СДЕЛКИ С КРУПНЫМИ ПАКЕТАМИ. МЕТОД НАИМЕНЬШИХ КВАДРАТОВ

СДЕЛКИ С КРУПНЫМИ ПАКЕТАМИ

Артур А. Меррилл обозначил особо крупные пакеты как трансакции, в которых задействовано 50 тыс. и более акций. Пользуясь данными, в конце каждой недели публикуемыми в Barron's, Меррилл предложил 8 этапов определения характера поведения особо крупных операторов:

1. Используя данные за полную неделю (как правило, пять, однако, возможно, и четыре торговых дня), суммируйте по отдельности количества особо крупных пакетов, торговавшихся при тиках цены вверх, тиках цены вниз и при неизменившихся тиках цены. Получите данные суммы для трех разных недель.
2. Сгладьте результаты трех недель с помощью 13-недельной ЭСС.
3. Отнимите средние значения для тика цены вниз от средних значений для тика цены вверх (на основе результатов этапа 2).
4. Поделите разность (полученную на этапе 3) на само среднее (этап 2).
5. Получите 52-недельное скользящее среднее отношения.
6. Определите значения отклонений отношения (полученного на этапе 4) от 52-недельного скользящего среднего (этап 5).
7. Поделите значения данных отклонений на их собственное стандартное отклонение за предыдущие 52 недели.
8. Интерпретируйте результаты индикатора следующим образом:
• отношение больше 0,67 – «бычий» сигнал;
• отношение меньше 0,67 – «медвежий» сигнал.

Пользуясь хи-квадрат тестом, Меррилл обнаружил, что его индикатор верно предсказывал направление рынка в 66% случаев на 13 недель вперед, в 81% случаев – на 26 недель вперед и в 76% случаев – на 52 недели вперед. Все полученные результаты оказались статистически высокозначимыми. Незначимыми оказались предсказания рынка на одну и пять недель вперед.

Знаете ли Вы, что: Форекс-брокеру «Альпари» удалось собрать на своей инвестиционной площадке лучших управляющих Рунета (некоторые ПАММ-счета показывают положительную доходность уже более 7 лет подряд). Инвесторам доступны удобные и информативные рейтинги ПАММ-счетов и готовых ПАММ-портфелей.

МЕТОД НАИМЕНЬШИХ КВАДРАТОВ

Метод наименьших квадратов – это статистическая техника, позволяющая найти прямую линию, наилучшим образом аппроксимирующую независимую переменную или наблюдаемые данные, так что сумма квадратов отклонений точек данных от прямой линии будет минимальной (см. Линейная регрессия).

где:

L – линия наименьших квадратов (в каждой данной точке);
у – независимая переменная, наблюдаемая точка данных;
е – теоретическое значение независимой переменной – наблюдаемой точки данных – согласно вписанной в данные прямой линии.

Содержание

Далее