og risiko. Vår SuperModel Market Timing Dashboard sporer JSE gjennom hver av disse faser. Du kan lese mer om disse fasene over HER. RECOVERY OVER-ESTIMATION En feil investorene gjør er overestimerer omfanget av en korreksjon. Den feilaktige logikken går slik: I 2008-krasj falt markedet 46,4, men per 20. mai 2009 vokste det 26,4 siden troughet, slik at det har gjenvunnet litt over halvparten av tapene. Denne feilen koster investorer kjære, ettersom de ikke føler at det er nok verdi eller sikkerhetsmargin igjen i markedet for at de skal gjøre et punkt. Vi kan garantere deg at mange investorer tror de er for sent, og har gått glipp av den nåværende rebounden. Men vurder dette - å gjenvinne en 46,4 dråpe, du må vokse igjen med 86,6. Utfør det selv - R1,00 mindre 46,4 tilsvarer R0.54. Legg til 86,6 til R0,54 får deg tilbake til. R1.00 Faktisk, som den 20. mai 2009, selv etter 26.4-reboundet, må ALSH vokse ytterligere 48 for å nå sin tidligere topp som den falt. Kanskje det ikke er for sent å komme tilbake da PE og DY TILL BULL OG BÆRMARKEDER Utvilsomt. Den siste oksekjøringen har vært bemerkelsesverdig, og det er med lettelse sukk som Sanity hersker, og vi har en lang forsinkelse. Den nåværende korreksjonen er den største på 21 år ved 46, men den har bare retret 2 år med vekst (til juni 2006). Vi kan ikke si hvor lenge aksjer vil tåle på disse nivåene, og heller ikke hvor raskt de vil stige igjen, men dette er akademisk til verdien langsiktig investor. Tanken er å komme inn når solide aksjer er billige og la kapitalvekst, utbytte og tid i markedet ta vare på resten (tiden i markedet er viktigere enn timing, men selv nå ser timingen ut, selv om markedet går fortsatt ned en annen 15). Se på nedenstående diagram for å se hvorfor nå er en slik spesiell tid for den langsiktige investor: De siste 15 årene av ALSH er vist sammen med PE og Dividend Yield (DY) i ALSH-indeksen. Markedssyklus mellom PE-kompresjon og PE-utvidelse. Når PE avtar mens markedet synker, har vi et bjørnmarked. Når PE avtar mens markedene er sidelengs eller stiger beskjedent (avbildet av PE Compression) har vi et utvalgsbasert marked. Når PE stiger, har vi et oksemarked. I motsetning til populær tro har forskningen vist at lav PE og høy DY tippepunkt kombinert med senkende renter utløser oksmarkeder og IKKE økonomien. Se hvordan historisk lave PE-tråder og høye DY-tinder førte til de to siste oksemarkedene i bildet ovenfor. Se på historisk høy DY og lav PE vi sitter med nå. Vi kan aldri se den utrolige oksen i løpet av de siste 5 årene igjen, mer sannsynlig vil vi se en langsommere, mer forsiktig og sane tur tilbake til toppen. Hovedpoenget er at ved å få en portefølje av de riktige aksjene sammen når PE og DY er i historiske nedturer og høyder (som for øyeblikket), vil du fortsatt bli satt til å høste mer enn tilfredsstillende avkastning som vil overgå det meste av markedet. RENTE - OG MARKEDSKRIKKER Aksjemarkedene fører økonomien med 6-12 måneder. De dypper før økonomien faller og de stiger før økonomien gjenoppretter. Å prøve å vurdere økonomiets tilstand for å forutsi aksjemarkedssykluser er ikke bare vanskelig, men ikke veldig nyttig da aksjemarkedet er en ledende indikator for økonomien, og ikke omvendt. På den annen side gir rentesykluser viktige ledetråder til aksjemarkedsretning. Vanligvis gir perioder med fallende renter stigende aksjemarkeder. I sin berømte bok har Winning on Wall Street Martin Zweig (vi dekker strategiene her) testet en enkel mekanisk aksjeplukestrategi for å kjøpe SampP500 når rentene falt og bytte til obligasjoner når rentene steg fra 1954 til 1996. Denne strategien ble levert en årlig avkastning på 15,5 mot SampP500 buy-and-holds 7.9. Rentesyklusene leverte riktig timing signaler en fantastisk 81,8 av tiden Zweig brukte denne markedet timing strategi sammen med hans mekaniske aksjer plukke strategier for å bli en av de mest vellykkede moderne investorene. Vi har gjort en lignende Market Timing-øvelse de siste 12 årene på JSE nedenfor (vi prøver å skaffe langsiktig historisk Prime Rate-data, og når vi gjør det, vil vi gjenta denne øvelsen over en mye lengre periode.) De skyggelagte blåområdene indikerer Tidspunkter for å være i aksjemarkedet og dermed deres venstre grenser betyr KJØP-signaler og deres høyre grenser betyr SELG-signaler (når rentene startet sin økning.) Ignorer de oransje linjene som vi dekker senere i en forbedret strategi. Under høyrenteperioder (de ubeskadigede områdene) har vi våre penger som tjener interesse i en bankkonto. I løpet av fallende renteperioder har vi våre penger på aksjemarkedet. Ved å bruke denne metoden i motsetning til et kjøp og hold-JSE: ALSH eller penger i bankstrategien viste bemerkelsesverdig overlegen avkastning (enn mindre langt mindre risiko enn du blir holdt utenfor bjørnmarkedet) Tabellen nedenfor viser avkastningen oppnådd for hver periode under anmeldelse. For de bankede perioder beregner vi gjennomsnittlig daglig primær rente minus 3 på månedlig basis for å estimere rente opptjent, men i virkeligheten eller i pengemarkedene vil du sannsynligvis kunne gjøre enda bedre enn dette. Det er bemerkelsesverdig at den tidsbestemte strategien overbevisende overgikk ALSI-kjøp og hold-metoden, selv om den har en tendens til at bail-out av oksen løper for tidlig. Vi dekker en forbedret versjon av den tidsbestemte strategien mer detaljert under Zweig strategiseksjonen for å minimere omfanget av denne forutsetningen, men hovedpunktet vi ønsker å gjøre er at du kan forvente (som i testene Zweig gjorde på SampP500) til nesten doble avkastningen i markedsindeksen for langt mindre markedsrisiko. Av større betydning må du være oppmerksom på at et kjøpesignal ble generert 19. desember 2008 (rentene begynte å falle) og vi har en lengre periode med rentenivåfall på minst 8-12 måneder, noe som ifølge denne teorien og historie, er bundet til å drive aksjemarkedet avkastning høyere. BRUK AV MARKEDSTID Selv om vi brukte markedet timing teori ovenfor for en enkel, men svært vellykket mekanisk investeringsstrategi, har den også bruk for alle de andre strategiene vi dekker på vår nettside. Enkelt sagt, må du sørge for at JSE er i den blå sone (dvs. i et fallende rentemiljø) før du investerer i aksjemarkedene. Zweig brukte markedstiming som sitt første kriterium for å investere før han flyttet inn på sine andre sjekklister som lav PE, inntjeningsvekst etc. Hans teori var at du ikke går imot strømmen og bare investerer når de generelle trender er på opp og oddsen stakkes i din favør. Vi dekker flere svært effektive markedstidssystemer, som kulminerte i vårt berømte SUPERModel Composite Market Timing System som leverte 117 000 vekst i forhold til en JSE-kjøp og hold-strategier på 8 500 vekst de siste 31 årene, ved bare å ha vært i tidenes JSE 47 ANDRE FAKTORER SOM FØLGER LÅNEMARKEDENE I tillegg til de lokale rentene, gir historisk PE, DY og PE ekspansjonskompressene vi har diskutert, det er andre faktorer som økonomi, inflasjon, valutakurser og internasjonale renter som også påvirker aksjemarkedssykluser og forventet avkastning som vist nedenfor. Akkurat nå er vi på kurs for en periode med over gjennomsnittlig ytelse for JSE, da alle faktorene nedenfor er perfekt 77 KONKLUSJON. Suksess på JSE fra tidligere studier Internasjonal forskning er veldig tydelig og veldig konsekvent, og her på PowerStocks Research har vi validert disse trendene på JSE. De største faktorene som bidrar til rikdom og total sannsynlighet for suksess på aksjemarkedene, som du kan kontrollere. er i rekkefølge av betydning: 1. Din Market EntryExit TIMING (gå med strømmen) 2. Den opprinnelige verdsettelsen dikteres av PRIS du betaler, og 3. TIDEN du holder investeringen din for i markedet. Vi har diskutert markedstiming i forrige avsnitt, og det er klart at tidspunktet for investeringen ser ut til å gi alt klart. For å se hva en enorm innvirkning PRIS har på din ultimate avkastning i markedet, se vårt forskningsarkiv. Kraften av verdi. Markedet krasjer sammensatte denne kraften, siden prisene faller skarpt. Faktisk sammensatte de effekten av PRICE så mye at du kan utlede en aksjeplukkingsstrategi som kan oppnå utrolige gevinster under en krasj. Se vår banebrytende forskning med tittelen Anatomy of a Crash som viser deg hvordan du gjør dette. For å se hvor lavrisiko en investering i JSE har vært de siste 50 årene, og hva en enorm innvirkning TIME i markedet har på å redusere risikoen og øke avkastningen, se vår banebrytende forskning med tittelen Sannsynlighet for å vinne på JSE Til slutt handler dette om bevist STRATEGIER som maksimerer avkastningen og reduserer risikoen. Se vår flaggskip designstrategi PowerShares og BLUECHIP som ble utviklet spesielt for JSE. Alle våre strategier er internasjonalt anerkjent og deretter testet på JSE for å fastslå og bekrefte relevansen. Vi driver deretter livemodellporteføljer av disse strategiene for å overvåke resultatene i sanntid (Paper Trading) Vi opprettholder ulike strategier som er skreddersydd for bestemte gevinster og risikobestemmelser for JSE-investoren. For å se hvilke som er våre best performing live-portefølje strategier for 2009, gå og se strategistatistikken. IMPORTANT: Pass på at du leser kompatibilitets-, konfigurasjons - og installasjonsveiledningen før du forsøker å bruke JSW-programmet. Les denne siden og fortsett deretter på Tutorial - 1,2 og 3 etterpå. Du kan når som helst se videoene. 1. INNLEDNING PowerStocks Research JSE Share WatchList (JSW) er et kraftig kvantitativt verktøy for våre abonnenter å analysere aksjeaksjoner på JSE og identifisere investeringer samt kortsiktige handelsmuligheter. Det er basert på end-of-day (EOD) data. JSW er nyttig for handelsmenn og investorer likt. Med det kan du utføre følgende eksempeloppgaver: 1. Se hvilke aksjer som utfører resten av markedet (relativ styrke). 2. Se hvilke aksjer som trender og hvor sterk de trender (trendstyrke). 3. Se hvilke aksjer har nettopp krysset gjennom ulike bevegelige gjennomsnitt 4. Se hvilke aksjer som lager nye høyder (motstandsdyktig motstand). 5. Se hvilke aksjer som lager nye nedturer (nedbrudd av støtte). 6. Se hvor mange handler fant sted i aksjen (aktivitet ) og hva den generelle likviditeten er som 7. Se hvilket volum og Rand verdien aksjene handler inn for dagen 8. Se hvilke aksjer som steg, forblir de samme eller avslått i en hvilken som helst JSE-sektor 9. Se hvilke aksjer som viser uvanlig handelsaktivitet og volum (Share Buzz) 10. Se hvilke aksjer som danner et trough og komme tilbake etter en bratt nedgang 12. Se prisendringene på volumledere, verdiledere, aktivitetsledere etc. 13. Se om aksjen er billig eller overpriced med PowerStocks verdsettelsesmetrisk (PVM). 14. Se Piotroski F-poengsummen (økonomisk helsepoeng) for hver aksje 15. Se om noen del er en Magic Formula, OShaughnessy eller en CAN-SLIM-strategi kandidat 16. Se hva prisbevegelsesbredden til en andel er (antall back-to-back fremskritt) 17. Se 60-dagers historikk av aksjekursen i en kort oversikt over gipslinjer 18. Finn aksjer som lager V, U, invertert-L, invertert-V og andre kartformasjoner 19. Fremhev aksjer som inngår i din personlige portefølje. 20. Utfør 15 forhåndsprogrammerte screeningsfunksjoner for å identifisere interessante aksjekandidater 21. Se hvilke aksjer som har sterk historisk inntekt, inntjening, kontantstrøm og utbytteposter 22. Få automatiserte kjøp og selg signaler for individuelle JSE-aksjer Alt ovenfor er informasjonen presentert på en enkelt side der den kan filtreres og sorteres etter flere felt for å produsere intelligente data rettet mot investorens behov. Bildet nedenfor viser de 32 individuelle feltene som kan filtreres og sorteres for å identifisere muligheter i markedet som ellers ikke ville være synlige for de fleste investorer og forhandlere: (ikke skitne, vi utvider senere) Før du laster ned, installerer og bruker JSW for første gang, anbefales du sterkt å lese JSW-kompatibilitets-, installasjons - og konfigurasjonsveiledningen som er tilgjengelig fra lenken øverst på denne siden. 2. TOPPEN For å unngå at du trenger å knuse for hardt, vil vi bryte klokkebordet opp i tre deler og diskutere tilsvarende. Den første delen, som dekker kolonne A til P, vises nedenfor: TOPPEN består av rader 1-4 og er frosset øverst på siden, slik at du kan bla ned alle 400 aksjene på JSE mens du fortsatt kan se raden overskrifter og funksjonsknapper. Du vil også merke at det er små røde trekanter i kolonneoverskriftene som viser korte nedtrekks kommentarer som beskriver hver kolonne og dens funksjon. Bare hold musen over den røde trekant og kommentarene skal vises. TOPPEN har over 30 programmerte funksjonsknapper. Du klikker bare på noen av knappene, og hele JSE vil bli søkt etter aksjer som samsvarer med kravene som er definert av den automatiske funksjonen. Etter å ha utført en funksjon, vises en beskrivelse av funksjonsmekanikken i informasjonsseksjonen til høyre for den oransje My Shares-knappen. I rad-4 vil du se FILTER-rullegardin knappene for hver kolonne. Bare klikk på dem for å få opp en filterortmeny som du kan filtrere og sortere hver kolonne ytterligere. Vi dekker dette senere. 3. KOLONNER A-P-kolonne-A er en advancedecline-indikator som viser om aksjen er avansert, avvist eller forandret uendret fra datoen som er avbildet i celle E3, over den foregående handelsdagen. Dette er faktisk en overraskende nyttig liten indikator som for eksempel, kan man filtrere kolonne-D for en hvilken som helst spesifikk JSE-sektor ved å klikke på rullegardinfiltret i celle D4 og teste sektorene du er interessert i, og så kan du se en liste av alle aksjer i denne sektoren sammen med deres advancedecline-indikatorer. Man kan også velge nedtrekksfilterboks i celle A4 og deretter bare velge fremskritt for kun å se alle aksjene som avanserte i en JSE-sektor. Kolonnene B til D gir bare aksjene JSE-ticker. dets korte navn og sektor. Du vil merke seg enn navnene i kolonne-c er hyperkoblet. Hvis du klikker på disse delnavnene, blir du sendt til Sharenets grunnleggende side som gir ytterligere informasjon om selskapet (se nedenfor). Hvis du ruller ned på siden ovenfor, får du andre interessante opplysninger, for eksempel hurtige grunnleggende, SENS-varsler, pressemeldinger og lignende med selskapet (Sharenet abonnenter). Kolonne E gir sluttkurs for aksjen på datoen for rapporten. F viser volumet handlet og G viser hvor mange individuelle handler som fant sted på aksjen. H gir den totale verdien handlet på dagen i Rands. Du vil merke at kolonne H er farget inn med en grønn linje for å gi deg en ide om hvordan denne verdien sammenligner med resten av aksjene som handlet den dagen - hvis den grønne linjen er liten, ligger den under gjennomsnittet hvis linjen er i midten, det er omtrent gjennomsnittlig, og hvis stangfarger i hele cellen, er den i toppen av prøven. Kolonnene I til og med M er skjult og brukes til interne beregninger. Kolonne-N viser deg hvor mye andelen endret seg i forhold til tidligere dag i prosent, mens kolonne-O viser deg prosentandringen i aksjekursen siden 5 handelsdager (1 uke) siden. Du vil se en svak oransje linje (gnistlinje) i kolonne-O som viser bevegelsen av aksjekursdiagrammet de siste 5 dagene. Kolonne P gir aksjene vekst de siste 20 handelsdager (1 måned). Disse kolonnene er veldig nyttige for å gi deg en ide om aksjene i nyere ytelse. 4. MARKEDS-CAP, LIKVIDITET, YIELD, VALUATION amp RELATIV STYRKE Det neste bildet dekker kolonnene Q til AG: Kolonne Q gir aksjene markedskapitalisering (i millioner). basert på dagens aksjekurs multiplisert med mengden aksjer i omløb som gitt av selskapets siste finansrapport. Dette er en mye bedre måte å måle markedet på siden da denne verdien kunne ha endret seg ganske dramatisk siden selskapet sist publiserte sine markeds-cap-tall. Igjen bruker vi en farget bar for å skildre relativ størrelse på tallet sammenlignet med de andre JSE-selskapene. Likviditetskolonne-R, LIQ 10d gir en ide om likviditeten til aksjen ved å måle hvor mange ganger i de siste 10 handelsdager aksjen faktisk ble gjennomført i en vellykket handel. Tallene av seg selv er meningsløse for deg, siden de varierer så mye fra deling til deling, men hvis du virkelig vil vite figuren, klikker du bare på en celle i kolonne S, og verdien vil bli vist i innskriftsarket. Vi skildrer den med en hvit sirkel som fylles i svart, avhengig av følgende verdier: 0 -100 handler (10 per dag avg) illikvide tomme sirkel (se AFBRICK) 100-500 handler (10-50 per dag) marginalt flytende ett kvartal fylt sirkel 500 -20000 handler (50-250 per dag) moderat flytende halvfylt sirkel (CAPITEC) 2.500 -10.000 handler (250-1000 per dag) flytende 75 fylt i sirkel over 10.000 handler (over 1000 per dag) meget flytende fullt fylt sirkel Likviditet er viktig. Illikvide aksjer kan være vanskelig å handle, vanskelig å selge og noen ganger vanskelig å kjøpe til riktig pris på grunn av brede budspørsmål. De kan gi ledetråder til å holde fast aksjer av institusjoner skjønt - og dette er bra da det kan drive prisene opp etter hvert som etterspørselen øker. (Dette er en taktikk som brukes av CAN-SLIM-strategien.) Kolonne S gir aksjene Utbytte Utbytte i. En rosa skyggefull bar viser dette utbytteutbyttet med hensyn til en maksimumsverdi på 10. Små avkastninger har små rosa barer og utbytter over 10 har full lengde rosa barer. PowerStocks Valuation Metric (PVM) Column-T gir aksjene PowerStocks Valuation Metric (PVM). Dette er basert på dagens aksjekurs og de respektive selskapene resultat per aksje, bokført verdi per aksje, kontantstrøm per aksje og salg per aksje tall hentet fra den siste finansielle rapporten. Mange av dere er vant til å bruke et aksje PriceEarnings (PE) forhold for å måle om en andel er billig eller dyr, og generelt er dette lydpraksis. Men det er like viktige og kraftige verdsettelsesverdier for en andel, som for eksempel PriceBook-forholdet (som du vil gjenkjenne fra omfattende bruk i Piotroski-strategien). dets PriceSales (eller PriceRevenue) - forholdet og priceCash-flow-forholdet. Noen ganger står du overfor en andel med en negativ PE som gjør det ubrukelig som en verdsettelsesmetrisk (bare fordi selskapet viser tap betyr ikke at det ikke er verdifullt eller billig), og noen ganger er det ganske mulig for en aksje med et tilsynelatende høy PE vises dyrt, men når man vurderer de andre beregningene, er det faktisk billig. Av denne grunn ser PVM på en aksjekurs PriceEarnings, PriceBook, PriceSales og PriceCash-flytforhold, og kombinerer dem sammen i en enkelt metrisk for å gi en sammensatt verdsettelse estimert at er mer avrundet og mer reflekterende over en aksjeovergripende verdsettelse. Målet varierer fra 0 til 4 som vist nedenfor og vises med et signalstyrkeikon: 0: OVERPRISET 1: EKSPENSIV 2: FAIR VALUE 3: CHEAP 4: BEGRENSNINGSBASEMENT (ET BRANDSØPEMERK) Du kan se fra ovenstående bilde som PVM priser ABK som Bargain Basement Cheap og dette er et klassisk eksempel på hvor PE alene mislykkes i å verdsette et selskap. ABKs PE er -1,57, men prisboken er 0,37 (den går for 37c på Rand) og priceSales-forholdet er 0,29, begge varierer billige verdivurderinger. Selvfølgelig er det mange andre ting du vil vurdere når du tar en investeringsbeslutning (noen ganger er det billig av en grunn), men PVM er en viktig del av det. Når du ser en andel som PVM priser som cheapexpensive, kan du være sikker på at alle sine PE, PriceBook, PriceSales og PriceCash-flytforhold er representative for verdier nær de bransjene aksepterer som cheapexpensive. Relativ styrke Kolonne-U er et veldig nyttig verktøy - indikatoren for 1 måneders relativ styrke. Det viser hvilken prosentandel av JSE denne delen utføres når det gjelder 1 måneders aksjekursvekst. Du kan se over at LON utførte 74 av JSE over en 20 trading-dag-periode. Dette setter den blant toppspillerne på JSE. Hvis du vil vite hvor mye aksjen verdsatt i denne perioden, så referer du bare til kolonne-P hvor du kan se at det var 6. Selvfølgelig, hvis verdien her er 100 så er aksjen den høyeste resultatandelen, og hvis verdien er 0 så er det den verste utførelsen. Dette kan være ganske nyttig for deg når du bestemmer deg for hvilken del du skal velge fra en liste som du slår ned. Ønsker å vite hvilke aksjer som har det beste i en bestemt sektor - bare filtrer databasen med ønsket sektor og deretter sorter etter relativ styrke. Ekskluder illikvide aksjer for å gjøre listen enda kortere og fokus på disse aksjene med en relativ styrke større enn 80 . Du vil bli overrasket over hvor liten listen er 5. BUZZ METER Dette geniale systemet i kolonne V og W fremhever uvanlig aktivitet og volum ved å sammenligne antall bransjer for dagen til 10-dagers daglige gjennomsnitt og antall aksjer som endret seg (volum) til 3 måneders daglig gjennomsnitt. Den er representert som en prosentandel som viser den daglige verdien i forhold til gjennomsnittet, sammenlignet med, og betyr at 100 er gjennomsnittlig og over dette er over gjennomsnittet. For eksempel ser vi at LON gjennomførte 213 av sin 10-dagers gjennomsnittskurs, ganske over gjennomsnittet, og volumet av aksjer som handlet var en stor 446 av sitt 3-måneders gjennomsnitt. Hvis disse prosentene overstiger visse terskler, begynner signalstyrken buzz-indikatoren til venstre for testamentet gradvis å fylle opp oppmerksomheten på at utelukkende aktivitet oppstår. Jo flere barer fylle opp i indikatoren, jo mer uvanlig den respektive aktiviteten. For videreutviklede aksjer er et høyt volum buzz kombinert med en lav handel buzz veldig nyttig å tippe deg til innsidebevegelse eller smarte penger eller institusjoner flytter inn i aksjer på forventning om noen gunstige nyheter eller oppdagelsen av god verdi av deres forskerteam som er ennå ikke kjent av allmennheten. Det hjelper deg å hoppe tidlig på en mulig stor trend. Uvanlig volum for en fallende andel peker tydeligvis motsatt, det vil si at innsidere lærer noen dårlige nyheter om å treffe ledningene eller forkunnskap om skuffende resultater, som ennå ikke skal bli annonsert, eller at institusjoner dumper (distribuerer) sine aksjer. Når det er høyt buzz, er dette en indikasjon på den generelle investeringen i offentlig klatring ombord og de fleste ganger er faktisk ledsaget av lavt buzz. Det er sjelden å se høyt volum og handel buzzes sammen. 6. TREND METER Kolonner X til AA er en meter som måler den bullish pris-aktien av en aksje. Dette måler styrken på aksjene som går videre, fra 0 til 4 og bruker aksjekursen i forhold til 15 dagers og 30-dagers glidende gjennomsnitt. Kolonnen merket 15 vil vise en grønn tick hvis aksjekursen er høyere enn 15-dagers glidende gjennomsnitt og gi 2 poeng til måleren. Kolonnen merket 30 vil vise en grønn tick hvis aksjen handler over 30-dagers glidende gjennomsnitt for ytterligere 1 poeng. Kolonnen merket X vil vise en grønn tick hvis aksjene 15-dagers gjennomsnitt er over 30-dagers gjennomsnitt (gjennomsnittlig crossover) og gir ytterligere 1 poeng til måleravlesningen. Kolonnen merket T viser total signalstyrke fra 0 til 4 hentet fra punktene avledet i 15, 30 og X-kolonnene. Jo høyere verdien, desto sterkere er den bullish trenden av aksjen. En verdi på null representerer sannsynligvis en andel i en sterk nedgang. Nyhetsindikatorer: Du vil merke noen celler fylt inn med et gult utropstegn eller et rødt kryss. Det gule utropstegnet forteller deg at oppkryssingen skjedde innen de siste 3 dagene. Det er veldig nyttig å vite at en andel krysset opp gjennom det 15 eller 30 dagers glidende gjennomsnittet i løpet av de siste 3 dagene, da dette betyr at du kan ta en trend tidlig. Når X-kolonnen har et utropstegn, forteller du at 15-dagers gjennomsnittet krysset opp gjennom 30 dagers glidende gjennomsnitt for minst 3 dager siden. Bare å filtrere en kolonne for å bare vise utropstegn vil avsløre alle aksjer på JSE som nettopp har utført denne handlingen innen de siste 3 dagene. Et rødt kryss betyr motsatsen til utropstegnet - det betyr at det har skjedd en kryss ned i løpet av de siste 3 dagene (normalt et bearish signal, mens oppkryssinger er bullish signaler.) Disse indikatorene er nyttige hvis du er interessert i en deling og prøver å kjøpe tiden. Bare kjøp når det er minst 1 bar styrke på signalet. Som ved denne skrivingen, som er like etter en oppstart av JSE, hvis du filtrerer etter farger og velger full signalstyrke, viser dette bare 81 aksjer på JSE eller bare under 20 av JSE-oppføringene. En annen nyttig funksjon er å søke etter bearish (signal0) aksjer i et sterkt oksemarked for å identifisere kortkandidater og å søke etter sterke (signal3 eller 4) aksjer i et bjørnmarked eller rettelse til identifisere potensielle lange kandidater. 7. DONCHIAN METERS Dette vises med kolonner AB og AC og representerer aksjer som gjennomgår en Donchian 60-dagers bullish breakout (kolonne AB - HI) og de som gjennomgår en 20-dagers Donchian bearish nedbrytning (kolonne AC-LO). Et grønt flagg betyr at dagens pris som avbildet i rapporten, representerer faktisk den nye høye eller nye lave som utgjør Donchian-pause. Et rødt flagg betyr at andelen er 2 borte fra pause, noe som innebærer at den enten er i ferd med å ta en pause, eller det har nylig gjort pause og trukket tilbake eller falt litt siden pause. I begge tilfeller handler aksjen på eller nær en 60-dagers høy eller 20-dagers lav som alltid er interessant informasjon. Donchian trend-following teori stater at du bør kjøpe en andel når den gir nye høyder og selger en andel når det gjør nye nedturer. 8. FALLEN ANGELS (FA) Column AD (FA) er en liste over aksjer som har opplevd en nylig stor tilbakegang og viser sterke tegn på tidlig reversering (rebound.) For den nåværende innstillingen for systemet er de alle handel minst 10 under sin topp siden 15. april (den faktiske er vist i kolonne AD). Jo lenger de handler fra deres topp desto bedre er muligheten til å plukke et røverkjøp som sannsynligvis vil komme seg sterkt tilbake. Topp - og minimumprosentnedgangen som systemet bruker i beregningen, vil variere med markedsforhold, men formålet med systemet er å kontinuerlig skure markedet for overlatte aksjer som opplevde store nedganger, men er nå gjenoppbyggende. Flere karakteristika av aksjeprisaksjonen viser sterke tegn på reversering. For eksempel handler de også minst 2 opp fra deres siste 10 dagers lave. Deres 5-dagers glidende gjennomsnitt er større enn deres 10-dagers glidende gjennomsnitt, noe som indikerer en vedvarende kortvarig opp-trend. I tillegg er prisen på dagen større enn en av de to foregående dagene, og prisen for tidligere dager er større enn minimum de siste 6 dagene. Hvis det er en stor korreksjon på gang (mer enn 10), er disse aksjene Fallen Angels-kandidatene med den åpenbare ideen om å finne de største aksjene som falt mest, siden vår forskning (se Anatomy of a Crash) viser at disse aksjene sannsynligvis vil rebound mest. Det anbefales at du undersøker disse aksjene (etter å ha filtrert ut noen av de illikvide som vil være vanskelig å handle eller selge hvis du trenger å komme deg ut) med din egen kartpakke for å få en følelse av priskurven og muligheten. 9. SINCERITY INDEX amp TROUGH REVERSAL MARKERS Columns AE (SV) og AF (Sin) er knyttet til PowerStocks proprietære Sincerity Index vist i kolonnen merket Sin. Det er en indikasjon på aksjeprisbredde og måler bare antall back-to-back (sammenhengende) fremvoksende dager i de to siste ukene av handelen. Det er et mål for overbevisning eller oppriktighet i aksjer oppadgående pris handling. Verdien er høy under kraftige opptrekk, og en verdi på null representerer en svak eller sårbar andel. Det er et blått histogram gnistdiagram i kolonne AF som representerer Sin for andelen de siste 20 handelsdager. Tallet i cellen viser den faktiske Sin-poengsummen for dagen. Vi kan se at RESILIENT har lagt ut 4 back-to-back fremrykkende dager i de siste 2 ukene, og at Sin sin var jevn klatring - viser en kraftig oppflyt i produksjonen. Hvis en andel stiger, men synden synker, så er dette et tegn på svakhet i aksjeprisaksjonen, en mulig varsel om topp. Hvis andelen øker, men Sin-verdien er 0 eller 1, betyr det at oppgangen ikke støttes med stor overbevisning, stigende en dag og senker den aller neste dagen, sakte tommer oppover som fremskrittene litt overvinne nedgangen. En slik oppgang er mulig, da den ikke er støttet av noen KONVIKSJON assosiert med tilbakebetalinger. Bortsett fra å være en utmerket måler for kraften bak en aksjeøkning, er denne indikatoren utmerket for å oppdage aksjer som gir høy tillit gjennom reverseringer. Når en andel har hatt en Sin-lesing på 0 eller 1 i en lang periode, og så plutselig øker Sin med 3 poeng (fra 0 til 3 eller fra 1 til 4), så er dette et tegn på at korreksjonen er over, og kjøpere vender tilbake til dele, drive det opp med overbevisning. Det tar mye for en del som var sløv å plutselig registrere 3 eller 4 back-to-back fremskritt. Når dette skjer, ser du et grønt omkranset kryss i SV-kolonnen, og forteller deg at denne delen ser ut til å ha gjort en tilbakevending (V representerer sprettingen). Ta en titt på SPG i bildet ovenfor. Dette er en klassisk Sincerity Trough Reversal. Du kan se fra Sin-histogrammet at SPGs Sin-poengsum ble lest null i ganske lang tid (ingen blå stenger på venstre side av histogrammet.) Du kan se fra SPGs historikkdiagram, som representerer den siste 40 dagers handel, at dette var knyttet til med en prisnedgangstid. Det er vanlig at en andel blir svakere når den ikke kan samle opp noen tilbakevendende fremskrittende dager. Men da en dag registrerte SPG en tilbaketrukket dag, vist av en liten, blå vertikal linje i Sin-histogrammet, like under 3. Lesingen ble værende på en omgang (et klassisk tegn på delbunnen eller dannelse av en base for trough) og så veldig nylig, steg Sin til 2 og deretter til 3 (dagens lesing), som betyr at kjøpere flokker tilbake for å snap opp andelen som nå er undervurdert eller viser verdi. Den grønne tippen forteller oss at dette ville være en god tid å ta en dør hvis vi handler CFD eller kjøpe på dypp hvis vi var investorer som kanskje er interessert i denne aksjen. Forresten, kan du se fra FA-taggen at SPG er også en Fallen Angel som har falt noen 15 fra sin siste topp. Skjermbildet tatt ovenfor er faktisk den resulterende effekten av å trykke på funksjonen Sincere-V blå-funksjonen. Denne automatiske funksjonen finner alle aksjene på JSE som har fått sin Sin til å lure seg på 0 eller 1 en stund og plutselig har steget til 3 eller flere. Hvis du vil fange trendene tidlig, fokuserer du på aksjene med Sin-avlesninger på 3 eller 4. Hvis en del vises i denne listen med en synd på 6 og over, er sjansene for at reverseringen skjedde noen dager tilbake, og du kan være litt sent på farten (kun av interesse for kortsiktige forhandlere.) 10. PRISGESKYTTNING SPARK-LINE-forsterker JAVA CHARTS Column AG viser de siste 40 dagers prishistorikken for hver aksje på JSE (vi kaller det en gnist - linjediagram). Dette er utrolig nyttig for å få et oversikt over en aksjekurshistorie uten å måtte åpne en kartleggingspakke. Du vil legge merke til at musepekeren vender til en hånd når du holder den over gnistdiagrammet. Hvis du klikker på diagrammet når dette skjer, blir du gjennomført til Sharenet-programmet for gratis Java Chart, der du kan undersøke hva som foregår, som vist i eksempelet nedenfor, etter å ha klikket på SUPERGROUPs gnistledningsdiagram, etter at du har merket det ser ut til å være en tilbakegang. Du vil legge merke til at Java Charts har de 15 og 30 dagers glidende gjennomsnittene vi bruker i TREND METER, programmert i dem allerede. Hvis du ser på SPGs TREND-måler, ser du at vi viste et grønt kryss i 15-kolonnen, noe som betyr at SPG handlet godt over 15-dagers gjennomsnittet, men vi hadde et gult utropstegn i 30 kolonnen og varslet oss til faktum at SPG har krysset opp gjennom 30-dagers gjennomsnittet de siste 3 dagene. Sikkert nok, kan du bekrefte denne hendelsen med Java-diagrammet ovenfor. Hvis du er en forsiktig type, kan du vente på et gult utropstegn som vises i X-kolonnen, når SPGs 15-dagers gjennomsnitt krysser opp gjennom 30-dagers gjennomsnittet. Hvis du ser på JSW hver gang den blir publisert, vil du bli varslet dagen det skjer Hvis du er interessert i å handle eller investere i SPG, men vil vente på denne hendelsen før du forplikter deg, kan du velge å plassere SPG i JSWMYSHARES porteføljefil på harddisken din, merk det som en delt del, slik at du bare kan filtrere kolonne AM (MY SHARES) for å vise alle dine overvåkede aksjer, slik at du kan lete etter når de nødvendige hendelsene oppstår. 11. SIKKERHETSSKJERMER De 5 kolonnene fra AH-AL skildrer ulike skjermer vi opprettholder på JSE for ulike dokumenterte investeringsstrategier. Aksjer som tilhører disse skjermene har normalt egenskaper som er forbundet med høy sannsynlighet for suksess fra et investeringsperspektiv. Hvis du klikker på skjermens navn, blir du gjennomført til vår hjemmeside der vi diskuterer den grundige teorien bak de aktuelle skjermbildene. Disse kolonnene flagger hvis andelen tilhører en bestemt grunnleggende kategori. Disse feltene er overveiende forbundet med SIKKERHET, da inkludering i disse kategoriene øker aksjeregumentene for suksess, basert på velkjent internasjonal forskning, som våre tilbake - og fremoverprøver har validert for JSE. En gang i uken kjører vi skjermbilder på JSE for å bestemme hver aksjes inkludering i disse kategoriene. Piotroski Piotroski-skjermen gir en score fra 1 (dårlig) til 9 (god) for aksjene økonomiske praksis og stående de siste to rapporteringsperioder. Hvis en celle er tom (som med REI), er det fordi det er noen grunn til at denne poengsummen ikke kan beregnes. Enten er telleren ny, nettopp oppført, legger ikke på enkelte elementer som trengs av Piotroski (for eksempel banker som ikke legger inn omsetningstall for eksempel) eller har ikke lagt inn to sett med resultater ennå. Magic Formula Column AI vil vise en farget knapp hvis delen er en Magic Formula kandidat: Grønn knapp. Andelen er i topp 5 på skjermen på TOP-50 universet Black-knappen. Andelen er i topp 5 på skjermen på TOP-100 universet Yellow-knappen. Aksjen er rangert 6-10 i skjermen på TOP-50 universet Rød knapp. Andelen er rangert 6-10 i skjermen på TOP-100 universet. Grønne knapper er bedre enn de gule knappene. Svarte knapper er bedre enn røde knapper. Du kan ikke si at grønne knapper er bedre enn svarte knapper eller at gule knapper er bedre enn røde knapper da dette avhenger av risikoprofilen din. Men generelt, for nybegynnere i det minste, er grønnknappen aksjer snillere enn den svarte knappen aksjer bare fordi de er mye større tellere. Tilsvarende vil gule knappaksjer som brukes i en portefølje gi mindre volatile resultater enn en portefølje som er konstruert av rødknappsaksjer, men i det lange løp (hvis du kan mage volatiliteten) kan røde knapper gi bedre avkastning. Hvis du liker å følge våre svært populære T40-MF-x 5-aksjeporteføljer, lager vi hver måned og sporer i SCOREBOARD-siden, så hold deg til grønne knappen-aksjer. ONeils CAN-SLIM Column AJ viser om aksjen er en sjelden CAN-SLIM-kandidat. Disse aksjene har vist konsistent, akselerert EPS-vekst de siste 3 årene og 6 rapporteringsperioder, men de er kategorisert med en signalstyrkeknapp som følger: 4 bar. Veksten målt fra nåværende ampere tidligere rapporteringsperioder var utenfor positive baser 3 bar. Veksten av siste resultat var utenfor positiv basis, tidligere periode var utenfor negativ base 2 bar. Veksten av siste resultat var utenfor negativ base, forrige periode var utenfor positiv basis 1 bar. Veksten målt fra de seneste tidligere rapporteringsperiodene var utenfor negative baser. Så mens alle CANSLIM-kandidatene viste en vekst på mer enn 10 for deres resultat per aksje rapportering i de to siste regnskapsårene, gir vi mer vekt på veksten oppnådd av en positiv base enn utenfor en negativ base. Tenk på det - EPS-veksten stiger fra 10 til 20 er mye mer imponerende enn EPS-veksten stiger fra -10 til 10. Begge er 100 forbedringer i vekstratene, men man kan argumentere for at det er lettere å oppnå forbedring når det kommer fra negative baser enn positive De KAN-SLIM-aksjene som viser 4 signalstyrke er Blue Blood-kandidatene, men de er svært sjeldne. I dagens skriving er det bare 4 slike aksjer på JSE TOP-40 amp. TOP-100 Kolonne AK vil vise en grønn knapp hvis andel tilhører FTSE JSE TOP-40 indeksen (spores av de fleste ETFer og fondforvaltere) og en rød knapp identifiserer en andel i de største 100 aksjene på JSE ved markedskapitalisering. Nybegynnere anbefales å holde sine individuelle deltakelser til TOP-40 og ikke-nybegynnere som fortsatt er uerfaren, anbefales å holde seg til TOP-100-aksjene. Større aksjer er mindre risikable enn mindre aksjer, men selvfølgelig gir mindre risiko generelt mindre belønning. OSHAUGHNESSY Column AL vil vise en knapp hvis aksjen tilhører OShaughnessy Cornerstone Value-strategien. Dette er en veldig god strategi for å velge høyinntektsandeler som også viser god kapitalvekst. Knappene er fargede som følger: Grønn. Rangerte 1-5 med aksjonærutbytte Oransje: Rangert 6-10 av aksjonærutbytte Rød. Rangeres 11-15 av aksjonærutbytte Grønn er bedre enn oransje, noe som er bedre enn rødt, noe som er bedre enn ingenting - minst så langt som denne strategien er opptatt av. 12. PERSONLIG PORTFOLIOS Siste kolonne, AM er merket MY SHARES og er hvor Du kan holde styr på opptil tre forskjellige personlige aksjeporteføljer fra JSW. Du skriver inn disse i JSWMYSHARES-filen som du må plassere i mappen C: POWERSTOCKS, som vist nedenfor: 13. AUTOMATISKE FUNKSJONSKNAPPER Vi diskuterer nå alle de 30 automatiserte funksjonsknappene vi har designet til JSW for å gjøre det raskt og enkelt for deg å identifisere muligheter som samsvarer med risikoprofilen din og stilen for tradinginvesting. Bare hold musen over et bilde i JSW, og hvis det blir en hånd, vet du at du kan klikke på den for å utføre en automatisk funksjon for å presentere en populær visning på markedet. Når du har gjort dette, vil en beskrivelse av funksjonen vises i en tekstboks rett til høyre for den oransje MyShares-knappen, som beskriver egenskapene til aksjene du vil se foran deg. De første 8 er lederens funksjoner, vist i grønne og røde knapper. Ledere defineres av toppvolumet, toppverdien, toppaktiviteten og toppmarkedsplassen. Ved å klikke på en grønn funksjonsknapp, får du de respektive lederne som avanserte og klikke på den røde knappen gir deg ledere som avviste for dagen. Alle ledere er definert som i den øverste 95-prosentilen av deres respektive kategori (dvs. volumledere er de aksjene som handlet de fem beste volumene, eller hvis volum oversteg 95 av resten av JSE.) Når skjermen er fullført , listen er vist sortert etter prisøkning (eller avskrivning) for dagen (1D) 9. og 10. knappene TOP er de store hitters - de er aksjer som samtidig kvalifiserer for ALLE lederposisjonene, dvs. de var i toppvolumet, handler, verdi og markeds-cap kategorier for dagen. Denne listen er åpenbart mye kortere enn de forrige som bare ser på et aspekt av lederskap. J211. INDUSTRIALER Denne oransje knappen viser alle 26 JSE-aksjene som inngår i sektoren J211-INDUSTRIALS som spores av SATRIX-INDI ETF. Det er en blanding av ulike store cap-aksjer fra ulike av våre JSE-delsektorer, og skal ikke forveksles med underleverandøren Industrial goods amp Services i Watchlist-kolonnen D. J200. TOP-40 Dette viser de 40 JSE-aksjene som inngår i FTSE TOP-40 Index, spores av SATRIX-40 ETF og mange TOPI warrants og ALSI futures kontrakter. Very useful if you are trading a product that tracks the TOP-40 and you want to know what shares were responsible for its rise or fall on any given day or even over the last 5 or 20 days. MyShares This button shows all your shares you configured into the JSWMYSHARES file that you stored in C:POWERSTOCKS folder. This offers a quick way to click one button and be presented with all your investment, trading and watchlist shares so that you can see at-a-glance exactly what happened with them for the day. Particularly useful for shares you are stalking and waiting for an exclamation mark to appear in one of the TREND columns or in the Sin-V column to signal a BUY. The picture below shows the remaining 19 function buttons to the right of the page: RESET After running a macro, you can reset the database and clear all the filters and sort fields created by the macro by clicking the bright red RESET function button. This just saves you having to manually unclear all the sorts and filters in the various columns yourself if you want to reveal all the shares again to run more complex screens not covered by the macros. You do not have to perform this task to run successive macros though, they do this automatically themselves when you activate them. VAL This is a different spin on the classic Piotroski investing strategy. Instead of using PriceBook as our measure of a undervalued or neglected share why dont we use PVM Clicking this button reveals shares that PVM considers bargain basement and that have Piotroski scores greater than 7. TrendBreak shows shares that have traded at least 100 times in the last 10 days, that have a full score for the TREND METER (very strong upward trend) and also made Donchian Breakouts. These are not flash-in-the-pan Donchian breakouts, these are shares that have been showing significant strength for a period (the only way to get a full TREND score) and finally culminated in a breakout. The final list is sorted by relative strength. Shorts shows shares that trade at least 6 times per day and that have ridiculously overpriced PVM valuations coupled with extremely weak financial standings as depicted by Piotroski scores less than 3. It is very risky buying these shares. Make sure none of these shares are in your portfolio Experienced traders may opt to take out short positions on these shares when the timing is right (when they make Donchian lows or red crosses start appearing in the TREND columns or when Sin starts declining rapidly, even as the share continues to climb.) Whilst traders can play these shares, they are not advised for long term investors (except if you plan to short). Broad Buying are shares that advanced for the day, and where the number of trades conducted for the day are at least 200 of the 10-day average (most of them should have a Trade Buzz). We also only include shares that have advanced in price over the last 5 days. We exclude illiquid shares, meaning at least 100 trades were made in the share in the last 10 days. Finally, we restrict the list to shares that have at least a TREND score of 1. The final list is sorted by relative strength. This screen always produces some interesting candidates, especially when you see shares in the final list with breakouts or trough reversal flags Volume Surge looks for shares where the volume traded for the day was at least 150 of the average volume taken over the last 3 months (some volume buzz apparent). It only includes shares that advanced for the day and that also showed a price increase over the last 5 trading days. The list is sorted by Volume Buzz. Good for detecting shares undergoing institutional buying or few large buyers. Generally speaking these shares have a high Volume Buzz and a low Activity Buzz. Illiquid shares are excluded. Turbo looks for shares that are Magic Formula AND OShaughnessey candidates, with Piotroski scores of 7 8 or 9. The idea is that these shares qualify as candidates for at least 3 strategies so they should have turbo-charged odds of success If you run this screen and dont see any yellow stars in the MY SHARES column then slap yourself on the wrist Bargains looks for liquid shares (at least 10 trades per day) that are over R1Bn in market-cap and that have a PVM of Cheap or Bargain Basement. It further only looks at shares that have at least a trend score of 1 and have at least moderate financial health depicted by a Piotroski score of gt 5. Fallen Angels are shares that are making a trough reversal after a large decline of at least 10. The list is sorted by Market-Capitalization. List size will vary by market conditions. In a strong bull or bear market the list will be very small, but at or near major troughs it will start growing. Useful to see in a major correction which shares are leading out of the trough into the next run-up. On the move are shares in the TOP-100 that went up in price over the last 1, 5 and 20 days and out-performed 80 of the JSE over the last month. Plummeting are shares of above-average market-cap that fell in price over the last 5 and 20 trading days, are showing no upward trend and fell in the bottom 20 of the JSE with regard to performance over the last month. The spark-line history charts of these shares should look terrible. In a strong upward move by the JSE it is always interesting to see the shares going counter-trend. Sincere-V is the most powerful function button. It identifies shares of any liquidity, that had a sincerity score of 0 or 1 for quite a while and then suddenly have had this score rising to 3 or 4. This normally signals the end of a decline and beginning of a new up-leg for the share. This is of course when traders want to climb into the share to ride the up-leg. The last function buttons to discuss are the PATTERN buttons shown below: Clicking on any of these will reveal all the shares whose 40-day price history has displayed a pattern similar to that shown on the button. The first button shows shares with a 40-day price history displaying a U or V shape. The 2nd button shows shares that went more or less sideways for 10-15 days and then went up in price. The last button shows shares that went up in price over the last 10-20 days and then went sideways (possible peak). A fair amount of programming goes into trying to pick out these patterns and we hope to add more over time but we are sure you will find these useful. Click on them and then observe the history spark-line charts of all the shares presented and smile as you see the patterns before you. Its not perfect and requires a lot of fuzzy logic in our algorithms but it is effective. 14. QUICK FILTERING amp SORTING TUTORIAL The automated functions we provide present lists of shares worth further inspection. You can further whittle down long lists by applying more filters before arriving at your shortlists. Also, you may want to develop your own routines to identify share candidates, rather than use our standard ones. Either way, it is important for you to learn how to do your own filtering within JSE. We will use the Liquidity indicator as an example to demonstrate filtering techniques and then perform a few examples of how to build your own screening routines. You can use the liquidity indicator to sort and filter in many different ways. The procedure is the same for the rest of the columns in the JSW sheet - just some menu items may change depending on the data. The diagram below shows what menu appears when you click your mouse cursor on the drop-down filter-box in cell R4. You can see some obvious options for sorting, but the filtering is actually the more useful function. Filtering hides all shares that dont fit the specified criteria and is therefore more suitable for whittling down a list to discover interesting share candidates. Option-1. Filter by color We have highlighted Filter by Color which reveals the various circles you can select in another menu that appears to the right. For example, selecting the half-filled in circle at the bottom of the list would restrict the list to only show shares that are moderately liquid This works for all the other columns that have icons (buttons, signal-strength and flags) and the appropriate icons will appear as options as demonstrated above. The downside with this method is that you can only select ONE icon. Option-2. Numbers filter Selecting this reveals a host of filtering options based on the underlying value in the cells, in this instance number of trades in 10 days. The GreaterLess Than. options are probably the most useful, but the AboveBelow average and Top 10 options are equally useful since you dont have to remember the ranges of the underlying values. Using the Top 10 option is very flexible, since clicking it reveals the box shown above on the right where you can select Top or Bottom and 10 can actually be anything from 0 to 100 and you can filter out the top-x items or even more useful, the top-x percent of items. Setting this to Top, 20 and Percent will only show those shares in the top 80th percentile of the column (in this case the top 20 of liquid shares.) Option-3. Check-list filter This is probably more useful for checking or un-checking text items such as JSE Sectors or individual share names, since the check-list is much smaller than that of individual numbers that might appear in numerical cells. However bear in mind the program only displays the universe of items that appear in the column and so quite often it can also be useful to use this to check off various numerical data as well. Most useful for the share names and sectors and for the SAFETY columns. In the example above for the Magic-Formula column, by un-checking the (Blanks) option you are instructing JSW to show you ALL the Magic Formula candidates. Alternatively, you could check only the 1s and 4s (and un-check all the others) to show you the TOP-5 Magic-Formula candidates in the TOP-50 and TOP-100 universes only (green and black buttons only) 15. EXAMPLE SCREENS Here we go through a few exercises to show how we built the automated functions. This is useful to demonstrate the power of complex filtering routines as well as show you how to build some of your own routines using the RECORD MACRO function in Excel. EXAMPLE-1. LIQUID BULLISH-TREND WITH BREAKOUTS If we filter the JSE by shares that have a full-score for their TREND (T in below image) then we have about 81 shares qualifying. If we further filter the list to only show shares with green flags in NEW HI, meaning they just made new highs, then the list plunges to only 27 shares Further filtering out the illiquid shares (those with a white circle in LIQ 10d meaning less than 100 trades in the last 10 days) reduces the list further to only 14 shares The list appears below (note the date - do not action any trades on this info) and is quite intriguing - it tells us a lot about the market (some columns excluded to allow for easier viewing) First, we see that Real Estate dominates the list. This could be an excellent early warning that the entire listed property sector is making a large trend move. Maybe time to invest in a PTXSPY ETF. The second thing to note is that most of these shares are on a high relative strength reading. The third thing to note is that there is a very large volume-buzz on DDT and OCT. With DDT there is definitely some institutional activity related to the buyout announcement. There is a activity buzz on FFA and MTN, SHP and PAP - indicative of broad-based buying (or broad selling, if an institution is loading up on a illiquid share and paying many willing sellers a premium to do so) EXAMPLE-2. VOLUMEACTIVITYVALUE LEADERS UPDN Various Leaders screens are very useful to show you what shares drove the market for the day. You want to know why the market went down or up, especially if they are big moves. Why Because they point you to trends and themes among the investing psychology allowing you to jump onto them or defend against them (if they are detrimental to your existing portfolio). They also give clues to institutional movement or general retail investor movement. The following Leaders screens are highly useful: Volume Leaders UPDOWN Value Leaders UPDOWN Activity Leaders UPDOWN (based on trades) Market-Cap Leaders UPDOWN (movement of the largest shares) Let us look at Volume Leaders UP as an example. Once you see how it is done it is very easy to do the exercise to perform the other leader screensfilters. First we filter the database with the top 5 of volume shares using the Numbers Filter--gtTop-10 on column-F Last Volume and setting it to 5 and Percent (see below) You can vary the level of the percentage (we use 5 to produce a list of about 15 shares, the higher the the more shares will be shown). The next thing is to filter out advances or declines depending if you are looking at UP or DOWN leaders. Assume we want to see UP leaders, to determine who is driving the market up with volume. Then simply filter column-A DIR to only show advances as shown below. You can either filter by color and select the green UP arrow or tick the selection box to only include cells with a value of 1. A value of 0 will only show unchanged shares and a value of -1 will only show declining shares. By the now you will see the list on your page is very small. It is showing the top 5 of the most active shares by volume that advanced in price. All that is required now is to sort the list by price change. You can do an ascending (largest to smallest) sort by 1-day price change on column-N and then you have your final Volume Leaders UP report as shown below (some columns not shown) To switch to a Volume Leaders DOWN report, simply change the filter on column-A DIR to only show declining shares (choose the red down arrow) and change the sort direction on column-N 1D CHG from smallest to largest and presto, you have your report (see below) Note that ACL was not only a down-volume leader but its 1 week relative strength is appalling meaning its been haemorrhaging all of last week - and in a big way since its actually down 6.4 for the week when the whole market has been up 5. It also has a activity buzz going on meaning widespread selling. Not a share we want to be going long on. You can perform the exact exercise on other leader characteristics other than volume, such as column-G of Trades or column-H ZAR Trade Value to get trade activity and value leaders UPDN respectively. 16. CONCLUSION JSW is an important step forward with us, and of course, with you. It puts more power into your hands, with more up-to-date information, and consolidates various powerful quantitative tools we used to publish in various different places on the web site under one umbrella where all the information can be seen together. Additionally the new automated screens allow you to search and identify candidates that reflect your own risk profile and investmenttrading style without having to wait for prompts from us all the time. For us, the most important capability JSW introduces is to put the power of VALUE, SAFETY and TIMING (VST) into your hands when identifying shares: VALUE. PVM and YIELD gives you a powerful valuation metric, to ensure you do not overpay for shares. SAFETY: The PIOTROSKI, CANSLIM, MAGIC FORMULA and OSHAUGHNESSY flags give you peace of mind that the share has characteristics normally associated with successful companies. TIMING: The TREND Meter, FA and Sin-V trough flags gives you important information on the price action of the share and if now is the right timing for a purchase or short-sale. Coupling VST with our general market timing signals, that give the ebb and flow of the general market and economic tides, significantly stacks the odds in your favour. WE SUGGEST YOU NOW PROGRESS TO TUTORIAL 1 BELOWOnline Trading Trade JSE equities via SharenetSecurities next generation online trading platform with unique features and the lowest industry commission at 0.3. Eller utnytte leveraged trading av globale aksjer, indekser og forex med SharenetCFDs på bare 0,2 provisjon. Klikk her for mer informasjon raquo Data Services Bruk våre avanserte verktøy og datatjenester (velg mellom live, forsinket og slutt på dagen) for å gi deg innsikt i markedet og dine investeringer, og for å hjelpe deg med å utvikle og implementere dine handelsstrategier. Sammenlign datatjenester raquo Forskning, teknisk analyse og kartlegging Avansert dataanalyse basert på definerte kriterier kan hjelpe deg med å få avgjørende kjøp, salg eller hold avgjørelser. Definer parametrene dine og la disse kraftige verktøyene hjelpe deg med å identifisere trender og definere dine handelsstrategier. For å handle og investere effektivt trenger du en god forståelse av markedet og dets arbeid. Lær av vellykkede, erfarne og kvalifiserte eksperter ved å delta på våre seminarer eller registrer deg i vårt omfattende studiestudium. Klikk her for mer informasjon raquo Corporate Services Etablert i 1988 Sharenet fortsetter å innovere og utvikle produkter og tjenester for den sørafrikanske finanssektoren, inkludert IR-løsninger, plattformer for hvitt-merkevarehandel, hosting og reklame - og sponsringsmuligheter. Klikk her for mer informasjon raquo Mobile Apps Vekk fra skrivebordet ditt og på farten Sharenet App hjelper deg å holde kontakten med markedene og informert om hva porteføljen din gjør. Last ned den i dag, klikk her for mer info raquo I 2015 tok Sharenet initiativet til å utvikle Load Shedding Alerts-tjenesten, konsolidere data knyttet til Eskoms strømkutt i et enkelt grensesnitt og gjøre det gratis tilgjengelig for publikum. Nok en nyskapende først. klikk her for mer info raquo