مدل سازی ساختار کواریانس حجم کتاب محدودیت محدود

پیشرفت در روشهای آماری و کاربرد آنها در مشکلات واقعی

ویرایش شده توسط Tsukasa Hokimoto

فصل مروری بر معیارها

1،858 بارگیری فصل

اشتراک گذاری استناد کردن

این فصل را ذکر کنید

دو روش برای استناد به این فصل وجود دارد:

1. کپی سبک استناد را به Clipboard دریافت کنید 2. استناد به سبک استناد را انتخاب کنید

تأثیر این فصل

بارگیری intechopen 1،858

بارگیری کل فصل در intechopen. com

استناد

خلاصه

داده های حجم سفارش محدود در اینجا با استفاده از تکنیک های کلیدی چند متغیره مورد تجزیه و تحلیل قرار گرفته است: مؤلفه های اصلی ، فاکتور و تجزیه و تحلیل تبعیض آمیز. تمرکز بر درک ساختار کواریانس مقادیر ارسال شده از دارایی است که به طور بالقوه در بازار فروخته می شود یا خریداری می شود. با استفاده از روش های داده های 20 شرکت تراشه آبی که در ژوئن سال 2016 در بورس سهام NASDAQ معامله شد ، مشاهده می شود که دو مؤلفه اصلی تقریباً 85-95 ٪ از تغییر کتاب سفارش را تشکیل می دهند. علاوه بر این ، مهمترین عامل مربوط به تغییر داده های کتاب سفارش ، طرف تقاضا (تنوع) بوده است. علاوه بر این ، تغییر داده های کتاب سفارش ، حرکات قیمت سهام را با موفقیت طبقه بندی می کند. برنامه های بالقوه شامل بهبود استراتژی های اجرای سفارش ، طراحی الگوریتم های معاملاتی و درک شکل گیری قیمت است.

کلید واژه ها

• کتاب سفارش محدود
• تکنیک های چند متغیره
• تجزیه و تحلیل مؤلفه های اصلی
• تحلیل عاملی
• تجزیه و تحلیل تبعیض آمیز

اطلاعات نویسنده

Andrija Mihoci *

• دانشگاه فناوری براندنبورگ Cottbus-Senftenberg ، Cottbus ، آلمان

*به کلیه مکاتبات با: andrija. mihoci@b-tu. de آدرس دهید

1. معرفی

مکانیسم معاملات محدود (LOB) به روش اصلی تجارت دارایی در بازارهای مالی تبدیل شد. از آنجا که کتاب سفارش محدود نشان دهنده عرضه نقدینگی دارایی در بازار است ، در اصل نشان دهنده تقاضا و همچنین عرضه دارایی های بالاتر از نقطه و حجم قیمت تعادل است. تنوع آن بر نقدینگی و پویایی قیمت یک دارایی تأثیر می گذارد و بنابراین ، هدف از این مطالعه انجام تجزیه و تحلیل جامع چند متغیره از داده های کتاب سفارش (تغییر) است.

در اینجا ما با استفاده از روشهای کلیدی چند متغیره ، ساختارهای کواریانس داده های کتاب سفارش چندین دارایی را الگوبرداری می کنیم. تئودور دبلیو اندرسون زیر مجموعه های مختلف موضوع را سنتز کرد و بر جهت تحقیقات اخیر و فعلی در تجزیه و تحلیل چند متغیره نظری تأثیر گذاشته است [1]. مؤلفه های اصلی ، فاکتور و تجزیه و تحلیل تبعیض آمیز تکنیک های کاهش و طبقه بندی ابعاد کاملاً محبوب است که در بسیاری از زمینه های تحقیقاتی به کار می رود.

به عنوان مثال ، تکنیک های چند متغیره اخیراً در اقتصاد مالی مالی بازارهای کتاب سفارش محدود استفاده می شود. تجزیه و تحلیل مؤلفه اصلی در مطالعات مربوط به مشترکات موجود در نقدینگی (اقدامات) انجام می شود ، به عنوان مثال [2 ، 3] یا هنگام تجزیه و تحلیل داده های تأثیر قیمت [4] مراجعه کنید. پویایی منحنی های تأمین نقدینگی توسط به اصطلاح مدل فاکتور نیمه قطبی پویا در [5] ضبط می شود ، در حالی که [6] رفتار معامله گران را با استفاده از تجزیه و تحلیل تبعیض آمیز توصیف می کند.

تمرکز ما بر درک تنوع مقادیر ارسال شده دارایی است که به طور بالقوه در بازار فروخته می شود یا خریداری می شود. حجم (تنوع) در هر سطح کتاب سفارش به عنوان یک متغیر تصادفی مورد تجزیه و تحلیل قرار می گیرد ، بنابراین ما اطلاعات کتاب سفارش را از طریق مثلاً اقدامات نقدینگی یا توابع پاداش سرکوب نمی کنیم. در این فصل ، ما ساختار (کامل) ماتریس های کواریانس را در نظر می گیریم. بنابراین برنامه های بالقوه شامل بهبود استراتژی های اجرای سفارش ، درک شکل گیری قیمت و مشترکات نقدینگی ، طراحی الگوریتم های معاملاتی است.

این مطالعه به شرح زیر سازماندهی شده است: پس از توضیح داده های کتاب در بخش 2 ، روشهای آماری در بخش 3 ارائه شده است. نتایج تجربی در بخش 4 ارائه شده است و بخش 5 نتیجه می گیرد.

2. داده های کتاب سفارش را محدود کنید

کتاب سفارش محدود یک دارایی ، حجم در انتظار خرید یا فروش سفارشات با قیمت های معین برای دارایی مورد نظر را نشان می دهد و در اینجا ما ساختار واریانس-کواریانس آن را تجزیه و تحلیل می کنیم. در یک زمان ثابت ، کتاب سفارش اساساً نشان دهنده عکس فوری از منحنی های تقاضای و عرضه دارایی بالاتر از سطح تعادل بازار است. این حجم که به طور بالقوه خریداری شده است ، طرف تقاضای دارایی (BID) را تشکیل می دهد ، در حالی که حجم بالقوه فروخته شده طرف عرضه دارایی (ASK) را نشان می دهد. به طور دقیق تر ، پیشنهاد کتاب سفارش و منحنی های سؤال را نشان می دهد که عرضه نقدینگی ، بنابراین مقادیر بالاتر از سطح حجم تعادل است ، زیرا سفارشات زیر تعادل () در بازار معامله می شد.

2. 1داده های بازار NASDAQ و آمار توصیفی

در بازار سهام NASDAQ ، یکی از بزرگترین بورس اوراق بهادار جهان ، سفارشات تقریباً فوراً ارسال می شود و سفارشات حد در دستور دریافتی اجرا می شوند. برای تجسم یک کتاب سفارش محدود ، داده های Intel Corp. (INTC) را در تاریخ 30 ژوئن 2016 ، به دست آمده از خرچنگ ارائه دهنده داده (lobsterdata. com) در نظر بگیرید. تعداد سهام که به طور بالقوه با قیمت های مختلف در 10:00 و 11:00 خریداری یا فروخته می شود در شکل 1 نشان داده شده است. به عنوان مثال ، در 10:00 با قیمت های 32. 14 (قیمت پنجم بهترین پیشنهاد) و 32. 18 (بهترین قیمت پیشنهاد)به ترتیب 16834 و 2927 سهام مورد نیاز وجود دارد. در همین زمان ، تعداد سهام ارائه شده با قیمت 32. 19 (بهترین قیمت سؤال) و 32. 23 (قیمت پنجم بهترین درخواست) به ترتیب با 1700 و 15355 به ترتیب برابر است. در ساعت 11:00 ، علاوه بر این ، مشاهده می کند که کتاب سفارش به جهت قیمت های بالاتر تغییر یافته است. ما این حرکت را به فشار افزایش تقاضا (مشاهده شده) نسبت می دهیم.

در بورس اوراق بهادار کتاب سفارش NASDAQ ، چندین نوع رویداد وجود دارد که بر پیشنهادات تأثیر می گذارد و منحنی ها را می پرسد ، یعنی ارسال سفارشات محدودیت جدید ، لغو ، حذف و اعدام ها (lobsterdata. com). مجموعه داده های ما به ما امکان می دهد تا در طول یک روز تجارت ، کلیه فعالیت های کتاب سفارش یک شرکت خاص را بازسازی کنیم. برای توصیف معاملاتی که برای اکثر بازارهای محدود کتاب معمول است ، به عنوان مثال مراجعه کنید [7].

حجم کتاب سفارش در سطح قیمت معین در اینجا یک متغیر تصادفی p- بعدی را نشان می دهد. مشخص شده توسط S = (S 1 ،… ، S P) ┬ ، S 1<… ,بردار حجم مرتبط. کتاب سفارش محدود یک دارایی توسط جفت ها داده می شود

بردار حجم مورد انتظار توسط

و هدف مورد علاقه ما ، ماتریس واریانس حجم حجم کتاب محدود کتاب توسط var (x) = σ = e [(x - e [x]) (x - e [x]) ┬] ، e2

در اینجا σ یک ماتریس P × P متقارن است که میانگین عناصر مورب آن واریانس حجم در انتظار را در سطح قیمت ثابت 1 ،… ، ص.

داده های کتاب سفارش محدود از 20 سهام بزرگ معامله شده در بورس سهام NASDAQ به منظور تجزیه و تحلیل ما جمع آوری شده است. در مدل سازی ساختارهای کواریانس با ابعاد بالا این شی ، P = 10 را تنظیم کردیم. بنابراین حجم در سمت تقاضا توسط متغیرهای x 1 ،… ، x 5 و متغیرهای x 6 ،… ، x 10 رژیم تأمین را تشکیل می دهد. از آنجا که نتایج همه پرسی "Brexit" تأثیر قابل توجهی در حرکات بازار سهام داشت ، ما به همین ترتیب در 27 ژوئن 2016 (S& P 500 در پایین ترین سطح پس از رای گیری) و 30 ژوئن 2016 (حرکت صعودی S& P 500) روی فعالیت های کتاب سفارش تمرکز می کنیم. سلسله).

تعداد تغییرات روزانه کتاب سفارش روزانه در سهام مورد بررسی متفاوت است ، یعنی بین 59. 628 و 1،805،688 ، به جدول 1 مراجعه کنید. پس از نتایج همه پرسی ، بسیاری از تغییرات کتاب سفارش وجود داشته است ، در مقایسه با فعالیت های معاملاتی در 30 ژوئن 2016تقریباً برای همه سهام ، تعداد تغییرات بسیار قابل ملاحظه ای کاهش یافته است.

میز 1.

تعداد مشاهدات کتاب سفارش محدود در 27 و 30 ژوئن 2016 و تغییر (کاهش) در ٪ برای بزرگترین 20 سهام در NASDAQ.

اکثر شرکت ها در تاریخ 30 ژوئن 2016 جالب توجه بیشتر سهام (به طور متوسط) در سطح قیمت داده شده کتاب سفارش در مقایسه با آن در تاریخ 27 ژوئن 2016 ، به شکل 2 مراجعه کنید. برای راحتی ، داده های حجم N × P مشاهده شده را مشخص کنیدماتریس توسط x. در اینجا مقدار مورد انتظار x توسط تخمین زده می شود

μ ^ = n - 1 x τ 1 n e3

با یک بردار n × 1 از آنهایی که توسط 1 n مشخص شده است. مقادیر متوسط ارسال شده علاوه بر این ، ضمن مقایسه حجم تخمین زده شده در پیشنهاد ، الگوی متقارن را نشان می دهد و از طرفین سؤال می کند.

2. 2تخمین ساختار کواریانس

نتایج فوق حاکی از آن است که تعداد تغییر کتاب سفارش و همچنین بردار متوسط تخمین زده شده در 30 ژوئن نسبت به وضعیت بازار در 27 ژوئن 2016 (به طور قابل توجهی) تغییر یافته است. با تخمین میانگین بردار ، ما آماده هستیم تا روی آن تمرکز کنیم(پتانسیل) تغییرات در ماتریس واریانس کواریانس ، یعنی ساختارهای کواریانس داده های کتاب سفارش. ماتریس کواریانس حجم کتاب سفارش توسط تخمین زده می شود

σ ^ = n - 1 x τ H x e4

جایی که h = i n - n - 1 1 n 1 n y ، با ماتریس هویت i n ، ماتریس مرکز را نشان می دهد ، و 1 n نشان دهنده یک بردار n × 1 از موارد است [8]. نتایج تجربی به ترتیب در شکل 3 و 4 برای سهام Mega-Cap و بزرگ درپوش نمایش داده می شود. از آنجا که وکتور حجم کتاب سفارش مورد تجزیه و تحلیل یک شیء 10 بعدی است ، x = (x 1 ،… ، x 10) y ، محورها در هر صفحه نمایش گرافیکی نمایانگر شاخص متغیر (های) تصادفی در نظر گرفته شده است. در کل ، 100 مقادیر کوواریانس تخمین زده شده در هر نمودار وجود دارد ، یعنی تمام مقادیر ماتریس 10 10 10 σ ^. به عنوان مثال ، مربع سمت چپ فوقانی هر نمودار نشانگر کواریانس تخمین زده شده بین x 1 و x 1 (که برابر با واریانس تخمین زده شده x 1 است). مربع سمت چپ پایین نشان دهنده کوواریانس تخمین زده شده بین x 1 و x 10 و غیره است. از عملکرد Matlab 'pcolor' برای تولید شکل 3 و 4 استفاده شده است. از مقادیر ماتریس برای تعریف رنگ های vertex با مقیاس بندی مقادیر به نقشه استفاده می شودطیف گسترده ای از "colourmap" ، برای اطلاعات بیشتر به مستندات MATLAB مراجعه کنید. توجه داشته باشید که یک رنگ تیره (آبی) مقدار بیشتری از کواریانس تخمین زده شده بین متغیرهای تصادفی و بالعکس را نشان می دهد.

نتایج تجربی ما حاکی از چندین یافته جالب است. یکی تغییر نسبتاً قوی تر در متغیرهای حجم فردی نسبت به سطح کواریانس در تمام سهام مشاهده می کند. هدف ما شناسایی ترکیب خطی است که مسئولیت بیشترین نسبت تغییر داده ها را بر عهده دارد. علاوه بر این ، سطح کواریانس نسبتاً بزرگتر بین پیشنهاد و طرفین در تاریخ 30 ژوئن 2016 در مقایسه با سطح در 27 ژوئن 2016 وجود دارد که نشان دهنده تأثیر قوی تر یک طرف بازار بر تغییر کتاب سفارش بلافاصله پس از نتایج همه پرسی است. تجزیه و تحلیل ما به ویژه انتخاب مهمترین عامل مرتبط با این تغییر است.

3. مدل سازی آماری

3. 1چارچوب مدل سازی

به یاد بیاورید ، ما حجم کتاب سفارش را به عنوان یک بردار تصادفی p-dimensional X مدل می کنیم و مقدار مورد انتظار آن را توسط μ ، یک بردار P × 1 و ماتریس کواریانس توسط Var (x) = σ ، یک ماتریس P × P نشان می دهیم. پس از مشاهده تحقق N از x ، یعنی پس از بدست آوردن ماتریس حجم کتاب سفارش N × P ، به ترتیب پارامترهای μ و σ به ترتیب با عبارات (3) و (4) تخمین زده می شوند.

در میان تکنیک های چند متغیره که با کاهش ابعاد بردارهای تصادفی با ابعاد بالا ، در مدل سازی ساختار کواریانس حجم سروکار داریم ، ما بر روی مؤلفه های اصلی ، عامل و تجزیه و تحلیل تبعیض آمیز تمرکز می کنیم. تکنیک های چند متغیره با رابطه همزمان بین متغیرها سر و کار دارند و با تجزیه و تحلیل تک متغیره و دو متغیره متفاوت هستند ، زیرا آنها توجه را از تجزیه و تحلیل میانگین و واریانس متغیر منفرد یا از رابطه زوجی بین دو متغیر ، به تجزیه و تحلیل متغیرها و همبستگی در بین استفاده می کنند. سه یا چند متغیر [9].

3. 2تجزیه و تحلیل مؤلفه های اصلی

تجزیه و تحلیل مؤلفه اصلی بر مؤلفه های اصلی استاندارد یک متغیر تصادفی با ابعاد بالا متمرکز است. این نخستین بار توسط کارل پیرسون برای متغیرهای غیرمستقیم و هارولد هاتلینگ برای بردارهای تصادفی معرفی شده است [10]. نمایندگی کم بعدی ما را قادر می سازد تا ارتباط بین مؤلفه های اصلی و داده های اصلی را بررسی کنیم. در اینجا هدف ما یافتن ترکیب خطی استاندارد از وکتور حجم کتاب سفارش X است که با بزرگترین تغییر کتاب سفارش همراه است. این تکنیک مبتنی بر یک قضیه بسیار مفید است [11] ، قضیه تجزیه طیفی. نتایج کلی در مورد مقادیر ویژه و ویژه برای ماتریس های مربع و نتایج مربوط به ماتریس های متقارن در [12] ارائه شده است.

ترکیب خطی استاندارد از یک متغیر p- بعدی x = (x 1 ،… ، x p) ┬ که حداکثر تغییر در کتاب سفارش را به حداکثر می رساند ، از اولین eigenvector مرتبط با اولین (بزرگترین) مقادیر تخریب طیفی σ = γ λ γ ┬ ، استفاده می کند. λ = Diag (λ 1 ،… ، λ p) ، λ 1 ≤… ≤ λ p بودن ماتریس مورب P × P از مقادیر ویژه و γ ماتریس P × P از eigenvectors مرتبط. دومین نسبت واریانس بزرگ با استفاده از ترکیب خطی با استفاده از قسمت دوم و غیره توضیح داده می شود.

در مدل سازی داده های کتاب سفارش ، ما اجزای اصلی را توسط

┬ = (x - 1 n μ ^ y) γ ^ e5

با γ ^ ماتریس تخمین زده شده از eigenvectors از تجزیه طیفی σ ^ = γ ^ λ ^ γ ^ ┬ ، و برآورد ماتریس مورب ابعادی p × p تخمین زده شده از eigenvalues λ ^. برای اهداف مصور ، اغلب کافی است که تنها دو مؤلفه اصلی اول را در نظر بگیریم ، یعنی دو ستون اول ماتریس N × P y.

3. 3تحلیل عاملی

در تجزیه و تحلیل عاملی ، بردار تصادفی X به عنوان ترکیبی خطی از چند عامل مشترک مدل می شود. به نظر می رسد که مفهوم عوامل نهفته توسط فرانسیس گالتون پیشنهاد شده است ، فرمولاسیون و توسعه زودرس تجزیه و تحلیل عاملی پیدایش خود را در روانشناسی دارد و به طور کلی به چارلز ادوارد اسپیرمن نسبت داده می شود [10]. تجزیه و تحلیل عاملی با هدف کشف متغیرهای مستقل که توصیف تغییر یک متغیر تصادفی با ابعاد بالا با قدرت توضیحی بالا است [13]. به طور رسمی ، ما یک مدل K را در نظر می گیریم

x = q f + u + μ e6

جایی که F و U به ترتیب عوامل مشترک و خاص K و P را به ترتیب نشان می دهند [8]. ماتریس P × K از بارهای عاملی توسط q مشخص شده است. علاوه بر این فرض بر این است که e [f] = 0 k ، var (f) = i k ، e [u] = 0 p ، var (u) = ω = diag (ω 1 ،… ، ω p) ، cov (f، U) = 0 K × P

بارهای عاملی همراه نشان دهنده ترکیبی است که منعکس کننده قسمت واریانس مشترک است و تغییرات باقیمانده از طریق ماتریس کواریانس فاکتورهای خاص اندازه گیری می شود. در عمل ، ما در نتیجه علاقه مند به تخمین ماتریس بارهای فاکتور مشترک q و ماتریس کواریانس از فاکتور خاص ω هستیم. در اینجا ما از روش حداکثر احتمال استفاده می کنیم: در حالی که فرض می کنیم که حجم به طور عادی چند متغیره توزیع می شود [8] ، تخمین ها با حداکثر رساندن عملکرد ورود به سیستم ، یعنی داده می شوند.

(q ^ ، ω ^) = arg max q ، ω [ - n 2 log<| 2 π ( Q Q y + Ω ) |>+ n 2 tr<( Q Q y + Ω ) − 1 Σ ^>] E7

که در آن n نشان دهنده اندازه نمونه و Σ ^ ماتریس کوواریانس تخمینی است، به معادله مراجعه کنید.(4).

3. 4. تحلیل تمایز

در تجزیه و تحلیل متمایز، مشاهدات داده های چند متغیره به دو یا چند گروه شناخته شده طبقه بندی می شوند. درمان مدرن تجزیه و تحلیل تمایز و تاریخچه مختصری از تجزیه و تحلیل تمایز در [10] گنجانده شده است. برای مثال، در تحلیل تفاوت های گروهی [13]، دو سؤال را بیان کنید: (1) آیا بین گروه ها (تغییر) تفاوت معناداری وجود دارد و (2) کدام متغیرها در این جنبه مسئول هستند؟در عمل، یک قانون تمایز برای طبقه بندی مشاهدات موجود و جدید استفاده می شود و تعداد مشاهدات طبقه بندی شده به درستی نشان دهنده کیفیت رویکرد است. در اینجا ما به دقت طبقه بندی علاقه مندیم: تا چه حد می توان انتظار داشت (یا نه) تغییر قیمت را در هر ورودی دفتر سفارش بر اساس داده های حجم مشاهده شده به طور انحصاری.

قاعده تمایز خطی فیشر مبتنی بر ترکیب خطی داده ها است، مثلاً X a، با بردار p × 1، و ایده این است که a را پیدا کنیم که به تفکیک خوبی دست یابد [8، 14]. هنگامی که این روش برای دو گروه اعمال می شود، فرض می شود که ماتریس داده X به دو گروه تقسیم می شود، مثلاً X 1 و X 2. اندازه نمونه این ماتریس ها را با n 1 و n 2، بردارهای میانگین تخمین زده شده را با μ 1 و μ 2، ماتریس های کوواریانس تخمین زده شده را با Σ ^ 1 و Σ ^ 2، و ماتریس های مرکزی را با H 1 و H 2 نشان دهید. ترکیب خطی که نسبت مجموع مربعات بین گروهی را به مجموع مربعات درون گروهی به حداکثر می رساند با

a ^ = W − 1 ( μ ^ 1 − μ ^ 2 ) E8

که در آن ماتریس p × p W به مجموع مجموع مربعات بین گروهی به صورت زیر مرتبط است: a Τ X 1 Τ H 1 X 1 a + a Τ X 2 Τ H 2 X 2 a = a Τ W a

4. نتایج تجربی

تجزیه و تحلیل مولفه های اصلی اغلب روابطی را آشکار می کند که قبلاً مشکوک نبوده اند و در نتیجه امکان تفسیرهایی را فراهم می کند که معمولاً نتیجه نمی دهند [15]. برای مثال، نسبت واریانس دفتر سفارش را در نظر بگیرید که توسط دو مؤلفه اصلی در جدول 2 توضیح داده شده است. دو مؤلفه اصلی برای توصیف تغییرات دفتر سفارش کافی است، زیرا نسبت های توضیح داده شده بین 0. 81 و 0. 96 (27 ژوئن 2016) و 0. 78 و 0. 97 متغیر است.(30 ژوئن 2016).

تنوع کتاب سفارش محدود در اکثر شرکت ها به وضوح قوی تر در 30 ژوئن 2016 نسبت به قدرت توضیحی حاصل از 27 ژوئن 2016 توضیح داده شده است. بزرگترین افزایش نسبت توضیح داده شده برای سهام کوچکتر ، به ویژه برای SBUX ، CELG ، QCOM ، هزینه و PCLN مشهود است. بشرتنها با نگاهی به نتایج توصیفی گزارش شده در جدول 1 نتیجه می گیرد که تعداد تغییرات ظاهراً در همه سهام مشابه است. اکنون بدیهی است که منحنی های تقاضا و عرضه سهام کوچکتر در زمان آشفتگی نسبتاً قوی تر تغییر می کنند (در اینجا در طی یک حرکت قیمت رو به پایین). ما این را به نقدینگی نسبتاً پایین سهام در کلاه های بزرگ نسبت می دهیم در مقایسه با سهام بسیار مگا-کلاه بسیار مایع.

جدول 2

نسبت تخمین زده شده از واریانس حجم کتاب سفارش توضیح داده شده توسط دو مؤلفه اصلی اول.

تجزیه و تحلیل عاملی می تواند به عنوان گسترش تجزیه و تحلیل مؤلفه اصلی در نظر گرفته شود ، اگرچه هر دو تکنیک را می توان به عنوان تلاش برای تقریب ماتریس کواریانس مشاهده کرد. با این حال ، تقریب بر اساس مدل تحلیل عاملی دقیق تر است [15]. در دنباله ، ما یک مدل k = 1 فاکتور را انتخاب کردیم زیرا ما علاقه مند به انتخاب عامل محرک تنوع کتاب سفارش هستیم. نتایج به ترتیب در جداول 3 و 4 برای شرکت های بزرگ و بزرگ به ترتیب ، بر اساس مقادیر تخمین زده شده از بارگذاری عاملی q ^ نشان داده شده است.

جدول 3.

فاکتورهای مشترک را بر اساس بارهای عاملی تخمین زده شده برای مگا-کلاه مورد بررسی و بزرگترین سهام بزرگ درپوش شناسایی کرد.

جدول 4.

فاکتورهای مشترک را بر اساس بارهای تخمین زده شده برای سهام بزرگ مورد بررسی شناسایی کردند.

در بین همه سهام ، تقاضا به عنوان مهمترین عامل در 30 ژوئن 2016 انتخاب می شود. قیمت شرکت ها در واقع در این روز واکنش مثبت نشان دادند. برای بیشتر سهام بزرگ نسبتاً غیرقانونی ، جالب توجه است که در هر دو روز همین عامل مشخص شده است. بزرگی آن تغییر کرده است ، همانطور که از تجزیه و تحلیل مؤلفه های اصلی مشهود است.

تجزیه و تحلیل تبعیض آمیز معمولاً نمی تواند یک روش عاری از خطا از انتساب داده ها را ارائه دهد ، زیرا ممکن است تمایز مشخصی بین خصوصیات اندازه گیری شده جمعیت وجود نداشته باشد-یعنی گروه ها ممکن است با هم همپوشانی داشته باشند [15]. ما نسبت تغییرات قیمت مناسب طبقه بندی شده را فقط بر اساس داده های حجم در جداول 5 و 6 برای مگا کلاه انتخاب شده و بزرگترین سهام بزرگ و سهام بزرگ و بزرگ گزارش می کنیم.

جدول 5

نسبت تخمین زده شده از تغییرات قیمت به درستی طبقه بندی شده بر اساس داده های حجم برای مگا-کلاه مورد بررسی و بزرگترین سهام بزرگ کلاهبرداری.

2016-06-27	2016-06-30	2016-06-27	ما را در سایت پلتفرم معاملاتی فارکس دنبال می کنید برچسب : نویسنده : مرجان محتشم بازدید : <-PostHit-> تاريخ : چهارشنبه 15 شهريور 1402 ساعت: 3:08 آرشیو مطالب شهريور 1402 مرداد 1402 تير 1402 خرداد 1402 پيوندهای روزانه خرید ارز دیجیتال تحصیل در انگلستان گروه حقوقی فرشاد قاسمی تحصیل در اسپانیا دانلود آهنگ جدید خرید طلا آرشیو لینکها لینک دوستان اجاره خودرو در تهران خرید لایسنس نود 32 تبادل لینک با ما بیت کوین هاست ایمیل مشاوره سئو مشاوره سئو تحلیل رایگان سئو سایت خرید بک لینک ارز دیجیتال دانلود آهنگ جدید خبرنامه