Get best of the week

Memprediksi krisis keuangan dengan Python

Pada 9 Maret 2020, kami mengalami penurunan tajam di pasar AS, dimulai dengan rekor tertinggi bersejarah pada 20 Februari 2020, yang saat ini berada pada kisaran -16%. Berita penuh dengan berita utama tentang resesi yang akan datang karena coronavirus, Rusia menarik diri dari kesepakatan OPEC +, yang memukul harga minyak (-20% per hari) dan besok, (10 Maret 2020), pasar MICEX juga diperkirakan akan menurun sebesar 20%, dilihat dari kutipan dari saham kami di pasar Barat.


Akankah resesi global menunggu kita? Pada artikel ini kami akan mencoba mencari tahu bagaimana Anda dapat melihat terlebih dahulu sinyal-sinyal awal resesi menggunakan Python.

Untuk menjawab pertanyaan ini, kami akan mencoba menggunakan hasil pada obligasi, saham, dan analisis teknis. Kami akan menggunakan data historis dari pasar keuangan AS sebagai pasar saham terbesar pertama di dunia. Bahkan, jika resesi dimulai di Amerika Serikat, resesi akan dimulai di seluruh dunia (seperti yang terjadi pada 2008). Juga, nyaman bagi kami bahwa ada data untuk pasar AS selama beberapa dekade, yang akan memungkinkan kami untuk menganalisis selama periode sejarah yang signifikan.

Kami akan mengambil data historis dari Yahoo Finance menggunakan perpustakaan yfinance , dari situs Fed. Cadangan AS menggunakan perpustakaan fredapi dan dari situs web Quandl dengan berbagai informasi keuangan melalui pandas_datareader. Harap dicatat bahwa untuk Fed dan Quandl Anda harus mendaftar untuk menerima kunci API (ini gratis).

Semua krisis keuangan di AS akan kami tandai di wilayah abu-abu langsung pada grafik.

Impor perpustakaan
from fredapi import Fred
import pandas as pd
import os
import pandas_datareader.data as web
import pandas_datareader as pdr
%matplotlib inline
from matplotlib import pyplot as plt
from datetime import date
import yfinance
import numpy as np

api = 'YOUR API HERE'
os.environ["QUANDL_API_KEY"] = 'YOUR API HERE'
os.environ["TIINGO_API_KEY"] = 'YOUR API HERE'

fred = Fred(api_key=api)


Kami mendapatkan data historis untuk S & P500 dengan Yahoo, spread hasil obligasi dengan FRED dan akumulasi indeks hasil untuk obligasi dengan FRED:

GSPC_h = yfinance.download("^GSPC", start="1962-01-01", end="2020-03-09") #SNP500
T10YFF = fred.get_series('T10YFF', observation_start='1962-01-01', observation_end='2020-03-09') #10YB-FFR
T10Y2Y = fred.get_series('T10Y2Y', observation_start='1976-06-01', observation_end='2020-03-09') #10YB-2YB
# ICE BofA US Corp 10-15yr Total Return Index Value
BAMLCC7A01015YTRIV = fred.get_series('BAMLCC7A01015YTRIV', observation_start='1962-01-01', observation_end='2020-03-09')

Premi risiko


Premium risiko adalah indikator yang mencerminkan keuntungan tambahan yang akan diterima oleh investor dengan mengasumsikan peningkatan risiko.

Beginilah cara pasar keuangan bekerja - semakin tinggi pengembalian investasi, semakin tinggi risikonya.

Untuk menghitung premi risiko, perlu untuk mengurangi dari pengembalian yang diharapkan dari aset berisiko, tingkat pengembalian bebas risiko.

Untuk pasar AS, tingkat pengembalian bebas risiko adalah tingkat cadangan Fed AS (analog dengan suku bunga utama kami) - FED.

Premi risiko untuk saham dan obligasi dianggap berbeda.
Untuk obligasi: hasil obligasi (Yield) dikurangi FED.
Untuk saham: Indikator Laba / Harga (E / P) dikurangi FED, di
mana laba adalah laba perusahaan untuk tahun itu, harga adalah harga saham pada saat indikator dihitung.

Untuk menghitung profitabilitas suatu saham, kami tidak mengambil dividen yang dibayarkan sebagai profitabilitas, tetapi laba yang diterima oleh perusahaan, karena dividen hanya bagian dari keuntungan yang dibayarkan perusahaan kepada pemegang saham. Menjadi pemilik perusahaan melalui pembelian sahamnya, pada kenyataannya, penghasilan akhir bagi kita akan menjadi laba yang akan dibagikan kepada para pemegang saham secara penuh pada saat likuidasi perusahaan.

Kami mendapatkan E / P untuk S & P500 (SP500_EARNINGS_YIELD_MONTH), tingkat bebas risiko (FED Funds Rate) dan hasil obligasi korporasi dari pasar yang luas (Baa Bonds Yield):

# E/P
symbol = 'MULTPL/SP500_EARNINGS_YIELD_MONTH'
SP500_EARNINGS_YIELD_MONTH = web.DataReader(symbol, 'quandl', '1962-01-01', '2020-03-09')
# FED Funds Rate
FEDFUNDS = fred.get_series('FEDFUNDS', observation_start='1962-01-01', observation_end='2020-03-09')
# Baa Bonds Yield
BAA = fred.get_series('BAA', observation_start='1962-01-01', observation_end='2020-03-09')

Kami menghitung premi risiko sebagai laba dikurangi tingkat bebas risiko:

#     
risk_premium = pd.concat([SP500_EARNINGS_YIELD_MONTH, FEDFUNDS],axis=1).fillna(method='bfill')
risk_premium['premium'] = risk_premium['Value'] - risk_premium[0]

#     
risk_premium_b = pd.concat([BAA, FEDFUNDS],axis=1).fillna(method='bfill')
risk_premium_b.columns = ['BAA', 'FEDFUNDS']
risk_premium_b['premium_b'] = risk_premium_b['BAA'] - risk_premium_b['FEDFUNDS']

Mari kita lihat apa yang terjadi untuk saham dan obligasi secara terpisah.

Untuk saham:

Kode grafik
fig, ax = plt.subplots(figsize=(17,6))

line1, = ax.plot(risk_premium['premium'],linewidth=1)
line1.set_label('risk_premium_stocks')

line2, = ax.plot(SP500_EARNINGS_YIELD_MONTH,linewidth=1)
line2.set_label('SP500_EARNINGS_YIELD_MONTH')
ax.legend(loc='upper left')

par1 = ax.twinx()
line3, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line3.set_label('S&P500')
par1.legend(loc='upper left', bbox_to_anchor=(0, 0, 1, 0.88))

plt.xlim(left=date(1962, 1, 1), right=date(2020, 3, 9))
ax.axhline(linewidth=2, color='black', alpha=0.7)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()



Untuk obligasi:

Kode grafik
fig, ax = plt.subplots(figsize=(17,6))

line1, = ax.plot(risk_premium_b['premium_b'][date(1987, 12, 1):],linewidth=1, color='k')
line1.set_label('risk_premium_bonds')
ax.legend(loc='upper left', bbox_to_anchor=(0, 0, 1, 0.95))

par1 = ax.twinx()
line2, = par1.plot(np.log(BAMLCC7A01015YTRIV),linewidth=0.7, color='green')
line2.set_label('Log ICE BofA US Corp 10-15yr Total Return Index Value')
par1.legend(loc='upper left')
plt.xlim(left=date(1987, 12, 1), right=date(2020, 3, 9))

ax.axhline(y=1.5, linewidth=2, color='red', ls='--', alpha=0.7)

ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axhline(linewidth=2, color='black', alpha=0.7)

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  BofA')

plt.show()




Seperti yang bisa kita lihat, periode pra-krisis adalah area dengan premi risiko negatif untuk saham dan pengurangan risiko premium untuk obligasi.

Pada saat yang sama, untuk obligasi, tidak selalu premi risiko yang dikurangi adalah sinyal untuk timbulnya krisis di pasar obligasi (indeks BCO hanya menurun pada 2008), tetapi pengurangan premi di pasar saham hampir selalu (kecuali untuk periode setelah krisis pada awal 1980-an, ketika premium negatif ditahan untuk waktu yang lama) menyebabkan penurunan nilai saham.

Apa arti premi risiko negatif untuk saham?

Saat membeli saham, kami mendapatkan pengembalian di bawah tingkat bebas risiko di pasar. Pada saat yang sama, mengambil tanggung jawab penuh atas risiko fluktuasi harga saham dan potensi kerugian. Ini bukan situasi standar, investor memahami bahwa premi risiko tidak boleh negatif, akibatnya pasar menyadari bahwa nilai saat ini dari saham terlalu tinggi dan penjualan mulai. Penurunan semakin intensif setelah investor dari berbagai (orang-orang biasa, bukan investor institusional) mulai panik, menjual portofolio mereka dan memperburuk musim gugur. Dengan demikian, reaksi pasar cepat dan kuat.
Perlu dicatat bahwa penurunan pasar tidak pergi ke tingkat premi risiko sebelumnya, tetapi selalu terjadi jauh lebih kuat, yang meningkatkan premi risiko secara signifikan dan sekali lagi meningkatkan daya tarik sekuritas bagi investor.

Selain itu, jika kita melihat premi risiko untuk saham dan obligasi pada satu grafik, kita akan melihat bahwa premi risiko untuk obligasi secara tradisional lebih tinggi daripada saham, namun, selama 5 tahun terakhir mereka telah disinkronkan dan keduanya secara bertahap cenderung ke nol:

Kode grafik
fig, ax = plt.subplots(figsize=(17,6))

line1, = ax.plot(risk_premium['premium'],linewidth=1)
line1.set_label('risk_premium_stocks')

par1 = ax.twinx()
line3, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line3.set_label('S&P500')
par1.legend(loc='upper left', bbox_to_anchor=(0, 0, 1, 0.88))

line2, = ax.plot(risk_premium_b['premium_b'],linewidth=1, color='k')
line2.set_label('risk_premium_bonds')
ax.legend(loc='upper left')
plt.xlim(left=date(1968, 1, 1), right=date(2020, 3, 9))

ax.axhline(linewidth=2, color='black', alpha=0.7)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()




Pada 9 Maret 2020, meskipun terjadi penurunan tajam dan kuat di pasar saham AS, pengembalian saham masih jauh dari zona negatif, yang memberikan sinyal menggembirakan.

Spread imbal hasil treasury


Indikator alternatif dari situasi pasar sebelum krisis adalah perbedaan antara imbal hasil obligasi jangka panjang dan jangka pendek.

Yang paling tidak berisik dan paling praktis adalah spread antara imbal hasil obligasi treasury 10 tahun dan 2 tahun:

Kode grafik
fig, ax = plt.subplots(figsize=(17,6))
par1 = ax.twinx()
line, = ax.plot(pd.DataFrame(T10Y2Y),linewidth=0.4)
line.set_label('10YB-2YB')
ax.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.1))

line1, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line1.set_label('S&P500')
par1.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.18))
plt.xlim(left=date(1976, 1, 1), right=date(2020, 3, 9))
plt.ylim(bottom=4)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 10, 1), date(1970, 11, 1), alpha=0.3, color='grey')
ax.axhline(linewidth=2, color='black', alpha=0.7)
plt.scatter(date(2019, 9, 1), 6., color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2007, 1, 1), 6., color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2000, 1, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1998, 8, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1989, 4, 1), 5.8, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1981, 1, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1978, 11, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()




Indikator ini paling jujur ​​dari sudut pandang historis dan memperkirakan 7 krisis keuangan terakhir.

Spread antara imbal hasil obligasi dalam kasus ini mencerminkan suasana hati investor - jika mereka percaya bahwa ekonomi akan segera memburuk, mereka mulai mentransfer uang dari obligasi jangka pendek (dengan jangka waktu 2 tahun) ke instrumen jangka panjang (dengan jangka waktu 10 tahun) dengan imbal hasil tetap Penerbit yang paling dapat diandalkan adalah Departemen Keuangan AS.

Pembelian obligasi jangka panjang memengaruhi imbal hasil mereka, karena pembelian obligasi untuk sejumlah besar uang tunai akan meningkatkan biaya obligasi. Ketika kupon adalah nilai tetap, apresiasi tubuh obligasi menyebabkan penurunan hasil.
Untuk obligasi jangka pendek, yang dijual dalam kasus ini, situasinya sebaliknya - tubuh mulai menjadi lebih murah, dalam kupon tetap, masing-masing, hasilnya mulai tumbuh.

Namun, FRED tidak memberikan informasi lebih lanjut dari tahun 1976 tentang spread ini, oleh karena itu, untuk tujuan ilustrasi, kita dapat mengambil imbal hasil dari obligasi treasury 10-tahun dikurangi tingkat FED (alih-alih obligasi 2 tahun jangka pendek) untuk melihat apa yang telah terjadi sejak 1962 dan mencakup 2 krisis lainnya. :

Kode grafik
fig, ax = plt.subplots(figsize=(17,6))
par1 = ax.twinx()
line, = ax.plot(pd.DataFrame(T10YFF),linewidth=0.4)
line.set_label('10-Year Treasury Constant Maturity Minus Federal Funds Rate')
ax.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.1))

line1, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line1.set_label('S&P500')
par1.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.18))
plt.xlim(left=date(1962, 1, 1), right=date(2020, 3, 9))
plt.ylim(bottom=4)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')
ax.axhline(linewidth=2, color='black', alpha=0.7)
plt.scatter(date(2019, 9, 1), 6.7, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2007, 1, 1), 6.7, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2000, 11, 1), 6.7, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1998, 11, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1989, 6, 1), 6.4, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1973, 6, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1981, 3, 1), 6.3, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1979, 3, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1969, 3, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1967, 1, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()




Terlepas dari kebisingan umum dari penyebaran ini (dibandingkan dengan penyebaran 10 tahun - 2 tahun), krisis 73 dan 69 juga dilaksanakan dengan mengurangi penyebaran ke zona negatif.

Apa saat ini?
Hal-hal yang tidak terlalu - indikator sudah menunjukkan zona negatif pada 2019.
Investor institusi berharap bahwa dalam waktu dekat, guncangan serius menunggu kita dan karena itu mereka bergeser ke instrumen pendapatan tetap jangka panjang.

Berapa banyak yang tersisa sebelum krisis?
Seperti dapat dilihat dari grafik spread, hasil terbalik mengantisipasi krisis selama satu atau dua tahun.
Mengingat bahwa inversi terjadi pada akhir 2019 dan pasar AS sudah mulai turun karena ekspektasi resesi di masa depan karena virus COVID-19, krisis sedang mendekati sekarang.

Pada 9 Maret 2020, imbal hasil obligasi Treasury AS 10-tahun turun menjadi 0,318% - nilai terendah yang pernah ada!
Tampaknya sesuatu yang besar sedang menunggu kita dan itu sudah dimulai.

nilai saat ini T10YFF: -0.17
nilai saat ini T10Y2Y: 0.25

Harga masa lalu tidak memprediksi krisis


Sebagai contoh dari ketidakberdayaan analisis teknis dalam masalah ini, kami mengambil indikator RSI.
RSI - indeks kekuatan relatif dalam teori menunjukkan pasar "overbought" dan "oversold".
Pasar overbought - ini adalah keadaan ketika harga harus menyesuaikan turun, yaitu krisis di pasar saham.

Tautan ke Wiki dengan deskripsi indikator.

Kami dapat menghitung indikator ini menggunakan Python, untuk perhitungan kami mengambil periode - 244 sesi perdagangan (1 tahun kalender):

SP500_returns = GSPC_h['Close'].pct_change()
delta = GSPC_h['Close'].diff()
window_length = 500

# Make the positive gains (up) and negative gains (down) Series
up, down = delta.copy(), delta.copy()
up[up < 0] = 0
down[down > 0] = 0

# Calculate the EWMA
roll_up1 = up.ewm(span=window_length).mean()
roll_down1 = down.abs().ewm(span=window_length).mean()

# Calculate the RSI based on EWMA
RS1 = roll_up1 / roll_down1
RSI1 = 100.0 - (100.0 / (1.0 + RS1))

Kode grafik
# Compare graphically
fig, ax = plt.subplots(figsize=(20,4))
plt.xlim(left=date(1968, 1, 1), right=date(2020, 3, 9))
line, = ax.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')

line.set_label('SNP500')
ax.legend(loc='upper left')

fig1, ax1 = plt.subplots(figsize=(20,4))
plt.xlim(left=date(1968, 1, 1), right=date(2020, 3, 9))
line1, = ax1.plot(RSI1[80:],linewidth=1)

line1.set_label('RSI (1Y)')
ax1.legend(loc='upper left')

ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax1.axhline(y=57, linewidth=2, color='black', alpha=0.7)
ax1.axhline(y=45, linewidth=2, color='black', alpha=0.7)

ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')

ax1.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')
ax1.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax1.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')

ax1.set_xlabel('')
ax.set_xlabel('')
ax1.set_ylabel(' RSI')
ax.set_ylabel('Log  S&P500')

plt.show()




Apa yang kita lihat pada grafik RSI?

Banyak zona "overbought", yang bisa menandakan terlalu banyak pasar, yang saatnya untuk menyesuaikan diri. Tetapi terus naik (misalnya, periode yang panjang sejak 1995, indikator menunjukkan "overbought", tetapi sebelum awal krisis 2001, ia kembali ke zona biasanya dan tidak menandakan "overbought", yang, bagaimanapun, berakhir dengan krisis).

Dengan kata lain, penggunaan osilator untuk memprediksi krisis adalah latihan yang sangat kontroversial.

Sebelum krisis, pasar tumbuh dengan lancar, tanpa menunjukkan volatilitas tinggi, tidak seperti jatuh - mereka selalu tajam dan cepat. Kami melihat ini tepat di dekat batas bawah osilator - persimpangannya hampir selalu menunjukkan kapan tepatnya krisis datang dan bagian bawah musim gugur sudah dekat. Beli sinyal?

temuan


Saat ini, situasinya terlihat mengkhawatirkan, ada indikator langsung yang menunjukkan kemungkinan resesi. Selain yang ditinjau, ada juga indeks produksi industri (memimpin untuk krisis ekonomi (bukan finansial!)). Kita juga dapat mempelajari statistik ekonomi makro dan menambah analisis indikator neraca pembayaran, PDB dan sejenisnya, namun, investor institusional telah melakukan ini untuk kita - reaksi mereka tercermin dalam penyebaran hasil obligasi jangka panjang dan jangka pendek. Tetap rileks dan menonton pertunjukan, jika Anda tidak memiliki investasi keuangan. Dan jika ada - pikirkan kemungkinan lindung nilai dari posisi Anda atau pergi ke cache sampai waktu yang lebih baik.

More articles:


All Articles