Quant Way

درس‌‌هایی از مدیریت ریسک (افق سرمایه‌گذاری و جریان عایدی) بخش سوم 👈اسکار وایلد (ادیب ایرلندی)، جمله‌ای در باب کلبیون دارد که می‌گوید قیمت هر چیزی را می‌دانند و ارزش آن را نمی‌دانند. این جمله در عالم بازار سرمایه اینطور تعبیر شد که قیمت آن چیزی است که می پردازید و ارزش آن چیزی است که بدست می‌آورید. بابت خرید یک سهم پول می‌پردازیم تا این سهم بعد از یک یا چند سال عایدی (جریان نقد، سود، سود تقسیمی و ...) ایجاد کند. 👈وقتی عایدی ها مبتنی بر آینده نزدیک هستند و حصول آنها با اطلاعات موجود قابل پیش‌بینی است، ارزش‌گذاری سهم پیش‌بینی‌پذیرتر است و هر چه که پیش‌بینی‌پذیرتر باشد، ریسک آن کمتر است. معمولا آینده دور را در یک ارزش نهایی (terminal value) قرار می‌دهند و فرض می کنند با یک نرخ رشد پایدار به روند خود ادامه می‌دهد. اگر ارزش شرکت بیشتر تابعی از بخش آینده دور باشد و در سال‌های نزدیک عایدی خاصی نداشته باشد، پولی که بابت آن پرداخت می‌کنید، بیشتر بابت بخش ریسکی است. 👈لذا اگر کسی سهام خودرویی، سهام شرکت‌های پیمانکاری، سهام نیروگاهی و ... می خرد (سهامی که در حال‌حاضر جریان نقد خاصی ندارد و انتظار می‌رود روزی در آینده دچار تحول شود)، بیشتر بابت بخش ریسکی پول می‌پردازد و باید دقت کند میزان پرداختی با ریسکی که متقبل می‌شود تناسب داشته باشد. اما اگر کسی بیشتر دنبال خرید سهام دارویی، پتروشیمی و ...( که عمدتا جریان نقدی قوی در آینده نزدیک ایجاد می‌کنند)، احتمالا دنبال ریسک کمتری است و بیشتر بر دریافت سود نقدی و ... تاکید دارد. وقتی سود نقدی برای سرمایه‌گذار اولویت دارد، به دنبال این است که بخشی از پولی که بابت ارزش سهم پرداخته است را در آینده نزدیک دریافت کند و به این ترتیب بخشی از ریسک خود را پوشش دهد. 👈در ایران با توجه به نوسان بالا در اخبار سیاسی، قانون‌گذاری، تغییرات مدیریتی و ... پرداخت پول بابت ارزش نهایی بسیار ریسکی است. به همین دلیل بیشتر سهامداران بنیادی بر افق‌های حداکثر یک‌ساله تاکید دارند و حداکثر سود 1401 را ملاک ارزش گذاری قرار می‌دهند و نسبت p/e فوروارد همچنان محبوبترین مدل ارزش‌گذاری است. و متاسفانه شاید یکی از مهم‌ترین دلایل عدم تشکیل سرمایه در ایران همین نگاه کوتاه مدت در پی عدم ثبات سیاسی و اقتصادی است و میل به سفته بازی بر میل به سرمایه‌گذاری غلبه کرده است. @VI_School

درس‌هایی از #مدیریت‌ریسک (بخش_دوم) اول مدیریت ریسک یا اول کسب بازدهی 👈مدیریت ریسک مقدم بر مدیریت بازده است و مهم‌ترین سخن در این زمینه، قانون اول و دوم #وارن_بافت است. قانون اول: هرگز پول را از دست نده، قانون دوم: هرگز قانون اول را فراموش نکن. این قانون وارن بافت بیان ساده و اجرایی سخت دارد. 👈برای اجرای قانون #وارن‌بافت در مقام عمل، نیازمند داشتند مجموعه‌ای از شرایط هستیم: اول) دانش اقتصادی و مالی: اگر دانش مالی نداشته باشیم، متوسل به کانال‌ها و سیگنال‌فروش‌ها و ... می‌شویم و احتمالا پیامدهای آن را تا کنون تجربه کرده‌ایم. زیاد دنبال بازکردن این جنبه از مدیریت ریسک نیستم. دوم) مالی رفتاری: چه بسیار افرادی که دانش مالی و اقتصادی بالایی دارند اما توانایی غلبه بر سوگیری‌های رفتاری خود را ندارند و برعکس 👈نقش مالی رفتاری در مدیریت ریسک غیرقابل‌انکار است. گاهی علم و تجربه در یک فرد جمع می‌شود اما این فرد ریسک‌گریز یا ریسک‌پذیر است، اگر ریسک‌پذیر باشد یک نتیجه خاص می‌گیرد و اگر ریسک‌گریز باشد یک نتیجه دیگر. فردی کمال‌گرا را فرض کنید که همیشه می‌خواهد اول باشد و از شکست فراری است. وقتی سهمی صف خرید می‌شود و آن را ندارد، حرص می‌خورد و احساس جاماندن از بازار آزارش می‌دهد و با رفتارهای هیجانی کل سرمایه را در معرض خطر قرار می‌دهد. افراد بدبین و محتاط احتمالا دیرتر از بقیه می‌خرند و زودتر بازار می‌فروشند. افرادی که #فرااعتماد هستند و به نوعی اعتماد به نفس کاذب دارند، در برابر سخن تازه و تحلیل جدید مقاومت می‌کنند و بر مواضع خود (که شاید دیگر کاربردی ندارد) اصرار می‌کنند و با همان تحلیل غلط زیان می‌کنند. 👈باید دانش اقتصادی و مالی خود را بالا برد تا بتوان یک سهم را ارزش‌گذاری کرد. این توانایی اجازه می‌دهد تا مطالب کانال‌ها و سخن دوستان و حرفه‌ای‌های بازار تحلیل و هضم شود. مطالعه در باب مالی رفتاری و تمرین صبر توسط محققین توصیه شده است. بیشتر نوبل‌های اقتصادی سال‌های اخیر به دانشمندان اقتصاد رفتاری و مالی رفتاری اختصاص یافته است. @VI_School

درس‌هایی از #مدیریت‌ریسک (بخش اول) 👈مینسکی (اقتصاددان) با اینکه شیکاکو درس خوانده بود، برخلاف هم‌قطاران خود از روش‌های کمی در اقتصاد دوری می‌جُست و بیشتر بر موضوعات رفتاری برای بررسی بحران‌های مالی استفاده تاکید می‌کرد. 👈با اندکی تلخیص می‌توان نظریه بی‌ثباتی مالی مینسکی را برای مدیریت ریسک و غوطه‌ور نشدن در حباب‌ها استفاده کرد. شکلگیری یک بحران در سه مرحله خلاصه می‌شود. در مرحله اول (#پوشش)، بحران قبلی تمام شده و جامعه اقتصادی بسیار محتاط عمل می‌کند. مبلغ سرمایه‌گذاری‌ها و ... بسیار کم است و در ازای سرمایه‌گذاری، بازدهی بالایی می‌خواهند. با گذر زمان، اطمینان بازارها بالا می‌رود و وارد مرحله دوم (#مخاطره) می‌شویم. در این مرحله، بازارها احتیاط اولیه را کنار گذاشته و ریسک‌پذیرتر می‌شوند و در تصمیم‌های اقتصادی خود جسورانه‌تر عمل می‌کنند. در مرحله سوم (مرحله #پانزی) بازارها جانب احتیاط را رها کرده و به شدت ریسک‌پذیر می‌شوند. و در ازای بازده کمتر ریسک بالاتری می‌کنند؛ سطح اعتبار را بالا می‌برند و سرمایه‌گذاران در بازار سهام، تنها به بازده فکر می‌کنند و احساس جاماندن از بازار منجر به فراموش کردن ریسک‌های موجود می‌شود. 👈لحظه مینسکی (Minsky moment): زمانی است که سرمایه‌گذاران، بنگاه‌ها و ... سرمایه‌گذاری‌های سنگینی انجام داده‌اند اما بازده مورد انتظار بسیار کمتر از سطح ریسک متحمل شده است و هر لحظه احتمال دارد که این جریان، روند معکوسی به خود بگیرد. لحظه مینسکی را به مواردی تشبیه می‌کنند که فردی با سرعت طرف پرتگاه در حال فرار است و آنقدر سریع می‌دود که ناگهان در نمی‌یابد پاهایش دیگر به زمین متصل نیست. @VI_School

بررسی اهمیت فیچرها احتمالا تا حالا پیش اومده که می‌خواستید اهمیت فیچر‌ها رو در یک تسک بسنجید. در چنین شرایطی استفاده از معیار feature_importance در دسته‌بندهای درختی مثل random forest شاید اولین گزینه‌ای باشه که به ذهن آدم میرسه. در این دسته‌بندها با توجه به اینکه در هر گره فیچری برای جداسازی داده انتخاب میشه که بیشترین کاهش رو در معیار impurity داشته باشه، مهم‌ترین فیچرها اون‌هایی هستند که به ریشه درخت نزدیک‌تر هستند. به عبارت دیگه فیچرهایی بیشترین importance رو به‌دست میارند که به‌صورت وزندار بیشترین کاهش رو در معیار impurity بر روی داده داشته باشند. اما لزوما اولین گزینه بهترین گزینه نیست. در واقع اگه شما در دیتاست‌تون فیچرهای categorical زیادی داشته باشید احتمالا این معیار، شما رو به اشتباه میندازه. در واقع دسته‌بندهای درختی به فیچرهای numerical که مقادیر unique value زیادی دارند حساس‌تر هستند. به خاطر همین ممکنه در ایجاد درخت تصمیم به فیچرهای categorical اهمیت کمتری بدند. این موضوع به‌خاطر اینه که این دسته‌بندها برای ایجاد درخت تصمیم از معیاری به نام impurity استفاده می‌کنند. مقدار feature importance که براساس معیار impurity در درخت‌های تصمیم حساب میشه می‌تونه ما رو به اشتباه بندازه. حالا چاره کار، استفاده از روش دیگه‌ای به نام permutation_importance است. در این روش در هر iteration یک فیچر انتخاب میشه و مقادیر اون به صورت رندم shuffle میشه ( در هر نمونه ورودی مقادیر همه فیچر‌ها ثابت می‌مونه و فقط یک فیچر بین نمونه‌های مختلف ورودی شافل میشه) و بعد، دیتاست شافل‌شده به مدل داده میشه تا ببینیم چه مقدار افت کیفیت پیدا می‌کنه. طبیعتا اون فیچری که بعد از شافل شدن افت عملکرد بیشتری رو به مدل تحمیل می‌کنه از اهمیت بالاتری برخورداره. همون‌طور که می‌بینید این روش model agnostic هست و بر روی هر مدل از‌قبل‌ترین‌شده‌ای کار می‌کنه. از طرفی می‌تونید این معیار رو هم بر روی مجموعه تست و هم مجموعه ترین محاسبه کنید در حالیکه impurity-based feature importanceها عملا بر روی داده ترین فقط محاسبه شده‌اند. مقایسه اهمیت برخی فیچرها در دیتای تست و ترین و تفاوت اون‌ها می‌تونه سرنخی از وقوع اورفیت باشه. در واقع فیچری که در دیتای ترین اهمیت بالایی داره ولی موقع تست و inference اهمیت پایینی داره می‌تونه باعث اورفیت بشه. پیاده‌سازی و نحوه استفاده از این روش رو در پکیج scikit می‌تونید مشاهده کنید. لینک توضیح permutation_importance: https://scikit-learn.org/stable/modules/permutation_importance.html#permutation-importance پ.ن.: از این به بعد یه هشتگ جدید راه انداختیم که توش می‌خوایم نکات نغز و دلکش تکنیکال رو بگیم. با ما همراه باشید. #handsOn @nlp_stuff

سلام دوستان. امیدوارم از دور اول پرزنت ها استفاده کرده باشین. از دوشنبه این هفته، دور دوم پرزنت هارو شروع میکنیم. 🍀🍀🍀🍀 در فصل یازدهم کتاب به رندم فارست و استراتژی های پیشبینی بازار خواهیم پرداخت 🌺🌺 زمان: دوشنبه ۵ اردیبهشت ساعت ۲۰ Time: 25th April 2022 لینک ورود: زوم Meeting ID: 899 2864 0090 درصورت درخواست پسورد، با ۱۲۳۴۵ وارد شوید. جلسه همچنین رو بصورت لایو در اینستاگرام هم پخش خواهد شد https://www.instagram.com/sasanbarak برای اطلاعات بیشتر به وبسایت مراجعه کنید. Ml4trading.ir ———————————————————— لطفا دوستانتان را دعوت کنید... ممنونم 🌺

‏طبق قانون دوم اورگل که در میان زیست‌شناسان از شهرت خاصی برخوردار است «تکامل از شما باهوش‌تر است.» یا درواقع، انتخاب طبیعی از عهده طراحی چیزهایی برمی‌آید که نه به عقل آدمیزاد می‌رسد و نه به عقل جن. Leslie E. Orgel (1927-2007) ‏یکی از دلایل ویروس‌شناسان برای آنکه ویروس کرونای جدید ساختهٔ دست انسان نیست همین قانون دوم اورگل است؛ طراحی این ویروس به عقل هیچ کس نمی‌رسید!

خلاصه ای از فیلم بکتست استراتژی های تریدینگ، https://www.instagram.com/tv/CcryRB9lXTV/?igshid=MDJmNzVkMjY= فصل ۸ کتاب Ml4trading #Backtesting #machinelearning #algorithmictrading #stockmarket #Finance #trading #marketingstrategy #بکتست #بورس #تریدر #استراتژی #ماشین_لرنینگ

خیر دنیا و آخرت با دانش است و شرّ دنیا و آخرت با نادانی. زکات دانش، آموزش به کسانی که شایسته آنند و کوشش در عمل به آن است. علم گنج بزرگی است که با خرج کردن تمام نمی شود.

جلسه ی امروز

یک فیلمی امروز دیدم از پهلوی ملعون ! ( خدا نشناس !!! ) خیلی برام عجیب بود و بعد ناخودآگاه یاد این مصوب اخیر دولت برای عوراض صادراتی صنایع بود افتادم و مقایسه کردم بعد تصمیم گرفتم یکبار دیگه برم سر فرهنگ نامه معین و معنی ملعون و نشناس رو چک کنم شاید دچار الزایمر شده باشم !

همین سالن بدون

سالن شهید جوزی، طبقه اول ساختمان دانشکده اقتصاد دانشگاه تهران منتظر شما هستیم