تحلیل تکنیکال · پیش‌بینی بازارها
درون‌یابی چیست؟
درون‌یابی یک روش آماری است که از طریق آن، مقادیر شناخته‌شده مرتبط برای تخمین یک مقدار یا مجموعه‌ای از مقادیر ناشناخته استفاده می‌شوند.
درون‌یابی چیست؟ درون‌یابی یک روش آماری است که از طریق آن، مقادیر شناخته‌شده مرتبط برای تخمین یک مقدار یا مجموعه‌ای از مقادیر ناشناخته استفاده می‌شوند. در سرمایه‌گذاری، درون‌یابی برای تخمین قیمت‌ها یا بازده بالقوه یک اوراق بهادار استفاده می‌شود. درون‌یابی با استفاده از سایر مقادیر مشخص‌شده که به‌صورت متوالی با مقدار ناشناخته قرار دارند، انجام می‌شود.
اگر در مجموعه‌ای از نقاط داده یک روند کلی ثابت وجود داشته باشد، می‌توان با معقولیت، مقدار مجموعه را در نقاطی که به‌صورت صریح محاسبه نشده‌اند، تخمین زد. سرمایه‌گذاران و تحلیلگران سهام اغلب نمودار خطی با نقاط داده درون‌یابی‌شده ایجاد می‌کنند. این نمودارها به آن‌ها کمک می‌کند تا تغییرات قیمت اوراق بهادار را تجسم کنند و بخش مهمی از تحلیل تکنیکال هستند.
درون‌یابی را می‌توان با برون‌یابی مقایسه کرد، که مقادیر ناشناخته‌ای را که فراتر از داده‌های شناخته‌شده قرار دارند، تخمین می‌زند، نه مقادیری که بین نقاط داده شناخته‌شده قرار می‌گیرند.
نکات کلیدی:
- درون‌یابی یک روش ریاضی ساده است که سرمایه‌گذاران برای تخمین قیمت ناشناخته یا بازده بالقوه یک اوراق بهادار یا دارایی با استفاده از مقادیر شناخته‌شده مرتبط استفاده می‌کنند.
- با استفاده از یک روند ثابت در مجموعه‌ای از نقاط داده، سرمایه‌گذاران می‌توانند مقادیر ناشناخته را تخمین زده و این مقادیر را روی نمودارهایی که حرکت قیمت سهام را در طول زمان نشان می‌دهند، ترسیم کنند.
- یکی از انتقادات به استفاده از درون‌یابی در تحلیل سرمایه‌گذاری این است که دقت کافی ندارد و همیشه نوسانات سهام عمومی را به‌طور دقیق منعکس نمی‌کند.
درک درون‌یابی سرمایه‌گذاران از درون‌یابی برای ایجاد نقاط داده تخمینی جدید بین نقاط داده شناخته‌شده روی یک نمودار استفاده می‌کنند. نمودارهایی که نشان‌دهنده حرکت قیمت و حجم معاملات یک اوراق بهادار هستند، نمونه‌هایی هستند که ممکن است از درون‌یابی استفاده شود. در حالی که امروزه الگوریتم‌های کامپیوتری معمولاً این نقاط داده را تولید می‌کنند، مفهوم درون‌یابی چیز جدیدی نیست. درون‌یابی از دوران باستان توسط تمدن‌های انسانی، به‌ویژه توسط ستاره‌شناسان اولیه در بین‌النهرین و آسیای صغیر که سعی در پر کردن شکاف‌های مشاهدات خود از حرکات سیارات داشتند، استفاده شده است.
انواع مختلفی از درون‌یابی رسمی وجود دارد، از جمله درون‌یابی خطی، درون‌یابی چندجمله‌ای و درون‌یابی ثابت قطعه‌ای. تحلیلگران مالی از منحنی بازده درون‌یابی‌شده برای ترسیم نموداری استفاده می‌کنند که بازده اوراق قرضه یا اسناد خزانه‌داری ایالات متحده با سررسید خاص را نشان می‌دهد. این نوع درون‌یابی به تحلیلگران کمک می‌کند تا بینشی در مورد جهت‌گیری آینده بازارهای اوراق قرضه و اقتصاد به دست آورند.
مهم: نباید درون‌یابی را با برون‌یابی اشتباه گرفت، که به تخمین یک نقطه داده خارج از محدوده قابل‌مشاهده داده‌ها اشاره دارد. برون‌یابی در مقایسه با درون‌یابی ریسک بالاتری برای تولید نتایج نادرست دارد.
مثال درون‌یابی ساده‌ترین و رایج‌ترین نوع درون‌یابی، درون‌یابی خطی است. این نوع درون‌یابی زمانی مفید است که بخواهیم ارزش یک اوراق بهادار یا نرخ بهره را برای نقطه‌ای که هیچ داده‌ای در دسترس نیست، تخمین بزنیم.
برای مثال، فرض کنیم در حال ردیابی قیمت یک اوراق بهادار در یک دوره زمانی هستیم. خطی که ارزش این اوراق بهادار روی آن ردیابی می‌شود را تابع f(x) می‌نامیم. قیمت فعلی سهام را در مجموعه‌ای از نقاط که نشان‌دهنده لحظات زمانی هستند، ترسیم می‌کنیم. بنابراین، اگر f(x) را برای ماه‌های اوت، اکتبر و دسامبر ثبت کنیم، این نقاط به‌صورت ریاضی به‌عنوان xAug، xOct و xDec یا x1، x3 و x5 نشان داده می‌شوند.
به دلایل متعدد، ممکن است بخواهیم ارزش این اوراق بهادار در ماه سپتامبر را بدانیم، ماهی که هیچ داده‌ای برای آن نداریم. می‌توانیم از یک الگوریتم درون‌یابی خطی برای تخمین ارزش f(x) در نقطه ترسیم xSep یا x2 که در محدوده داده‌های موجود قرار دارد، استفاده کنیم.
انتقاد از درون‌یابی یکی از بزرگ‌ترین انتقادات به درون‌یابی این است که اگرچه این یک روش نسبتاً ساده است که از دیرباز وجود داشته، دقت کافی ندارد. درون‌یابی در یونان باستان و بابل عمدتاً برای پیش‌بینی‌های نجومی استفاده می‌شد که به کشاورزان کمک می‌کرد تا استراتژی‌های کاشت خود را برای بهبود عملکرد محصولات زمان‌بندی کنند.
در حالی که حرکت اجسام سیاره‌ای تحت تأثیر عوامل زیادی قرار دارد، آن‌ها همچنان برای عدم دقت درون‌یابی مناسب‌تر از نوسانات غیرقابل‌پیش‌بینی و بسیار متغیر سهام عمومی هستند. با این حال، با حجم عظیم داده‌های درگیر در تحلیل اوراق بهادار، درون‌یابی‌های بزرگ از حرکات قیمت تقریباً اجتناب‌ناپذیر است.
اکثر نمودارهایی که تاریخچه یک سهام را نشان می‌دهند، در واقع به‌طور گسترده درون‌یابی شده‌اند. رگرسیون خطی برای ایجاد منحنی‌هایی استفاده می‌شود که تقریباً تغییرات قیمت یک اوراق بهادار را نشان می‌دهند. حتی اگر یک نمودار که یک سهام را در طول یک سال اندازه‌گیری می‌کند شامل نقاط داده برای هر روز سال باشد، نمی‌توان با اطمینان کامل گفت که یک سهام در یک لحظه خاص زمانی چه ارزشی داشته است.
چه نوع درون‌یابی در تحلیل تکنیکال استفاده می‌شود؟ در تحلیل تکنیکال، دو نوع اصلی درون‌یابی وجود دارد: درون‌یابی خطی و درون‌یابی نمایی. درون‌یابی خطی میانگین دو نقطه داده مجاور را با ترسیم یک خط بهترین تطبیق محاسبه می‌کند. درون‌یابی نمایی به جای آن میانگین وزنی نقاط داده مجاور را محاسبه می‌کند، که می‌تواند برای حجم معاملات یا معیارهای دیگر تنظیم شود.
درون‌یابی در معاملات چگونه استفاده می‌شود؟ معامله‌گران ممکن است از نوع خاصی از درون‌یابی (که به آن هموارسازی نیز گفته می‌شود) برای نشان دادن محدوده بالا-پایین حرکت قیمت بین مجموعه‌ای از قیمت‌های بسته شدن استفاده کنند. این کار با ایجاد یک خط رگرسیون خطی از طریق نقاط بالا و پایین یک نمودار دو روزه انجام می‌شود. سپس، شیب خط رگرسیون تقریباً شکل حرکت قیمت در آن روزهای متوالی را نشان می‌دهد. این شیب می‌تواند به‌عنوان تقریبی برای میانگین متحرک (MA) محدوده بالا-پایین استفاده شود. اگر قیمت‌ها بالاتر از خط رگرسیون (میانگین متحرک) معامله شوند، معامله‌گران می‌توانند فرض کنند که محدوده پایین از قیمت‌های بالاتر حمایت می‌کند. از سوی دیگر، اگر قیمت‌ها به زیر میانگین متحرک سقوط کنند، محدوده پایین به‌عنوان حمایت از قیمت‌های پایین‌تر تلقی می‌شود.
درون‌یابی در مقابل برون‌یابی چیست؟ درون‌یابی مقادیر ناشناخته‌ای را که بین دو یا چند نقطه داده شناخته‌شده قرار دارند، تخمین می‌زند و شکاف‌ها را پر می‌کند. برون‌یابی به جای آن نقاط داده شناخته‌شده را به بیرون گسترش می‌دهد.
نتیجه‌گیری درون‌یابی یک تکنیک ریاضی است برای تخمین مقادیر نقاط داده ناشناخته‌ای که بین نقاط داده شناخته‌شده موجود قرار دارند. این فرآیند به پر کردن شکاف‌ها کمک می‌کند. معامله‌گران تکنیکال از درون‌یابی برای درک رفتار قیمت‌ها در گذشته استفاده می‌کنند، حتی زمانی که اطلاعات کامل ندارند. این کار می‌تواند به پیش‌بینی روندهای آینده بر اساس تصویر کامل‌تری از عملکرد قیمت گذشته کمک کند.