Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
Download
1041 views
Tweet
Share
Share
Kernel: Python 2 (SageMath)

Odabir pogodnih dionica

  1. Statistička analiza na likvidnim (u zadnjih 30 dana) dionicama :

    • dnevni promet

    • % broja dionica u opticaju :

      • dnevno, tjedno, mjesečno

    • prosječna razlika između dnevne najviše i najniže cijene

    • prosječna razlika između tjedne najviše i najniže cijene

    • prosječna razlika između mjesečne najviše i najniže cijene

    • maksimalna razlika između dnevne najviše i najniže cijene

      • koliko je dionica trgovano na taj dan

    • maksimalna razlika između tjedne najviše i najniže cijene

      • koliko je dionica trgovano taj tjedan

    • maksimalna razlika između mjesečne najviše i najniže cijene

      • koliko je dionica trgovano taj mjesec

    • MF(Money Flow) MF = prosječna cijena * prosječan volumen

      • tjedno, mjesečno

    • SO(Stochastic Oscillator) SO=((Zadnjacijena−Najnizˇacijena)/(Najvisˇacijena−Najnizˇacijena))∗100SO = ((Zadnja cijena - Najniža cijena)/(Najviša cijena - Najniža cijena)) * 100

      • na dnevnoj razini se računa

    • RSI(Relative Strength Index) - indikator koji ukazuje na to koliko je nedavni rasti ili pad posljedica prekupljenosti ili prevelike prodaje :

      • RSI=100−((100/(1+RS))RSI = 100-((100/(1+RS))

      • gdje je RS = prosjek na dane kada je zadnja cijena viša od prve/ prosjek na dane kada je zadnja cijena manja od prve

      • u određenom periodu (tjedan, mjesec...)

      • ispod 30 je underbought, iznad 70 je overbought (podkupljena = treba rasti, prekupljena = treba padati)

  2. Vizualna analiza na tim istim dionicama

    • nacrtamo grafove svih odabranih dionica (prosječna cijena, najviša cijena, najniža cijena, zadnja cijena, prva cijena)

    • nacrtamo grafove svih indeksnih fondova ()

    • tražimo korelacije :

      • skaliramo cijene i vremenske periode i tražimo veze

Iz 1. dobivamo dionice na kojima se isplati trgovati. Znači što veći opseg, veće razlike u dnevnim cijenama, veće oscilacije i sl. Idemo na frekvencije trgovanja. Iz 2. dobivamo slične dionice što nam može ukazati na slična ponašanja i možda kasnije će značiti da će neuralna mreža trenirana na setu xy dionice dobro raditi za xx dionicu za koju smo zaključili da su korelacijski dobro povezane.