I Know First Presentation (February 2013)

102,604 views

Published on

I Know First co-founder, Dr. Lipa Roitman delivers a lecture at Tel Aviv University about his company's advanced stock market forecasting algorithm.

Published in: Economy & Finance, Business
0 Comments
12 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
102,604
On SlideShare
0
From Embeds
0
Number of Embeds
89,481
Actions
Shares
0
Downloads
248
Comments
0
Likes
12
Embeds 0
No embeds

No notes for slide
  • עץ או פלי
  • Coin game Next question How is that two people, one buying and one selling both think they are right ?
  • טענות מופרכות שווקים הם יעילים ואינם ניתנים לחיזוי הליכה אקראית הדפוסים של מחירים טענות מופרכות ישנות על שווקים הימור
  • עובדה: בתי השקעות גדולים כמו גולדמן זאקס GS , מורגן סטנלי MS רווחיות. באופן עקבי מניות למסחר רווח. שוק המניות הוא לא טיול בפרק, אבל גם לא הליכה אקראית כל אחד יכול בר מזל עם שוק המניות לפעמים, אבל לעשות את זה באופן עקבי לוקח ידע.
  • מסחר בתדירות הגבוהה: במהירות (באלפיות שניים) לקנות ולמכור מניות מוצעות על ידי משקיעים איטיים: (ארביטראז'). רווחים מ HFT מסחר בתדירות גבוהה במניות אמריקניות הגיעו לשיאו בשנת 2009 , ויורדים מאז:  
  • נפח מסחר נמוך משקיעים מוסדיים בעיקר משתתפים משקיע הקמעונאי עדיין לא חזר עלויות טכנולוגיות של HFT . חסם הכניסה
  • עובדה: בתי השקעות גדולים כמו גולדמן זאקס GS , מורגן סטנלי MS רווחיות. באופן עקבי מניות למסחר רווח. שוק המניות הוא לא טיול בפרק, אבל גם לא הליכה אקראית כל אחד יכול בר מזל עם שוק המניות לפעמים, אבל לעשות את זה באופן עקבי לוקח ידע.
  • למה מחירי המניות משתנים? זרם חדשות כל הזמן מזריק מידע חדש. פסיכולוגיה משפיע על שוק משתתפים ויוצר דפוסים.     גורמים אובייקטיביים שיטות הערכה שונות: מה שנראה מוערך בחסר על פי מודל אחד יכול להופיע overvalued למשנו. אופק זמן: מה שנראה מנופח באופק הזמן הקצר יכול להופיע המעיט בתצוגה הארוכה יותר.
  • למה מחירי המניות משתנים? זרם חדשות כל הזמן מזריק מידע חדש. פסיכולוגיה משפיע על שוק משתתפים ויוצר דפוסים.     גורמים אובייקטיביים שיטות הערכה שונות: מה שנראה מוערך בחסר על פי מודל אחד יכול להופיע overvalued למשנו. אופק זמן: מה שנראה מנופח באופק הזמן הקצר יכול להופיע המעיט בתצוגה הארוכה יותר.
  • גורם אנושי כלכלה התנהגותית תאורית פרוספקט הישרדות מנטליות עדר
  • גורם אנושי תגובה מוגזמת לכמת כלכלה התנהגותית התנגדות מנטליות עדר
  • תוצאות: דפוסים שונים, גלים במחירים.
  • יש סדר בבלגן. כסף מחפש תשואות הגבוהות ביותר עם סיכון הנמוך ביותר, זה כל זמן זורם משווק אחד למשנו. עם זאת דרך הזרימה מתרחשת רק לעתים נדירות חלקה, אבל מסומן בתקופות של אי שקט.
  • כאוס יכול להופיע כאקראי, אבל זה לא . כיצד ניתן לדעת: שווקים יש זיכרון. מה שקרה בעבר משפיע על העתיד. התנהגות אקראית לא ניתן ללמוד. זה אקראי. את דפוסי העבר לא יחזרו.
  • כאוס יכול להופיע כאקראי, אבל זה לא . כיצד ניתן לדעת: שווקים יש זיכרון. מה שקרה בעבר משפיע על העתיד. התנהגות אקראית לא ניתן ללמוד. זה אקראי. את דפוסי העבר לא יחזרו.
  • כאוס יכול להופיע כאקראי, אבל זה לא . כיצד ניתן לדעת: שווקים יש זיכרון. מה שקרה בעבר משפיע על העתיד. התנהגות אקראית לא ניתן ללמוד. זה אקראי. את דפוסי העבר לא יחזרו.
  • איך שוק המניות כמו מכניקת קוונטים? פוטון בודד מתנהג כמו חלקיק (קוונטים), פוטונים רבים מתנהגים כמו גל. שוק הוא הרכבה של עסקות בודדות (קוונטים). יחד הם מציגים דפוסים גליים. שניהם הסתברותית גרעיניות: בלתי צפויה בקנה מידה מיקרוסקופי, אך צפויה בקנה מידה גדול.
  • כאוס כרוך מנגנוני משוב, מגמה משוב חיובי מגביר מגמות (היווצרות בועה):   (מנטליות קהל, תגובת שרשרת: רודף אחרי מנייה אחת, נוהג את המחיר). משוב שלילי מקטין מגמות (בועה מתפוצצת): (טווח נפוח: "קבל מחיר גבוה מדי: תמכרו!") שוקים יש משוב חיובי ושלילי.
  • כאוס כרוך מנגנוני משוב, מגמה משוב חיובי מגביר מגמות (היווצרות בועה):   (מנטליות קהל, תגובת שרשרת: רודף אחרי מנייה אחת, נוהג את המחיר). משוב שלילי מקטין מגמות (בועה מתפוצצת): (טווח נפוח: "קבל מחיר גבוה מדי: תמכרו!") שוקים יש משוב חיובי ושלילי.
  • כאוס כרוך מנגנוני משוב, משוב חיובי מגביר מגמות (היווצרות בועה):   (מנטליות קהל, תגובת שרשרת: רודף אחרי מנייה אחת, נוהג את המחיר). משוב שלילי מקטין מגמות (בועה מתפוצצת): (טווח נפוח: "קבל מחיר גבוה מדי: תמכרו!") שוקים יש לך משוב חיובי ושלילי.
  • . שוק המניות הוא בועת מכונה בכל רמות סולם הזמן. בועות גדולות יכולות להימשך שנים. בועה היא חלק מאוד בסיסי של השוק ולא ניתן למנוע, אבל ניתן לזהות ונצלה! חלק מתהליך גילוי המחיר בנוכחות של אי הוודאות. כדי להגיע למחיר השוק "האמיתי" אתה צריך "להחטיא את המטרה" בשני הכיוונים.
  • שווקים הם כאוטי, הם חלופיים בין שלושה משטרים: משוב חיובי, משוב שלילי, ואקראיים. מי שיכול לזהות את המשטרים האלה יש את המפתח לשוק. ההחלטה "לקנות" או "למכור" תלויה במה שאתה חושב משטר השוק הוא בבית עכשיו!
  • שווקים הם כאוטי, הם חלופיים בין שלושה משטרים: משוב חיובי, משוב שלילי, ואקראיים. מי שיכול לזהות את המשטרים האלה יש את המפתח לשוק. ההחלטה "לקנות" או "למכור" תלויה במה שאתה חושב משטר השוק הוא בבית עכשיו!
  • מערכת האלגוריתמית הראשונה שאני מכיר שפותחה כדי לגלות חוקי שוק לחזות תנועת המחיר.
  • המערכת היא למידה עצמית, שמייחדת אותו מהניתוח הטכני. אלגוריתם להתאמה ומאוזן: לומד דפוסים חדשים מדי יום, מסתגל למציאות חדשה, אבל עדיין פועל לפי החוקים ההסטוריים הכלליים.
  • המערכת היא למידה עצמית, שמייחדת אותו מהניתוח הטכני. אלגוריתם להתאמה ומאוזן: לומד דפוסים חדשים מדי יום, מסתגל למציאות חדשה, אבל עדיין פועל לפי החוקים ההסטוריים הכלליים.
  • ודל של כלכלת העולם! מה אם תרחישים: לדמות את התוצאה של פעולות ממשלה: השפעה של העלאה או הורדת ריבית על השווקים ועל מחירי הנדל"ן. השפעת שינויים בשערי חליפין של מטבע השפעה של מחירי נפט גבוהים יותר או נמוכים יותר השפעה של מחיר הנפט על מניות חברות נפט יותר ....
  • ודל של כלכלת העולם! מה אם תרחישים: לדמות את התוצאה של פעולות ממשלה: השפעה של העלאה או הורדת ריבית על השווקים ועל מחירי הנדל"ן. השפעת שינויים בשערי חליפין של מטבע השפעה של מחירי נפט גבוהים יותר או נמוכים יותר השפעה של מחיר הנפט על מניות חברות נפט יותר ....
  • ודל של כלכלת העולם! מה אם תרחישים: לדמות את התוצאה של פעולות ממשלה: השפעה של העלאה או הורדת ריבית על השווקים ועל מחירי הנדל"ן. השפעת שינויים בשערי חליפין של מטבע השפעה של מחירי נפט גבוהים יותר או נמוכים יותר השפעה של מחיר הנפט על מניות חברות נפט יותר ....
  • ודל של כלכלת העולם! מה אם תרחישים: לדמות את התוצאה של פעולות ממשלה: השפעה של העלאה או הורדת ריבית על השווקים ועל מחירי הנדל"ן. השפעת שינויים בשערי חליפין של מטבע השפעה של מחירי נפט גבוהים יותר או נמוכים יותר השפעה של מחיר הנפט על מניות חברות נפט יותר ....
  • ודל של כלכלת העולם! מה אם תרחישים: לדמות את התוצאה של פעולות ממשלה: השפעה של העלאה או הורדת ריבית על השווקים ועל מחירי הנדל"ן. השפעת שינויים בשערי חליפין של מטבע השפעה של מחירי נפט גבוהים יותר או נמוכים יותר השפעה של מחיר הנפט על מניות חברות נפט יותר ....
  • בדיוק כמו בשוק עולה ויורד בגלים, כך גם את יכולת החיזוי. והגלים הם לא סינכרוני. מוקד תשומת לב של שוק כל זמן נע בין מקומות שונים, בין אם זה זהב, מניות, נפט, איגרות חוב. מדדים מסוימים הופכים ליותר צפויים, בעוד האחרים לסגת לאקראיות.
  • בדיוק כמו בשוק עולה ויורד בגלים, כך גם את יכולת החיזוי. והגלים הם לא סינכרוני. מוקד תשומת לב של שוק כל זמן נע בין מקומות שונים, בין אם זה זהב, מניות, נפט, איגרות חוב. מדדים מסוימים הופכים ליותר צפויים, בעוד האחרים לסגת לאקראיות.
  • מערכות ופרקטל כאוטי. פרקטלים הם אובייקטים שהם "עצמיים דומים" במובן זה שהחלקים הבודדים מתייחסים לכל. מנדלברוט. הפרט נראה פשוט בערך כמו כולה.   דפוסי שוק הם זהים בכל טווחי הזמן, למעט הזמנים הקצרים ביותר (קוונטים).
  • התכונה העיקרית של חוקי הכח שגורמים להם מעניינים היא אינווריאנטיות קנה המידה שלהם. בהתחשב ביחס f ( x ) = ax ^ k , דרוג x הטיעון על ידי ג גורם קבוע גורם רק קנה מידה יחסית של הפונקציה עצם. כלומר,    f ( CX ) = ( CX ) ^ k = c ^ {יא} f (x ) הוא פרופורציונלי ל f (x ). כלומר, על ידי שינוי קנה מידה קבוע C פשוט מכפיל את יחס כוח החוק המקורי על ידי ג התמידי ^ k . לפיכך, מסקנה הוא כי כל חוקי החשמל עם מעריך קנה מידה מסוים הם שווים ערך לגורמים קבועים, שכן כל אחד הוא פשוט גרסה מוקטנת של אחרים. התנהגות זו היא מה שמייצר את קשר לינארי כאשר לוגריתמים נלקחים משני f (x ) ו- X , ו הקו ישר על מגרש יומן, היומן נקרא לעתים קרובות את חתימתו של חוק חזק.
  • I Know First Presentation (February 2013)

    1. 1. How Can We Predict the FinancialMarkets?Investing in the time of uncertaintyBy Dr. Lipa RoitmanIKnowFirst.comFebruary 2013
    2. 2. 2SlideIKnowFirst.comI Know First - Israeli Forecasting Technologies is an Israeli start up company. Our mainproduct is a financial market forecasting algorithm that predicts daily more than 200 markets:Stocks, world indices, Currencies & Commodities.The company-I Know first-Introduction• The system is a predictivemodel based on artificialIntelligence (AI) andMachine Learning (ML),and incorporatingelements of ArtificialNeural Networks andGenetic Algorithms, builtwith insights of ChaosTheory and self-similarity,the Fractals.• I Know Firsttracks andpredicts the flowof money fromone market orinvestmentchannel toanotherI Know FirstPredicts 200investment channelsdailyTracks theflow of money ArtificialIntelligence(AI) andMachineLearning (ML),ArtificialNeuralNetworksGeneticAlgorithms
    3. 3. 3SlideIKnowFirst.comLipa Roitman PhDEntrepreneur, algorithmic trading system developer20 years in the AI (artificial intelligence) and MachineLearning FieldsConsultant for startup companiesR&D Chemist with record in computer modeling ofprocess, new product and process development http://iknowfirst.com/Stock-forecast-articles l k rc ic he e
    4. 4. 4SlideIKnowFirst.com"it is exceedingly difficult to make predictions,particularly about the future"Niels Bohr.
    5. 5. 5SlideIKnowFirst.comOld Fallacies About MarketsEfficient: “Markets are efficient andunpredictable: today’s information isalready reflected in price. No one stockis a better buy then the other”.Random walk: “The patterns of stockmarket prices are purely random.Markets are unpredictable because theyare random. Playing markets is agamble“Markets are neither totally efficient, nor totallyrandom. They are complex and chaotic.
    6. 6. 6SlideIKnowFirst.comTrading the Stock MarketFact: big trading houses likeGoldman Sachs, MorganStanley consistently make profittrading stocks.Some fail spectacularly, likeLehman Brothers, when theymake big bets that go wrong,and we read of them in thepaper.
    7. 7. 7SlideIKnowFirst.comHigh-Frequency TradingHigh-frequency trading HFT: quick arbitrage (inmilliseconds)Computer algorithms place orders based oninformation that is received electronically, beforehuman traders can react.Example: arbitrage from the bid-ask spread→Supposed to provide liquidity, but sometimes errors in thealgorithms cause huge distortions in prices.→Example: May 6, 2010 Flash Crash→January 23, 2013 AAPL plunge
    8. 8. 8SlideIKnowFirst.comRisk Management: Fat Tailed Distribution AAPL FlashDump High-frequencytradingalgorithms. How else could800,000 sharesworth nearly$300 million besold in 17-secondintervals?
    9. 9. 9SlideIKnowFirst.comHigh-Frequency TradingProfits from high-frequency trading HFT inAmerican stocks havepeaked in 2009, andgoing down since:→ $1.25 billion in 2012, down35 percent from 2011 and74 percent lower than $4.9billion in 2009→The percentage of stocktrades handled by firmsthat specialize in H.F.T. fellto about 51 percent in 2012from 60 percent in 2009.
    10. 10. 10SlideIKnowFirst.comHigh-Frequency TradingWhy HFT is slowing down?Lower trade volumeretail investor is not back yet(begins to come back recently)Mainly institutional investors are participatingTechnological costs: financial resources to compete in thisfield are now enormous (high latency, proximity toexchanges, investment in hardware and software)High competition-low profit
    11. 11. 11SlideIKnowFirst.comTrading the Stock MarketStock market is not a walk in the park, but it’s nota random walk either.Everyone can get lucky with stock marketsometimes.To do it consistently requires knowledge ofthe market, the market direction and riskmanagement strategy.
    12. 12. 12SlideIKnowFirst.comChaos is the Result of Complexity Why do stock prices move?→news stream constantly injects new information.→mixed messages→different market players psychology creates patterns.
    13. 13. 13SlideIKnowFirst.comChaos is the Result of Complexity Objective factors→Different valuationmodelsFundamentalvaluationPrice momentum, etc.→Different time horizons short time horizon vs.the longer view.Reasons for chaotic behavior
    14. 14. 14SlideIKnowFirst.comPsychology of TradingHuman factor: It is difficultif not impossible to make a100% rational decisionduring uncertainty.Prospect theory:(Kahneman and Tversky,1979): Losses have moreemotional impact than anequivalent amount of gains.Risk aversion.Reasons for chaotic behavior
    15. 15. 15SlideIKnowFirst.comPsychology of TradingWhich stock do you check first when you analyzeyour portfolio performance daily ?→Last one?→First one?→The largest investment?
    16. 16. 16SlideIKnowFirst.comPsychology of TradingLatest news biasOverreaction: can’t quantifyAnchoring: buying on dipsTrend lovers: herd mentalityWhy people lose money
    17. 17. 17SlideIKnowFirst.comChaos is the Result of Complexity
    18. 18. 18SlideIKnowFirst.comThere is an Order in the Chaos. Basic Money Law: Moneyis looking for: highest returns with lowest risk It constantly flows fromone market to another.→ However the way the flowoccurs is rarely smooth,but marked with periods ofturbulence.
    19. 19. 19SlideIKnowFirst.comWhat is Chaos?Chaos is a complex non-linear evolving systemthat is sensitive to initial conditions. It has“memory”.There are times when the path is well definedand predictableThere are points in time (instability regime)where a minor perturbation can switch thefuture path between two opposite directions.Chaos can appear as randomness, but it isnot. This is the way we could tell them apart:
    20. 20. 20SlideIKnowFirst.comRandom behavior cant be learned. It is random.→Past patterns dont repeat.Chaotic systems have memory. What happened inthe past affects the future.→ Can be learned and predicted to some extent (quasi-deterministic chaos).What is Chaos?
    21. 21. 21SlideIKnowFirst.comChaos is a law ofnature. It appearsin complex dynamicsystems whereeach elementaffects the others.Astronomy: many-bodies system.WeatherWhat is Chaos?
    22. 22. 22SlideIKnowFirst.comStock Market and Quantum Mechanics Double slit experimentParticle-wave duality
    23. 23. 23SlideIKnowFirst.comStock Market and Quantum MechanicsFive years chart:Patterns can be seen.The prices jump from 1 level to another
    24. 24. 24SlideIKnowFirst.comStock Market and Quantum MechanicsOne month chart:No patterns apparent
    25. 25. 25SlideIKnowFirst.comStock Market and Quantum MechanicsThree days chartGranularity: SingletransactionsNo patterns apparentStock market exhibits deterministic chaos,making the short-term movements of pricesextremely impossible to predict.
    26. 26. 26SlideIKnowFirst.comStock Market and Quantum MechanicsHow is the Stock Market like Quantum Mechanics?A single photon (a particle of light) or an electronbehave like a particle (quantum), an assembly ofthem behaves like a wave.Discrete quantum levels of electrons in an atom.Market is an assembly of individual transactions(quanta). Together they show similar patterns.• Both are Probabilistic• Discrete levels• Granularity: unpredictable on microscopicscale, but predictable on large scale.
    27. 27. 27SlideIKnowFirst.comChaos ExampleWhat is the pattern?
    28. 28. 28SlideIKnowFirst.comFinancial BubblesBig BubbleiPhone 5 release
    29. 29. 29SlideIKnowFirst.comChaos Theory and Financial BubblesFeedback mechanisms:Positive feedback amplifies trends (bubbleformation):→Crowd mentality, chain reaction: chasing one stock,→Go with the trend!
    30. 30. 30SlideIKnowFirst.comChaos Theory and Financial BubblesFeedback mechanisms:Negative feedback limits the trend→bubble bursting,→range-bound trading→“price got too high: sell!,→“price got too low: buy!”
    31. 31. 31SlideIKnowFirst.comChaos ExampleNegative FeedbackPositive Feedback
    32. 32. 32SlideIKnowFirst.comApple Inc. AAPL Bubble CrashFinancial Bubble Detection
    33. 33. 33SlideIKnowFirst.comChaos Theory and Financial BubblesRandomness is also part of the market:Occurs when the market is indecisive→Low volume→Increased volatility→Randomness is stronger near turning pointsHidden variables: Albert Einstein VS. Niels Bohr:"I am convinced God does not play dice"→A trader placed big order at the low liquidity time→Computer error→Market manipulation (HFT program trading, etc)Increased volatility (randomness) is a warning: stay awayfrom the market or adjust your tactics
    34. 34. 34SlideIKnowFirst.comWhat are financial bubbles?Stock market is a bubble machine on alltime scale levels. Big bubbles can lastyears.A bubble is a very basic part of themarket and can’t be eliminated, but if itis recognized it could be exploited!Part of the price discovery process inthe presence of uncertainty.To get to the “fair” market price the pricehas to “overshoot” in both directions.The market constantly behaves like a drunk driver
    35. 35. 35SlideIKnowFirst.comThe Key to the MarketMarkets are chaotic, they alternate between threeregimes: positive feedback, negative feedback, andrandomness.The three regimes could be present simultaneously atdifferent time scales The one who can recognize these regimes has the key tothe market.The “buy” or “sell” decision depends on what regime youthink the market is at now, and at what time scale!
    36. 36. 36SlideIKnowFirst.comThe Key to the Market“For every complex problem there is an answerthat is clear, simple and wrong.”→– H. L. Mencken
    37. 37. 37SlideIKnowFirst.comThe Key to the MarketMarket fallacies:“The trend is your friend —(until that nasty bend at the end)”.“Buy low, sell high”.The “buy” or “sell” decision dependson what regime you think the market isat now, and at what time scale!
    38. 38. 38SlideIKnowFirst.comThe Key to the Market"I took economics courses in Harvard Collegefor four years, and everything I was taughtwas wrong."Franklin D. Roosevelt (1882 –1945)"The established theory has collapsed but wehavent actually got a proper understandingof how financial markets operate”.George SorosWorld Economic Forum in Davos 2013
    39. 39. 39SlideIKnowFirst.comI Know First Algorithmic SystemI Know First algorithmic system was developedto discover the laws of the market that could showwhich way the market is going.
    40. 40. 40SlideIKnowFirst.comI Know First - Israeli Forecasting Technologies is an Israeli start up company. Our mainproduct is a financial market Forecasting system that predicts daily more than 200 markets:Stocks, Currencies & Commodities.The company-I Know first-Introduction• The system is a predictivemodel based on artificialIntelligence (AI) andMachine Learning (ML),and incorporatingelements of ArtificialNeural Networks andGenetic Algorithms, builtwith insights of ChaosTheory and self-similarity,the Fractals.• I Know Firsttracks andpredicts the flowof money fromone market orinvestmentchannel toanotherI Know FirstPredicts 200investment channelsdailyTracks theflow of money ArtificialIntelligence(AI) andMachineLearning (ML),ArtificialNeuralNetworksGeneticAlgorithms
    41. 41. 41SlideIKnowFirst.comI Know First Algorithmic SystemI Know First Algorithmic System is based on the realizationthat a stock value is a function of many factors which interactin a non-linear way and affect the future trajectory of the stockcreating waves in prices.Being completely empirical, the I Know First self learningalgorithms analyze the inputs and rank them according to theirsignificance in predicting the target stock price.Then they create multiple models, and test them automaticallyon the historical data.The robustness of the model is measured by how it performsin different market circumstances.The best predicting models are kept and the rest are rejected.Such refinement has continued daily as the new market datais added to the historical pool.
    42. 42. 42SlideIKnowFirst.comI Know First Algorithmic SystemAdaptable and balanced algorithm:→Empiricaldoes not depend on any human assumptionsself-learning→learns new patterns daily,→adapts to new reality,→but still follows the general historical rules.
    43. 43. 43SlideIKnowFirst.comI Know First Algorithmic SystemThe stocks, indexes, commodities and currenciesrepresent most of the liquid forms of investment“What if” scenarios:→Effect of raising or lowering interest rates on themarkets and on real estate prices.→Effect of currency exchange rates→Effect of higher or lower oil prices→Effect of price of oil on oil company stocks→More….A Model of the World Economy!
    44. 44. 44SlideIKnowFirst.comI Know First Algorithmic System Many inputs from different sources go into each algorithmicforecast. Up to 15 years of data go into each model. Powerful computers process and learn the data, and createforecast.
    45. 45. 45SlideIKnowFirst.comI Know First SystemrunningCycleThe Product- I Know First SystemBasic PrincipleDaily stock DataGet the daily marketupdate, and add it tothe 15-years databaseRun a learning & prediction cycle with new combineddata (Takes about 8 hours per cycle, it runs non-stoparound the clock).15 yearsstockdatabaseReporting Module-Software as aservice (SaaS)The daily prediction for each stock/currency/ commodity is produced forthe following periods :3 days, 7 days,14 days, 30 days, 90 days & 365 daysAgenTeamIQSHIPLearning &PredictionCycleLearning &PredictionCycleGenerateResults”procedureGenerateResults”procedurePredictionsPredictionsDatabase3 Daysprediction7 Daysprediction14 Daysprediction30 Daysprediction90 Daysprediction365 Daysprediction
    46. 46. 46SlideIKnowFirst.comI Know First Algorithmic SystemFeature Tech.analysisI Know FirstAlgorithm Self learning Adaptable Learns new patterns daily Looks at many different stocks,indexes, etc Signals at different time horizons Quantitative Predictability indicator Artificial Intelligence Neural Networks Genetic algorithmsNoNoNoNoNoNoNoNoNoNoNo Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes YesThe system is self learning, which sets it apartfrom the technical analysis.
    47. 47. 47SlideIKnowFirst.comI Know First Algorithmic System-Performance
    48. 48. 48SlideIKnowFirst.comI Know First Algorithmic System-Performance
    49. 49. 49SlideIKnowFirst.comThe Product- I Know First SystemBasic PrincipleGTI CHKP X F VNQ16.69 14.58 13.90 13.42 12.620.622 0.528 0.676 0.655 0.679GT KEY Platinum ^HSI ORBK11.82 11.80 11.09 9.75 9.450.709 0.209 0.591 0.707 0.685AMD BA IFN WAG DD9.20 8.77 7.87 7.50 6.760.363 0.553 0.575 0.484 0.576DIS CSCO VUG UN POT5.68 5.56 5.34 5.31 4.760.592 0.642 0.694 0.585 0.551^VIX ZRAN CSX VPL VXF4.71 4.55 4.41 4.26 4.010.526 0.469 0.643 0.66 0.629WFR ^TA100 AAUKY VDE BAC3.86 3.86 3.77 3.73 3.680.557 0.731 0.634 0.618 0.463VTV VGK S&P500 INTC HAS3.64 3.61 3.38 3.22 2.900.605 0.696 0.628 0.595 0.439DOX WFC RTLX LMT ADM2.81 2.79 2.36 2.02 1.700.448 0.269 0.456 0.39 0.265EWG TEVA EWC NICE WMT1.54 1.25 0.68 0.56 0.510.59 0.487 0.373 0.411 0.125EWA JNJ KO VWO T0.34 0.26 0.24 0.21 0.190.741 0.406 0.491 0.707 0.028K BMY AIP NIS/EUR NIS/GBP0.09 0.07 0.03 -0.09 -0.090.402 0.048 0.614 0.272 0.476TRP NIS/$US CVS FCX CAT-0.18 -0.22 -0.29 -0.29 -0.350.536 0.485 0.381 0.29 0.583ENB NSC JY/$US ESLT TKF-0.38 -0.51 -0.77 -0.78 -2.210.625 0.479 0.203 0.594 0.418OTEX AAPL Crude Oil IRL ISRL-2.32 -3.19 -5.09 -7.09 -11.640.459 0.644 0.668 0.47 0.398WDC DOW-12.53 -43.430.692 0.602Negative Negative Positive Postive++ ++SignalSymbolPredictabilityVWO0.210.707• For each stock/ currency/commodity the followingdata is calculated by thesystem:•Predictability - The"strength" of theprediction•Signal- the movementdirection(increase/decrease)•The daily prediction isproduced for thefollowing periods :3days, 7 days, 14 days,30 days, 90 days & 365days
    50. 50. 50SlideIKnowFirst.comThe Product- I Know First SystemBasic PrincipleGTI CHKP X F VNQ16.69 14.58 13.90 13.42 12.620.622 0.528 0.676 0.655 0.679GT KEY Platinum ^HSI ORBK11.82 11.80 11.09 9.75 9.450.709 0.209 0.591 0.707 0.685AMD BA IFN WAG DD9.20 8.77 7.87 7.50 6.760.363 0.553 0.575 0.484 0.576DIS CSCO VUG UN POT5.68 5.56 5.34 5.31 4.760.592 0.642 0.694 0.585 0.551^VIX ZRAN CSX VPL VXF4.71 4.55 4.41 4.26 4.010.526 0.469 0.643 0.66 0.629WFR ^TA100 AAUKY VDE BAC3.86 3.86 3.77 3.73 3.680.557 0.731 0.634 0.618 0.463VTV VGK S&P500 INTC HAS3.64 3.61 3.38 3.22 2.900.605 0.696 0.628 0.595 0.439DOX WFC RTLX LMT ADM2.81 2.79 2.36 2.02 1.700.448 0.269 0.456 0.39 0.265EWG TEVA EWC NICE WMT1.54 1.25 0.68 0.56 0.510.59 0.487 0.373 0.411 0.125EWA JNJ KO VWO T0.34 0.26 0.24 0.21 0.190.741 0.406 0.491 0.707 0.028K BMY AIP NIS/EUR NIS/GBP0.09 0.07 0.03 -0.09 -0.090.402 0.048 0.614 0.272 0.476TRP NIS/$US CVS FCX CAT-0.18 -0.22 -0.29 -0.29 -0.350.536 0.485 0.381 0.29 0.583ENB NSC JY/$US ESLT TKF-0.38 -0.51 -0.77 -0.78 -2.210.625 0.479 0.203 0.594 0.418OTEX AAPL Crude Oil IRL ISRL-2.32 -3.19 -5.09 -7.09 -11.640.459 0.644 0.668 0.47 0.398WDC DOW-12.53 -43.430.692 0.602Negative Negative Positive Postive++ ++SignalSymbolPredictabilityVWO0.210.707Two components tothe stock action→ Stock-specific action.→ Stock action related togeneral market action. A stock is a part of themarket and responds tothe general market news. The forecast tableshows how the stockforecast is positionedrelatively to other stocksforecast.
    51. 51. 51SlideIKnowFirst.comThe Product- I Know First SystemBasic PrincipleGTI CHKP X F VNQ16.69 14.58 13.90 13.42 12.620.622 0.528 0.676 0.655 0.679GT KEY Platinum ^HSI ORBK11.82 11.80 11.09 9.75 9.450.709 0.209 0.591 0.707 0.685AMD BA IFN WAG DD9.20 8.77 7.87 7.50 6.760.363 0.553 0.575 0.484 0.576DIS CSCO VUG UN POT5.68 5.56 5.34 5.31 4.760.592 0.642 0.694 0.585 0.551^VIX ZRAN CSX VPL VXF4.71 4.55 4.41 4.26 4.010.526 0.469 0.643 0.66 0.629WFR ^TA100 AAUKY VDE BAC3.86 3.86 3.77 3.73 3.680.557 0.731 0.634 0.618 0.463VTV VGK S&P500 INTC HAS3.64 3.61 3.38 3.22 2.900.605 0.696 0.628 0.595 0.439DOX WFC RTLX LMT ADM2.81 2.79 2.36 2.02 1.700.448 0.269 0.456 0.39 0.265EWG TEVA EWC NICE WMT1.54 1.25 0.68 0.56 0.510.59 0.487 0.373 0.411 0.125EWA JNJ KO VWO T0.34 0.26 0.24 0.21 0.190.741 0.406 0.491 0.707 0.028K BMY AIP NIS/EUR NIS/GBP0.09 0.07 0.03 -0.09 -0.090.402 0.048 0.614 0.272 0.476TRP NIS/$US CVS FCX CAT-0.18 -0.22 -0.29 -0.29 -0.350.536 0.485 0.381 0.29 0.583ENB NSC JY/$US ESLT TKF-0.38 -0.51 -0.77 -0.78 -2.210.625 0.479 0.203 0.594 0.418OTEX AAPL Crude Oil IRL ISRL-2.32 -3.19 -5.09 -7.09 -11.640.459 0.644 0.668 0.47 0.398WDC DOW-12.53 -43.430.692 0.602Negative Negative Positive Postive++ ++SignalSymbolPredictabilityVWO0.210.707Customized forecastChoosing stocks fromparticular industry intothe table composition
    52. 52. 52SlideIKnowFirst.comThe Product- I Know First SystemShort term predictions: 3 days, 7 days, 14 daysExample
    53. 53. 53SlideIKnowFirst.comThe Product- I Know First SystemLong term predictions: 30 days, 90 days & 365 days
    54. 54. 54SlideIKnowFirst.comI Know First Algorithmic SystemMore uses for algorithms:Forecasting demand for products and servicesModeling complex chemical processesGlobal climate trendsAgricultural forecasting: crops, water demandMore….Send us requests for your forecasting needsiknowfirst@iknowfirst.com
    55. 55. 55SlideIKnowFirst.comWhat are the stocks for 2013?
    56. 56. 56SlideIKnowFirst.comDecember performance
    57. 57. 57SlideIKnowFirst.comDecember 2012 performance-aggressive
    58. 58. 58SlideIKnowFirst.comRecent performance
    59. 59. 59SlideIKnowFirst.comOctober 2012 performance
    60. 60. 60SlideIKnowFirst.comGoogle Stock Forecast: Case Study http://iknowfirst.com/Google-stock-forecast-case-study
    61. 61. 61SlideIKnowFirst.comGoogle Stock Forecast: Case Study
    62. 62. 62SlideIKnowFirst.comGoogle Stock Forecast: Case Study
    63. 63. 63SlideIKnowFirst.comSignal Analysis of a Group of StocksThe following chart shows a combined signal of allstocks in the system, calculated for each of thesix time ranges.http://iknowfirst.com/S-P-500-May-12-2013Send us requests for your forecasting needsiknowfirst@iknowfirst.com
    64. 64. 64SlideIKnowFirst.comSignal analysis of a group of stocks
    65. 65. 65SlideIKnowFirst.comSignal analysis of a group of stocksThe stocks and indices in the I Know Firstsystem are a good representation of abroader market.The forecast for the plurality of stocks in theI Know First system can serve as a proxy forthe S&P500 forecast.
    66. 66. 66SlideIKnowFirst.comPredictability: Measuring ChaosPredictability is the indicator that tells predictablechaos from randomness.Just like the market rises and falls in waves, sodoes the predictability. And the waves are notsynchronous.The focus shifts between gold, stocks, oil, bonds.Some become more predictable, while the othersretreat to randomness.
    67. 67. 67SlideIKnowFirst.comPredictability: Measuring ChaosBy monitoring predictability one can get advancewarning that the market paradigm change is inprogress.
    68. 68. 68SlideIKnowFirst.comWhich stocks can be predicted Most of the major stocks in the S&P 500 index arepredictable to some extent. Start-Ups are Unpredictable→ Investor hopes: ‘This is going to be the new Google, the newFacebook.’→ Some start-ups make it, some don’t — nobody knows inadvance But the main reason our algorithms can’t forecast start-ups: no history. No way to predict future moves.
    69. 69. 69SlideIKnowFirst.com
    70. 70. 70SlideIKnowFirst.com
    71. 71. 71SlideIKnowFirst.com
    72. 72. 72SlideIKnowFirst.com
    73. 73. 73SlideIKnowFirst.com
    74. 74. 74SlideIKnowFirst.com
    75. 75. 75SlideIKnowFirst.com
    76. 76. 76SlideIKnowFirst.com
    77. 77. 77SlideIKnowFirst.com
    78. 78. 78SlideIKnowFirst.com
    79. 79. 79SlideIKnowFirst.com
    80. 80. 80SlideIKnowFirst.comRisk ManagementSo, is it a trading system that could make moneyconsistently?Most of the time yes, with the right riskmanagement strategy and a bit of luck!Luck factorWe don’t know all risk factors.
    81. 81. 81SlideIKnowFirst.comRisk Management●There are:●“known knowns; there are things we know that weknow.●known unknowns; that is to say there are thingsthat, we now know we dont know.●But there are also unknown unknowns – there arethings we do not know we dont know”.●—Donald Rumsfeld●United States Secretary of Defense
    82. 82. 82SlideIKnowFirst.comRisk Management: Normal DistributionNormaldistributionapplies tomanyrandomevents,but it is not arule in themarkets, butrather anexception.
    83. 83. 83SlideIKnowFirst.comRisk Management: Fat Tailed DistributionFat Taileddistribution is verycommon in themarkets.Large swings (3 to 6standard deviationsfrom the mean)Far more frequentthan the normaldistributionPower Law
    84. 84. 84SlideIKnowFirst.comThe Danger of Fat TailsThe uncertainty about price distribution makes“rational” decision making impossible.One could be right about the market direction, butlose money or miss an opportunity.
    85. 85. 85SlideIKnowFirst.comThe Danger of Fat TailsRisk management:allocation of capital traditional allocation model)allocation of risk.
    86. 86. 86SlideIKnowFirst.comRisk Management
    87. 87. 87SlideIKnowFirst.comStrategies for SuccessWatch the signals daily, but act only on strong ones.To minimize risk stay out of the market until you see agreat opportunity: a strong signal, extreme price.When predictability is high, invest on strong signals.When predictability goes down, expect a storm.When the signal disappears or weakens, reduce yourexposure.For a stable portfolio invest in non-correlated securities.→Caveat: during times of global financial crisis all assets becomepositively correlated, because they all move (down) together.
    88. 88. 88SlideIKnowFirst.comRisk Management: Fat Tailed DistributionWhat happened to Apple (AAPL) in the lastminute of trading Friday, January 23, 2013
    89. 89. 89SlideIKnowFirst.comRisk Management: Fat Tailed DistributionAAPL FlashDumpHigh-frequencytradingalgorithms.How elsecould 800,000shares worthnearly $300million be soldin 17-secondintervals?:
    90. 90. 90SlideIKnowFirst.comWhat Causes Fat Tails●Extreme risks of "high consequence", but of lowprobability. The risks of●terrorist attack, major earthquakes, accidents●hurricanes, a volcanic-ash cloud grounding allflights for a continent,●HFT trading algorithmsthe frequency and impact of totally unexpected events isgenerally underestimated
    91. 91. 91SlideIKnowFirst.comSelf-Similarity: Fractals.Chaotic systems and fractals.Fractals are objects which are "self-similar" in thesense that the individual parts are related to thewhole. Mandelbrot.→The detail looks just about the same as the whole. Market patterns are the same on all time scales,except the shortest times (quanta).
    92. 92. 92SlideIKnowFirst.comFractals and the Power Laws The main attribute of power laws that makes them interesting is theirscale invariance. Given a relation f(x) = ax^k, scaling the argument xby a constant factor c causes only a proportionate scaling of thefunction itself. That is,→ f(c x) = a(c x)^k = c^{k}f(x) is proportional to f(x). That is, scaling by a constant c simply multiplies the original power-law relation by the constant c^k. Thus, it follows that all power lawswith a particular scaling exponent are equivalent up to constantfactors, since each is simply a scaled version of the others. Thisbehavior is what produces the linear relationship when logarithms aretaken of both f(x) and x, and the straight-line on the log-log plot is often called the signature of apower law.

    ×