Pada artikel sebelumnya,https://www.fmz.com/digest-topic/4187Kami memperkenalkan strategi perdagangan berpasangan dan menunjukkan bagaimana menggunakan data dan analisis matematis untuk membuat dan mengotomatisasi strategi perdagangan.

Strategi ekuitas multi-spacing adalah ekstensi alami dari strategi perdagangan berpasangan yang berlaku untuk indikator basket; ini terutama berlaku untuk pasar perdagangan yang beragam dan saling terkait, seperti pasar mata uang digital dan pasar berjangka komoditas.

Prinsip-prinsip dasar

Strategi multi-spaces equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equity equ

Ingatkah Anda bahwa perdagangan berpasangan sebelumnya adalah strategi netral pasar? Begitu juga dengan strategi equity yang berimbang karena jumlah posisi berpasangan dan posisi kosong memastikan bahwa strategi akan tetap netral pasar ("tidak terpengaruh oleh fluktuasi pasar"). Strategi ini juga kuat secara statistik; dengan menandai peringkat dan memegang beberapa posisi, Anda dapat membuka banyak posisi pada model peringkat Anda, bukan hanya satu kali; Anda hanya bertaruh pada kualitas program peringkat Anda.

Apa yang dimaksud dengan peringkat?

Peringkat adalah model yang dapat memberi prioritas pada setiap indikator berdasarkan kinerja yang diharapkan. Faktor-faktornya dapat berupa faktor nilai, indikator teknis, model harga, atau kombinasi dari semua faktor di atas. Misalnya, Anda dapat menggunakan indikator momentum untuk memberi peringkat pada sejumlah indikator yang mengikuti tren: indikator yang diperkirakan memiliki momentum tertinggi akan terus berkinerja baik dan mendapatkan peringkat tertinggi; investasi dengan momentum terkecil akan berkinerja terburuk dan memiliki pengembalian terendah.

Keberhasilan strategi ini hampir sepenuhnya tergantung pada skema peringkat yang digunakan, yaitu bahwa strategi peringkat Anda dapat memisahkan indikator investasi berkinerja tinggi dari indikator investasi berkinerja rendah untuk mencapai hasil yang lebih baik dari strategi indikator investasi berjumlah banyak. Oleh karena itu, membuat skema peringkat sangat penting.

Bagaimana membuat program peringkat?

Setelah kita menentukan skema peringkat, kita jelas ingin mendapatkan keuntungan dari itu. Kita melakukan ini dengan menginvestasikan jumlah dana yang sama untuk melakukan investasi yang berada di peringkat terdepan dan yang berada di peringkat terbawah. Ini memastikan strategi hanya menghasilkan uang secara proporsional berdasarkan kualitas peringkat dan akan "netral pasar".

Misalkan Anda sedang melakukan peringkat pada semua indikator m, memiliki investasi $n, dan ingin memegang posisi dengan total 2p (di mana m> 2p). Jika indikator peringkat 1 diperkirakan akan melakukan yang terburuk, maka indikator peringkat m diperkirakan akan melakukan yang terbaik:

• Anda akan mengatur nilai pada posisi seperti 1,..., dan p, dan Anda akan membuat nilai $ 2 / 2p kosong.

• Anda akan mengatur indikator sebagai berikut: m-p..., m di posisi seperti ini, dan Anda akan membuat indikator dengan nilai $n/2p.

** Catatan: ** Karena harga indikator yang disebabkan oleh lompatan harga tidak selalu terbagi secara merata n/2p, dan beberapa indikator harus dibeli dalam jumlah bulat, maka akan ada beberapa algoritma yang tidak akurat yang harus sedekat mungkin dengan angka ini. Untuk strategi yang menjalankan n = 100000 dan p = 500, kita melihat:

n/2p = 100000/1000 = 100

Hal ini menimbulkan masalah besar pada poin harga yang lebih besar dari 100 (misalnya pasar berjangka komoditas) karena Anda tidak dapat membuka posisi dengan poin harga (tidak ada masalah di pasar mata uang digital).

Mari kita lihat contoh hipotesis.

• Kami membangun lingkungan penelitian kami di platform inventor kuantitas.

Pertama-tama, agar pekerjaan berjalan dengan lancar, kita perlu membangun lingkungan penelitian kita, dan dalam artikel ini kita menggunakan platform kuantitatif penemu.FMZ.COMPerangkat lunak ini digunakan untuk membangun lingkungan penelitian, terutama untuk platform yang dapat digunakan di masa depan dengan antarmuka API yang mudah dan cepat dan sistem Docker yang terintegrasi.

Dalam nama resmi platform kuantitatif penemu, sistem Docker ini disebut sistem host.

Untuk informasi lebih lanjut tentang cara mengimplementasikan administrator dan robot, lihat artikel saya sebelumnya:https://www.fmz.com/bbs-topic/4140

Untuk pembaca yang ingin membeli host yang mendistribusikan server cloud mereka sendiri, baca artikel ini:https://www.fmz.com/bbs-topic/2848

Setelah berhasil menerapkan layanan cloud dan sistem administrator, selanjutnya kita akan menginstal python terbesar saat ini: Anaconda.

Untuk menerapkan semua lingkungan program yang diperlukan untuk artikel ini (dependencies, version management, dll.), cara termudah adalah dengan menggunakan Anaconda. Ini adalah ekosistem ilmu data Python yang dikemas dan manajer repositori dependen.

Untuk cara menginstal Anaconda, lihat panduan resmi Anaconda:https://www.anaconda.com/distribution/

本文还将用到numpy和pandas这两个目前在Python科学计算方面十分流行且重要的库.

Pekerjaan dasar di atas juga dapat dilihat di artikel saya sebelumnya tentang cara mengatur lingkungan Anaconda dan perpustakaan kedua, numpy dan pandas, untuk detailnya:https://www.fmz.com/digest-topic/4169

Kita membuat indikator investasi acak dan faktor acak, dan memberi peringkat kepada mereka. Mari kita asumsikan bahwa pengembalian masa depan kita benar-benar tergantung pada nilai faktor ini.

import numpy as np
import statsmodels.api as sm
import scipy.stats as stats
import scipy
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
## PROBLEM SETUP ##
# Generate stocks and a random factor value for them
stock_names = ['stock ' + str(x) for x in range(10000)]
current_factor_values = np.random.normal(0, 1, 10000)
# Generate future returns for these are dependent on our factor values
future_returns = current_factor_values + np.random.normal(0, 1, 10000)
# Put both the factor values and returns into one dataframe
data = pd.DataFrame(index = stock_names, columns=['Factor Value','Returns'])
data['Factor Value'] = current_factor_values
data['Returns'] = future_returns
# Take a look
data.head(10)

Sekarang kita memiliki nilai faktor dan keuntungan, kita bisa melihat apa yang terjadi jika kita peringkatkan indikator investasi berdasarkan nilai faktor, lalu buka posisi multi-head dan kosong.

# Rank stocks
ranked_data = data.sort_values('Factor Value')
# Compute the returns of each basket with a basket size 500, so total (10000/500) baskets
number_of_baskets = int(10000/500)
basket_returns = np.zeros(number_of_baskets)
for i in range(number_of_baskets):
    start = i * 500
    end = i * 500 + 500 
    basket_returns[i] = ranked_data[start:end]['Returns'].mean()
# Plot the returns of each basket
plt.figure(figsize=(15,7))
plt.bar(range(number_of_baskets), basket_returns)
plt.ylabel('Returns')
plt.xlabel('Basket')
plt.legend(['Returns of Each Basket'])
plt.show()

Strategi kami adalah menjadi yang teratas dalam kolam investasi basket; menjadi yang terendah di peringkat ke-10. Hasil dari strategi ini adalah:

basket_returns[number_of_baskets-1] - basket_returns[0]

Hasilnya adalah: 4.172.

Investasi yang dilakukan oleh perusahaan ini adalah untuk menginvestasikan uang di model peringkat kami sehingga dapat memisahkan investor yang berkinerja baik dari investor yang berkinerja buruk.

Di bagian selanjutnya dari artikel ini, kita akan membahas bagaimana mengevaluasi skema peringkat. Manfaat dari keuntungan berdasarkan peringkat adalah tidak dipengaruhi oleh kekacauan pasar, tetapi dapat dimanfaatkan.

Mari kita pertimbangkan contoh dunia nyata.

Kami mengunggah data untuk 32 saham dari berbagai industri dalam S&P 500 dan mencoba membuat peringkat untuk mereka.

from backtester.dataSource.yahoo_data_source import YahooStockDataSource
from datetime import datetime
startDateStr = '2010/01/01'
endDateStr = '2017/12/31'
cachedFolderName = '/Users/chandinijain/Auquan/yahooData/'
dataSetId = 'testLongShortTrading'
instrumentIds = ['ABT','AKS','AMGN','AMD','AXP','BK','BSX',
                'CMCSA','CVS','DIS','EA','EOG','GLW','HAL',
                'HD','LOW','KO','LLY','MCD','MET','NEM',
                'PEP','PG','M','SWN','T','TGT',
                'TWX','TXN','USB','VZ','WFC']
ds = YahooStockDataSource(cachedFolderName=cachedFolderName,
                            dataSetId=dataSetId,
                            instrumentIds=instrumentIds,
                            startDateStr=startDateStr,
                            endDateStr=endDateStr,
                            event='history')
price = 'adjClose'

Mari kita gunakan indikator dinamika standar untuk peringkat dalam satu bulan.

## Define normalized momentum
def momentum(dataDf, period):
    return dataDf.sub(dataDf.shift(period), fill_value=0) / dataDf.iloc[-1]
## Load relevant prices in a dataframe
data = ds.getBookDataByFeature()[‘Adj Close’]
#Let's load momentum score and returns into separate dataframes
index = data.index
mscores = pd.DataFrame(index=index,columns=assetList)
mscores = momentum(data, 30)
returns = pd.DataFrame(index=index,columns=assetList)
day = 30

Sekarang kita akan menganalisis perilaku saham kita untuk melihat bagaimana saham kita berkinerja di pasar dalam faktor peringkat yang kita pilih.

Analisis data

Aktifitas saham

Kita lihat bagaimana saham dalam keranjang yang kita pilih berkinerja dalam model peringkat kita. Untuk itu, mari kita hitung pengembalian jangka panjang satu minggu dari semua saham. Kemudian kita bisa melihat hubungan antara pengembalian setiap saham satu minggu sebelumnya dengan momentum 30 hari sebelumnya.

# Calculate Forward returns
forward_return_day = 5
returns = data.shift(-forward_return_day)/data -1
returns.dropna(inplace = True)
# Calculate correlations between momentum and returns
correlations = pd.DataFrame(index = returns.columns, columns = [‘Scores’, ‘pvalues’])
mscores = mscores[mscores.index.isin(returns.index)]
for i in correlations.index:
    score, pvalue = stats.spearmanr(mscores[i], returns[i])
    correlations[‘pvalues’].loc[i] = pvalue
    correlations[‘Scores’].loc[i] = score
correlations.dropna(inplace = True)
correlations.sort_values(‘Scores’, inplace=True)
l = correlations.index.size
plt.figure(figsize=(15,7))
plt.bar(range(1,1+l),correlations[‘Scores’])
plt.xlabel(‘Stocks’)
plt.xlim((1, l+1))
plt.xticks(range(1,1+l), correlations.index)
plt.legend([‘Correlation over All Data’])
plt.ylabel(‘Correlation between %s day Momentum Scores and %s-day forward returns by Stock’%(day,forward_return_day));
plt.show()

Semua saham kita memiliki regressi rata-rata sampai batas tertentu! ((Tentu saja ini adalah cara kerja alam semesta yang kita pilih)) Ini memberi tahu kita bahwa jika saham mendapat peringkat yang tinggi dalam analisis momentum, kita harus memperkirakan kinerja buruk mereka minggu depan.

Relasi antara peringkat skor dan hasil analisis momentum

Selanjutnya, kita perlu melihat hubungan antara skor peringkat kita dan pengembalian ke depan dari pasar secara keseluruhan, yaitu apakah prediksi tingkat pengembalian yang diharapkan terkait dengan faktor peringkat kita, apakah peringkat relevansi yang lebih tinggi dapat memprediksi pengembalian relatif yang lebih buruk, atau sebaliknya?

Untuk melakukan ini, kami menghitung korelasi harian antara momentum 30 hari dari semua saham dan pengembalian jangka panjang 1 minggu.

correl_scores = pd.DataFrame(index = returns.index.intersection(mscores.index), columns = [‘Scores’, ‘pvalues’])
for i in correl_scores.index:
    score, pvalue = stats.spearmanr(mscores.loc[i], returns.loc[i])
    correl_scores[‘pvalues’].loc[i] = pvalue
    correl_scores[‘Scores’].loc[i] = score
correl_scores.dropna(inplace = True)
l = correl_scores.index.size
plt.figure(figsize=(15,7))
plt.bar(range(1,1+l),correl_scores[‘Scores’])
plt.hlines(np.mean(correl_scores[‘Scores’]), 1,l+1, colors=’r’, linestyles=’dashed’)
plt.xlabel(‘Day’)
plt.xlim((1, l+1))
plt.legend([‘Mean Correlation over All Data’, ‘Daily Rank Correlation’])
plt.ylabel(‘Rank correlation between %s day Momentum Scores and %s-day forward returns’%(day,forward_return_day));
plt.show()

Performa korelasi harian sangat berisik, tetapi sangat ringan (ini diharapkan karena kita telah mengatakan bahwa semua saham akan memiliki laba bersih).

monthly_mean_correl =correl_scores['Scores'].astype(float).resample('M').mean()
plt.figure(figsize=(15,7))
plt.bar(range(1,len(monthly_mean_correl)+1), monthly_mean_correl)
plt.hlines(np.mean(monthly_mean_correl), 1,len(monthly_mean_correl)+1, colors='r', linestyles='dashed')
plt.xlabel('Month')
plt.xlim((1, len(monthly_mean_correl)+1))
plt.legend(['Mean Correlation over All Data', 'Monthly Rank Correlation'])
plt.ylabel('Rank correlation between %s day Momentum Scores and %s-day forward returns'%(day,forward_return_day));
plt.show()

Kita bisa melihat bahwa rata-rata relevansi sedikit negatif lagi, tetapi juga sangat bervariasi dari bulan ke bulan.

Rata-rata pengembalian saham

Kita sudah menghitung laba atas satu basket saham yang kita ambil dari peringkat kita. Jika kita peringkat semua saham dan membagi mereka ke dalam kelompok nn, lalu berapa rata-rata laba dari setiap kelompok?

Langkah pertama adalah membuat fungsi yang akan memberikan rata-rata pengembalian dan faktor peringkat untuk setiap keranjang yang diberikan setiap bulan.

def compute_basket_returns(factor, forward_returns, number_of_baskets, index):
data = pd.concat([factor.loc[index],forward_returns.loc[index]], axis=1)
    # Rank the equities on the factor values
    data.columns = ['Factor Value', 'Forward Returns']
    data.sort_values('Factor Value', inplace=True)
    # How many equities per basket
    equities_per_basket = np.floor(len(data.index) / number_of_baskets)
basket_returns = np.zeros(number_of_baskets)
# Compute the returns of each basket
    for i in range(number_of_baskets):
        start = i * equities_per_basket
        if i == number_of_baskets - 1:
            # Handle having a few extra in the last basket when our number of equities doesn't divide well
            end = len(data.index) - 1
        else:
            end = i * equities_per_basket + equities_per_basket
        # Actually compute the mean returns for each basket
        #s = data.index.iloc[start]
        #e = data.index.iloc[end]
        basket_returns[i] = data.iloc[int(start):int(end)]['Forward Returns'].mean()
        
    return basket_returns

Kami menghitung rata-rata pengembalian masing-masing keranjang ketika kami membuat peringkat saham berdasarkan skor ini. Ini seharusnya memberi kita gambaran tentang hubungan mereka dalam waktu yang lama.

number_of_baskets = 8
mean_basket_returns = np.zeros(number_of_baskets)
resampled_scores = mscores.astype(float).resample('2D').last()
resampled_prices = data.astype(float).resample('2D').last()
resampled_scores.dropna(inplace=True)
resampled_prices.dropna(inplace=True)
forward_returns = resampled_prices.shift(-1)/resampled_prices -1
forward_returns.dropna(inplace = True)
for m in forward_returns.index.intersection(resampled_scores.index):
    basket_returns = compute_basket_returns(resampled_scores, forward_returns, number_of_baskets, m)
    mean_basket_returns += basket_returns
mean_basket_returns /= l    
print(mean_basket_returns)
# Plot the returns of each basket
plt.figure(figsize=(15,7))
plt.bar(range(number_of_baskets), mean_basket_returns)
plt.ylabel('Returns')
plt.xlabel('Basket')
plt.legend(['Returns of Each Basket'])
plt.show()

Sepertinya kita bisa membedakan antara orang-orang yang berprestasi tinggi dan orang-orang yang berprestasi rendah.

Konsistensi dari margin

Tentu saja, ini hanya rata-rata. Untuk memahami seberapa konsisten hubungan ini, dan apakah kita bersedia untuk berdagang, kita harus mengubah cara dan sikap kita untuk melihatnya dari waktu ke waktu. Selanjutnya kita akan melihat margin bulanan dari dua tahun sebelumnya.

total_months = mscores.resample('M').last().index
months_to_plot = 24
monthly_index = total_months[:months_to_plot+1]
mean_basket_returns = np.zeros(number_of_baskets)
strategy_returns = pd.Series(index = monthly_index)
f, axarr = plt.subplots(1+int(monthly_index.size/6), 6,figsize=(18, 15))
for month in range(1, monthly_index.size):
    temp_returns = forward_returns.loc[monthly_index[month-1]:monthly_index[month]]
    temp_scores = resampled_scores.loc[monthly_index[month-1]:monthly_index[month]]
    for m in temp_returns.index.intersection(temp_scores.index):
        basket_returns = compute_basket_returns(temp_scores, temp_returns, number_of_baskets, m)
        mean_basket_returns += basket_returns
    
    strategy_returns[monthly_index[month-1]] = mean_basket_returns[ number_of_baskets-1] - mean_basket_returns[0]
    
    mean_basket_returns /= temp_returns.index.intersection(temp_scores.index).size
    
    r = int(np.floor((month-1) / 6))
    c = (month-1) % 6
    axarr[r, c].bar(range(number_of_baskets), mean_basket_returns)
    axarr[r, c].xaxis.set_visible(False)
    axarr[r, c].set_title('Month ' + str(month))
plt.show()

plt.figure(figsize=(15,7))
plt.plot(strategy_returns)
plt.ylabel(‘Returns’)
plt.xlabel(‘Month’)
plt.plot(strategy_returns.cumsum())
plt.legend([‘Monthly Strategy Returns’,’Cumulative Strategy Returns’])
plt.show()

Akhirnya, jika kita melakukan basket terakhir dan mengosongkan basket pertama setiap bulan, maka mari kita lihat pengembalian (misalnya jika setiap sekuritas memiliki alokasi modal yang sama)

total_return = strategy_returns.sum()
ann_return = 100*((1 + total_return)**(12.0 /float(strategy_returns.index.size))-1)
print('Annual Returns: %.2f%%'%ann_return)

Pengembalian tahunan: 5.03%

Kami melihat bahwa kami memiliki skema peringkat yang sangat lemah, yang hanya membedakan secara sederhana antara saham berkinerja tinggi dan saham berkinerja rendah. Selain itu, skema peringkat ini tidak konsisten dan sangat bervariasi setiap bulan.

Menemukan Peringkat yang Tepat

Untuk mencapai strategi keseimbangan ruang berlebih, Anda hanya perlu menentukan skema peringkat. Setelah itu semuanya bersifat mekanis. Setelah Anda memiliki strategi keseimbangan ruang berlebih, Anda dapat menukar faktor peringkat yang berbeda tanpa banyak perubahan. Ini adalah cara yang sangat mudah untuk mengubah ide Anda dengan cepat tanpa perlu khawatir tentang setiap kali menyesuaikan seluruh kode.

Peringkat juga dapat berasal dari hampir semua model. Ini tidak harus model faktor berbasis nilai, ini bisa menjadi teknik pembelajaran mesin yang dapat memprediksi pengembalian sebulan sebelumnya dan peringkat berdasarkan peringkat tersebut.

Pemilihan dan evaluasi program peringkat

Peringkat adalah bagian yang paling penting dari strategi keseimbangan hak dan kepentingan yang multifungsi. Memilih peringkat yang baik adalah proses yang sistematis, dan tidak ada jawaban yang sederhana.

Sebuah titik awal yang baik adalah dengan memilih teknologi yang sudah dikenal dan melihat apakah Anda dapat mengubahnya sedikit demi sedikit untuk mendapatkan keuntungan yang lebih tinggi.

• Kloning dan penyesuaian: Pilih topik yang sering dibahas dan lihat apakah Anda dapat mengubahnya sedikit untuk mendapatkan keuntungan. Biasanya, faktor publik tidak akan memiliki sinyal perdagangan lagi karena mereka telah sepenuhnya memanfaatkan pasar. Namun, kadang-kadang mereka akan mengarahkan Anda ke arah yang benar.

• Model Harga: Setiap model yang memprediksi pengembalian masa depan dapat menjadi faktor dan memiliki potensi potensial untuk digunakan untuk peringkat indikator basket Anda. Anda dapat menggunakan model harga yang rumit dan mengubahnya menjadi skema peringkat.

• Faktor-faktor berdasarkan harga (indikator teknis)Faktor berbasis harga, seperti yang kita bahas hari ini, mengambil informasi tentang harga historis dari setiap hak atas kepentingan dan menggunakannya untuk menghasilkan nilai faktor. Contoh mungkin adalah indikator moving average, indikator momentum, atau indikator volatilitas.

• Regresi dan momentumPerlu dicatat bahwa beberapa faktor berpendapat bahwa harga akan terus bergerak ke arah yang sama setelah bergerak ke arah yang sama. Beberapa faktor justru sebaliknya. Keduanya adalah model yang efektif tentang rentang waktu dan aset yang berbeda, dan penting untuk mempelajari perilaku dasar berdasarkan momentum atau berdasarkan regresi.

• Faktor dasar (berdasarkan nilai)Ini adalah kombinasi dari penggunaan nilai dasar, seperti PE, dividen, dll. Nilai dasar berisi informasi yang terkait dengan fakta dunia nyata perusahaan, sehingga dalam banyak hal dapat lebih kuat daripada harga.

Pada akhirnya, faktor peramalan pertumbuhan adalah perlombaan senjata, dan Anda mencoba untuk tetap di depan. Faktor-faktor akan dipetik dari pasar dan memiliki masa pakai, jadi Anda harus terus bekerja untuk menentukan berapa banyak faktor Anda mengalami kemunduran dan apa yang dapat Anda gunakan untuk menggantikannya.

Faktor-faktor lain

• Frekuensi Rebalancing

Setiap sistem peringkat akan memprediksi pengembalian pada rentang waktu yang sedikit berbeda. Kembali rata-rata berdasarkan harga mungkin diprediksi dalam beberapa hari, sedangkan model faktor berbasis nilai mungkin diprediksi dalam beberapa bulan. Menentukan rentang waktu mana yang harus diprediksi model sangat penting, dan melakukan verifikasi statistik sebelum menjalankan strategi. Anda tentu tidak ingin terlalu cocok dengan mencoba mengoptimalkan frekuensi rebalancing, dan Anda pasti akan menemukan satu yang optimal secara acak pada frekuensi lain.

• Kapasitas dan biaya transaksi

Setiap strategi memiliki volume modal minimum dan maksimum, dan batas minimum biasanya ditentukan oleh biaya transaksi.

Berdagang terlalu banyak saham akan menyebabkan biaya transaksi yang tinggi. Misalkan Anda ingin membeli 1000 saham, maka setiap rebalancing akan menghasilkan biaya beberapa ribu dolar. Basis modal Anda harus cukup tinggi sehingga biaya transaksi merupakan sebagian kecil dari keuntungan yang dihasilkan oleh strategi Anda.

Jumlah aset terendah, terutama tergantung pada jumlah saham yang diperdagangkan. Namun, kapasitas maksimum juga sangat tinggi, dan strategi imbalan multi-kosong dapat memperdagangkan ratusan juta dolar tanpa kehilangan keunggulan. Ini benar karena strategi ini relatif jarang rebalancing. Jumlah aset total selain jumlah saham yang diperdagangkan, nilai dolar per saham akan sangat rendah, dan Anda tidak perlu khawatir volume perdagangan Anda akan mempengaruhi pasar.

Berkaitan

Lebih banyak