Wenn es ums Investieren geht, ist meine Lieblingsstrategie die Boglehead-Ansatz Entwickelt vom Gründer und ehemaligen CEO von Vanguard, Jack Bogle. Er empfiehlt, in preisgünstige Indexfonds zu investieren, die versuchen, die Renditen der Märkte zu erreichen.
Für diesen Blogbeitrag entschied ich mich zu prüfen, ob ich eine Gruppe von Aktien finden könnte, die den Dow Jones Index übertreffen.
Ziel ist es, einige der Komponenten des Dow Jones Industrial Average auszuwählen, die den gesamten Index über ein Geschäftsquartal übertreffen würden. Um meine Auswahl an Aktien mit hoher Performance zu treffen, habe ich aus den vergangenen drei Jahren Transaktionssummen verwendet. Die Transkripte wurden mit den historischen Aktienkursen gekoppelt, um ein statistisches Modell zu erstellen und den Aktienkurs für das Ende des nächsten Quartals basierend auf den Angaben in der Ergebnisaufforderung zu projizieren.
Umgang mit unstrukturierten Daten
Ergebnisdaten für Anrufe sind in Form unstrukturierter Textdaten. Diese unstrukturierten Textdaten stellen einige einzigartige Herausforderungen dar, wenn Sie versuchen, Informationen daraus zu erhalten. Einige dieser Herausforderungen umfassen die Benutzerfreundlichkeit, Relevanz und Qualität der Daten. Das Text Explorer Plattform in JMP 13 bietet nette Tools, um mit diesen Herausforderungen umzugehen. Ich werde einige dieser Werkzeuge in diesem Blogeintrag vorführen.
Die Anrufprotokolle für alle 30 Unternehmen, aus denen sich der Dow Jones Industrial Average zusammensetzt, sind zu finden online . Der jüngste Gewinnaufruf für jedes Unternehmen kam zu einem bestimmten Zeitpunkt im Herbst, von Nike vom 29.9.2016 bis zum Walmart vom 17.11.2016. Für die historischen Aktienkursinformationen habe ich die verwendet JMP-Add-In für Yahoo-Finanzabruf. Für den aktuellen Aktienkurs habe ich den Eröffnungskurs für den Tag des Ergebnisaufrufs verwendet.
Den Text erkunden
Sobald die Daten importiert wurden JMP Ich habe den Text-Explorer verwendet, um die Daten zu analysieren, Stoppwörter hinzugefügt und gängige Ausdrücke gefunden. Für die Datenanalyse habe ich die Standardeinstellungen im Text-Explorer verwendet, der reguläre Ausdrücke verwendet. Ich habe auch die Option "Stemming für Kombinieren" aktiviert, da hier Begriffe kombiniert werden, die dasselbe Wort haben. In der Abbildung unten sehen Sie ein Beispiel für das Stemming (von Walt Disneys Transkripten). Der erste Begriff in der Begriffsliste ist Franchis ·, der alle Wörter enthält, die ein Franchis-Wurzelwort haben. Für dieses Beispiel sind diese Wörter Franchise, Franchise und Franchise. Jedes Mal, wenn Sie das Symbol · sehen, ist dies ein Hinweis darauf, dass das Stemming angewendet wurde. Die Stoppwörter, die ich zu dieser Analyse hinzugefügt habe, sind Wörter, die keine erklärende Kraft bieten. Einige, die in diesem Fall verwendet wurden, waren Webcast, Quartal und Guten Morgen. Allgemeine Phrasen in den Dokumenten werden in der unten abgebildeten Phrasenliste angezeigt. Ich habe diese allgemeinen Sätze zur Analyse hinzugefügt. Bestimmte Ausdrücke wie der durch die rote Schrift hervorgehobene Vizepräsident werden standardmäßig der Analyse hinzugefügt. Diese können entfernt werden, indem Sie sie als Stoppwörter hinzufügen.
Nachdem dieser Prozess abgeschlossen war, sparte ich die Dokumenttermatrix (DTM) aus, die die unstrukturierten Textdaten in eine verwendbare numerische Struktur umwandelt. Ich habe auch eine Themenanalyse in der Text Explorer-Plattform durchgeführt (verfügbar in JMP Pro ). Die Themenanalyse verwendet eine gedrehte Singular Value Decomposition (SVD) der Dokumentmatrix, um Themen nach bestimmten Wörtern oder Ausdrücken zu gruppieren. Ich habe dann die Themenvektoren auch in der Datentabelle gespeichert. Nachstehend finden Sie ein Beispiel für die Ausgabe der Themenanalyse, die für die Apple-Transkripte ausgeführt wird. Die Themenwörter sind die Wörter, die für jedes Thema am repräsentativsten sind, und sie geben mir eine gute Vorstellung von Themen für jedes Thema. Diese Themen können dabei helfen, den Modellen eine erklärende Aussagekraft zu geben.
Aufbau statistischer Modelle
Der nächste Schritt ist die Erstellung eines statistischen Modells für jede Komponente des Dow Jones-Index. Bevor ich die statistischen Modelle baute, richtete ich eine Validierungsspalte ein, um einen Teil der Daten zurückzuhalten. In diesem Fall habe ich das letzte Jahr der Daten als Validierungssatz verwendet. Diese Technik soll vor einer Überanpassung der Modelle schützen. Dabei ist zu beachten, dass einige der Validierungsdaten durch die Verwendung von Text Explorer in den Trainingssatz eingedrungen sein könnten. Bei dieser kleinen Datenmenge können Sie auch die Verwendung einer k-fachen Kreuzvalidierungsmethode anstelle der Validierungsspalte in Betracht ziehen.
Die Daten, die ich für diese Erkundung verwende, haben viele Spalten und nicht viele Zeilen, auch breite und schmale Daten genannt. JMP und JMP Pro bieten eine breite Palette von Modellierungstechniken, die mit dieser Art von Daten umgehen können. Ich habe verschiedene Modelle ausprobiert, darunter Entscheidungsbäume, Bootstrap-Wald, Boost-Bäume, neuronale Netzwerke und Generalized Regression. Aufgrund des Modellvergleichs und des spezifischen Datensatzes, den ich hier betrachte, habe ich festgestellt, dass die verstärkten neuronalen Netzwerke die beste Mischung aus Leistung und Sparsamkeit aufweisen. Nachfolgend ist ein Beispiel eines Modells dargestellt, das die tatsächlichen durch vorhergesagten Diagramme zeigt.
Tatsächlich durch vorhergesagte Diagramme für Trainings- und Validierungsdatensatz
Bestände für meinen Index auswählen
Da machte ich diese Modelle in JMP Ich traf auf ein paar Modelle, die Nike und Apple nicht zusammenbringen würden. Bei der Betrachtung der Daten stellte ich fest, dass beide eine sehr große Kursänderung von Quartal zu Quartal hatten. Für Apple geschah dies Mitte 2014. Für Nike war es Ende 2015. Wie einige von Ihnen wissen, stimmt das Timing mit den Aktiensplits für jedes dieser Unternehmen überein. Zur Modellierung habe ich die Preise auf das aktuelle Niveau normalisiert.
Nachdem ich alle Modelle erstellt hatte, speicherte ich die Vorhersageformel, um zu prognostizieren, wo sich der Aktienkurs beim nächsten Ergebnisaufruf befindet. Während die Termine für die Einnahmen variieren, haben die meisten Unternehmen Ende Januar 2017 die nächsten Einnahmen. Nachfolgend finden Sie eine Tabelle mit den Ergebnissen aller prognostizierten Aktienkursänderungen. Diese Vorhersagen stammen alle aus den verstärkten neuronalen Netzwerkmodellen, die aus den Transaktionsprotokollen für die Ergebnisaufrufe erstellt wurden. Bei der Betrachtung der folgenden Ergebnisse habe ich die United Health Group, Caterpillar, Merck, Goldman Sachs und McDonald's ausgewählt. Das Ziel besteht darin zu sehen, ob diese Auswahl den Dow Jones Index von der vorherigen Gewinnaufforderung bis zur nächsten Gewinnaufforderung gegen Ende Januar übertreffen kann.
Der Dow Jones-Index wird anhand eines preisgewichteten Durchschnitts berechnet. Dies bedeutet, dass die Aktien mit höheren Preisen ein höheres Gewicht oder Einfluss auf den Index haben. Ich habe dieselbe Methode zum Erstellen meines Index verwendet und eine Aktie von jeder der fünf Komponenten "gekauft", wobei die teureren Komponenten einen größeren Teil des Index ausmachen. Um am Tag des letzten Gewinnaufrufs einen Anteil von jeder Komponente zu erhalten, würde ich 570,61 $ ausgeben (siehe nachstehende Tabelle).
Zum Vergleich werde ich Ende Oktober zur Zeit dieser Aufrufe dieselbe Geldsumme in den Dow Jones Index "investieren". Der Dow Jones Industrial-Durchschnitt wurde am 31. Oktober um 18176,60 eröffnet. Das ist die ursprüngliche Zeit der Investition. Angenommen, ich könnte Aktien des Dow Jones Industrial Average kaufen, würde ich 0,03139 Aktien des Durchschnitts erhalten. Die Modelle sagen voraus, dass die 570,61 $ auf 629,89 $ steigen werden, wenn sie in die fünf von mir verwendeten Plektren investieren JMP Dies entspricht einem Plus von 10,4% in einem Quartal. Um eine Schätzung des Dow Jones Industrial-Durchschnitts Ende Januar 2017 zu erhalten, habe ich den vorhergesagten Aktienkurs für jede Komponente genommen und die Summe erhalten. Dann habe ich diese Zahl durch den Dow-Divisor geteilt, der 0,14602128057775 ist. Das Ergebnis für diese Projektion wird unten gezeigt. Bei einem geschätzten Abschluss von 18696,73 würde die Investition von 570,61 USD in einem Quartal auf 586,93 USD oder 2,86% steigen.
Der nächste Schritt besteht darin, abzuwarten, wie meine Vorhersagen tatsächlich im Vergleich zum Dow Jones-Index abschneiden, und diesen Anfang Februar mit einem Blogeintrag erneut zu betrachten.
Weitere Ideen
Es gibt ein paar Dinge, die ich ändern würde, wenn ich dies für die eigentliche Investition tun würde, im Gegensatz zu einem Spaßprojekt, das ich in der Thanksgiving-Woche entworfen hatte:
- Ich würde auf jeden Fall in der Zeit zurückgehen, um mehr Transkripte für Einnahmen zu erhalten. Zwölf ist ein guter Anfang, aber mehr Daten würden diese Modelle verbessern.
- Seit diesem Blogbeitrag geht es darum zu zeigen, wie der Text Explorer in JMP verwendet werden kann, habe ich nur die unstrukturierten Daten aus den Ergebnisaufrufen verwendet. Um diese Modelle zu verbessern, würde ich auch Informationen wie Umsatz und Gewinn pro Aktie verwenden.
- Zu guter letzt würde ich keinen Wahlzyklus wählen, um zu versuchen, die Aktienkurse in der Zukunft vorherzusagen!
