Cuando se trata de invertir, mi estrategia favorita es la Enfoque de Boglehead Desarrollado por el fundador y ex CEO de Vanguard, Jack Bogle. Recomienda invertir en fondos de índice de bajo costo que intenten igualar los rendimientos de los mercados.
Para esta publicación del blog, decidí ver si podía crear un grupo de acciones para superar el índice Dow Jones.
El objetivo es elegir algunos de los componentes del Promedio Industrial Dow Jones que superarán a todo el índice durante un trimestre fiscal. Para hacer mi selección de acciones de alto rendimiento, utilicé las transcripciones de las ganancias de los últimos tres años. Las transcripciones se combinaron con los precios históricos de las acciones para hacer un modelo estadístico y proyectar el precio de las acciones para el final del próximo trimestre en función de lo que se dijo en la convocatoria de resultados.
Tratar con datos no estructurados
Los datos de llamadas de ganancias están en forma de datos de texto no estructurados. Estos datos de texto no estructurados presentan algunos desafíos únicos cuando intenta recopilar información a partir de ellos. Algunos de estos desafíos incluyen la facilidad de uso, la relevancia y la calidad de los datos. los Explorador de texto plataforma en JMP 13 Ofrece buenas herramientas para hacer frente a estos desafíos. En esta entrada del blog mostraré algunas de esas herramientas.
Las transcripciones de las llamadas de ingresos para cada una de las 30 compañías que conforman el Promedio industrial Dow Jones se pueden encontrar en línea . La llamada de ingresos más reciente para cada compañía ocurrió en algún momento durante el otoño, desde el 27/9/2016 para Nike hasta el 11/17/2016 para Walmart. Para la información histórica del precio de las acciones, utilicé el Yahoo Finance Fetcher JMP complemento. Para el precio actual de las acciones, utilicé el precio de apertura para el día de la llamada de ganancias.
Explorando el texto
Una vez que los datos fueron importados en JMP , Utilicé el Explorador de texto para analizar los datos, añadí palabras clave y encontré frases comunes. Para el análisis de datos, utilicé la configuración predeterminada en el explorador de texto, que usa expresiones regulares. También activé la opción de derivación para combinar porque combina términos que tienen la misma palabra raíz. Puede ver un ejemplo de derivación en la captura de pantalla a continuación (de las transcripciones de Walt Disney). El primer término en la lista de términos es franchis · que contiene todas las palabras que tienen una raíz de franchis. Para este ejemplo, esas palabras son franquicia, franquicia y franquicias. Cada vez que vea el símbolo, es una indicación de que se ha aplicado la derivación. Las palabras de parada que agregué a este análisis son palabras que no ofrecen poder explicativo. Algunos de los que se utilizaron en este caso fueron webcast, trimestre y buenos días. Las frases comunes en los documentos aparecen en la lista de frases que se muestra a continuación. Agregué estas frases comunes al análisis. Ciertas frases como el vicepresidente resaltado por la fuente roja se agregan al análisis de forma predeterminada; Estos pueden eliminarse agregándolos como palabras de parada.
Una vez completado este proceso, guardé la matriz de términos del documento (DTM), que convierte los datos de texto no estructurados en una estructura numérica utilizable. También realicé análisis de temas en la plataforma Text Explorer (disponible en JMP Pro ). El análisis de temas utiliza una descomposición de valores singulares rotados (SVD) de la matriz de términos del documento para agrupar los temas en palabras o frases específicas. Luego guardé los vectores de temas en la tabla de datos también. A continuación se muestra un ejemplo del resultado del análisis de temas realizado en las transcripciones de Apple. Las palabras del tema son las palabras más representativas de cada tema y me dan una buena idea de los temas para cada tema. Estos temas pueden ayudar a agregar poder explicativo a los modelos.
Construyendo modelos estadísticos
El siguiente paso es hacer un modelo estadístico para cada componente del índice Dow Jones. Antes de construir los modelos estadísticos, configuré una columna de validación para retener una parte de los datos. En este caso, usé el último año de datos como el conjunto de validación. Esta técnica es para ayudar a protegerse contra el exceso de ajuste de los modelos. Una cosa a tener en cuenta es que algunos de los datos de validación podrían haberse filtrado en el conjunto de entrenamiento del uso de Text Explorer. Además, con esta pequeña cantidad de datos, podría considerar el uso de un método de validación cruzada de pliegues en K en lugar de la columna de validación.
Los datos que estoy usando para esta exploración tienen muchas columnas y no muchas filas, también llamadas datos amplios y estrechos. JMP y JMP Pro ofrece una amplia gama de técnicas de modelado que pueden manejar este tipo de datos. Probé varios modelos diferentes, incluyendo árboles de decisión, bosque de arranque, árboles reforzados, redes neuronales y regresión generalizada. Basándome en la comparación del modelo y el conjunto de datos específicos que estoy viendo aquí, encontré que las redes neuronales potenciadas tenían la mejor combinación de rendimiento y parsimonia. A continuación se muestra un ejemplo de un modelo que muestra los gráficos reales por predicción.
Actual por parcelas predichas para el conjunto de datos de entrenamiento y validación
Selección de acciones para mi índice
Como yo estaba haciendo estos modelos en JMP , Me encontré con un par de modelos que no convergerían Nike y Apple. En cuanto a los datos, me di cuenta de que ambos tenían un cambio muy grande en el precio de las acciones de un trimestre a otro. Para Apple, esto sucedió a mediados de 2014. Para Nike, fue a finales de 2015. Como algunos de ustedes saben, el momento coincide con la división de acciones para cada una de esas compañías. Para fines de modelado, normalicé los precios a los niveles actuales.
Después de hacer todos los modelos, guardé la fórmula de predicción para pronosticar dónde estará el precio de las acciones en la próxima convocatoria de ganancias. Si bien las fechas de la convocatoria de ganancias varían, la mayoría de las compañías tienen su próxima convocatoria de ganancias a fines de enero de 2017. A continuación se muestra una tabla con los resultados de todos los cambios de precios de acciones pronosticados. Todas estas predicciones provienen de los modelos de redes neuronales potenciadas a partir de las transcripciones de llamadas de ganancias. Mirando los resultados a continuación, seleccioné a United Health Group, Caterpillar, Merck, Goldman Sachs y McDonald's. El objetivo es ver si estas elecciones pueden superar al Índice Dow Jones desde la convocatoria de ganancias anterior hasta la próxima convocatoria de ganancias a finales de enero.
El índice Dow Jones se calcula utilizando un promedio de precio ponderado. Eso significa que las acciones con precios más altos tienen un mayor peso o influencia en el índice. Utilicé este mismo método para crear mi índice y "compré" una parte de cada uno de los cinco componentes, con los componentes más caros que constituyen una parte más grande del índice. Para obtener una parte de cada componente el día de la última llamada de ganancias, gastaría $ 570.61 (consulte la tabla a continuación).
A modo de comparación, "invertiré" la misma cantidad de dinero en el Índice Dow Jones a fines de octubre en el momento de estas llamadas. El promedio industrial Dow Jones se abrió en 18176.60 el 31 de octubre; Ese será el tiempo original de inversión. Suponiendo que pudiera comprar acciones del Promedio Industrial Dow Jones, obtendría 0.03139 acciones del promedio. Los modelos predicen que los $ 570.61 aumentarán a $ 629.89 si se invierten en las cinco selecciones que hice usando JMP , lo que supone un incremento del 10,4% en un trimestre. Para obtener una estimación de dónde estará el promedio industrial Dow Jones a fines de enero de 2017, tomé el precio de las acciones previsto para cada componente y obtuve la suma. Luego dividí ese número por el Dow Divisor, que es 0.14602128057775. El resultado para esa proyección se muestra a continuación. Con un cierre estimado de 18696.73, la inversión de $ 570.61 aumentaría a $ 586.93 o 2.86% en un trimestre.
El siguiente paso es esperar y ver cómo funcionan mis predicciones en comparación con el índice Dow Jones y revisar esto con una entrada de blog a principios de febrero.
Otras ideas
Hay algunas cosas que cambiaría si estuviera haciendo esto para una inversión real en lugar de un proyecto divertido que diseñé durante la semana de Acción de Gracias:
- Definitivamente regresaría más a tiempo para obtener más ingresos de las transcripciones de llamadas. Doce es un buen comienzo, pero más datos mejorarían estos modelos.
- Dado que esta entrada de blog se centra en mostrar cómo funciona el Explorador de texto en JMP se puede usar, solo utilicé los datos no estructurados de las llamadas de ganancias. Para mejorar estos modelos, también usaría información como ingresos y ganancias por acción.
- Por último, pero no menos importante, ¡no elegiría un ciclo electoral para intentar predecir los precios de las acciones en el futuro!
