Συντάκτης: Αλίκη Βεγίρη

Αλίκη Βεγίρη

9 Αυγούστου 2020

Προσωπικά, δεν είμαι πολύ φίλη των δεικτών, εκτός των 3-5 βασικών, όπως RSI, MCDE, OBV, FIB, άντε και καμιά Bollinger Band για να πάρω μια γενική εικόνα της διασποράς των τιμών.
Στην πιάτσα κυκλοφορούν πάρα πολλοί δείκτες, που στην ουσία δεν είναι παρά ένα ανακάτωμα των τεσσάρων βασικών τιμών (O,C,H,L) ενός ή δυο γειτονικών κεριών, αφού περάσουν από κάποιο smoothing ώστε να μείνουν ορατές μόνο οι κύριες διακυμάνσεις.
Σε ​​ κάποιους από αυτούς με κάποιο τρόπο μπαίνει και ο όγκος. Έχω την εντύπωση ότι δεν δείχνουν κάτι παραπάνω απ’ ότι το chart των τιμών.

Απεναντίας, δίνω μεγαλύτερη βαρύτητα και εμπιστοσύνη στα patterns ​​ των τιμών, τα οποία από τότε που υπάρχουν αρχεία συνεχίζουν να επαναλαμβάνονται με τον ίδιο ακριβώς τρόπο, επιβεβαιώνοντας τη διαχρονικότητα της ανθρώπινης ψυχολογίας απέναντι στο χρήμα.

Τέτοια βασικά σχήματα είναι οι trendlines προς τα πάνω και προς τα κάτω, οι οριζόντιες support και resistance lines, ενώ λίγο πιο σύνθετα είναι τα Head and Shoulders, το κανονικό και το ανεστραμμένο, Double Tops, Double Bottoms, Cup and Handle, Flags and Pennants, και άλλα που αν χρειαστεί, ίσως τα συμπεριλάβουμε μια άλλη φορά.

Κάποια από τα patterns αυτά έχουν χρεωθεί στους Bulls και κάποια άλλα στους Bears. Για παράδειγμα εύχεσαι να μην σου τύχει στο δρόμο ένα Double Top, ενώ το Double Bottom ​​ είναι αντιθέτως καλοδεχούμενο.
Το πρώτο σημαίνει αλλαγή της τάσης των τιμών από ανοδική σε καθοδική, ενώ το δεύτερο το αντίθετο.

Συνήθως οι άνθρωποι είναι περισσότερο ευχαριστημένοι όταν βλέπουν άνοδο τιμών, ενώ θεωρητικά μπορούν να κερδίζουν και στην πτώση τους με το shorting.
Αυτό αφορά όμως μόνο στους traders, ενώ ο πιο αντιπροσωπευτικός τύπος του χρηματιστηρίου είναι ο μακροπρόθεσμος επενδυτής.

Τόσο για τους δείκτες, όσο και για τα patterns υπάρχουν κάποιες εμπειρικές γνώσεις και δοξασίες ​​ για το πώς πρέπει να τα μεταφράζουμε και για το ποιος είναι πάνω κάτω ο βαθμός επιτυχίας τους στον ρόλο που τους έχει αποδοθεί.

Όταν ο RSI για παράδειγμα περάνει πάνω από τη γραμμή 70% λέμε ότι η μετοχή είναι overbought και λογικά περιμένουμε πτώση της τιμής διότι η δεξαμενή των αγοραστών αρχίζει να αδειάζει. Υπάρχουν όμως πολλές φορές που ενώ o RSI πάει πάνω από αυτό το όριο η τιμή συνεχίζει να αυξάνει, καθώς και αντίστροφα στις oversold καταστάσεις.
Ποιο όμως είναι το ποσοστό επαλήθευσης, δεν το γνωρίζουμε. ​​ 

O Thomas Bulkowski είναι trader, ο οποίος σε μια πληθώρα βιβλίων (είναι αλήθεια ότι επαναλαμβάνεται υπέρ του δέοντος) μέσα από δικά του trades και simulations, δίνει ποσοστά επιτυχίας ως προς το προσδοκώμενο αποτέλεσμα για μια πληθώρα patterns. Η δουλειά αυτή αρκετά κοπιώδης είναι η μοναδική που βάζει νούμερα σε όσα ακούμε.

Σήμερα λέω να ασχοληθώ με τις κοινές, κοινότατες ​​ καθοδικές γραμμές τάσης (down trendlines) . Μια τέτοια φαίνεται στο παρακάτω σχήμα.

Προτού πάω στις λεπτομέρειες, βρίσκω καταπληκτικό πώς εκατομμύρια traders και επενδυτές, ο καθένας μόνος του μπροστά στην οθόνη, καταφέρνουν να «συνεννοηθούν» και να αποφασίσουν να φτιάξουν μια εικονική γραμμή, πάνω από την οποία για βδομάδες και μήνες, μπορεί και για χρόνια, δεν τολμούν να ξεμυτίσουν. ​​ Ώσπου, κάποια μέρα κάποιοι τολμούν και τότε συμβαίνει το θαύμα του «Breakout».

Αλλά αυτό από μόνο του δεν αρκεί. Αυτό μου πραγματικά μάς νοιάζει είναι τι μας περιμένει μετά.

Τα Breakouts, που ευχόμαστε να σημαίνουν το τέλος των ισχνών αγελάδων και την αρχή μιας νέας φωτεινής περιόδου χαράς και αισιοδοξίας, αργά ή γρήγορα θα συμβούν.
Εμείς όμως ως ανυπόμονοι επενδυτές θέλουμε πάντα να τρέχουμε μπροστά από το μέλλον και να ξέρουμε εκ των προτέρων, από τα σημάδια που αφήνουν οι trendlines πόσο ψηλά θα πάει η τιμή μετά.

Ποια είναι λοιπόν αυτά τα πρωθύστερα σημάδια;

• Πρώρα πρώτα οι φορές που οι τιμές αγγίζουν την trendline, (στο σχήμα είναι ο αριθμός των σημείων Α. ),

• Η χρονική απόσταση αυτών και το clustering,

• Μετά είναι η κλίση της trendline ως προς τον οριζόντιο άξονα που είναι ο χρόνος,

• Το μήκος της σε ημέρες,

• Ο όγκος κατά τη μέρα του breakout,

• Το αν ή όχι το breakout θα συνοδεύεται από gap up ή όχι

και άλλα διάφορα τα οποία ο καλός άνθρωπος Bulkowski έχει συνοψίσει στους παρακάτω πίνακες.

Ο Πίνακας 1.1 εξετάζει το ΠΟΣΟΣΤΟ ΑΝΟΔΟΥ της τιμής της μετοχής ΜΕΤΑ το Breakout, στην στήλη RESULTS, ανάλογα με τη χρονική απόσταση των σημείων επαφής της τιμής με την trendline (δλδ ανάλογα με την απόσταση των σημείων Α).

Οι δυο πρώτες σειρές ​​ λένε ότι μέση άνοδος της τιμής της μετοχής μετά το breakout είναι μεγαλύτερη αν τα σημεία Α είναι σε μεγαλύτερη απόσταση, απ’ ότι αν είναι πιο πυκνά, 41% έναντι 36%.

​​ Οι δυο τελευταίες σειρές δείχνουν ότι όσο περισσότερα είναι τα σημεία Α τόσο μεγαλώνει και το ποσοστό ανόδου της τιμής μετά το Breakout.
Για λιγότερες από 4 επαφές το ποσοστό ανόδου είναι κατά μέσο όρο 35%, ενώ αυτό γίνεται 48% όταν οι επαφές είναι περισσότερες.

Τα αποτελέσματα αυτά επιβεβαιώνουν αυτό που κυκλοφορεί από στόμα σε στόμα ότι όσο πιο πολλές είναι οι επαφές της τιμής με την trendline, τόσο πιο πολύ περιμένουμε να ανεβεί η μετοχή μετά το Breakout.

Ο ΠΙΝΑΚΑΣ 1.2 εξετάζει το ίδιο πράγμα με τον προηγούμενο, αυτή τη φορά με γνώμονα τη χρονική διάρκεια της trendline.

​​   Μένοντας στις δυο πρώτες σειρές, βλέπουμε ότι το ποσοστό ανόδου της τιμής της μετοχής είναι μεγαλύτερο στις μεγάλης χρονικής διάρκειας trendlines (43%), απ΄ ότι στις μικρότερης διάρκειας (33%). ​​ Κι εδώ έχουμε επιβεβαίωση μιας εμπειρικής γνώσης.

Ο ΠΙΝΑΚΑΣ 1.3 εξετάζει την επίδραση της κλίσης της trendline σε σχέση με τον οριζόντιο άξονα. Παρατηρούμε ότι οι μεγάλης κλίσης trendlines είναι πολύ σπάνιες και δεν μπορούμε να βγάλουμε συμπέρασμα.. Οι αριθμοί σε παρενθέσεις δίνουν τον αριθμό των δειγμάτων. Η τάση όμως είναι καθαρή.

 Όσο μικραίνει η κλίση τόσο πιο πολύ θα ανέβει η μετοχή μετά το breakout. Η μεγαλύτερη άνοδος παρατηρείται για κλίσεις μικρότερες των 25 ο.

Στις οριζόντιες trendlines, δλδ σπάσιμο αντίστασης, το μέσο ποσοστό ανόδου φτάνει το 75%. Ο αριθμός αυτός όμως να ιδωθεί με κάποια επιφύλαξη λόγω του μικρού αριθμού δειγμάτων. Για τις supports and resistances θα μιλήσουμε άλλη φορά.

Ο ΠΙΝΑΚΑΣ 1.5 εξετάζει την επίδραση του όγκου συναλλαγών τη στιγμή του Breakout.

Τα αποτελέσματα δείχνουν ότι ο όγκος ΔΕΝ παίζει ​​ ρόλο στο ποσοστό ανόδου της τιμής. Αυτό που ξέραμε μέχρι τώρα ήταν ότι η πιθανότητα επιτυχίας του breakout εξαρτιόταν από τον όγκο. Ναι αυτό ισχύει, αλλά δεν προδικάζει την μετέπειτα εξέλιξη.

Ο ΠΙΝΑΚΑΣ 1.8 ​​ εξετάζει την επίδραση του GAP UP κατά το Breakout στο ποσοστό ανόδου.

Όντως μετοχές που gapped up στο Breakout, πήγαν κατά μέσο όρο ψηλότερα, 44% έναντι ​​ 38%.

Ο ΠΙΝΑΚΑΣ 1.9 εξετάζει τη συσχέτιση με την γενική τάση της αγοράς.

Σε μια καθοδική αγορά, η άνοδος της τιμής από μια καθοδική trendline θα είναι μεγαλύτερη

Αυτά είναι σε γενικές γραμμές τα συμπεράσματα από την ανάλυση με διάφορους τρόπους ενός αριθμού trendlines από τον Bulkowski.

Τα ποσοστά ανόδου είναι μέσες τιμές, οπότε δεν μπορούμε να τα πάρουμε κατά γράμμα. Δείχνουν όμως μια συγκεκριμένη τάση.

Μια παρατήρηση που έχω να κάνω είναι ότι στους Πίνακες δεν δίνονται ποσοστά σφάλματος, τα οποία θα αύξαναν/μείωναν ​​ την αξιοπιστία των αποτελεσμάτων.

Πάντως είναι μια αξιοπρόσεκτη συγκεντρωτική δουλειά που αν μη τι άλλο μας δίνει κάποιον τεκμηριωμένο προσανατολισμό. ​​ 

ΥΓ. Οι πίνακες είναι από το βιβλίο: Thomas Bulkowski-Trading Classic Chart Patterns-Wiley (2002). Τον συγγραφέα μπορείτε να τον βρείτε στην ιστοσελίδα http://thepatternsite.com/

Μπορεί η Artificial Intelligence να προβλέψει τις τιμές των μετοχών;

Αλίκη Βεγίρη

26 Ιουλίου 2020

Too good to be true! Είναι η άμεση και αυθόρμητη απάντηση στο εν λόγω ερώτημα.

Θα σας έτυχε να δείτε πολλές ​​ ελκυστικές ​​ διαφημίσεις στο διαδίκτυο σχετικά με «αλμυρά» πακέτα software, αρκετών χιλιάδων δολαρίων, που κομπάζουν για τη δυνατότητά τους να προβλέψουν με τη βοήθεια των νευρωνικών δικτύων, neural networks, ΝΝ, το μέλλον του χρηματιστηρίου με ακρίβεια 80%, 90% (βάλτε όποιο νούμερο θέλετε εδώ).

​​ Η πρώτη σκέψη που θα πρέπει να μας έρθει είναι ότι αν το προϊόν τους είναι τόσο καλό γιατί δεν το κρατούν για πάρτη τους, μυστικό και τριπλοκλειδωμένο σε θυρίδα, ώστε στο ανταγωνιστικό περιβάλλον των αγορών να έχουν πρώτοι και καλύτεροι το πολυπόθητο edge, όπως συνηθίζεται να λέγεται. Προφανώς, τα ποσοστά που ευαγγελίζονται δεν είναι τόσο μεγάλα, ώστε τα κέρδη από την πώληση του software να είναι μεγαλύτερα, αν συνυπολογίσει κανείς και ​​ τα έξοδα τoυ marketing, να είναι μεγαλύτερα από τα κέρδη που θα επέφερε αν δοκιμαζόταν στο πραγματικό περιβάλλον του χρηματιστηρίου.

Επιπλέον γνωρίζουμε ήδη από προηγούμενα άρθρα μας στον ιστότοπο αυτό ότι οι διακυμάνσεις των τιμών των μετοχών είναι ασυσχέτιστες μεταξύ τους, και ότι εξαρτώνται όχι από την προϊστορία τους, αλλά από τη γνώμη που έχουν οι traders και οι επενδυτές σχετικά με το μέλλον της συγκεκριμένης επιχείρησης και της ​​ οικονομίας γενικότερα. ​​ Είναι γενικευμένη η άποψη ότι οι μελλοντικές εκβάσεις ήδη περιλαμβάνονται στις σημερινές τιμές, δλδ είναι “priced in”, εξ’ ου και το ρητό «buy the rumor, sell the news”. ​​ Σε πραγματικές συνθήκες τα ιστορικά στοιχεία εξέλιξης των τιμών είναι χρήσιμα στο να δίνουν μια γενικευμένη εικόνα για την ποιότητα και το δυναμικό μιας μετοχής, τα οποία ελπίζουμε, κάτω από τις ίδιες συνθήκες να επαναληφθούν και στο μέλλον. ​​ 

Προβλέπω, όμως, σημαίνει κάτι εντελώς συγκεκριμένο: ​​ πρόβλεψη της ακριβούς τιμής της μετοχής σε μια συγκεκριμένη ημερομηνία στο κοντινό μέλλον. Τα νευρωνικά δίκτυα ευαγγελίζονται ακριβώς αυτό!

Ας δούμε λοιπόν από κοντά τι είδος πουλιά πιάνουν

Πρώτα πρώτα τα ΝΝ είναι ένα software, ένας αλγόριθμος ο οποίος προσπαθεί να μιμηθεί τον τρόπο που ο εγκέφαλος μαθαίνει καινούργια πράγματα, μέσα από τον ιλιγγιώδη αριθμό των συνάψεων των νευρικών κυττάρων, της τάξης των 10^10, όσα περίπου είναι και τα άστρα σε ένα γαλαξία.

Ένας νευρώνας σχηματικά μοιάζει ως εξής: Αποτελείται από τους δενδρίτες που παίζουν το ρόλο των καναλιών εισόδου της πληροφορίας, από το κυρίως σώμα όπου μαγειρεύονται οι πληροφορίες και από τον άξονα, ο οποίος αναπαριστά την έξοδο μιας καινούργιας πληροφορίας για να μεταφερθεί μέσω των δενδριτών σε ένα άλλο/α κύτταρο/α. Κι έτσι πάει σόι το βασίλειο…

Αναλόγως, ένα απλό Τεχνητό Νευρωνικό Δίκτυο με τρία συνολικά layers μοιάζει σχηματικά ως εξής:

Ένα layer με τις εισόδους Ιn, τις οποίες τροφοδοτούμε με την πληροφορία κωδικοποιημένη. Ένα ενδιάμεσο layer με μία ή περισσότερες nodes όπου οι αριθμοί Ιn αθροίζονται με τα κατάλληλα βάρη (wij). Και το τελικό layer εξόδου. Το ενδιάμεσο layer μπορεί να είναι ένα ή περισσότερα. Αν έχουμε περισσότερα του ενός ενδιάμεσα layers ​​ τότε μιλάμε για Deep Learning.

Το ΝΝ για να μπορέσει να είναι χρήσιμο πρέπει να το διαπαιδαγωγήσουμε, (training), όπως κάνουμε και στο σχολείο. To training συνίσταται στον καθορισμό των βαρών (wij) και των άλλων εσωτερικών παραμέτρων του δικτύου, ώστε η τιμή που παίρνουμε στην έξοδο να πλησιάζει πολύ κοντά στην αναμενόμενη.

Όταν το ζητούμενο είναι η μελλοντική τιμή μιας μετοχής, τροφοδοτούμε το ΝΝ με ένα πλήθος στοιχείων, όσα επιτρέπει δλδ η μνήμη του hardware, όπως τις τιμές του SPY για μεγάλη χρονική περίοδο, του QQQ, του DJ, άλλων επιμέρους δεικτών, δεικτών τεχνικής ανάλυσης, τιμές μετάλλων, και με ότι άλλο προαιρούμαστε. Δεν θα μπούμε σε λεπτομέρειες για το πώς γίνεται το optimization του ΝΝ, απλά θεωρούμε ότι αυτό μπορεί με κάποια μεγάλη προσπάθεια να γίνει. Υπάρχουν άλλωστε δεκάδες αλγόριθμοι γι’ αυτό.

Το τελευταίο στάδιο είναι το testing. Από την αρχική πληθώρα δεδομένων κρατάμε ας πούμε το 10% τα οποία δεν περιλαμβάνονται στο αρχικό training, αλλά τα κρατάμε για το testing. Τα testing data τα εισάγουμε στο κουρδισμένο ΝΝ και συγκρίνουμε την τιμή που δίνουν στην έξοδο με την τιμή της μετοχής που έχουμε δώσει στην είσοδο.

Θα πρέπει να διευκρινίσουμε ότι ένα μοντέλο Νευρωνικού Δικτύου το οποίο έχει γίνει optimized μπορεί να δώσει μεγάλη ακρίβεια στην αναπαραγωγή των data που έχουν χρησιμοποιηθεί για το training. Δηλαδή, αν το έχουμε τροφοδοτήσει με όλων των λογιών τα δεδομένα που έχουμε αναφέρει προηγουμένως και ζητήσουμε να μας δώσει τις τιμές του δείκτη SPY για παράδειγμα, εντός της χρονικής περιόδου της χρονοσειράς (in-sample data) που έχει χρησιμοποιηθεί στο training, το fit είναι πάρα πολύ καλό! Αλλά άχρηστο!

Όταν έρθει η σειρά να τεστάρουμε δεδομένα εκτός της αρχικής χρονοσειράς, (out-sample data), τότε τα πράγματα σκουραίνουν αρκετά. Το καλύτερο forecasting που μπορεί να γίνει και εδώ συμφωνούν όλοι οι forecasters είναι μόνο για την επόμενη μέρα, αλλά η ακρίβεια της πρόβλεψης είναι χειρότερη απ’ ότι στα in-sample data. Όσο όμως προχωράμε στο χρόνο τα λάθη συσσωρεύονται, μέχρις ότου να χάσουμε τελείως τη μπάλα. Αν η training χρονοσειρά δεν είναι ημερήσια, αλλά εβδομαδιαία, τότε μιλάμε για forecasting της επόμενης βδομάδας, κ.ο.κ.

Για του λόγου το αληθές ας δώσουμε ένα παράδειγμα.

Στην παρακάτω εικόνα βλέπουμε τον SPY ​​ (κόκκινη καμπύλη) και το fit με κάποιον ΝΝ αλγόριθμο (μπλε καμπύλη).

Όσο είμαστε μέσα στις τιμές που χρησιμοποιήθηκα για το training, οι κόκκινες και μπλε γραμμές έχουν καλή επικάλυψη. Όταν όμως βγούμε εκτός και σε αχαρτογράφητα νερά, τότε το ΝΝ κάνει …τα δικά του.

Το ίδιο συμβαίνει όσον αφορά την προβλεψιμότητα μελλοντικών τιμών και μεμονωμένων μετοχών. Παρά ταύτα το διακύβευση είναι μεγάλη και η προσπάθεια συνεχίζεται… Αν ποτέ ευοδωθεί!

ΥΓ. Αν κανείς γνωρίζει πιο επιτυχημένες προσπάθειες ας μας στείλει τα σχετικά Links.

​​