تحلیلگر الگوی فصلی کالاها

Commodity Seasonality Analyst

الگوهای فصلی را با آزمون معناداری آماری بررسی می‌کند تا الگوی واقعی از تصادف تفکیک شود.

این پرامپت چه کاری انجام می‌دهد؟

الگوهای فصلی در کالاها منطق بنیادی دارند: فصل کاشت و برداشت، تقاضای گرمایشی، چرخه‌های تولید. اما بسیاری از «الگوهای فصلی» که نقل می‌شوند، صرفاً نتیجه داده‌کاوی روی نمونه کوچک‌اند.

این پرامپت الگو را با انضباط آماری بررسی می‌کند: اندازه نمونه، پراکندگی، معناداری، و مهم‌تر — آیا مکانیزم بنیادی قابل توضیحی پشت آن هست یا صرفاً یک همبستگی تصادفی.

متن کامل پرامپت
نقش تو: تحلیلگر کمی با تخصص در تحلیل الگوهای فصلی و آگاه به دام‌های داده‌کاوی.

وظیفه: الگوی فصلی {{COMMODITY}} را بررسی کن.

داده تاریخی: {{YEARS}} سال

ساختار خروجی:

■ ۱. جدول بازدهی ماهانه
| ماه | میانگین بازدهی | میانه | انحراف معیار | تعداد سال مثبت | تعداد سال منفی | بیشترین | کمترین |

■ ۲. آزمون معناداری
برای ماه‌هایی که میانگین بازدهی قابل توجهی دارند:
- آیا با توجه به انحراف معیار و اندازه نمونه، تفاوت از صفر معنادار است؟ محاسبه تقریبی انجام بده.
- با {{YEARS}} سال داده، چند مشاهده مستقل داریم؟ این عدد معمولاً کمتر از تصور است.
- هشدار داده‌کاوی: اگر ۱۲ ماه را آزمایش کنیم، به‌طور تصادفی انتظار داریم حدود یک ماه در سطح ۵ درصد معنادار به نظر برسد. این را لحاظ کن.

■ ۳. مکانیزم بنیادی
برای هر الگوی آماری معنادار، آیا توضیح بنیادی وجود دارد؟
- چرخه تولید یا برداشت
- تقاضای فصلی
- رفتار انبارداری
- الگوی تسویه قراردادهای آتی
الگوی بدون مکانیزم قابل توضیح، مشکوک است — این را صریح بنویس.

■ ۴. پایداری در زیرنمونه‌ها
داده را به دو نیمه تقسیم کن. آیا الگو در هر دو نیمه برقرار است؟ اگر فقط در یک نیمه دیده می‌شود، احتمالاً تصادفی است یا شرایط ساختاری تغییر کرده.

■ ۵. تغییرات ساختاری
آیا رویدادی رخ داده که الگوی تاریخی را بی‌اعتبار کند؟ تغییر فناوری، تغییر الگوی مصرف، تغییر ساختار بازار.

■ ۶. کاربرد عملی
- اگر الگو معتبر است، چطور می‌توان از آن استفاده کرد؟
- انتظار آماری یک استراتژی مبتنی بر آن، پس از کسر هزینه معامله چقدر است؟
- بدترین سال چه بود؟ توانایی تحمل آن را بسنج.

■ ۷. حکم
آیا این الگوی فصلی به‌قدری قوی و پایدار است که بتوان بر آن تکیه کرد؟ صریح پاسخ بده. در اکثر موارد، پاسخ درست «به‌عنوان یک عامل کمکی بله، به‌عنوان مبنای اصلی خیر» است.

داده:
{{DATA}}

متغیرهای پرامپت

پیش از اجرا، این متغیرها را با اطلاعات خودتان جایگزین کنید:

{{COMMODITY}}کالای مورد بررسی
{{YEARS}}تعداد سال داده تاریخی
{{DATA}}داده بازدهی ماهانه تاریخی

خروجی مورد انتظار

  • جدول بازدهی ماهانه با پراکندگی
  • آزمون معناداری با هشدار داده‌کاوی
  • بررسی مکانیزم بنیادی
  • آزمون پایداری در زیرنمونه

پرسش‌های پرتکرار

این پرامپت دقیقاً چه خروجی می‌دهد؟
جدول بازدهی ماهانه با پراکندگی؛ آزمون معناداری با هشدار داده‌کاوی؛ بررسی مکانیزم بنیادی؛ آزمون پایداری در زیرنمونه.
آیا برای استفاده از این پرامپت نیاز به دانش فنی دارم؟
سطح این پرامپت «پیشرفته» است. کافی است متن را کپی کنید، متغیرهای داخل {{ }} را با اطلاعات خودتان جایگزین کنید و داده مورد نیاز را در انتها بچسبانید.

پرامپت‌های مرتبط

Commodity Spread Analyst

اسپرد بین کالاهای مرتبط را تحلیل و انحراف از رابطه بنیادی را از نوسان معمول تفکیک می‌کند.

کالا، طلا و انرژی بازگشت به میانگین حرفه‌ای
۳۳۰ کلمه Claude · ChatGPT
Market Regime Detector

مشخص می‌کند بازار در کدام رژیم است و کدام سبک استراتژی در این رژیم کار می‌کند و کدام نمی‌کند.

بورس تهرانسهام آمریکا و نزدک دنبال‌کننده روند پیشرفته
۲۵۲ کلمه ChatGPT · Claude
Gold Coin Premium Analyzer

ارزش ذاتی سکه را محاسبه، حباب را استخراج و تغییر قیمت را به سهم اونس، ارز و حباب تجزیه می‌کند.

کالا، طلا و انرژیصندوق‌های سرمایه‌گذاری ایران تحلیل بنیادی متوسط
۳۵۸ کلمه ChatGPT · Claude
ETF Premium Arbitrage Scanner

حباب صندوق‌های قابل معامله را نسبت به محدوده تاریخی می‌سنجد و فرصت‌های بازگشت به میانگین را با احتساب هزینه‌ها ارزیابی می‌کند.

صندوق‌های سرمایه‌گذاری ایران بازگشت به میانگین پیشرفته
۲۸۹ کلمه ChatGPT · Claude