Инвестиции в фондовый рынок по своей сути влекут за собой неопределенность и риск, большая часть которых связана с трудностью прогнозирования будущих результатов. Это исследование направлено на уменьшение этой неопределенности за счет применения метода долгосрочного прогнозирования запасов, установленного в предыдущем исследовании. Особое внимание мы уделяем четырем ключевым фондовым индексам США: S&P 500 (большая капитализация), S&P 400 (средняя капитализация), S&P 600 (малая капитализация) и NASDAQ-100 (преимущественно технологический). Модель прогнозирования, основанная на оценке будущих средних значений дивидендной доходности, роста продаж и отношения P/Sales, продемонстрировала значительную точность применительно к историческим данным. Используя диверсифицированный и циклически повторяющийся характер этих фондовых индексов, мы предлагаем стратегию повышения предсказуемости долгосрочных доходов в будущем.
Мы сравнили историческую доходность различных фондовых индексов США в а. Используя математическую модель из , в этой статье будет прогнозироваться будущая доходность на основе, например. отношения P/Sales или P/Book. Основываясь на их текущих коэффициентах P/S, мы можем сравнить прогнозируемую доходность основных фондовых индексов США. Будут изучены S&P 500 (крупная капитализация), S&P 400 (средняя капитализация), S&P 600 (малая капитализация) и NASDAQ 100 (в основном технологические).
В этой статье снова будут резюмированы основные идеи, поэтому мы надеемся, что ее можно будет читать самостоятельно. Предыдущие статьи содержат подробные объяснения математики.
Для реализации этого Jupyter Notebook используется Python версии 2.7. Для числовых расчетов и построения графиков требуются различные пакеты. README-файл содержит инструкции по установке.
%matplotlib inline
Этот код позволяет Jupyter Notebook, интерактивной среде кодирования, отображать графики внутри блокнота, а не в отдельном окне. Это «волшебная команда», которая указывает блокноту отображать графики непосредственно под ячейкой кода. Это позволяет специалистам по данным и программистам визуализировать и анализировать свои данные, не переключаясь между разными окнами. Эта функция особенно полезна при работе с большими наборами данных или при сравнении нескольких графиков.
# Imports from Python packages. import matplotlib.pyplot as plt from matplotlib.ticker import FuncFormatter from scipy.stats import ttest_rel, ttest_ind import pandas as pd import numpy as np import os
Сценарий начинается с импорта нескольких пакетов Python. Пакет `matplotlib.pyplot` предоставляет способ создания графиков и графиков,…
