Я хотел поделиться с вами типичным анализом, который я провожу по акциям при подготовке к сделкам в отношении их доходов, и мы изучаем любимую толпой $GME!

Цель здесь состоит в том, чтобы делать ставки на хвостовые события, происходящие вокруг прибыли. Как и в большинстве случаев, рынок ожидает определенного движения цены акций, которое учитывается в ценах опционов. Покупка стрэнглов или стрэдлов с ближайшим истечением за день до релиза является очень рискованной сделкой, так как iv раздавливание и временной распад против нас, но если происходит более высокое движение, чем ожидалось, они являются огромным принтером денег, и это то, к чему мы стремимся. Я сделал этот пост об этих пьесах, если вам интересно.

Сначала я предпочитаю смотреть на график цен с выделенными датами доходов, просто чтобы получить представление об общем движении акций вокруг релизов и в целом.

Похоже, что рынок довольно активно реагирует на прибыль GME. Давайте подтвердим это, взглянув на исторические цифры.

Это сводка движения запасов за последние 5 выпусков:

Для каждого выпуска мы видим фактическое движение, которое произошло, по сравнению со средним историческим движением и стандартным отклонением (по сути, метрикой дисперсии), вычисленными тогда.

Среднее историческое движение обычно является хорошим приближением к движению, ожидаемому рынком, и мы хотим знать, превосходит ли обычно GME это ожидание. Мы можем видеть, что GME постоянно превышала свой средний рост с более чем 30-процентным изменением прибыли за неделю в течение последних двух выпусков.

В настоящее время рыночное ожидание движений, основанное на всех исторических движениях, составляет около 14,6% со стандартным отклонением 10,3%. Это означает, что акции обычно двигаются в окне от 0 до 22% большую часть времени, и любое движение выше этого будет ожидаемым рынком.

Теперь цель состоит в том, чтобы увидеть, насколько вероятно, что GME преодолеет порог в 22%, чтобы наши опционы были прибыльными.

В earnings-watcher.tech мы разработали модель машинного обучения, которая использует особенности исторических движений акций, объема, освещения новостей и т. д., чтобы предсказать, может ли акция двигаться выше, чем ожидалось. Это в основном пытается обнаружить закономерности, которые важны для прогнозирования этих движений. Посмотрим, что они приготовили для GME.

Модель дает высокую вероятность большого движения 91%, но не совсем уверена в прогнозах, сделанных ранее на GME, как мы видим в оценке модели 37% (оценка здесь является оценкой ROC для классификации, принимая во внимание редкость события, которые мы ищем).

Как оно это нашло? Это закономерность, которую идентифицировала модель:

Модель показала, что компании со средним движением и std dev. около 14% в сочетании с рыночной капитализацией и тем фактом, что среднее изменение трех последних доходов составляет около 30%, обычно превосходят ожидания.

Этот паттерн является статистически значимым, а это означает, что любое другое изменение этих характеристик не помогло бы предсказать большое движение, и модель смогла выделить этот паттерн.

В таблице справа показаны другие проявления этой модели: в 2021–06–22 годах PLUG показывал то же самое время исторических движений и ценовых колебаний, и в итоге движение немного превысило рыночные ожидания в 13%.

Мы также можем взглянуть на предыдущие модели, обнаруженные моделью при прогнозировании движения доходов GME:

Еще в 2018–11–29 годах модель определила закономерность, основанную на среднем историческом движении, составляющем около 10%, рыночных ожиданиях немного ниже на уровне 11% и особенно изменении цены на +16%, а затем -9% во время последней прибыли. Этот паттерн повторялся еще 13 раз и имел точность 30#, а это означает, что треть акций, демонстрирующих этот паттерн во время своих доходов, в конечном итоге превзошли ожидания рынка.

Наконец-то мы можем взглянуть на цены стрэнглов и стрэддлов для GME.

Минимальная безубыточность составляет около 20%, а это означает, что для того, чтобы эти варианты были прибыльными, необходимо движение примерно на 20%, что близко к рыночным ожиданиям, на которые ориентировалась модель. Этот расчет очень консервативен, так как учитывает только внутреннюю стоимость опциона по истечении срока действия.

Что ж, GME не является идеальной базой для модели машинного обучения, чтобы использовать возможности, поскольку у нее есть все резервные копии Reddit, но, по крайней мере, вы используете то, как мы можем это использовать!

Наслаждайся и дай мне знать, что ты думаешь!