En matière d’investissement, ma stratégie préférée est la Approche Boglehead développé par le fondateur et ancien PDG de Vanguard, Jack Bogle. Il recommande d'investir dans des fonds indiciels à faible coût qui tentent de reproduire les rendements des marchés.
Pour ce billet de blog, j'ai décidé de voir si je pouvais proposer un groupe de titres pour surperformer l'indice Dow Jones.
L’objectif est de sélectionner quelques-unes des composantes de la moyenne industrielle de Dow Jones susceptibles de surperformer l’ensemble de l’indice au cours d’un trimestre. Pour faire ma sélection d’actions hautement performantes, j’ai utilisé les transcriptions d’appel des résultats des trois dernières années. Les transcriptions ont été couplées avec les cours boursiers historiques pour créer un modèle statistique et projeter le cours boursier pour la fin du prochain trimestre sur la base de ce qui avait été dit dans l'appel des résultats.
Traitement des données non structurées
Les données d’appel aux résultats se présentent sous la forme de données textuelles non structurées. Ces données textuelles non structurées présentent des défis uniques lorsque vous essayez de collecter des informations à partir de celles-ci. Certains de ces défis incluent la convivialité, la pertinence et la qualité des données. le Explorateur de texte plate-forme dans JMP 13 offre de bons outils pour faire face à ces défis. Je vais montrer certains de ces outils dans cette entrée de blog.
Les transcriptions d’appel correspondant aux 30 sociétés composant le Dow Jones Industrial Average sont disponibles. en ligne . Le dernier appel concernant les résultats de chaque entreprise a eu lieu à l’automne, allant du 27/09/2016 pour Nike au 17/11/2016 pour Walmart. Pour l’information historique sur le cours des actions, j’ai utilisé le Complément JMP de Yahoo Finance Fetcher. Pour le cours actuel des actions, j'ai utilisé le cours d'ouverture du jour de l'appel des résultats.
Explorer le texte
Une fois les données importées dans JMP J'ai utilisé l'explorateur de texte pour analyser les données, ajouté des mots vides et trouvé des expressions courantes. Pour l'analyse des données, j'ai utilisé les paramètres par défaut de l'explorateur de texte, qui utilise des expressions régulières. J'ai également activé l'option de combinaison pour combinaison, car elle combine des termes qui ont le même mot racine. Vous pouvez voir un exemple de création dans la capture d'écran ci-dessous (d'après les transcriptions de Walt Disney). Le premier terme de la liste est franchis · qui contient tous les mots qui ont un mot racine franchis. Pour cet exemple, ces mots sont franchise, franchisée et franchises. Chaque fois que vous voyez le symbole ·, cela indique que le sarment a été appliqué. Les mots vides que j'ai ajoutés à cette analyse sont des mots qui n'offrent pas de pouvoir explicatif. Quelques-uns qui ont été utilisés dans ce cas étaient la diffusion sur le Web, le quart et bonjour. Les expressions courantes dans les documents apparaissent dans la liste de phrases indiquée ci-dessous. J'ai ajouté ces phrases courantes à l'analyse. Certaines phrases comme vice-président mises en évidence par la police rouge sont ajoutées à l'analyse par défaut; ceux-ci peuvent être supprimés en les ajoutant comme mots vides.
Une fois ce processus terminé, j'ai sauvegardé la matrice de termes de document (DTM), qui convertit les données textuelles non structurées en une structure numérique utilisable. J'ai également effectué une analyse de sujet dans la plate-forme Text Explorer (disponible dans JMP Pro ). L'analyse par sujet utilise une décomposition en valeurs singulières pivotées (SVD) de la matrice de termes du document pour regrouper les sujets en mots ou en phrases spécifiques. J'ai ensuite enregistré les vecteurs de rubrique dans la table de données. Vous trouverez ci-dessous un exemple de résultat d'analyse de sujet réalisé sur les relevés de notes Apple. Les mots de sujet sont les mots les plus représentatifs de chaque sujet, et ils me donnent une bonne idée des thèmes pour chaque sujet. Ces rubriques peuvent aider à ajouter un pouvoir explicatif aux modèles.
Construire des modèles statistiques
L'étape suivante consiste à créer un modèle statistique pour chaque composant de l'indice Dow Jones. Avant de créer les modèles statistiques, je configurais une colonne de validation pour retenir une partie des données. Dans ce cas, j'ai utilisé la dernière année de données en tant qu'ensemble de validation. Cette technique a pour but d’empêcher que les modèles ne soient trop équipés. Une chose à garder à l'esprit est que certaines des données de validation auraient pu s'infiltrer dans l'ensemble de formation suite à l'utilisation de l'explorateur de texte. De plus, avec cette petite quantité de données, vous pouvez envisager d’utiliser une méthode de validation croisée à plis multiples à la place de la colonne de validation.
Les données que j'utilise pour cette exploration comportent beaucoup de colonnes et pas beaucoup de lignes, également appelées données larges et étroites. JMP et JMP Pro proposent une large gamme de techniques de modélisation capables de gérer ce type de données. J'ai testé différents modèles, notamment les arbres de décision, la forêt bootstrap, les arbres boostés, les réseaux de neurones et la régression généralisée. Sur la base de la comparaison des modèles et de l'ensemble de données spécifique que je regarde ici, j'ai constaté que les réseaux de neurones renforcés présentaient le meilleur mélange de performances et de parcimonie. Vous trouverez ci-dessous un exemple de modèle montrant les tracés réels par prédiction.
Réel par parcelles prévues pour la formation et le jeu de données de validation
Sélection des stocks pour mon index
Comme je faisais ces modèles dans JMP J'ai rencontré quelques modèles qui ne convergeraient pas entre Nike et Apple. En regardant les données, je me suis rendu compte que le cours de l'action changeait énormément d'un trimestre à l'autre. Pour Apple, cela s'est passé au milieu de 2014. Pour Nike, c'était fin 2015. Comme certains d'entre vous le savent peut-être, le calendrier coïncide avec le fractionnement des actions de chacune de ces sociétés. À des fins de modélisation, j'ai normalisé les prix aux niveaux actuels.
Après avoir créé tous les modèles, j'ai sauvegardé la formule de prévision afin de prévoir le cours de l'action lors du prochain appel à résultats. Bien que les dates d'appel des résultats varient, la plupart des entreprises ont leur prochain appel des résultats à la fin du mois de janvier 2017. Vous trouverez ci-dessous un tableau des résultats de toutes les modifications prévues du prix des actions. Ces prévisions proviennent toutes des modèles de réseau de neurones optimisés élaborés à partir des transcriptions d'appels de revenus. En regardant les résultats ci-dessous, j'ai sélectionné United Health Group, Caterpillar, Merck, Goldman Sachs et McDonald's. L’objectif est de voir si ces choix peuvent surperformer l’indice Dow Jones de l’appel précédent sur les résultats jusqu’à l’appel suivant, vers la fin janvier.
L'indice Dow Jones est calculé à l'aide d'une moyenne pondérée en fonction des prix. Cela signifie que les actions à prix élevés ont un poids ou une influence plus important sur l'indice. J'ai utilisé cette même méthode pour créer mon index et "acheté" une part de chacun des cinq composants, les composants les plus coûteux constituant une plus grande partie de l'indice. Pour obtenir une part de chaque composant le jour du dernier appel de gains, je dépenserais 570,61 $ (voir le tableau ci-dessous).
À des fins de comparaison, j'investirai la même somme dans le Dow Jones Index à la fin du mois d'octobre, à peu près au moment de ces appels. L'indice Dow Jones Industrial Average a été ouvert le 31 octobre à 18 176,60; ce sera le moment initial de l'investissement. En supposant que je puisse acheter des actions de la moyenne industrielle de Dow Jones, je recevrais 0,03139 actions de la moyenne. Les modèles prédisent que le montant de 570,61 USD augmentera à 629,89 USD s’il est investi dans les cinq sélections que j’ai effectuées à l’aide de JMP , ce qui représente une augmentation de 10,4% en un trimestre. Pour obtenir une estimation de la moyenne de Dow Jones Industrial à la fin du mois de janvier 2017, j'ai pris le cours prévu de l'action pour chaque composant et obtenu la somme. Ensuite, j'ai divisé ce nombre par le Dow Divisor, qui est 0,14602128057775. Le résultat pour cette projection est présenté ci-dessous. Avec un montant proche de 18696,73, l’investissement de 570,61 $ passerait à 586,93 $ ou 2,86% en un trimestre.
La prochaine étape consiste à attendre de voir comment mes prédictions se comparent à l’indice Dow Jones et à y revenir avec une entrée de blog au début de février.
Autres idées
Il y a quelques choses que je changerais si je le faisais pour un investissement réel, par opposition à un projet amusant que j'ai conçu pendant la semaine de Thanksgiving:
- Je retournerais certainement plus loin dans le temps pour obtenir plus de relevés de notes d'appels de revenus. Douze est un bon début, mais davantage de données améliorerait ces modèles.
- Comme ce billet de blog vise à montrer comment Text Explorer en JMP peut être utilisé, j’ai utilisé uniquement les données non structurées des appels de gains. Pour améliorer ces modèles, j'utiliserais également des informations telles que les revenus et le bénéfice par action.
- Dernier point mais non le moindre, je ne choisirais pas un cycle électoral pour tenter de prévoir les cours des actions à l'avenir!
