ناقدشوندگی وزنی طول مسیر نوسان با فرکانس بالا
factor.formula
محاسبه طول مسیر نوسان یک K-line منفرد:
فاکتور ناقدشوندگی وزنی طول مسیر نوسان روزانه:
در اینجا:
- :
نشان دهنده طول مسیر نوسان K-line ام در فرکانس درون روز است که تقریباً نشان دهنده دامنه نوسان قیمت در طول دوره K-line است. در این بین، $High_j$، $Low_j$، $Close_j$، $Open_j$ به ترتیب نشان دهنده بالاترین قیمت، پایینترین قیمت، قیمت بسته شدن و قیمت باز شدن K-line ام هستند.
- :
نشان دهنده حجم معاملات در K-line ام در فرکانس درون روز است. این مقدار به عنوان وزن، تاثیر حجم معاملات بر ناقدشوندگی را منعکس میکند. هرچه حجم معاملات بیشتر باشد، تأثیر ناقدشوندگی کمتر است.
- :
نشان دهنده تعداد بخشهای K-line در روز است. برای مثال، اگر از دادههای K-line 5 دقیقهای استفاده شود، نشان دهنده تعداد K-line های 5 دقیقهای در روز است. این پارامتر به فرکانس دادههای درون روز انتخاب شده بستگی دارد.
- :
نشان دهنده پارامتر دوره میانگین متحرک روزانه است، یعنی مقدار میانگین تعداد روزهای گذشته محاسبه میشود. از این پارامتر برای هموار کردن نوسانات کوتاه مدت و پایدارتر کردن فاکتور استفاده میشود. برای مثال، اگر d=20 باشد، به معنای گرفتن میانگین مقدار 20 روز معاملاتی گذشته است.
factor.explanation
این فاکتور به طور موثری با محاسبه طول مسیر نوسان دادههای K-line دقیقهای با فرکانس بالا و وزندهی آن با حجم معاملات، ناقدشوندگی سهام را اندازهگیری میکند. در مقایسه با فاکتورهای ناقدشوندگی سنتی، از اطلاعات ریزساختاری غنیتر موجود در دادههای با فرکانس بالا برای ثبت دقیقتر ریسک نقدشوندگی ناشی از هزینههای ضربه در طول معاملات سهام استفاده میکند. به طور مشخص:
-
طول مسیر نوسان (میانبر): این پارامتر از فرم 2*(بالاترین - پایینترین) - |بسته شدن - باز شدن| استفاده میکند که دامنه نوسان قیمت در طول روز را بهتر از (بالاترین-پایینترین) ساده ثبت میکند، بنابراین طول مسیر نوسانات قیمت را دقیقتر منعکس میکند و میتوان آن را به عنوان شاخص پراکسی نوسان مبتنی بر دادههای با فرکانس بالا در نظر گرفت.
-
وزندهی حجم معاملات: استفاده از حجم معاملات به عنوان وزن میتواند به طور موثر تاثیر حجم معاملات بر شوک نقدشوندگی را کنترل کند. هر چه حجم معاملات بیشتر باشد، شوک ناقدشوندگی کمتر است.
-
میانگین سری زمانی: با میانگینگیری در طول سری زمانی، عامل هموار میشود و باعث میشود پایدارتر شود، نویز کاهش یابد و ریسک ناقدشوندگی سهام بهتر منعکس شود.
در محیط دادههای با فرکانس بالا، این عامل میتواند به طور موثرتری ریزساختار بازار را ثبت کند و اندازه گیری دقیقتری از ناقدشوندگی نسبت به روشهای سنتی ارائه دهد که به بهبود اثربخشی و توانایی پیشبینی استراتژیهای معاملاتی کمی کمک میکند.