Quando si tratta di investire, la mia strategia preferita è la Approccio di Boglehead sviluppato dal fondatore ed ex CEO di Vanguard, Jack Bogle. Raccomanda di investire in fondi indicizzati a basso costo che tentano di eguagliare i rendimenti dei mercati.
Per questo post del blog, ho deciso di vedere se potevo inventare un gruppo di titoli per sovraperformare l'indice Dow Jones.
L'obiettivo è scegliere alcune delle componenti del Dow Jones Industrial Average che supererebbero l'intero indice nel corso di un trimestre fiscale. Per fare la mia selezione di titoli ad alto rendimento, ho utilizzato le trascrizioni degli utili degli ultimi tre anni. Le trascrizioni sono state abbinate ai prezzi delle azioni storiche per creare un modello statistico e proiettare il prezzo delle azioni per la fine del prossimo trimestre in base a quanto detto nella richiesta di utili.
Gestione dei dati non strutturati
I dati sulle chiamate di guadagno sono sotto forma di dati di testo non strutturati. Questi dati di testo non strutturati presentano alcune sfide uniche quando si tenta di raccogliere informazioni da esso. Alcune di queste sfide includono usabilità, pertinenza e qualità dei dati. Il Text Explorer piattaforma in JMP 13 offre buoni strumenti per affrontare queste sfide. Mostrerò alcuni di questi strumenti in questo post di blog.
È possibile trovare le trascrizioni delle chiamate guadagnate per ciascuna delle 30 società che costituiscono il Dow Jones Industrial Average in linea . Le richieste di guadagni più recenti per ciascuna azienda si sono verificate durante l'autunno, dal 27/09/2016 per la Nike all'11 / 17/2016 per Walmart. Per le informazioni storiche sul prezzo delle azioni, ho usato il Add-in di JMP per il finanziamento di Yahoo finanza. Per il prezzo corrente delle azioni, ho usato il prezzo di apertura per il giorno della chiamata dei guadagni.
Esplorando il testo
Una volta che i dati sono stati importati in JMP , Ho usato Text Explorer per analizzare i dati, aggiungere parole di stop e trovare frasi comuni. Per l'analisi dei dati, ho utilizzato le impostazioni predefinite in Text Explorer, che utilizza espressioni regolari. Ho attivato anche lo stemming per combinare l'opzione perché combina termini che hanno la stessa radice. Puoi vedere un esempio di derivazione nello screenshot qui sotto (dalle trascrizioni di Walt Disney). Il primo termine nella lista dei termini è franchis · che contiene tutte le parole che hanno una radice in franchising. Per questo esempio, quelle parole sono franchising, franchising e franchising. Ogni volta che vedi il simbolo ·, è un'indicazione che è stata applicata la derivazione. Le parole di stop che ho aggiunto a questa analisi sono parole che non offrono un potere esplicativo. Alcuni che sono stati utilizzati in questo caso sono stati trasmessi via web, trimestre e buon giorno. Le frasi comuni nei documenti compaiono nell'elenco delle frasi mostrato di seguito. Ho aggiunto queste frasi comuni all'analisi. Alcune frasi come vicepresidente evidenziate dal carattere rosso vengono aggiunte all'analisi per impostazione predefinita; questi possono essere rimossi aggiungendoli come parole di arresto.
Dopo che questo processo è stato completato, ho salvato il documento term matrix (DTM), che converte i dati di testo non strutturati in una struttura numerica utilizzabile. Ho anche eseguito l'analisi degli argomenti nella piattaforma Text Explorer (disponibile in JMP Pro ). L'analisi degli argomenti utilizza una decomposizione a valore singolare ruotato (SVD) della matrice dei termini del documento per raggruppare gli argomenti in parole o frasi specifiche. Ho quindi salvato i vettori argomento sulla tabella dati. Di seguito è riportato un esempio dell'output dell'analisi degli argomenti eseguita sulle trascrizioni di Apple. Le parole argomento sono le parole più rappresentative di ogni argomento e mi danno una buona idea dei temi per ogni argomento. Questi argomenti possono aiutare ad aggiungere potere esplicativo ai modelli.
Costruire modelli statistici
Il prossimo passo è fare un modello statistico per ogni componente dell'indice Dow Jones. Prima di costruire i modelli statistici, ho impostato una colonna di convalida per trattenere una parte dei dati. In questo caso, ho utilizzato l'ultimo anno di dati come set di convalida. Questa tecnica è di aiuto per evitare il sovradimensionamento dei modelli. Una cosa da tenere a mente è che alcuni dei dati di convalida potrebbero essere trapelati nel set di allenamento dall'uso di Text Explorer. Inoltre con questa piccola quantità di dati, potresti prendere in considerazione l'utilizzo di un metodo di convalida incrociata k-fold al posto della colonna di convalida.
I dati che sto utilizzando per questa esplorazione hanno un sacco di colonne e non un sacco di righe, chiamate anche dati ampi e ristretti. JMP e JMP Pro offre una vasta gamma di tecniche di modellazione in grado di gestire questo tipo di dati. Ho provato diversi modelli, inclusi alberi decisionali, foresta di bootstrap, alberi potenziati, reti neurali e Regressione generalizzata. Basandomi sul confronto tra i modelli e sul set di dati specifici che sto guardando qui, ho scoperto che le reti neurali potenziate avevano la migliore combinazione di prestazioni e parsimonia. Di seguito è riportato un esempio di un modello che mostra l'effettivo dei grafici previsti.
Attuale dai grafici previsti per la formazione e il set di dati di convalida
Selezione di titoli per il mio indice
Mentre stavo realizzando questi modelli JMP , Mi sono imbattuto in un paio di modelli che non convergerebbero Nike e Apple. Guardando i dati, mi sono reso conto che entrambi avevano un grande cambiamento nel prezzo delle azioni da un trimestre all'altro. Per Apple, questo è successo a metà 2014. Per Nike, era alla fine del 2015. Come alcuni di voi potrebbero sapere, i tempi coincidono con le scissioni di azioni per ciascuna di quelle società. Per motivi di modellizzazione, ho normalizzato i prezzi ai livelli attuali.
Dopo aver effettuato tutti i modelli, ho salvato la formula di previsione per prevedere dove il prezzo delle azioni sarà alla prossima chiamata di guadagni. Mentre le date della chiamata al guadagno variano, la maggior parte delle aziende ha il prossimo bando di guadagni alla fine di gennaio 2017. Di seguito è riportata una tabella dei risultati di tutte le variazioni previste del listino prezzi. Queste previsioni provengono tutte dai modelli di rete neurale potenziati ricavati dalle trascrizioni delle chiamate degli utili. Guardando i risultati seguenti, ho selezionato United Health Group, Caterpillar, Merck, Goldman Sachs e McDonald's. L'obiettivo è vedere se queste scelte possono sovraperformare il Dow Jones Index dalla precedente chiamata di guadagni fino alla prossima chiamata di guadagni intorno alla fine di gennaio.
L'indice Dow Jones è calcolato utilizzando una media ponderata in base al prezzo. Ciò significa che gli stock con prezzi più elevati hanno un peso o un'influenza maggiore sull'indice. Ho usato questo stesso metodo per creare il mio indice e "acquistato" una quota di ciascuno dei cinque componenti, con i componenti più costosi che costituiscono una porzione più ampia dell'indice. Per ottenere una quota di ogni componente il giorno dell'ultima chiamata di guadagni, spenderei $ 570,61 (vedi la tabella seguente).
Per fare un confronto, "investirò" la stessa quantità di denaro nell'indice Dow Jones alla fine di ottobre, al momento di queste chiamate. La media industriale Dow Jones è stata aperta al 18176.60 il 31 ottobre; quello sarà il tempo di investimento originale. Supponendo che potrei acquistare azioni del Dow Jones Industrial Average, otterrei 0,03139 parti della media. I modelli prevedono che il $ 570,61 aumenterà a $ 629,89 se investito nelle cinque scelte che ho fatto usando JMP , che è un aumento del 10,4% in un trimestre. Per ottenere una stima di dove sarà la media industriale Dow Jones alla fine di gennaio 2017, ho preso il prezzo delle azioni previsto per ciascun componente e ottenuto la somma. Poi ho diviso quel numero dal Dow Divisor, che è 0.14602128057775. Il risultato per quella proiezione è mostrato sotto. Con una chiusura stimata di 18696,73, l'investimento di $ 570,61 salirà a $ 586,93 o al 2,86% in un trimestre.
Il prossimo passo è aspettare e vedere come si comportano effettivamente le mie previsioni rispetto all'indice Dow Jones e rivisitarlo con un post di blog all'inizio di febbraio.
Ulteriori idee
Ci sono alcune cose che cambierei se lo facessi per investimenti reali rispetto a un progetto divertente che ho ideato durante la settimana del Ringraziamento:
- Ritornerei sicuramente più indietro nel tempo per ottenere più trascrizioni di chiamate di guadagni. Dodici è un buon inizio, ma più dati migliorerebbero questi modelli.
- Dal momento che questo post sul blog si concentra sulla visualizzazione di Text Explorer in JMP può essere usato, ho usato solo i dati non strutturati dalle chiamate dei guadagni. Per migliorare questi modelli, utilizzerei anche informazioni come entrate e guadagni per azione.
- Ultimo ma non meno importante, non sceglierei un ciclo elettorale per tentare di prevedere i prezzi delle azioni in futuro!
