Matlab กล่อง GPU: Benchmarking Accelereyes กับ MathWorks กับ GP-คุณ? มีตัวเลือกที่ดีสำหรับความเร็วของรหัส Matlab คุณคือ: ใช้กราฟิกการ์ดของคุณ หากคุณมีการ์ด Nvidia กราฟิกที่มีทั้งจักรวาลรหัสเหมาะสำหรับบัตรเหล่านี้ เทคโนโลยีพื้นฐานที่เรียกว่า CUDA และหลายฟังก์ชั่นที่จำเป็นสำหรับการใช้งานที่โปร่งใสจาก Matlab อยู่แล้ว มีสามคอลเลกชันที่สำคัญคือ GPUMat จาก GP-คุณ, แจ็คเก็ตจาก Accelereyes และ Matlab Parallel Computing กล่องเครื่องมือจาก Mathworks toolboxes เหล่านี้ทำให้การเขียนโปรแกรม GPU ใน Matlab ง่ายมาก ที่หนึ่งที่ดีที่สุดคืออะไร? ใช้กราฟิกการ์ดสำหรับการดำเนินการของการคำนวณตัวเลขที่เข้มข้น แนวคิดของการเขียนโปรแกรม Matlab GPU โดยทั่วไปมีสองแนวความคิดสำหรับการใช้ GPUs ใน Matlab: ใช้ชนิดข้อมูล GPU และการอย่างใดอย่างหนึ่งออกจากการทำงานของโปรแกรมในล่าม Matlab รวบรวมหรือการดำเนินการให้เป็นภาษากลาง (ส่วนใหญ่ CUDA) และดำเนินการผลโดยตรงบนของ GPU หากล่าม Matlab จัดการการทำงานของโปรแกรมแต่ละคำสั่งจะถูกส่งแยกต่างหากกับ GPU นี้มักจะช้าลงอย่างมากในขั้นตอนการทำงานและฆ่าประสิทธิภาพ ดังนั้นการรวบรวมของลำดับการดำเนินการเป็นสิ่งจำเป็นสำหรับกรณีส่วนใหญ่ ทั้งสาม toolboxes สนับสนุนการรวบรวม: แจ็คเก็ตจาก Accelereyes ไม่โปร่งใสมากที่สุดซึ่งจะทำให้มันง่ายสำหรับผู้ใช้ GPUMat เริ่มคอมไพเลอร์อย่างชัดเจนมากที่สุดเรียก C ++ คอมไพเลอร์และการสร้างไฟล์ MEX Matlab กล่องเครื่องมือคำนวณแบบขนานไม่ได้จริงๆรวบรวม แต่แนะนำให้ใช้รุ่นพิเศษ arrayfun () ผลการดำเนินงานที่สำคัญทางประวัติศาสตร์อยู่! ระวังอคติรอดชีวิต บ่อยครั้งที่คุณพบว่าการศึกษาวิธีการที่ดีเป็นกองทุนที่เฉพาะเจาะจงหรือกลยุทธ์การซื้อขายได้ดำเนินการ คุณจะต้องตระหนักถึงความจริงที่ว่าการศึกษาโดยทั่วไปทั้งหมดขึ้นอยู่กับความเท็จข้อมูลทางประวัติศาสตร์หรืออย่างน้อยก็ไม่ได้บอกเรื่องเต็ม มีผลกระทบที่สองประเมินสูงคืออคติรอดชีวิตและหางไขมัน ผลกระทบที่ทำให้ทั้งสองกลยุทธ์ที่ไม่ดีดูดี ในบทความนี้ผมแสดงให้คุณว่าทำไม อคติตกทอดและการประมาณผลการดำเนินงานของกองทุน ถ้าคุณเรียกใช้กองทุนที่คุณมีความสุขมากเกี่ยวกับผลการดำเนินงานที่ดีและมีความสุขกับผลตอบแทนที่น่าสงสาร ดังนั้นนักลงทุนของคุณ เกิดอะไรขึ้นถ้ากองทุนของคุณมีประสิทธิภาพที่ดีสำหรับหลายปีในแถว? คุณหลวมนักลงทุนของคุณและในที่สุดก็ปิดกองทุน ความจริงเรื่องนี้เป็นสิ่งที่สำคัญมาก: หลังจากปิดกองทุนข้อมูลกองทุนของคุณมักจะหายไปจากตลาดผู้ให้บริการข้อมูล (รอยเตอร์บลูมเบิร์ก, yahoo, ฯลฯ ) กองทุน A, B, C เป็นตัวแทนกองทุนสาธารณะที่มีอยู่ในสมมุติ subsector BigData ชีววิทยาเมฆคอมพิวเตอร์ (ภาค BBCC) ในตัวอย่างนี้กองทุน B ดำเนินการให้ดีว่ามันถูกปิดลงในปีที่ 4 ตอนนี้การดำเนินการศึกษาภาค BBCC ที่นักวิเคราะห์จะพบว่าข้อมูลทางประวัติศาสตร์สำหรับกองทุน A และ C เท่านั้น ดังนั้นพวกเขาจะรายงานผลการดำเนินงานเฉลี่ย 9% ต่อปี ในภาค BBCC อย่างไรก็ตามนักลงทุนที่มีการลงทุนจริงในภาค BBCC กระจายการลงทุนของเธออย่างเท่าเทียมกันทั่วเงินที่มีทั้งหมด (A, B และ C) จะได้รับ 5% ต่อปี เท่านั้น นี่คือประมาณครึ่งหนึ่งของผลการดำเนินงานที่เห็นจากนักวิเคราะห์ ชนิดของข้อผิดพลาดนี้เกิดขึ้นได้อย่างง่ายดายและจึงมักจะ อคติตกทอดและ backtesting ประวัติศาสตร์ ผลที่คล้ายกันเกิดขึ้นบ่อยครั้งเมื่อมีคนพยายามที่จะหากลยุทธ์การซื้อขายที่เหนือกว่าในข้อมูลการตลาดทางประวัติศาสตร์ บ่อยครั้งที่คุณเห็นขั้นตอนวิธีการต่อไปนี้สำหรับพารามิเตอร์ที่เหมาะสมของกลยุทธ์การค้า: ข้อมูล = ข้อมูลการตลาดที่สำคัญทางประวัติศาสตร์ เลือกค่า x_1 เพื่อ x_n สำหรับพารามิเตอร์ของกลยุทธ์การซื้อขาย S หากผลการดำเนินงาน (S (x_1, x_n) ข้อมูล) เป็นสูงสุดของค่าที่เป็นไปทั้งหมดของ (x_1, x_n) หยุดและกลับไป x_1 x_n เห็นได้ชัดว่ากลยุทธ์นี้ S (x_1, x_n) จะดำเนินการที่ดีในข้อมูลทางประวัติศาสตร์ที่มีอยู่ แต่นี้กล่าวว่าไม่มีอะไรเกี่ยวกับการดำเนินงานในอนาคตของกลยุทธ์ และมักจะกลยุทธ์ที่จะไม่ดำเนินการที่ดีในอนาคต วิธีที่คุณสามารถทำได้ดีกว่า? วิธีที่ดีนี้มาจากส่วนหนึ่งของข้อมูลในการฝึกอบรมและการทดสอบชุด อัลกอริทึมที่เกิดขึ้นจะเป็น: Data_training = ครึ่งหนึ่งของข้อมูลการตลาดที่สำคัญทางประวัติศาสตร์ Data_test = ครึ่งหนึ่งของข้อมูลการตลาดที่สำคัญทางประวัติศาสตร์ เลือกค่า x_1 เพื่อ x_n สำหรับพารามิเตอร์ของกลยุทธ์การซื้อขาย S หากผลการดำเนินงาน (S (x_1, x_n) Data_training) เป็นสูงสุดของค่าที่เป็นไปทั้งหมดของ (x_1, x_n) หากผลการดำเนินงาน (S (x_1, x_n) Data_test) เป็นสิ่งที่ดี หยุดและผลตอบแทนการปฏิบัติงานของเอสเป็นสิ่งที่ดีมีพารามิเตอร์: + x_1 เพื่อ x_n หยุดและกลับกลยุทธ์ S เป็นกลยุทธ์ที่ไม่ดี ในกรณีนี้กลยุทธ์การซื้อขาย S ที่เหมาะกับชุดการฝึกอบรมของข้อมูลทางประวัติศาสตร์และประสิทธิภาพการทำงานของการทดสอบชุดเป็นสิ่งที่ดีอย่างใดอย่างหนึ่ง นี้ยังคงไม่ได้หมายความว่ากลยุทธ์ที่เกิดขึ้นจะทำงานได้ดีในอนาคต แต่อย่างน้อยมันก็ทำงานได้ดีกับข้อมูลที่มองไม่เห็น ตอนนี้ขั้นตอนวิธีนี้อาจจะกลับมาพร้อมกับกลยุทธ์ S เป็นกลยุทธ์ที่ไม่ดีซึ่งจะเป็นที่น่าพอใจสำหรับคนส่วนใหญ่ คนส่วนใหญ่แล้วจะมีการพัฒนากลยุทธ์มากขึ้น S_1 S_m จนกว่าขั้นตอนวิธีผลตอบแทนการปฏิบัติงานของเอสเป็นสิ่งที่ดี แต่คือจริงๆเป็นกลยุทธ์ที่ดี? ถ้าคุณต้องการคำตอบนี้ตรวจสอบให้แน่ใจว่าคุณสำรองบางส่วนของข้อมูลทางประวัติศาสตร์สำหรับการตรวจสอบและตรวจสอบกลยุทธ์ของคุณกับข้อมูลที่มองไม่เห็นนี้ ดังนั้นสำหรับการเพิ่มประสิทธิภาพของกลยุทธ์การซื้อขายที่คุณต้องไม่น้อยกว่าสามชุดข้อมูลชุดฝึกอบรมการทดสอบชุดและชุดตรวจสอบ อีกครั้งนี้จะพูดอะไรเกี่ยวกับประสิทธิภาพของกลยุทธ์การซื้อขายของคุณในอนาคต แต่ก็เป็นข้อบ่งชี้ที่ดีถ้ากลยุทธ์ของคุณผ่านการเพิ่มประสิทธิภาพของกลยุทธ์นี้ยาก อคติตกทอดและหางไขมัน อีกประการหนึ่งที่สร้างมุมมองที่ไม่ถูกต้องในการทำงานของสินทรัพย์ทางการเงินหรือกลยุทธ์การซื้อขายที่มีหางไขมัน มีหลายชนิดของกลยุทธ์การซื้อขายที่ดูเหมือนจะใช้ประโยชน์จากการเก็งกำไรในตลาดที่มี เช่น. ความผันผวนของเงินทุนการเก็งกำไรเป็นที่นิยมไม่กี่ปีที่ผ่านมา พวกเขาทำงานได้ดีกับข้อมูลทางประวัติศาสตร์และพวกเขาให้มีรายได้ที่มั่นคงไม่มีความเสี่ยง แต่ทันใดนั้นสิ่งที่เกิดขึ้น: ทันใดนั้นประสิทธิภาพการทำงานของไม่กี่ปีที่จะหายไปตลอดกาล และนี่อาจจะเกิดขึ้นกับกลยุทธ์ที่มีการรับรู้ที่มีความเสี่ยงน้อยเช่นกองทุนรวมตลาดเงิน: ในช่วงต้นของการออกกำลังกาย: คำสาปหรือพร สัญญาทางการเงินจำนวนมากมาพร้อมกับการออกกำลังกายที่เหมาะสมของสิทธิก่อนกำหนด การใช้สิทธิในช่วงต้นดังกล่าวเป็นข้อได้เปรียบที่ชัดเจนสำหรับผู้ถือตัวเลือก แต่สิทธิเหล่านี้สร้างปัญหาการหยุดที่เหมาะสมสำหรับบุคคลที่ทำสัญญา นี้เป็นจริงได้เปรียบ? ในต่อไปนี้ผมจะแสดงเป็นตัวอย่างเล็ก ๆ น้อย ๆ จากการเดินทางช้อปปิ้งที่ผ่านมาของฉันและสิ่งที่เราสามารถเรียนรู้จากมันสำหรับการออกแบบของผลิตภัณฑ์ทางการเงิน หยุดที่เหมาะสมที่สุดที่จะต้องได้รับประโยชน์จากการใช้สิทธิในช่วงต้น ประวัติความเป็นมา หลายชนิดของตัวเลือกทางการเงินที่มีการซื้อขายรวมถึงการใช้สิทธิในช่วงต้น ตัวอย่างที่เป็นตัวเลือกดัชนีซึ่งมักจะใช้สิทธิในช่วงต้น ผู้คนเรียกตัวเลือกเหล่านี้ใส่หรือโทรตัวเลือกอเมริกันในทางตรงกันข้ามกับตัวเลือกยุโรปซึ่งเป็นสิทธิเฉพาะที่ครบกําหนด คุณลักษณะนี้ยังเป็นเรื่องธรรมดาในประเภทใบสำคัญแสดงสิทธิจำนวนมากและสัญญา OTC จำนวนมาก แม้จะมีความซับซ้อนมากขึ้นเช่น หุ้นกู้แปลงสภาพที่ผู้ออกยังสามารถบังคับให้แปลง เหตุผลหลักสำหรับการออกกำลังกายบทบัญญัติต้นคือการที่ลูกค้าต้องการที่จะมีทางเลือก ดังนั้นผู้คนมักจะอ้างว่าหนึ่งควรโครงสร้างเครื่องมือทางการเงินในทางที่ผู้ถือสามารถออกกำลังกายในช่วงต้นของผลิตภัณฑ์ที่จะขายในราคาที่สูงขึ้น แต่นี้ไม่ได้เสมอไป เช่น. ค่าใช้จ่ายของคุณลักษณะการออกกำลังกายในช่วงต้นไม่ได้เป็นตัวแทนอย่างถูกต้องในสัญญาประกันชีวิตจำนวนมากและในหลายจำนอง หากผู้ถือกรมธรรม์จะเริ่มต้นออกกำลังกายนโยบายของพวกเขามากขึ้นอย่างมีเหตุผลให้ประกันอาจจะอยู่ในปัญหาลึก หยุดที่เหมาะสม มองไปที่การตัดสินใจของการออกกำลังกายในช่วงต้นผมอยากจะให้เป็นตัวอย่างภาพเพิ่มเติม: หาที่จอดรถที่ดีในซูเปอร์มาร์เก็ตขนาดใหญ่ ในซูเปอร์มาร์เก็ตหลายท่านหาที่จอดรถเช่นนี้: สถานการณ์ปกติที่จอดรถซูเปอร์มาร์เก็ต คุณขับรถอย่างช้า ๆ ไปทางซูเปอร์มาร์เก็ตและในแต่ละจุดที่ว่างเปล่า (1) คุณต้องตัดสินใจที่จะจอด (การออกกำลังกาย) หรือเพื่อดำเนินการต่อ ค้นหาอย่างต่อเนื่องวิวัฒนาการความเสี่ยงที่คุณไม่หาจุดที่ดีขึ้นและคุณต้องขับรถอีกรอบเต็ม วิธีง่ายๆในการแก้ไขปัญหานี้คือการใช้เวลาเพียงแค่จุดแรกที่ว่าง ในตัวอย่างตัวเลขที่เรียบง่ายเราจะพบว่ากลยุทธ์นี้จะให้เป็นกระจายต่อไปนี้ของระยะทางไปตลาด: Histogram ของการกระจายของระยะทางที่ซูเปอร์มาร์เก็ตโดยใช้กลยุทธ์ที่เรียบง่าย: การใช้ครั้งแรกจุดที่ว่างเปล่า (10,000 จำลอง) ตัวอย่างนี้ใช้การจำลอง Monte Carlo 10,000 สำหรับการหาจุดที่จอดรถ เนื่องจากในตัวอย่างนี้มีเพียงมีโอกาส 10% ที่แต่ละจุดเป็นที่ว่างเปล่าเรามักจะพบจุดที่เลวร้ายมาก (เช่นมากกว่า 1,000 10,000 จอดในระยะทาง 20) และบางครั้งเราหาจุดที่ทุกคน (ประมาณ 1.200 เขียนเป็นระยะทาง 40) น้อยกว่า 200 หาจุดที่ดีที่สุดกับ 1 ระยะทาง ถ้าเราต้องการที่จะปรับปรุงผลนี้เราสามารถสร้างปัญหาเพิ่มประสิทธิภาพลดระยะทางที่คาดว่าที่ซูเปอร์มาร์เก็ตที่ ผมทำอย่างนี้เขียน ThetaML เล็ก ๆ น้อย ๆ ที่คุณพบในภาคผนวกที่ด้านล่าง ตอนนี้เราจะพบว่ากลยุทธ์การเพิ่มคือการผ่านครั้งแรกที่สี่จุด (ระยะทาง 17-20) และจากนั้นจะใช้เวลาที่ว่างต่อไป ปล่อยให้เรานี้ไม่มีใครที่จอดรถในระยะทาง 17 หรือเพิ่มเติม ความน่าจะเป็นของการจุดที่ดีที่สุดในระยะทาง 1 สูงกว่า 200 แบบจำลองจบที่นี่ แต่นี้มาในราคาที่มากกว่า 1,800 แบบจำลองไม่พบจุดที่ทุกคนและต้องไปอีกรอบ: Histogram ของการกระจายของระยะทางที่ซูเปอร์มาร์เก็ตโดยใช้กลยุทธ์ที่ดีที่สุดที่: ใช้จุดที่ว่างเปล่าแรกที่มีระยะห่างน้อยกว่า 17 (10,000 จำลอง) เป็นทางออกที่ดี ตกลงผมลงทุนจำนวนมากที่มีความรู้และการเขียนโปรแกรมบางอย่างในการเพิ่มประสิทธิภาพของกลยุทธ์การออกกำลังกายที่จอดรถรถ นี้เป็นที่ดีที่สุดที่เราสามารถทำได้? มีจริงวิธีการแก้ปัญหาที่ดีขึ้นโดยจัดที่จอดรถ: จัดที่จอดรถ ตอนนี้กลยุทธ์ที่เรียบง่าย: ใช้อัตราผลตอบแทนที่ว่างเปล่าจุดแรกที่จะเป็นผลดีมาก: Histogram ของการกระจายของระยะทางที่ซูเปอร์มาร์เก็ตโดยใช้รูปแบบที่ดีกว่าที่จอดรถจำนวนมากและกลยุทธ์ที่เรียบง่าย: การใช้ครั้งแรกจุดที่ว่างเปล่า (10,000 จำลอง) มากกว่า 1,000 10,000 จำลองหาจุดที่ดีที่สุดในระยะทางน้อยกว่า 1 200 หาจุดที่ไม่ดีที่ระยะทาง 20 และมีเพียง 1,200 หาจุดที่ไม่ทั้งหมด นี้จะดีกว่าทางออกที่ดีที่สุดก่อนหน้านี้ และฉันไม่ต้องใช้แล็ปท็อปของฉันกับผมที่จะหากลยุทธ์การออกกำลังกายที่ดีที่สุดในการช้อปปิ้งในแต่ละครั้ง ฉันต้องการที่จอดรถสถาปนิกจำนวนมากจะได้เห็นนี้ การคิดนี้ไปยังตลาดการเงินตัวเลือกสิ่งที่เราสามารถทำอะไรได้บ้าง บางทีนักลงทุนไม่ต้องการที่จะซื้อประเภทอเมริกันตัวเลือกการออกกำลังกายในช่วงต้น พวกเขาอาจจะชอบ Lookbacks ซึ่งรับประกันการจ่ายเงินสูงสุด คิดเกี่ยวกับมัน! 25 ปีชาวเยอรมัน DAX: เรื่องราวความสำเร็จหรือไม่? เมื่อวันที่ 1 กรกฎาคม 1988 เยอรมัน DAX รับการตีพิมพ์ มันไม่ได้เป็นเพียงดัชนีของตลาดหุ้นเยอรมัน: มันแนะนำวิธีการใหม่ในการคำนวณดัชนีตลาดหุ้น DAX ของเยอรมันเป็นดัชนีที่นิยมครั้งแรกที่รวมน้ำหนักตามมูลค่าตลาดและคำนวณผลตอบแทนรวมทั้งการจ่ายเงินปันผล ตอนนี้หลังจาก 25 ปีมันเป็นเวลาที่จะมองย้อนกลับไปว่ามันดำเนินการ ในดัชนีหลักเช่น Dow Jones-เฉลี่ยอุตสาหกรรมหรือนิกเกอิ 225 ค่าดัชนีจะถูกคำนวณจากมูลค่าสัญญาของหุ้นเป็นน้ำหนักในผลรวมของราคาซื้อขาย ซึ่งจะทำให้น้ำหนักสูงในอุตสาหกรรมและน้ำหนักต่ำใน บริษัท ที่มีเทคโนโลยีสูง แต่ DAX ใช้ตลาดทุนเป็นน้ำหนัก นี้ให้ภาพที่สมจริงมากขึ้นของผลกระทบของการซื้อขายที่ตลาดหลักทรัพย์ องค์ประกอบของ DAX ปฏิบัติตามกฎเชิงปริมาณ ในทางตรงกันข้ามกับดาวโจนส์โจนส์และนิกเกอิส่วนประกอบของ DAX จะไม่ได้รับการคัดเลือกจากหนังสือพิมพ์บาง แต่พวกเขาปฏิบัติตามกฎเชิงปริมาณเช่นอย่างน้อย 10% และฟรีโฟลตในด้านบน 35 บริษัท ที่ใหญ่ที่สุดในตลาดทุนและในชั้นที่ 35 ในการหมุนเวียนที่แลกเปลี่ยน Xetra ดาวโจนส์โจนส์, SP 500, รัสเซล 1000 ดัชนีนิกเกอิและอื่น ๆ มักจะบัญชีสำหรับหุ้นแยก แต่พวกเขาไม่ได้คิดเป็นเงินปันผลหรือประเด็นเรื่องสิทธิ รวมทั้งผลกระทบเหล่านี้ DAX คำนวณเป็นดัชนีผลตอบแทนรวม วิธีนี้ DAX ผลตอบแทนให้ประมาณการผลตอบแทนที่ยุติธรรมสำหรับการลงทุนในหุ้นที่เกี่ยวข้องในดัชนี มองไปที่กฎระเบียบใหม่สำหรับการคำนวณ DAX เป็นรัฐของศิลปะและการปฏิวัติบ้าง มีรุ่นก่อนเช่น SP 500 กับกฎเชิงปริมาณและองค์ประกอบใหม่ แต่ไม่เป็นที่นิยมดาวโจนส์โจนส์เฉลี่ยอุตสาหกรรมดัชนีผลตอบแทนรวมที่มีการคำนวณผลตอบแทนรวมรวมทั้งมีการจ่ายเงินปันผล แต่คอลเลกชันของคุณสมบัติของ DAX เป็นที่ไม่ซ้ำกัน วิธีนี้สร้างความสำเร็จที่ไม่ซ้ำกันเกินไป? DAX เริ่มต้นที่ 1 กรกฎาคม 1988 ที่ 1140 ดังกล่าวที่ 31 ธันวาคม 1987 จะมีค่าดัชนี 1000 ที่ง่ายที่สุดหลังการทดสอบกลยุทธ์การซื้อขาย: MS Excel Pivot ตาราง! ก่อนที่จะใช้เครื่องมือพิเศษสำหรับการทดสอบหลังผมเสนอว่าใครพยายามนางสาว Excel Pivot ตารางแรก เครื่องมือตารางเดือยเป็นที่ดีสำหรับการตรวจสอบและวิเคราะห์การกรองชุดข้อมูลขนาดใหญ่ ในบทความนี้ผมจะนำเสนอวิธีการสร้างกลยุทธ์ที่ใช้ระยะเวลาและวิธีการที่ง่ายในการคำนวณประสิทธิภาพที่ผ่านมา ในต่อไปนี้ผมจะแสดงวิธีการสร้างการวิเคราะห์ต้องการโพสต์ก่อนหน้านี้: ขายในเดือนพฤษภาคมและหายไปจริงเหรอ? . ขั้นตอนที่ 1: รับข้อมูล ครั้งแรกที่เราจะต้องได้รับข้อมูลในการวิเคราะห์ เราหันไป Yahoo สามารถดึงข้อมูลดัชนีดาวโจนส์โจนส์ (เห็นรายชื่อตลาดแหล่งข้อมูลสำหรับแหล่งอื่น ๆ ) อย่างใดการเงิน yahoo ซ่อนปุ่มดาวน์โหลดสำหรับดัชนีดาวโจนส์โจนส์ แต่มันเป็นเรื่องง่ายที่จะคาดเดาการเชื่อมโยงที่ถูกต้อง: บันทึกไฟล์นี้ไปยังดิสก์ จากนั้นเปิดด้วย MS Excel 2010 และเรายังคงมีขั้นตอนต่อไป ขั้นตอนที่ 2: เพิ่มคอลัมน์สำหรับผลการดำเนินงานและตัวบ่งชี้ ตอนนี้ในแฟ้มนี้เราเพิ่มบันทึกผลตอบแทน (คอลัมน์กลับ) ในแต่ละวันในซีรีส์เวลา: จากนั้นเราเพิ่มตัวบ่งชี้ของกลยุทธ์การซื้อขายในกรณีนี้เพียงเดือนของปีนี้: ขั้นตอนที่ 3: เพิ่ม Pivot ตาราง