میانگین وزنی بازده مورد انتظار تحلیلگران
factor.formula
بازده مورد انتظار وزنی (WTR):
در اینجا:
- :
قیمت هدف سهام منتشر شده توسط موسسه i ام که نشان دهنده مقدار مورد انتظار موسسه از قیمت آتی سهام است.
- :
موسسه i ام یک پیشبینی قیمت هدف برای قیمت پایانی سهام در روز معاملاتی قبل منتشر میکند که به عنوان قیمت معیار برای محاسبه نرخ بازده مورد انتظار عمل میکند.
- :
وزن پیشبینی قیمت هدف موسسه i ام به صورت پویا بر اساس دقت پیشبینی آن تنظیم میشود. وزن پیشبینی با دقت بالا نسبتاً زیاد است. برعکس، وزن کم است. روش محاسبه خاص وزن را می توان در توضیحات زیر مشاهده کرد.
- :
تعداد کل موسسات شرکت کننده در پیش بینی قیمت هدف.
factor.explanation
عامل میانگین وزنی بازده مورد انتظار تحلیلگران به منظور سنجش انتظارات جامع بازار برای بازدههای آتی سهام طراحی شده است. منطق اصلی آن این است که پیشبینیهای تمام تحلیلگران ارزش یکسانی ندارند. بنابراین، این عامل از شرایط بازار بعدی برای تأیید دقت پیشبینیهای قیمت هدف تحلیلگران استفاده میکند و وزنهای متفاوتی را به پیشبینیهای مختلف اختصاص میدهد. به طور مشخص: nn- مکانیسم تنظیم وزن: اگر پیشبینی قیمت هدف تحلیلگر توسط روندهای بعدی بازار قابل تأیید باشد (به عنوان مثال، افزایش واقعی قیمت سهام نزدیک به یا بیشتر از افزایش مورد انتظار تحلیلگر باشد)، به نتیجه پیشبینی تحلیلگر وزن بیشتری داده میشود؛ برعکس، اگر پیشبینی تحلیلگر برخلاف روند واقعی باشد، وزن کمتری داده میشود و حتی میتوان یک وزن تنبیهی تعیین کرد. nn- معنای عامل: هرچه مقدار این عامل بیشتر باشد، انتظار کلی بازار برای بازدههای آتی سهام بیشتر است و برعکس. از طریق میانگینگیری وزنی، این عامل میتواند به طور موثر تداخل پیشبینیهای نادرست یا مغرضانه فردی را بر انتظارات کلی کاهش دهد. nn- **روش محاسبه وزن $w_i$ (مثال، قابل تنظیم بر اساس شرایط واقعی):**n - از روشی مشابه "بک تست" میتوان برای محاسبه دقت تاریخی پیشبینیهای هر تحلیلگر استفاده کرد. به عنوان مثال: n - $Accuracy_i = frac{NumOfCorrectPredictions_i}{TotalPredictions_i}$ n - در اینجا $NumOfCorrectPredictions_i$ نشان دهنده تعداد پیشبینیهای صحیح انجام شده توسط تحلیلگر i در گذشته و $TotalPredictions_i$ نشان دهنده تعداد کل پیشبینیهای انجام شده توسط تحلیلگر i در گذشته است. n - وزن میتواند متناسب با دقت پیشبینی باشد، به عنوان مثال: n - $w_i = frac{Accuracy_i}{sum_{j=1}^{N} Accuracy_j}$ یا $w_i = Accuracy_i^k$، که در آن k یک پارامتر تنظیم است و حساسیت وزن را میتوان بر اساس نیاز تنظیم کرد. n - علاوه بر این، میتوان پوسیدگی زمانی را نیز در نظر گرفت و به پیشبینیهایی که از نظر زمانی دورتر هستند وزنهای کمتری داده میشود. n - عوامل دیگری نیز میتوانند در نظر گرفته شوند، مانند شهرت تحلیلگر، رتبه بندی موسسه و غیره. nn- نکات مهم: در کاربردهای واقعی، روش محاسبه وزن باید به طور کامل بک تست و بهینه سازی شود تا بهترین اثر عامل به دست آید. در عین حال، لازم است تغییرات در محیط بازار را در نظر گرفته و روش محاسبه وزن را به صورت پویا تنظیم کرد.