Factors Directory

Quantitative Trading Factors

ভারযুক্ত আয় প্রাক্কলন সংশোধন

আবেগিক ফ্যাক্টরমৌলিক ফ্যাক্টর

factor.formula

প্রথমত, গত তিন মাসে প্রকাশিত প্রতিটি প্রতিষ্ঠানের শেষ আয়ের প্রাক্কলনের সংশোধনের আকার গণনা করুন।

প্রতিটি প্রতিষ্ঠানের জন্য, আয়ের পূর্বাভাস সংশোধনকে সংজ্ঞায়িত করা হয়: বর্তমান পূর্বাভাসিত নিট লাভের শতাংশ পরিবর্তন (বর্তমান সময়ে প্রকাশিত একটি নির্দিষ্ট রিপোর্টিং সময়ের জন্য পূর্বাভাসের মান) ছয় মাসের মধ্যে এক মাস আগে প্রতিষ্ঠান কর্তৃক প্রকাশিত একই রিপোর্টিং সময়ের জন্য সর্বশেষ পূর্বাভাসের মানের তুলনায়।

তারপর, গত তিন মাসে প্রতিটি প্রতিষ্ঠানের শেষ আয়ের পূর্বাভাস সংশোধনের ভারযুক্ত গড় বের করতে Accwt2 পদ্ধতি ব্যবহার করা হয়, যা চূড়ান্ত ভারযুক্ত আয় পূর্বাভাস সংশোধন পাওয়ার জন্য।

বিস্তারিত ব্যাখ্যা:

  • :

    q (বা রিপোর্টিং সময়ের) ত্রৈমাসিকের জন্য সময় t-এ প্রতিষ্ঠান i-এর আয়ের পূর্বাভাসের মান।

  • :

    সময় t-এর এক মাস আগে (অর্থাৎ, t-1m) প্রতিষ্ঠান i কর্তৃক প্রকাশিত একই ত্রৈমাসিক q (বা রিপোর্টিং সময়ের) জন্য আয়ের পূর্বাভাসের মান। এই মানটি গত ৬ মাসে প্রকাশিত ত্রৈমাসিক q-এর জন্য সর্বশেষ পূর্বাভাসের মান।

  • :

    সময় t-এ ত্রৈমাসিক q-এর জন্য প্রতিষ্ঠান i-এর আয়ের পূর্বাভাসের সংশোধন গণনা করা হয় (E_{i,t,q} - E_{i,t-1m,q})/E_{i,t-1m,q} হিসাবে।

  • :

    প্রতিষ্ঠানের i-এর ওজন Accwt2 পদ্ধতি দ্বারা নির্ধারিত হয়, যা বিশ্লেষকদের পূর্বাভাসের ঐতিহাসিক কর্মক্ষমতার উপর ভিত্তি করে একটি ওজন পদ্ধতি, যা উচ্চ পূর্বাভাসের নির্ভুলতা সম্পন্ন বিশ্লেষকদের বেশি গুরুত্ব দেয়।

  • :

    সময় t-এ ভারযুক্ত আয়ের পূর্বাভাস সংশোধন গণনা করা হয় sum(R_{i,t,q} * w_i) হিসাবে, যেখানে sum সমস্ত বিশ্লেষকের যোগফল উপস্থাপন করে।

factor.explanation

ঐতিহ্যবাহী আয় সংশোধন পরিমাপ সাধারণত ঐকমত্যের পূর্বাভাসের পরিবর্তনের উপর ভিত্তি করে তৈরি করা হয়, যেখানে এই ফ্যাক্টরটি বিশ্লেষকদের দৃষ্টিভঙ্গির ভিন্নতাকে আরও ভালোভাবে প্রতিফলিত করতে পারে এবং প্রতিটি প্রতিষ্ঠানের পূর্বাভাসের সংশোধনের মাত্রা পরীক্ষা করে কোম্পানির আয় prospects-এর বাজারের প্রত্যাশার পরিবর্তনগুলিকে আরও বিস্তৃতভাবে প্রতিফলিত করতে পারে। বিশ্লেষকদের মধ্যে মতবিরোধ ভবিষ্যতের শেয়ারের মূল্যের অস্থিরতা নির্দেশ করতে পারে। Accwt2 ওয়েটিং পদ্ধতি ব্যবহার করে, ঐতিহাসিক পূর্বাভাসের কর্মক্ষমতা সম্পন্ন বিশ্লেষকদের বেশি গুরুত্ব দেওয়া যেতে পারে, যার ফলে ফ্যাক্টরের তথ্যগত বিষয়বস্তু বৃদ্ধি পায়।

Related Factors