#رویداد
علیت و مدل های عاملی
▫️امروز رویدادی به میزبانی ADIA توسط آقای دپرادا در ارتباط با فراخوان اخیری که در کانال هم منتشر کردیم، برگزار شد با موضوع:
Can Factor Investing Become Scientific?
که در اون به Association و Casuation در مدل های مالی با تمرکز بر Factor Investing پرداخته شد. موضوع جذابی هست که اخیرا توجه زیادی رو به خودش جلب کرده و مقاله آخر ایشون در SSRN هم با همین محور منتشر شده. در واقع اگر مدلهای مالی با Casuation ساپورت بشن، بسیار قابل اعتمادتر خواهند بود. برای دانلود ویدیو وبینار از این لینک اقدام کنید.
▫️در خصوص Factor Investing دو تا کتاب تو کانال هست که اگر علاقه مند به موضوع بودید میتونید نگاهی بهشون بندازید:
Asset Management: A Systematic Approach to Factor Investing
Equity Smart Beta and Factor Investing for Practitioners
@FinPy
علیت و مدل های عاملی
▫️امروز رویدادی به میزبانی ADIA توسط آقای دپرادا در ارتباط با فراخوان اخیری که در کانال هم منتشر کردیم، برگزار شد با موضوع:
Can Factor Investing Become Scientific?
که در اون به Association و Casuation در مدل های مالی با تمرکز بر Factor Investing پرداخته شد. موضوع جذابی هست که اخیرا توجه زیادی رو به خودش جلب کرده و مقاله آخر ایشون در SSRN هم با همین محور منتشر شده. در واقع اگر مدلهای مالی با Casuation ساپورت بشن، بسیار قابل اعتمادتر خواهند بود. برای دانلود ویدیو وبینار از این لینک اقدام کنید.
▫️در خصوص Factor Investing دو تا کتاب تو کانال هست که اگر علاقه مند به موضوع بودید میتونید نگاهی بهشون بندازید:
Asset Management: A Systematic Approach to Factor Investing
Equity Smart Beta and Factor Investing for Practitioners
@FinPy
👍13
#finpy_tse
نسخه جدید finpy-tse با قابلیت دسترسی به اطلاعات فعلی سهامداران عمده هر نماد
▫️اخیرا در دسترسی به داده های سابقه قیمت در روز های آخر هفته مشکلی پیش آمده بود که در نسخه فعلی رفع شده. به علاوه، یک تابع جدید هم برای دسترسی به اطلاعات سهامداران عمده بالای ۱٪ سهم ها با نام:
Get_ShareHoldersInfo()
اضافه شده. برای آشنایی با نحوه عملکرد تابع جدید که در واقع اطلاعات تب سهامداران رو در اختیارتون قرار میده، میتونید به بخش ۶.۱ نوتبوکی که در گیتهاب شیر شده مراجعه کنید.
▫️برای نصب نسخه جدید، اگر تا الان finpy_tse رو نصب نکرده بودید از این دستور:
pip install finpy-tse
و اگر نسخه قبلی رو نصب دارید، از یکی از دستورات زیر برای upgrade کردن به نسخه جدید استفاده کنید:
pip install --upgrade finpy-tse
pip install finpy-tse==1.2.0
@FinPy
نسخه جدید finpy-tse با قابلیت دسترسی به اطلاعات فعلی سهامداران عمده هر نماد
▫️اخیرا در دسترسی به داده های سابقه قیمت در روز های آخر هفته مشکلی پیش آمده بود که در نسخه فعلی رفع شده. به علاوه، یک تابع جدید هم برای دسترسی به اطلاعات سهامداران عمده بالای ۱٪ سهم ها با نام:
Get_ShareHoldersInfo()
اضافه شده. برای آشنایی با نحوه عملکرد تابع جدید که در واقع اطلاعات تب سهامداران رو در اختیارتون قرار میده، میتونید به بخش ۶.۱ نوتبوکی که در گیتهاب شیر شده مراجعه کنید.
▫️برای نصب نسخه جدید، اگر تا الان finpy_tse رو نصب نکرده بودید از این دستور:
pip install finpy-tse
و اگر نسخه قبلی رو نصب دارید، از یکی از دستورات زیر برای upgrade کردن به نسخه جدید استفاده کنید:
pip install --upgrade finpy-tse
pip install finpy-tse==1.2.0
@FinPy
👍32
#معرفی_کتاب
Hyperparameter Tuning with Python
▫️ما به عنوان کاربران ابزارهای ماشین لرنینگ، توسعه دهنده این الگوریتم های یادگیری نبوده و احیانا نخواهیم بود و همون طور که گفتم، صرفا کاربر هستیم. برای اینکه بتونیم به عنوان یه کاربر از مزایای این ابزارها بهره مند بشیم، توجه به دو تا نکته، ضروریه.
▫️نکته اول اینکه بتونیم فیچرهای با کیفیتی رو به عنوان ورودی به این الگوریتم های یادگیری بدیم که تا حد زیادی به مهارت و تجربه در بازی با دیتا و ساختن فیچیرهای predictive بستگی داره. اگر نتونیم فیچرهای با کیفیتی درست کنیم نمیتونیم انتظار خروجی با کیفیتی داشته باشیم، چون:
Garbage in, garbage out
▫️نکته دوم تیونینگ درست هایپر پارامترهای الگوریتم یادگیری ای هست که میخواییم ازش استفاده کنیم. کتاب به طور مفصل به این موضوع، مفاهیم و ابزارهای مربوطه در این خصوص پرداخته!
@FinPy
Hyperparameter Tuning with Python
▫️ما به عنوان کاربران ابزارهای ماشین لرنینگ، توسعه دهنده این الگوریتم های یادگیری نبوده و احیانا نخواهیم بود و همون طور که گفتم، صرفا کاربر هستیم. برای اینکه بتونیم به عنوان یه کاربر از مزایای این ابزارها بهره مند بشیم، توجه به دو تا نکته، ضروریه.
▫️نکته اول اینکه بتونیم فیچرهای با کیفیتی رو به عنوان ورودی به این الگوریتم های یادگیری بدیم که تا حد زیادی به مهارت و تجربه در بازی با دیتا و ساختن فیچیرهای predictive بستگی داره. اگر نتونیم فیچرهای با کیفیتی درست کنیم نمیتونیم انتظار خروجی با کیفیتی داشته باشیم، چون:
Garbage in, garbage out
▫️نکته دوم تیونینگ درست هایپر پارامترهای الگوریتم یادگیری ای هست که میخواییم ازش استفاده کنیم. کتاب به طور مفصل به این موضوع، مفاهیم و ابزارهای مربوطه در این خصوص پرداخته!
@FinPy
👍14👎1
#تحلیل_شبکه
شبکه موسسات مالی
▫️موسسات فعال در بازارهای مالی یک کشور مستقل از هم نبوده و اکثرا با هم ارتباط دارند. این ارتباط میتونه سازمانی باشه به این معنی که مثلا صندوق های سرمایه گذاری و سبدگردان های فعال در بازار سرمایه ایران (که دارایی تحت مدیریت تجمعی قابل توجهی دارند) میتونن از طریق ضامن نقد شوندگی یا مدیر صندوق و ... به همدیگه مرتبط باشند، مثل چیزی که تحت عنوان گراف وابستگی در سایت فیپیران اومده و در شکل هم نشون داده شده.
▫️ارتباط بین موسسات مالی رو میتونیم در قالب شبکه سهامداران عمده (Ownership Network) هم بررسی کنیم تا متوجه بشیم کدام موسسات یا نهادها، سهامدار و مالک اکثر شرکت های موجود در بازار سرمایه ایران هستند. برای درک بهتر چیزی که گفتم، این ویدیو که نزدیک به ۳ میلیون بازدید داشته رو ببینید:
Who controls the world?
اگر احیانا از دوستان کسی در درک انگلیسی کمی مشکل داره، میتونه زیرنویس فارسی رو به طریقی که در بخش کامنتهای همین پست اومده فعال کنه.
@FinPy
شبکه موسسات مالی
▫️موسسات فعال در بازارهای مالی یک کشور مستقل از هم نبوده و اکثرا با هم ارتباط دارند. این ارتباط میتونه سازمانی باشه به این معنی که مثلا صندوق های سرمایه گذاری و سبدگردان های فعال در بازار سرمایه ایران (که دارایی تحت مدیریت تجمعی قابل توجهی دارند) میتونن از طریق ضامن نقد شوندگی یا مدیر صندوق و ... به همدیگه مرتبط باشند، مثل چیزی که تحت عنوان گراف وابستگی در سایت فیپیران اومده و در شکل هم نشون داده شده.
▫️ارتباط بین موسسات مالی رو میتونیم در قالب شبکه سهامداران عمده (Ownership Network) هم بررسی کنیم تا متوجه بشیم کدام موسسات یا نهادها، سهامدار و مالک اکثر شرکت های موجود در بازار سرمایه ایران هستند. برای درک بهتر چیزی که گفتم، این ویدیو که نزدیک به ۳ میلیون بازدید داشته رو ببینید:
Who controls the world?
اگر احیانا از دوستان کسی در درک انگلیسی کمی مشکل داره، میتونه زیرنویس فارسی رو به طریقی که در بخش کامنتهای همین پست اومده فعال کنه.
@FinPy
👍15👎1
#معرفی_کتاب
Python for Accounting
▫️اگر در رشته حسابداری تحصیل یا فعالیت می کنید، احتمالا این شایعات را شنیده اید که "هوش مصنوعی طی چند سال آینده عملکرد حسابداری را تغییر می دهد". اما اینکه دقیقا چه زمانی این ربات ها زمام امور را بدست میگیرند هنوز نامشخص است، اما اینکه چگونه این کار را انجام میدهند، از قبل مشخص است: کسی آن ها را برنامه ریزی خواهد کرد. شما بهترین فرد برای خودکار سازی کارهای تکراری در شغل خود هستید، زیرا از قبل دانش زیادی در زمینه کار با داده ها و اطلاعات دارید.
این کتاب می تواند به شما در خصوص برنامه نویسی پایتون در حسابداری کمک نماید.
@FinPy
Python for Accounting
▫️اگر در رشته حسابداری تحصیل یا فعالیت می کنید، احتمالا این شایعات را شنیده اید که "هوش مصنوعی طی چند سال آینده عملکرد حسابداری را تغییر می دهد". اما اینکه دقیقا چه زمانی این ربات ها زمام امور را بدست میگیرند هنوز نامشخص است، اما اینکه چگونه این کار را انجام میدهند، از قبل مشخص است: کسی آن ها را برنامه ریزی خواهد کرد. شما بهترین فرد برای خودکار سازی کارهای تکراری در شغل خود هستید، زیرا از قبل دانش زیادی در زمینه کار با داده ها و اطلاعات دارید.
این کتاب می تواند به شما در خصوص برنامه نویسی پایتون در حسابداری کمک نماید.
@FinPy
👍20
#متا_لیبلینگ
▫️اگر دنبال موضوعی برای مطالعه در ایام باقیمانده از تعطیلات نوروز هستید، پیشنهاد ما مطالعه سلسله مقالات زیر از ژورنال Financial Data Science در خصوص موضوع متالیبلینگ هست:
Meta-Labeling: Theory and Framework
Meta-Labeling Architecture
Ensemble Meta-Labeling
Meta-Labeling: Calibration and Position Sizing
▫️توضیح مختصر در مورد متالیبلینگ - فرض کنید یه سیستم معاملاتی دارید که بهتون سیگنال خرید و فروش میده. اسم این سیستم معاملاتی که هیچ لزومی هم نداره درش از ML استفاده شده باشه رو میزاریم مدل اولیه. شما میتونید با استفاده از یه مدل ثانویه که مبتنی بر ML هست، به منظور سایزینگ پوزیشن (مدیریت ریسک)، فیلتر کردن سیگنال های زیانده و بهبود عملکرد مدل اولیه (مثل Sharpe Ratio و Drawdown) استفاده کنید. این فرآیند استفاده از مدل ثانویه که روی مدل اولیه سوار میشه رو بهش میگن متا لیبلینگ (Meta-Labeling).
دانلود فایل PDF مقالات
@FinPy
▫️اگر دنبال موضوعی برای مطالعه در ایام باقیمانده از تعطیلات نوروز هستید، پیشنهاد ما مطالعه سلسله مقالات زیر از ژورنال Financial Data Science در خصوص موضوع متالیبلینگ هست:
Meta-Labeling: Theory and Framework
Meta-Labeling Architecture
Ensemble Meta-Labeling
Meta-Labeling: Calibration and Position Sizing
▫️توضیح مختصر در مورد متالیبلینگ - فرض کنید یه سیستم معاملاتی دارید که بهتون سیگنال خرید و فروش میده. اسم این سیستم معاملاتی که هیچ لزومی هم نداره درش از ML استفاده شده باشه رو میزاریم مدل اولیه. شما میتونید با استفاده از یه مدل ثانویه که مبتنی بر ML هست، به منظور سایزینگ پوزیشن (مدیریت ریسک)، فیلتر کردن سیگنال های زیانده و بهبود عملکرد مدل اولیه (مثل Sharpe Ratio و Drawdown) استفاده کنید. این فرآیند استفاده از مدل ثانویه که روی مدل اولیه سوار میشه رو بهش میگن متا لیبلینگ (Meta-Labeling).
دانلود فایل PDF مقالات
@FinPy
👍21👎1
#bibliometrix
▫️ یکی از ابتدایی ترین کارها برای شروع انجام پژوهش، دانستن پیشینه پژوهش در مورد موضوعی هست که در نظر داریم روی اون مساله کار کنیم، کتابخانه bibliometrix در R به شما کمک میکنه که دیدی نسبتا جامع نسبت به موضوعی که در نظر دارید برای پژوهش خود انجام بدهید پیدا نمایید. در این ویدئو نحوه کارکرد این کتابخانه آمده است و در این مقاله نیز نحوه کار کردن با این کتابخانه توضیح داده شده است.
@FinPy
▫️ یکی از ابتدایی ترین کارها برای شروع انجام پژوهش، دانستن پیشینه پژوهش در مورد موضوعی هست که در نظر داریم روی اون مساله کار کنیم، کتابخانه bibliometrix در R به شما کمک میکنه که دیدی نسبتا جامع نسبت به موضوعی که در نظر دارید برای پژوهش خود انجام بدهید پیدا نمایید. در این ویدئو نحوه کارکرد این کتابخانه آمده است و در این مقاله نیز نحوه کار کردن با این کتابخانه توضیح داده شده است.
@FinPy
👍22
#دیتا
#بورس_تهران
▫️عزیزانی که برای انجام امور آموزشی و تحقیقاتی خودشون به داده های بازار بورس تهران نیاز دارند و جمع آوری اش با توجه به کندی سرعت اینترنت یا مشکلات دیگه براشون سخته میتونن از این مجموعه داده، در صورتی که نیازشون رو برآورده میکنه، استفاده کنند:
۱) سری زمانی سابقه قیمت برای ۷۴۰ نماد.
۲) سری زمانی سابقه حقیقی-حقوقی برای ۷۴۰ نماد.
۳) سابقه تعدیل قیمت برای ۶۹۰ نماد.
۴) سری زمانی سابقه ارزش بازار و تعداد برگه سهم برای ۷۴۰ نماد.
▫️فرمت فایل ها به صورت اکسل (هر سهم یک فایل اکسل) بوده و همگی در تاریخ ۱۴۰۲/۰۱/۱۸ به روزرسانی شده اند.
@FinPy
@FinPyData
#بورس_تهران
▫️عزیزانی که برای انجام امور آموزشی و تحقیقاتی خودشون به داده های بازار بورس تهران نیاز دارند و جمع آوری اش با توجه به کندی سرعت اینترنت یا مشکلات دیگه براشون سخته میتونن از این مجموعه داده، در صورتی که نیازشون رو برآورده میکنه، استفاده کنند:
۱) سری زمانی سابقه قیمت برای ۷۴۰ نماد.
۲) سری زمانی سابقه حقیقی-حقوقی برای ۷۴۰ نماد.
۳) سابقه تعدیل قیمت برای ۶۹۰ نماد.
۴) سری زمانی سابقه ارزش بازار و تعداد برگه سهم برای ۷۴۰ نماد.
▫️فرمت فایل ها به صورت اکسل (هر سهم یک فایل اکسل) بوده و همگی در تاریخ ۱۴۰۲/۰۱/۱۸ به روزرسانی شده اند.
@FinPy
@FinPyData
👍25
#کاربرد_ابزارهای_مشتقه
آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟ - قسمت اول (قراردادهای اختیار معامله یا آپشن)
▫️اگر تجربه استفاده از ماشین لرنینگ برای پیش بینی بازار رو داشته باشید، احتمالا خیلی زود متوجه شدید که این ابزارها به خودی خود معجزه نمیکنند و موفقیت شون، به شدت وابسته به ورودی هایی که شما با اتکا به دانش مالی و درک تون از مکانیزم عملکرد بازار و البته بازی با دیتا، به این مدل ها میدید، وابسته هست.
▫️یکی از ورودی هایی که میشه در پیش بینی بازار دخیل کرد، اطلاعاتی هست که از ابزارهای مشتقه مالی به دست میاد. به عبارتی رفتار قیمت این ابزارها، انتظارات فعالان غالبا کارکشته و بزرگ بازار رو از آینده یک دارایی منعکس میکنند. (منظور بازار مشتقات ایران نیست!) به عنوان یه نمونه از چنین کاربردی، این پست آقای Peter Cotton مولف کتاب Microprediction رو ببینید که در خصوص نحوه استفاده از اطلاعات موجود در بازار اختیار (options) در رقابت پیش بینی M6 برای انتخاب دارایی و بستن پرتفو از یونیورسی شامل سهام و ETF توضیح داده.
@FinPy
آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟ - قسمت اول (قراردادهای اختیار معامله یا آپشن)
▫️اگر تجربه استفاده از ماشین لرنینگ برای پیش بینی بازار رو داشته باشید، احتمالا خیلی زود متوجه شدید که این ابزارها به خودی خود معجزه نمیکنند و موفقیت شون، به شدت وابسته به ورودی هایی که شما با اتکا به دانش مالی و درک تون از مکانیزم عملکرد بازار و البته بازی با دیتا، به این مدل ها میدید، وابسته هست.
▫️یکی از ورودی هایی که میشه در پیش بینی بازار دخیل کرد، اطلاعاتی هست که از ابزارهای مشتقه مالی به دست میاد. به عبارتی رفتار قیمت این ابزارها، انتظارات فعالان غالبا کارکشته و بزرگ بازار رو از آینده یک دارایی منعکس میکنند. (منظور بازار مشتقات ایران نیست!) به عنوان یه نمونه از چنین کاربردی، این پست آقای Peter Cotton مولف کتاب Microprediction رو ببینید که در خصوص نحوه استفاده از اطلاعات موجود در بازار اختیار (options) در رقابت پیش بینی M6 برای انتخاب دارایی و بستن پرتفو از یونیورسی شامل سهام و ETF توضیح داده.
@FinPy
👍17
هوش مصنوعی چقدر در مورد Quantitative Trading می داند؟! (ویرایش جدید مبتنی بر ChatGPT4)
▫️تو چند ماه اخیر ChatGPT اونقدر سر و صدا راه انداخت و فضای مجازی با محتواهای "از هوش مصنوعی پرسیدم/خواستم که فلان چیز چجوریه و ..." اشباع شد که تقریبا میشه گفت همه باهاش آشنا هستند و شاید تجربه کاربری اش رو هم دارن.
▫️قبلا هم یه پست اینجا زدیم که آقای Gautier Marti با استفاده از پاسخ های ChatGPT کتابچه ای حاوی اطلاعاتی در مورد کوانت تریدینگ تولید کرده بودن، که در نوع خودش جالب بود. در واقع ChatGPT برای چنین کارهای مروری و جمع آوری اطلاعات تو حوزه کاری ما مناسبه و نمیشه روش برای حل مسایل مثلا ریاضی حساب باز کرد.
▫️حالا آقای Gautier Marti ویرایش جدیدی از کار قبلی اش رو با ChatGPT4 با عنوان زیر تولید کرده که از قرار جامع تره و محتوای غنی تری داره:
Decoding the Quant Market - A Guide to Machine Learning in Trading
#ChatGPT
@FinPy
▫️تو چند ماه اخیر ChatGPT اونقدر سر و صدا راه انداخت و فضای مجازی با محتواهای "از هوش مصنوعی پرسیدم/خواستم که فلان چیز چجوریه و ..." اشباع شد که تقریبا میشه گفت همه باهاش آشنا هستند و شاید تجربه کاربری اش رو هم دارن.
▫️قبلا هم یه پست اینجا زدیم که آقای Gautier Marti با استفاده از پاسخ های ChatGPT کتابچه ای حاوی اطلاعاتی در مورد کوانت تریدینگ تولید کرده بودن، که در نوع خودش جالب بود. در واقع ChatGPT برای چنین کارهای مروری و جمع آوری اطلاعات تو حوزه کاری ما مناسبه و نمیشه روش برای حل مسایل مثلا ریاضی حساب باز کرد.
▫️حالا آقای Gautier Marti ویرایش جدیدی از کار قبلی اش رو با ChatGPT4 با عنوان زیر تولید کرده که از قرار جامع تره و محتوای غنی تری داره:
Decoding the Quant Market - A Guide to Machine Learning in Trading
#ChatGPT
@FinPy
👍9
#کاربرد_ابزارهای_مشتقه
آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟ - قسمت دوم (قراردادهای آتی یا فیوچرز)
▫️نکته ای که قبل از ادامه بحث میخوام روش تاکید کنم اینه که کاربرد اصلی ابزارهای مشتقه مالی مثل قراردادهای اختیار یا آتی، هج کردن ریسکه، ولی هدف از این سلسله پست، های لایت کردن کاربرد جانبی این قراردادها و قابلیت استفاده از اونها در اندازه گیری انتظارات بازار (Market Expectation) در خصوص قیمت آینده دارایی پایه هست که میتونه به عنوان ورودی در مدل های پیش بینی مورد استفاده قرار بگیره.
▫️طبق تعریف، قرارداد آتی نوعی ابزار مشتقه مالیه که در اون بر خلاف قرارداد اختیار، خریدار (فروشنده) ملزمه در تاریخ سررسید، دارایی پایه رو با قیمت توافق شده خریداری کنه (بفروشه). بنابراین این نوع از قرارداد هم، میتونه انتظارات فعالان غالبا کارکشته و بزرگ بازار از قیمت دارایی پایه در آینده رو منعکس کنه. نکته خیلی مهمی که در این خصوص باید بهش توجه داشته باشید، اینه که فقط قراردادهای آتی که دارایی پایه اونها غیر قابل ذخیره (Non-Storable) هستند، چنین ویژگی ای رو دارند و نه هر قرارداد آتی ای! مثل قراردادهای آتی که روی مثلا نرخ بهره بسته میشند. برای برخی از کالاها مثل نفت هم که امکان ذخیره اون نسبت به میزان مصرف اش نمیتونه خیلی زیاد باشه، میشه با ملاحظاتی از اطلاعات موجود در قراردادهای آتی اش برای پیش بینی قیمت اش در آینده استفاده کرد. برای کسب اطلاعات بیشتر، پست زیر رو مطالعه کنید:
The Futures Market as Forecasting Tool: An Imperfect Crystal Ball
▫️در قسمت سوم، به عنوان یک مثال، به بررسی استفاده از قراردادهای آتی در پیش بینی نرخ بهره آمریکا که توسط کمیته FOMC تعیین میشه، خواهیم پرداخت. نرخ بهره ای که روی همه بازارها از بازار سهام گرفته تا بازار کامودیتی ها، جفت ارزها و شاید رمزارزها (!) هم تاثیر میزاره و پیش بینی اش میتونه منجر به تصمیمات آگاهانه تری بشه. تا اون موقع، میتونید سری به صفحه ابزار فدواچ که نمونه ای از چنین کاربردی هست، بزنید!
@FinPy
آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟ - قسمت دوم (قراردادهای آتی یا فیوچرز)
▫️نکته ای که قبل از ادامه بحث میخوام روش تاکید کنم اینه که کاربرد اصلی ابزارهای مشتقه مالی مثل قراردادهای اختیار یا آتی، هج کردن ریسکه، ولی هدف از این سلسله پست، های لایت کردن کاربرد جانبی این قراردادها و قابلیت استفاده از اونها در اندازه گیری انتظارات بازار (Market Expectation) در خصوص قیمت آینده دارایی پایه هست که میتونه به عنوان ورودی در مدل های پیش بینی مورد استفاده قرار بگیره.
▫️طبق تعریف، قرارداد آتی نوعی ابزار مشتقه مالیه که در اون بر خلاف قرارداد اختیار، خریدار (فروشنده) ملزمه در تاریخ سررسید، دارایی پایه رو با قیمت توافق شده خریداری کنه (بفروشه). بنابراین این نوع از قرارداد هم، میتونه انتظارات فعالان غالبا کارکشته و بزرگ بازار از قیمت دارایی پایه در آینده رو منعکس کنه. نکته خیلی مهمی که در این خصوص باید بهش توجه داشته باشید، اینه که فقط قراردادهای آتی که دارایی پایه اونها غیر قابل ذخیره (Non-Storable) هستند، چنین ویژگی ای رو دارند و نه هر قرارداد آتی ای! مثل قراردادهای آتی که روی مثلا نرخ بهره بسته میشند. برای برخی از کالاها مثل نفت هم که امکان ذخیره اون نسبت به میزان مصرف اش نمیتونه خیلی زیاد باشه، میشه با ملاحظاتی از اطلاعات موجود در قراردادهای آتی اش برای پیش بینی قیمت اش در آینده استفاده کرد. برای کسب اطلاعات بیشتر، پست زیر رو مطالعه کنید:
The Futures Market as Forecasting Tool: An Imperfect Crystal Ball
▫️در قسمت سوم، به عنوان یک مثال، به بررسی استفاده از قراردادهای آتی در پیش بینی نرخ بهره آمریکا که توسط کمیته FOMC تعیین میشه، خواهیم پرداخت. نرخ بهره ای که روی همه بازارها از بازار سهام گرفته تا بازار کامودیتی ها، جفت ارزها و شاید رمزارزها (!) هم تاثیر میزاره و پیش بینی اش میتونه منجر به تصمیمات آگاهانه تری بشه. تا اون موقع، میتونید سری به صفحه ابزار فدواچ که نمونه ای از چنین کاربردی هست، بزنید!
@FinPy
👍18