Forex pca

Om jou vrae te beantwoord moet ons 'n blik op wat dit doen nie. PCA is wiskundig gedefinieer as 'n ortogonale lineêre transformasie wat die data verander na 'n nuwe assestelsel, sodanig dat nuus vektore orthogonals en verduidelik die belangrikste deel van die variansie van die eerste stel. Dit het 'n N x M matrice as toevoer, N verteenwoordig die Verschillende herhaling van die eksperiment en M die resultate van 'n bepaalde ondersoek. Dit sal jou aanwysings (of hoofkomponente) wat die variansie van jou dataset verduidelik gee. So dit hang alles af van wat jy insette om jou PCA. Ek gebruik PCA om te kyk na die mark korrelasie, so ek insette M pryse meer as N tye. Jy kan insette Verschillende maat (Grieke, termynkontrakte.) Van 'n enkele aandele 'n blik op die dinamika te neem. My gebruik sal die korrelasie van 'n aandeelprys met die mark, bekend as beta gee, sal die ander gebruik korrelasie tussen verskillende tegniese aanwysers van 'n voorraad te gee. En Wel, ek dink jy kan 'n paar interessante resultate met Verschillende aanwysers oor Verschillende voorrade te kry. Moenie vergeet van die pre-verwerking. Soos jy hier kan sien: Data Synchronization daar 'n paar moeilike probleme met die mark data in. Dit hang ook af van wat jy doen met jou resultate. Jy kan 'n paar kriteria gebruik om komponente te verwyder met min variansie om die dimensie van jou dataset verminder. Dit is die gewone "doel" van PCA. Dit gee jou 'n beperkte aantal voorraad om 'n portefeulje te bou, om wins / risiko kurwes skat. Maar jy kan ook meer kompleks post behandeling. Hier: http://th-www. if. uj. edu. pl/acta/vol36/pdf/v36p2767.pdf jy kan 'n gebruik van PSO gekombineer met 'n arbitrêre matriksteorie die geraas van die mark verwyder sien. PCA is 'n instrument, 'n baie kragtige instrument, maar net 'n instrument. Jou resultate sal afhang van hoe jy dit gebruik. Die risiko is om dit te gebruik te veel. Jy weet wat hulle sê, as jy 'n hamer elke probleem lyk soos 'n spyker. Maandag, 3 Desember, 2012 Die gebruik van PSO vir verspreiding handel Klassieke pare handel behels gewoonlik die bou van 'n paar wat bestaan ​​uit twee bene, wat ideaal mark-neutrale of in ander woorde moet wees, moet paar opbrengste nul korrelasie met markopbrengste het. Die proses van die bou van 'n "goeie" pair is redelik standaard. 'N Tipiese manier van bou van 'n paar (verspreiding) behels die keuse van twee gekorreleer sekuriteite en die vorming van 'n mark-neutrale paar met behulp van voorraad betas. Multi-been versprei is meer gevorderde en baie moeilik om te bou met behulp van die tradisionele metode. Daar is egter 'n wiskundige metode genoem Skoolhoof Component Analysis wat maklik kan gebruik word om 'n stabiele skep (= verhandelbare?) Versprei. Al die lineêre algebra is gelukkig weggesteek binne die princomp funksie, maar as jy wil verstaan ​​hoe PCA regtig werk, 'n blik op hierdie handleiding. Die getransformeerde data kan beskryf word as. 1-ste komponent: 'Max wisselvalligheid portefeulje, wat gewoonlik baie hoog korreleer met die mark. 2-de komponent: 'mark-neutrale 'n portefeulje, met maksimum afwyking. 3-d en verdere komponente te verminder grade van variansie. Let daarop dat deur ontwerp, PCA produseer ortogonale komponente, wat beteken dat alle portefeuljes nie gekorreleer met mekaar. So 2 en verder portefeuljes mark-neutraal. Hier is 'n voorbeeld van die toepassing van PCA op sommige gekorreleer ETF in die energiesektor: Die boonste grafiek toon rou pryse, hoe laer kar is die kumulatiewe opbrengs van hoofkomponente. Om die hoofkomponente ek net eers 250 dae van data gebruik te bereken. Dit blyk dat die skoolhoof komponente, wat lineêre kombinasies van elke sekuriteit opbrengste is redelik stabiel buite-monster, wat 'n aangename verrassing. Eerste (blou) komponent het die meeste van die variansie en dit is duidelik gekorreleer met die beweging van die pryse in die boonste grafiek. Kom ons neem 'n nader kyk na die laaste twee komponente: die lyk redelik stabiel en verhandelbaar wees selfs ver buite-monster. WTI Futures Curve Ontleding met PCA (Deel 1) Teoreties, ru-olie toekomstige pryse weerspieël die deelnemers aan die mark se verwagtinge van toekomstige vraag en aanbod, sowel as hul algehele onsekerheid. Die ru-olie toekomstige mark is 'n interessante mark te ontleed. Wette van koste-van-oordrag, vraag en aanbod steeds van toepassing, maar geopolitieke risiko weeg op relatiewe pryse. Histories, is die kurwe olie termynkontrakte dikwels in backwardation, wat hoër pryse vir 'n kort termyn kontrakte as vir langtermyn kontrakte beteken. Dit word dikwels verduidelik deur 'n teoretiese term genaamd "gerief opbrengs." Gerief opbrengs is konseptueel soortgelyk aan dividende in ekwiteit, waar dit fisiese besit van die voorraad oor toekomstige lewering bevoordeel as gevolg van die dividend kontantbetalings. In die ru-oliemark, kan gerief opbrengs mark bekommerd oor die toekoms van olie toevoer (of aflewering) sein as gevolg van 'n paar geopolitieke bekommernisse en die neiging om guns te hou die kommoditeit nou. In hierdie witskrif, sal ons nie delf in die teoretiese ekonomie agter die prysveranderings of hul versprei. In plaas daarvan, sal ons die daaglikse prys van die eerste vier (4) kontrakte van WTI CL termynmark gelys Nymex ondersoek. Volgende, die gebruik van reëls ruil vir WTI / CL kontrak handel, sal ons die aantal dae bereken om die lewering maand vir elke kontrak aan die kromme termynmark te bou. Ten slotte, sal ons uit te voer skoolhoof komponent ontleding (PCA) in 'n poging om die kern drywers agter die kurwe termynmark veranderinge (maw vlak en algemene vorm) ontbloot. Hoekom moet ons omgee? Die olie toekomstige mark is baie kompleks in die ontwerp, en, in hierdie vraestel, sal ons probeer om te ontbloot en die onderliggende bestuurders weerspieël in die daaglikse relatiewe pryse van verskillende kontrakte vir 'n beter begrip en beter verskansing vir 'n portefeulje van sodanige instrumente te vereenvoudig. agtergrond Die algemene vraag na petroleumprodukte is hoogs seisoenaal en die grootste in die wintermaande, wanneer lande in die Noordelike Halfrond te verhoog hul gebruik van gedistilleerde verwarming olie en oorblywende brandstof. Voorsiening van ru-olie, insluitend beide produksie en netto invoer, toon ook 'n soortgelyke seisoenale variasie maar met 'n kleiner grootte. Gedurende die somermaande, aanbod oorskry die vraag en petroleum voorrade normaalweg bou; terwyl gedurende die winter, vraag die aanbod oorskry en voorrade word af getrek. As gevolg hiervan, voorrade demonstreer ook seisoenaliteit. In teorie, is futures pryse soos volg bereken: ETF met PKG as 'n Top 10 Holding * ** Green beklemtoon die top-presterende ETF deur% verandering in die afgelope 100 dae. Maatskappy beskrywing (soos deur die SEC) Packaging Corporation of America ( "ons", "ons", "ons", "PCA," of die "Maatskappy") is die vierde grootste produsent van containerboard en die derde grootste produsent van wit vraestelle in Noord-Amerika, wat gebaseer is op die produksie kapasiteit . Ons bedryf agt Mills en 99 geriffelde produkte vervaardigingsaanlegte. Ons is gevestig in Lake Forest, Illinois, en het ongeveer 14000 mense. Ons bedrywighede is hoofsaaklik in die Verenigde State van Amerika en ons het 'n paar omskakeling bedrywighede in Europa, Mexiko en Kanada. Op 25 Oktober 2013 PCA verkry Boise Inc. (Boise) vir $ 2100000000, insluitend die billike waarde van veronderstelde skuld. Na die verkryging, het ons begin verslagdoening in drie rapporteerbare segmente: Packaging, Paper, en korporatiewe en ander. Ons bied inligting met betrekking tot elkeen van ons segmente en die geografiese gebiede waarin hulle werksaam is in Aantekening 18, segmentinligting, van die Aantekeninge by Gekonsolideerde Finansiële State in "Deel II, punt 8. Meer. Pas jou NASDAQ. com ervaring Hoofkomponent-analise. Stap vir stap gids in R Hierdie maand het ek besluit om myself ten volle wy aan hoofkomponent-analise (PCA). Soos baie van julle weet, Internet is vol tutoriale op PCA / SVD, behalwe daar is een probleem - die oomblik wanneer 'n beginner moet die abstrakte taal van lineêre algebra te vertaal in implementering, dinge lyk om te gaan suid. 'N Mens kan nie seker wees oor sy vermoëns, kan daar computational foute ens Sonder 'n stap-vir-stap gids, is dit moeilik om jouself te leer PCA. 'N gebruiker se Guide to Skoolhoof Component Analysis' deur Edward Jackson kom om te red. Dit het uiteensetting uiteengesit oor hoe om PCA voer, saam met 'n gemiddelde stadium resultate sodat leerder kan verseker hulle is op die regte pad. Waardevolle werk vir 'n student van so 'n belangrike tegniek. Miskien moet ek 'n kort nota oor hoekom PCA is belangrik maak - dit is een van die mees populêre metodes van meerveranderlike data-analise. Veronderstel jy het 'n datastel wat sluitingsprys van 'n seleksie van aandele deur die dag beskryf. Jy kan 'n korrelasie matriks van aandele te skep en uit te voer PCA (aangesien verskillende aandele het verskillende gemiddelde prys, is dit 'n goeie idee om korrelasie matriks vs kovariansie gebruik). Die hoofkomponente sal belangrikste dimensies wys - elke dimensie sal negatiewe en positiewe bydraes van elke voorraad het. Skep 'n steenslag plot om te sien hoeveel variansie vir verantwoord deur elke eievektor. Kies 'n afgesnyde punt en benader jou daaglikse data met behulp van 'n paar eievektore. Dan sien watter een van jou datapunte (dae, in hierdie voorbeeld) is uitskieters, maw kan nie verklaar word deur die keuse van eievektore. Ek sou lees hoofstuk 5 beveel - dit verg 'n oudiometrie dataset, wat sluit ek hieronder. Daarbenewens Ek sluit my R-kode wat jy moet in staat stel om y tellings te produseer, x ^ (maw oorspronklike data benader met behulp van seleksie van rekenaars), residue en die spreidiagram op bladsy 120. ############################################### # Author: Monsi Terdex # Datum: 2014/07/27 # Dit is R implementering van PCA # Rekenaar eie vektore en eie waardes van die korrelasie matriks evv. cr = eie (CR) $ vektore; evr. cr = eie (CR) $ waardes; # Berekening kovariansiematriks net ingeval + die ooreenstemmende eie # Vektore en waardes CV = cov (tb0); evv. cv = eie (CV) $ vektore; evr. cv = eie (CV) $ waardes; # Steenslag plot wedstryde Figuur 5.1 op bladsy 112: plot (evr. cr, PCH = 15, cex = 1, XLab = 'root aantal ", ylab =' Kenmerkende wortel"); Hoofkomponent-analise. Stap vir stap gids in R & Bull; 1 Augustus 2014 & bull; Los kommentaar Hierdie maand het ek besluit om myself ten volle wy aan hoofkomponent-analise (PCA). Soos baie van julle weet, Internet is vol tutoriale op PCA / SVD, behalwe daar is een probleem - die oomblik wanneer 'n beginner moet die abstrakte taal van lineêre algebra te vertaal in implementering, dinge lyk om te gaan suid. 'N Mens kan nie seker wees oor sy vermoëns, kan daar computational foute ens Sonder 'n stap-vir-stap gids, is dit moeilik om jouself te leer PCA. 'N gebruiker se Guide to Skoolhoof Component Analysis' deur Edward Jackson kom om te red. Dit het uiteensetting uiteengesit oor hoe om PCA voer, saam met 'n gemiddelde stadium resultate sodat leerder kan verseker hulle is op die regte pad. Waardevolle werk vir 'n student van so 'n belangrike tegniek. Miskien moet ek 'n kort nota oor hoekom PCA is belangrik maak - dit is een van die mees populêre metodes van meerveranderlike data-analise. Veronderstel jy het 'n datastel wat sluitingsprys van 'n seleksie van aandele deur die dag beskryf. Jy kan 'n korrelasie matriks van aandele te skep en uit te voer PCA (aangesien verskillende aandele het verskillende gemiddelde prys, is dit 'n goeie idee om korrelasie matriks vs kovariansie gebruik). Die hoofkomponente sal belangrikste dimensies wys - elke dimensie sal negatiewe en positiewe bydraes van elke voorraad het. Skep 'n steenslag plot om te sien hoeveel variansie vir verantwoord deur elke eievektor. Kies 'n afgesnyde punt en benader jou daaglikse data met behulp van 'n paar eievektore. Dan sien watter een van jou datapunte (dae, in hierdie voorbeeld) is uitskieters, maw kan nie verklaar word deur die keuse van eievektore. Ek sou lees hoofstuk 5 beveel - dit verg 'n oudiometrie dataset, wat sluit ek hieronder. Daarbenewens Ek sluit my R-kode wat jy moet in staat stel om y tellings te produseer, x ^ (maw oorspronklike data benader met behulp van seleksie van rekenaars), residue en die spreidiagram op bladsy 120. ############################################### # Author: Monsi Terdex # Datum: 2014/07/27 # Dit is R implementering van PCA # Rekenaar eie vektore en eie waardes van die korrelasie matriks evv. cr = eie (CR) $ vektore; evr. cr = eie (CR) $ waardes; # Berekening kovariansiematriks net ingeval + die ooreenstemmende eie # Vektore en waardes CV = cov (tb0); evv. cv = eie (CV) $ vektore; evr. cv = eie (CV) $ waardes; # Steenslag plot wedstryde Figuur 5.1 op bladsy 112: plot (evr. cr, PCH = 15, cex = 1, XLab = 'root aantal ", ylab =' Kenmerkende wortel"); Hoofkomponent-analise Woensdag, September 25, 2013 Sumit Aggarwal, Kwantitatiewe Navorsing Posted in: Strategie Data vorm die kern van enige analitiese oefening en dit word dikwels van mening dat hoe meer data mens, hoe beter is dit! Maar is dit altyd die geval? Oorweeg, byvoorbeeld, 'n ekonomiese analise of 'n model oefening met 'n groot aantal hoogs gekorreleer veranderlikes. Hierdie gekorreleer datapunte het dikwels geen grensnut, dit wil sê elke bykomende veranderlike dien 'n beperkte doel op te gee meer inligting, terwyl die koste wat aangegaan is in die stoor, modellering, en die versekering van die akkuraatheid van die model is 'n bekommernis. So hoe gaan ons voort met meerveranderlike analise in sulke situasies? Is daar enige tegniek wat kan help om die aantal data veranderlikes sonder verlies van inligting? Die antwoord op die vraag hierbo is 'n statistiese tegniek bekend as skoolhoof Component Analysis (PCA). Die aansoek wissel van onttrekking van inligting om dimensie vermindering en data visualisering. Die naam PCA word toegeskryf aan die feit dat dit genereer 'n stel faktore genoem hoofkomponente, naamlik ortogonale (loodreg) aan mekaar (soortgelyk aan die x, y, en z byle in die 3-dimensionele Euklidiese ruimte). Die variansie van die data kry herverdeel onder die nuwe komponente in so 'n manier dat die eerste hoofkomponent beskik oor die grootste moontlike afwyking (rekeninge vir soveel van die variasie in die data as moontlik) en elke opeenvolgende komponent het die volgende hoogste variansie moontlik. Die totale aantal komponente gegenereer is gelyk aan die aantal oorspronklike veranderlikes. Maar vir gekorreleer veranderlikes, 'n meerderheid van die totale variansie word verklaar deur die eerste paar komponente, en dus is dit voldoende om net hierdie paar hoofkomponente gebruik Laat ons die konsep met die hulp van 'n voorbeeld te verstaan. Aanvaar dat jy 10 verskillende veranderlikes waaruit u moet die mees relevante inligting te onttrek. Begin PCA op hierdie veranderlikes; Dit sal u voorsien 10 komponente (FIG 1.). Die resultaat toon dat die eerste 3 hoofkomponente was genoeg om 95% variasie verduidelik (in plaas van die gebruik van al 10 komponente of veranderlikes); Dus, die aantal veranderlikes is verminder 10-3 komponente met 'n skamele 5% verlies van inligting. Figuur 1: PCA Uitgawe Wat hierbo getoon word, help ons om te verstaan ​​hoe PCA verminder dimensionaliteit van die data, terwyl dit die variasie (soveel as moontlik) van die datastel behou. Die laai (gewigte) aldus verkry vir elke komponent definieer die gewig wat nodig is om aan elke veranderlike (x1, x2, te X10) in staat te wees om die hele reeks histories te bou. 'N punt om daarop te let is dat jy nog sal moet al die veranderlikes X1 om X10 om die faktore te bou; Maar sal die insette vir enige model 'n 3 PCA reeks eerder as 10 veranderlikes wees. Dit kan die basis van verdere analise of insette vir ander tegnieke vorm. Hierdie blog nie diep delf in die wiskunde van die tegniek, maar fokus op die toepassing van PCA oor verskillende bedrywe. Die tegniek geïmplementeer kan word met behulp van standaard pakkette (soos e-uitsig, SPSS, en Minitab) in die mark beskikbaar. Aansoeke van die PCA Een van die vooraanstaande kenmerke van PSO is die toepassing daarvan in regressie-analise om probleme van multikollineariteit 1. hanteer Die mees algemeen aangeneem benadering vir die hantering van multikollineariteit is die weglating van 'n paar onafhanklike veranderlikes wat gekorreleer (bv as X1, X2, en X3 hoogs gekorreleer gebruik slegs een van hulle). Maar in hierdie benadering, is daar 'n moontlikheid van die verlies van belangrike inligting vervat in die ander veranderlikes. Inteendeel, PCA hulpmiddels in die kombinasie van hierdie gekorreleer veranderlikes in een en help in die redding van die mate van vryheid. PCA vind ook toepassing in byna al die dele van 'n kwantitatiewe finansies. Quant handelaars / ontleders gebruik hierdie tegniek in verskillende maniere om hul rolle en vereistes te voldoen. Portefeulje en risikobestuurders gebruik dit om gewig te toekenning aan verskillende bates en om die mark risiko van hul portefeuljes te monitor. Ander Quant ontleders gebruik dit om die opbrengskromme model en analiseer sy vorm, te implementeer rentekoers modelle, of model die wisselvalligheid glimlag. PCA word algemeen gebruik deur aandele handelaars om handel strategieë te ontwikkel. Die omvang van PCA is nie net beperk tot kwantitatiewe finansies, maar om elke vlak van die bedryf. Byvoorbeeld, data analise maatskappye gebruik dit om die groep die inligting en lei verwante patrone / struktuur vir 'n beter insigte, terwyl biostaticians gebruik dit om die resultate van verskeie mediese toetse gedoen tydens 'n eksperiment te bekragtig. Die tegniek het wel beperkings soos die onvermoë om die hantering van vermiste data, en dit is nie van toepassing indien die verhouding tussen die waargenome veranderlikes is nie liniêr. As gevolg van sy eenvoudige metode, implementering en interpretasie van resultate, dit word algemeen aanvaar en gebruik oor industrieë. Vir meer inligting oor hoe jy PCA kan gebruik weet, skryf asseblief aan info@thesmartcube. com. 1 Multikollineariteit toets word gebruik om die bestaan ​​van 'n hoë lineêre verband tussen onafhanklike veranderlikes, wat kan lei tot verkeerde interpretasie van resultate te bepaal. NFA, PCA hoofmanne bedank MANILA, Filippyne - Die koppe van twee verbonde agentskappe van die Departement van Landbou (DA) het hul bedanking aangebied midde van 'n verwagte herorganisasie in die departement na die aanstelling van die voormalige senator Francis Pangilinan as presidensiële landbou adviseur. administrateur Nasionale Food Owerheid Orlan Calayag, in 'n bedanking brief aan President Aquino op 6 Mei, het gesê afskeid van sy posisie sou Pangilinan die ruimte om sy pligte uit te voer te gee. "Met jou toestemming en om voorsiening te maak Sekretaris Pangilinan groter breedtegraad in die uitvoering van sy mandaat, ek tender my bedanking as NFA administrateur. Ek is ook afstaan ​​posisies wat ek hou ampshalwe. Ek vra dat hierdie bedanking van krag op die aanstelling van 'n plaasvervanger word, "sê Calayag in sy brief. Filippynse Kokos Owerheid (PhilCoA) administrateur Euclides Forbes getender ook sy bedanking verlede week, wat so gou as sy plaasvervanger is vernoem effektief sal wees. In sy brief aan die President gedateer 7 Mei Forbes gesê sy bedanking sou Pangilinan n "vrye hand" om sy pligte uit te voer te gee. Beide Calayag en Forbes is aanbeveel om hul onderskeie poste deur Landbou Sekretaris Proceso Alcala. Calayag aangestel as NFA hoof in Januarie 2013, terwyl Forbes in 2010 aangestel is om PhilCoA. Nuus (Artikel MRec), pagematch: 1, sectionmatch: 1 Die NFA en PhilCoA is twee van die vier DA aangeheg agentskappe wat onder Executive Order 175 verlede week uitgereik deur Aquino ná sy aanstelling van Pangilinan as presidensiële assistent op voedselsekuriteit en landbou modernisering (PAFSAM) aan die Kantoor van die President (OP) is oorgeplaas . Ook oorgedra vanaf DA om die OP was die Nasionale Besproeiing Administrasie (NIA) en die bemestingstowwe en plaagdoders Owerheid (BBV). Alcala het The Star gister hy is nie bewus as die hoofde van die NIA en die BBV ook sal bedank. NIA administrateur Claro Maranan gesê hy sou verkies om die res van sy termyn tot Junie dien. "My termyn is slegs vir een jaar en sou eindig in Junie. Dit kan bespoedig word indien ek 'n plaasvervanger sal hê. Ek sal wag vir dit, "het hy gesê en bygevoeg:" Ek glo dat tydens my termyn, het ek nogal 'n baie bereik. " Maranan gesê die agentskap het opdrag deur Alcala om aanstelling Pangilinan ondersteun. "Ons het opdrag gekry deur Sekretaris Alcala mnr Pangilinan ondersteun. In NIA, het ons alles in ons vermoë om die besproeiing in die land te verbeter gedoen, "het hy gesê. BBV direkteur Norli Gicana kon nie vir kommentaar bereik word. In 'n telefoniese onderhoud met The Star, Alcala geprys die delicadeza vertoon deur Calayag en Forbes in die indiening van hul vergunning bedankings te Pangilinan om sy eie mense as nuutaangestelde PAFSAM kies "om 'n vrye hand gee". "Ek was die een wat hulle in hierdie posisies en hulle is die soort mense wat nie vashou aan hul poste," aangehaal Alcala. Selfs as hy bedank, Calayag verseker Malacañang dat die NFA is "werk vir die gladde oorgang van die leierskap" in die agentskap. Calayag gesê Pangilinan kan help bekamp die onwettige rys handel in die land sou wees. Onder die prestasies gedurende die derde kwartaal Calayag was die toename in binnelandse Palay verkryging te 5,12 persent van die binnelandse produksie van die jaarlikse gemiddelde van drie persent vir die afgelope 25 jaar, sowel as die stabilisering van rys pryse. In die geval van die PhilCoA hoof, sou Forbes se opvolger die voortdurende rehabilitasie van groot dele van die klapper bome in gebiede verlede jaar beskadig deur Typhoon Yolanda, asook die deurlopende program vir die verhoging van die bevolking van klapper bome in die land voort te sit. Sondag 30 Desember, 2012 PCA - hoe dit regtig werk Ek dink dat my vorige post nie insigte oor hoe PCA regtig werk het voorsien. Hier is 'n ander probeer by die onderwerp, met behulp van 'n eenvoudige paar as 'n voorbeeld. Kom ons neem SPY en IWM, wat hoogs gekorreleer. As daaglikse opbrengs van IWM is geplot teen daaglikse opbrengs van verkenners uitgestuur en die verhouding is hoogs lineêre (sien links grafiek). Die toepassing van PCA op hierdie data gee twee vernaamste komponent vektore, geplot in rooi (eerste) en groen (tweede). Hierdie twee vektore orhogonal, met die eerste een wat wys in die rigting van die hoogste variansie. Getransformeerde data is niks meer as die oorspronklike data geprojekteer op die nuwe koördineer as gevorm deur die twee vektore. Die getransformeerde data is vertoon in die regter grafiek. As jy duidelik kan sien, al die punte is steeds daar, maar die dataset roteer. Die tweede vektor is in hierdie geval -0,78 SPY + 0.62 IWM wat 'n mark-neutraal verspreiding produseer. Natuurlik dieselfde resultaat sal bereik word deur gebruik te maak van die beta van IWM. Die pret ding oor PCA is dat dit is nuttig in die bou van drie en meer been versprei. Die prosedure is presies dieselfde as hierbo, maar die transformasie vind plaas in 'n `n styging dimensionele ruimte. Hedge fund PCA sluit Na Sjina Sovereign Fonds verlos 27 Januarie 2014 | 14:00 ET 'N heining fonds gerugsteun deur soewereine-rykdom China se fonds gesluit nadat die China Investment Corporation sy belegging onttrek. PCA Investments gesluit sy deure verlede week, volgens die Wall Street Journal. CIC het PCA se enigste groot belegger was en het in bates byna al sy ongeveer VSA $ 500,000,000 voorsien. CIC, wat onlangs verschoven sy bestuur, het besluit om te verlos van PCA as gevolg van 'n strategie te verander, Bloomberg News verslae. PCA, wat in 2011 gestig is deur Platinum Grove Batebestuur veteraan Hang Hu en voormalige Merrill Lynch, uitvoerende vleuel Lau, het positiewe opbrengste in elk van sy drie jaar, insluitend dubbel-syfer winste in elk van die afgelope twee gepos. PCA is gebaseer in Beijing en Hongkong. Ten minste vyf werkgeleenthede verlore gegaan by die laasgenoemde terrein, hoewel die lot van Hu en sy Beijing-gebaseerde personeel is onduidelik, Bloomberg berig. Lau verlede jaar het die hedge fund.