揚聲器 | 成績單 |
| 何志宏 | 嘿，不。快點。 好的，大家好，我是 Chi-hong Ho，Henry M Gunn 高中三年級學生。 我的合夥人是Mason Chen；他是斯坦福在線高中的二年級學生。 我們的項目是尋找 COVID-19 爆發期間股票投資的多元統計模型。 |
| 2 月下旬，由于冠狀病毒大流行在世界範圍內蔓延，股市開始崩盤。 造成今年股市崩盤的因素有很多。 |
| 導致今年股市崩盤的因素有很多，例如 COVID-19 大流行。 |
| 歐佩克/俄羅斯/美國石油價格戰。 還有來自美國政府的 2.2 萬億救助計劃。 |
| 一些公司解雇了他們的員工。 由於大流行，失業率超過 30%。 讓我們與 1929 年大蕭條時期的失業率進行比較。 |
| 當時約為25%。 同樣在11月，美國總統大選期間。 然後由於之前在中國傳播的冠狀病毒大流行，製造供應鏈關閉了。 |
| 是的，COVID-19 大流行影響了股市，就像 1929 年大蕭條和 1987 年黑色星期一發生的股市崩盤一樣。 |
| 由於 COVID-19 大流行對世界產生了巨大影響，造成大量死亡，因此股市應該受到大流行的更大影響。 與美國歷史相比，1929 年的大蕭條 |
| 和 1987 年的黑色星期一，兩次崩盤都持續了很長時間。 COVID-19 不是。 今年，股市從 3 月至 4 月的峰值下跌了 25%。 |
| 3 月之前，美國 COVID-19 大流行的傳播速度不如其他國家/地區。 在 COVID 傳播到全球之後，許多國家都被封鎖了。 國家和全球範圍內的封鎖情況將影響股市。 |
| 查看左下角的圖表。 這就是發生在韓國的情況。 亞洲國家比美國先感染了 COVID 大流行病。 |
| 我們用亞洲國家的情況來預測美國會發生什麼。根據這張帶有這種顏色的圖表，即 COVID-19 拐點是針對第二階段的，它可能 |
| 對存量曲線的影響很大，因為在這個短期內，病例增長速度似乎會有所下降。 |
| 好的。 在圖表的左側，它是案例與日期的相關圖。 這是它在美國的相關圖。 |
| 這些病例是在 2 月初增加的，並且在 3 月下旬和 4 月初增加了很多。 |
| 右圖是按日期下跌的股票市場，這意味著地圖的個案興趣是相互關聯的。 當案件增長很多時，股市開始崩盤，最低點下跌超過35%。 |
| 與中國、韓國和美國相比，我們知道亞洲國家在美國之前就爆發了新冠病毒大流行。 我們可以得出結論，未來幾個月美國將會發生什麼。 |
| 根據下面的具體表格和數據，我發現第三階段的持續時間非常短。 現在對我們來說是安全的，我們可以回去工作了。 |
| 相對於第四階段的方向，是第三階段時間的兩倍，所以在這段時間我們更有安全感可以回去工作。 |
| 看完亞洲國家大流行階段後，我們可以預測美國第三階段和第四階段的持續時間。 我們估計美國應該在第三階段結束 |
| 最好的情況下，4 月 15 日和第四階段應該在 5 月 25 日。 最壞的情況是 4 月 30 日左右結束 III 期，6 月 10 日左右結束 IV 期。 |
| 我們最近的項目是定義股票投資策略，我們的目標是學習和體驗股票投資，在股票市場上賺錢，建立一個判斷時代的模型 |
| 交易或交換股票。 首先我們持有2008年和2009年買入的8只高科技股，3月份平均漲幅在400%左右。 |
| 部分個股為標準普爾500強前20名個股，平均漲幅超過800%。 我們想找個時間賣掉這些股票並收回資金。 |
| 由於 COVID-19 的情況和股市崩盤，股價沒有 3 月份那麼高。 所以我們想盡快賣掉。 |
| 在賣出高科技股後，我們看看 23 只受 COVID 影響的股票，這些股票因大流行而下跌。 |
| 我們想等待幾個月後這些股票飆升。 |
| 我們選擇的受 COVID 影響的股票應該至少有 30 億美元的市值。 當我們開始交易股票時，我們可以進行一些交流。 我們應該……我們賣出一隻下跌的股票，買入一隻上漲的股票以保持平衡。 我們需要確保我們的庫存將在幾個月內激增。 |
| 我們將股票交易決策圖分為三個層次。 第一層是決定 |
| 我們將購買什麼，我們將出售什麼和交換什麼。 在第二級，我們從兩組中的賣出組、買入組和交換對中挑選股票。 第三層是我們將要使用的工具。 我們可能會用到 Z 指數，我們會用到異常值檢測工具。 |
| 標準化的作用是讓我們了解均值與真實數據點之間的距離。 為什麼我們需要使用它？ 因為我們需要將實際數據轉換成一個更便於我們比較的索引。 還使用標準化來消除原始數據的偏差。 |
| 在左側，有藍色框、紫色框和紅色框。 真實數據 |
| 在我們收集的輸入中，也就是在藍色方框內。 Z標準化後的新索引在紅色框中找到。 那是我們的輸出。 |
| Z 標準化是我們使用的工具，在紫色框中。 在藍色方框中，小隔間代表納斯達克股票， |
| 這是受歡迎的，很多人會投資。 高科技股在五年內增長了很多。 |
| Z 標準化的範圍是從 -3 標準差到 +3 標準差。 |
| Z標準化後，我們可以得到Z within stock、Z NASDAQ ratio、Z group NASDAQ ratio。 |
| Z within stock 是將股票價格與過去五年前的股票價格進行比較。 Z NASDAQ ratio 股價與納斯達克股價比較 Z group NASDAQ ratio 股價與納斯達克股價比較 |
| 意思是。我們使用 Z 標準化來幫助我們查找 ris。 最後我們將把所有三個 Z 分數組合成一個新的股票指數。 股票指數可以幫助我們降低交易風險。 |
| 這是我們用原始數據標準化後的數據表。 我們可以使用股票……股票價格指數變化。 |
| 美國股市自 2 月中旬左右見頂以來一直處於下行趨勢。 一些股票更為強勁，而某些股票則受到 COVID-19 的影響。 |
| 我們在 3 月 7-8 日建立了這個建模算法，並在 3 月 14-15 日建立了數據庫。 本圖喇叭顯示的那個索引中的紅色， |
| 那是個好時機……現在是賣掉這些股票的好時機，我們可以賺到比其他非紅色指數更多的錢。 |
| 此外，還有一些索引以藍色標記。 那是我們可以考慮購買 23 受 COVID 影響的股票的時候了，因為我們可以降低成本，並在未來獲得更多收益。 |
| 我們之所以使用離群值算法，是因為離群值在幫助我們判斷買賣股票的時機。 |
| 確定異常值的最佳方法是使用分位數範圍異常值。 首先，我們曾經找到整個四分位數範圍，即 Quarter 3 減去 Quarter 1。 |
| 該算法的離群值等於 Q1 減去或 Q3 加上 x IQR，x 等於 1.5（常規）或 3（極端）。 |
| 為什麼我們需要選擇極端異常值？ 因為常規離群值無法顯示我們想要的更長的時間。 |
| 使用整個四分位數範圍（兩個指定數量之間的距離）的乘數找到極值。 所以極端異常值可以有很長的時間 |
| 檢測我們可以在投資中使用的水平，這可以幫助我們降低風險。 但從技術上講，分位數範圍異常值算法用於正態分佈情況。 |
| 股市不像正態分佈那麼多，所以離群值會受到偏態因子的影響。 |
| 因此，我們需要使用不受傾斜因素影響的更強大的工具。 |
| 由於股票表現，我們不會更關心尾部而不是分佈的中心。 |
| 我們使用的下一個工具是穩健的離群值。 我們使用穩健的擬合異常值來忽略偏斜因子。 |
| 離群值和分佈偏度密切相關。 如果在一個分佈的尾部中有許多所謂的異常值，那麼尾部就會出現偏斜。 |
| 在分位數範圍異常值檢測中，假設是正態分佈。 因此，分佈中的偏度會導致異常值檢測方法不准確。 如果分佈嚴重偏斜，就像股票市場數據中的情況一樣， |
| 穩健擬合離群值是準確找到離群值的更好方法，因為它們往往會忽略偏斜因子。 穩健的離群值估計 |
| 一個中心和傳播。 離群值被定義為那些從穩健中心散佈 K 倍穩健的值。 |
| 穩健擬合離群值提供了多個用於耦合穩健估計和乘以 K 的選項，並提供了管理髮現的離群值的工具。 我們對常規使用 K=2.7，對極端異常值使用 4.7。 |
| 使用正則穩健擬合離群值後，我們可以找出銷售指數數據中的離群值。 看右圖。 |
| F5 和 F8 列中有很多陰影紅色單元格，表明我們可以考慮出售這些股票以最大化我們的利潤，因為股票價格高於平均水平。 每一列都顯示了一些股票指數每天的變化，一直到該列。 |
| 我們使用極端異常值作為購買指數的原因是購買指數正在下降。 這意味著很難檢測到購買指數的異常值。 不像賣。 |
| 銷售指數在上升，這對我們來說更容易確定異常值。 |
| 在這個頁面中，數據表中有一些色塊，如B6、B13、B15、B19，表示可以考慮買入該股。 |
| 很多人通過投資股票賺錢，大多數人可能會選擇合適的股票進行投資以獲得合理的投資回報率。 |
| 但投資者很難找到合適的資金進行投資。 其他人的心理因素也會有利於我們的某些投資。 |
| 我們可以根據這個模型來確定我們買入、賣出或交換的股票數量，這可以最大限度地減少個人投資偏差並降低整體財務風險。 |
| 該模型提供了兩種判斷投資金額的方法。 第一個是色塊分析。 現在在那個分析中， |
| 深綠色的塊好賣，橙色或紅色的塊好買或交換。 |
| 然後在底部，有我們定義的交易級別。 L10為最小投資額，L1為最大投資額。 |
| 如果我們要賣股票，我們不會賣太高，在L5量級。 而做交換，我們也選擇了L5型號。 而如果我們買的話，我們可以考慮買更多，所以我們只買L2量。 |
| 所以基於這個模型，我們可以 |
| 管理我們的 |
| ...基於此模型，您將在投資中降低財務風險。 |
| 然後功能....好吧...這是...在第三階段是在交換部分。 我們還使用 Z 標準化...將數據點轉換為該索引，但這是交換索引。 |
| 我們設置的兌換門檻Z兌換指數應該大於15。 這是我們計算的一個平均指數，可以告訴投資者時間。 |
| 左側是折線圖，顯示了每個交易所對的變化。 基於此折線圖，我們可以看到 S5-B1 的趨勢約為 15.8，S5-B14 的趨勢約為 15.16。 |
| 所以這意味著我們可以考慮在 S5-B1 或 S5-B14 之間進行交換。 |
| Z標準化後，我們可以得到股票...賣出股票指數和交易所指數。 |
| 賣出指數 |
| 是將股價與過去五年的股價進行比較。 這 |
| Z 納斯達克比率是將股票指數與平均股票價格進行比較。 因此，將交易所指數與股票賣出指數進行比較，後者是股票買入指數。 |
| 我們使用 Z 標準化來幫助我們應對風險。 我們考慮了大約 184 個選擇，我們需要確保我們的投資將在正確的時機進行，並選擇正確的一對進行交換。 |
| 我們也在使用 |
| 分位數範圍異常值算法幫助我們確定時間。 |
| Q 的小值提供了一組比大值更激進的異常值。 |
| 看右邊的桌子。 我們使用分位數範圍離群值方法，並得到交換指數值大於 19 的頂級離群值。 |
| 這是我們第二次考慮交易所指數。 我們發現有top index，這是信號和幫助...這是我們進行交換的最佳時機。 |
| 就像 19.27 的 S5-B14 對； S5-B13對在 |
| 19.12； S5-B12 在 19.07。 在左側，我們有時序預測模型。 此模型以顏色代碼、彩盒樣式呈現。 |
| 深綠色的方塊適合我們出售，深橙色或紅色的方塊適合我們購買或交換。 最佳時間將以粗體顯示在圖表中。 4月6日，這是最好的交換日，因為我們是從2015年2月份開始交換數據的。 |
| 我們兩次考慮交易對，可以加倍保證我們在股市賺更多的錢，大大降低投資風險。 |
| 4月7日，匯指與4月6日相比變化不大。 那天，S5-B1 對有一個 19.18 |
| 交換指數。 在右圖中， |
| 那是交易所的股票信息。 4 月 8 日，我們以 154.32 美元的價格賣出了 KLAC 股票。 市場股票價格為 148.85 美元，因此我們在賣出時節省了大約 3.5% |
| 同樣在同一天，我們以 22.42 美元的價格買入了 Delta 股票。 |
| 股票市場價格為 22.92 美元，因此我們上漲了約 2.2%，因此在銷售中發生了變化。 因此，賣出相同數量的股票併購買相同數量的股票以取得平衡。 |
| 買賣股票的模型等於 65 個數量。 一天后，該交易所對幫助我們獲得了 5.7% 的收益。 |
| 哦，是的，所有股票買家都會關注他們的股票趨勢。 我和我的搭檔梅森監測了從 2020 年 2 月下旬到 2020 年 3 月中旬的納斯達克股票每日範圍異常值。 |
| 我們將每天的交易窗口分成特定的時間段，每個時間段為 30 分鐘，我們想找出最佳交易時間。 |
| 我們檢測到 24 個峰谷點，上限為 2.7%。 在右上角的圖中，我們可以看到股價的開盤價、收盤價、高價、低價時間，我們還會計算平均值……我們在做股價波峰波谷檢測時，會計算價格區間和排名。 |
| ？？？考慮樣本量的離散數。 在我們檢測到的24個峰/谷點中，數據顯示24個點中有17個大約70%-71%發生在 |
| 第一個或最後一個小時。 我們設置了一個比例檢驗，我們做出的零假設是我們早起並有一個股票午餐時段來進行交易。 |
| 零假設假設均勻分佈概率。 查看左角表，我們可以看到空比例值為 0.34，大於 0.05，所以 |
| 我們不能拒絕原假設。 所以 |
| 13 個槽位中有 4 個槽位可用，所以我們不能拒絕原假設。 查看右角的表格或圖形，顯示高峰時間和低谷時間的分佈水平。 |
| 在我們的研究中，我們提供了一個新模型來挑選合適的股票和 ???買入量和賣出量，也是交易指數。 |
| 時機是投資中非常重要的因素。 在 COVID-19 大流行期間，這種股票投資模型大部分時間都是準確的。 |
| 我們課題組投資股市，項目完成後收益2.5%。 如果大流行沒有結束，我們可以用它來預測未來。 根據我們的研究，早起的鳥兒或最後一刻喜歡股票交易，可以賺更多的錢。 |
| 謝謝。 |
