การวิเคราะห์ความอ่อนไหวของระบบการจัดการการลงทุนอัตโนมัติ (เป้าหมาย) ของโรเบิร์ตลิเชลโล

หากคุณใช้เวลาพิจารณาอัลกอริทึมการจัดการการลงทุนอัตโนมัติ (AIM) ที่ Robert Lichello พัฒนาขึ้นในช่วงปลายทศวรรษ 1970 จะมีคำถามที่ชัดเจนปรากฏขึ้น ตัวอย่างเช่นควรดูมูลค่าพอร์ตลงทุนบ่อยกว่ารายเดือนหรือไม่? จะเกิดอะไรขึ้นหากการลงทุนในตราสารทุนครั้งแรกของคุณมากกว่า (หรือน้อยกว่า) มากกว่า 50% ของเงินลงทุนทั้งหมดของคุณ? อัตราผลตอบแทนจะเพิ่มขึ้นหรือลดลงหากคุณเลือกหุ้น / กองทุน / ETF ที่มีความผันผวนของราคาสูง (หรือต่ำ)?

บทความนี้จะใช้แนวทางที่เป็นระเบียบมากในการตอบคำถามเฉพาะเหล่านั้น บทความอื่นฉันเขียนอธิบายถึงอัลกอริทึม AIM ที่มีผลการทดสอบย้อนหลังมากกว่า 10 ปีและอีกอันหนึ่งอธิบายวิธีใช้ระบบ AIM ในพอร์ตโฟลิโอแบบหลาย ETF

การวิเคราะห์ความไวและการทดสอบย้อนกลับ

สำหรับแบบฝึกหัดการทดสอบย้อนกลับเราได้ศึกษาประสิทธิภาพของอัลกอริทึม AIM โดยใช้ ETF เดียว (ticker SPY) ในช่วงเวลาที่กำหนดในอดีตโดยมีการตั้งค่าตัวแปรอินพุตและไม่อนุญาตให้เปลี่ยนแปลง

การวิเคราะห์ความไวใช้แนวคิดของการทดสอบย้อนกลับเพื่อทำความเข้าใจว่าผลลัพธ์ผลลัพธ์จากอัลกอริทึม AIM จะเปลี่ยนไปอย่างไรเมื่อตัวแปรอินพุตเฉพาะมีการเปลี่ยนแปลงอย่างเป็นระบบ กล่าวอีกนัยหนึ่งว่าผลลัพธ์ของอัลกอริทึม AIM นั้น“ อ่อนไหว” อย่างไรเมื่อตัวแปรอินพุตได้รับอนุญาตให้เปลี่ยนแปลง

ในการวิเคราะห์ความไวของอัลกอริทึม AIM เราต้องเลือกตัวแปรอินพุตก่อนและช่วงใดที่จะได้รับอนุญาตให้เปลี่ยนแปลง ต่อไปเราต้องเลือกตัวแปรเอาต์พุตจากนั้นกำหนดกรอบเวลาสำหรับการทดสอบย้อนกลับ ณ จุดนี้เราพร้อมที่จะเรียกใช้การทดสอบย้อนกลับสำหรับการตั้งค่าตัวแปรอินพุตแต่ละชุดในขณะที่รวบรวมผลลัพธ์ผลลัพธ์จากการทดสอบย้อนกลับแต่ละรายการ ในตอนท้ายเราจะสรุปผลและทำข้อสรุปของเรา

การเลือกตัวแปรอินพุต AIM

สำหรับการวิเคราะห์นี้เราจะเลือกตัวแปรอินพุตสามตัวของอัลกอริทึม AIM ได้แก่ ความถี่ในการประเมิน% ของการลงทุนในตราสารทุนเริ่มต้นและการลงทุนในตราสารทุนประเภทต่างๆ

ความถี่ในการประเมิน

คุณลิเชลโลแนะนำให้ดูราคาหุ้นเป็นรายเดือน เราจะเก็บแนวคิดนี้ไว้ในการวิเคราะห์ความอ่อนไหวของเราและพิจารณาการตัดสินใจเป็นประจำทุกสัปดาห์ สำหรับเทรดเดอร์ที่กระตือรือร้นอย่างแท้จริงเราจะดูว่าอัลกอริทึมตอบสนองต่อการตัดสินใจในแต่ละวันอย่างไร

% การลงทุนหุ้นเริ่มต้น

คุณลิเชลโลแนะนำให้แบ่งส่วนของผู้ถือหุ้นและเงินสดเป็นจำนวน 50% - 50% อย่างไรก็ตามในหนังสือรุ่นหลัง ๆ เขาแนะนำอัตราส่วนที่สูงถึง 80% –20% ต่อเงินสด เราจะเก็บแนวคิดทั้งสองนี้ไว้สำหรับการวิเคราะห์ความอ่อนไหวของเราและสำรวจพื้นที่ที่ต่ำกว่า 50% –50% การตั้งค่าของเราจะเริ่มต้นที่ส่วนของผู้ถือหุ้น 30% และเพิ่มขึ้น 10% เป็นระยะจนกว่าจะถึง 80%

ประเภทการลงทุนในตราสารทุน

ที่ปรึกษาระดับโลกของ State Street ขาย ETF ที่แบ่ง S&P 500 ออกเป็น 9 ภาค (Consumer Disc ดุลยพินิจของผู้บริโภคลวดเย็บกระดาษพลังงานการเงินการดูแลสุขภาพอุตสาหกรรมวัสดุเทคโนโลยีและสาธารณูปโภค) ซึ่งเรียกว่า Select Sector SPDR ในการวิเคราะห์นี้เราจะมองหา ETF สองภาคนอกเหนือจาก ETF ใบเสร็จรับเงิน S & P, Ticker SPY เราจะใช้ ETF ที่มีความผันผวนของราคาสูงกว่า SPY และอีกอันที่มีความผันผวนต่ำกว่า SPY ในการวัดความผันผวนเราจะใช้เบต้าของหุ้น จากการใช้ประมาณการ 3 ปีเบต้าของ Morningstar เราพบว่า ETF ที่มีความผันผวนมากที่สุด (เบต้า 1.24) คือหุ้นพลังงานสัญลักษณ์ XLE หุ้นกลุ่มที่มีเบต้าต่ำสุด 0.18 คือ Utility ETF, สัญลักษณ์ XLU ดังนั้นเราจะใช้ SPY กับเบต้า 1.00, XLU ที่มีเบต้า 0.18 และ XLE โดยมีเบต้า 1.24

ตัวแปรอินพุตและการตั้งค่าทั้งหมดเหล่านี้สรุปไว้ในตารางที่ชื่อว่าตัวแปรอินพุตและการตั้งค่า

ตัวแปรอินพุตและการตั้งค่า

ตัวแปร	การตั้งค่า 1	การตั้งค่า 2	การตั้งค่า 3	การตั้งค่า 4	การตั้งค่า 5	การตั้งค่า 6
ความถี่ในการประเมิน	ทุกวัน	รายสัปดาห์	รายเดือน
% การลงทุนระยะแรก	30%	40%	50%	60%	70%	80%
ETF / เบต้า	XLU / 0.18	สายลับ / 1.00	XLE / 1.24

การเลือกตัวแปรเอาต์พุตและกรอบเวลา

สำหรับตัวแปรเอาต์พุตเราต้องการความสามารถในการวัดประสิทธิภาพการลงทุนอย่างแม่นยำสำหรับการทดสอบย้อนกลับแต่ละครั้ง การวัดที่เราจะใช้คืออัตราผลตอบแทนต่อปีหรือที่เรียกว่า Internal Rate of Return โชคดีที่ Microsoft Excel ™มีฟังก์ชันในตัว (XIRR) ที่เราจะใช้เพื่อสร้างมาตรฐานในการคำนวณ นอกจากนี้เราจะบันทึกมูลค่าผลงานขั้นสุดท้ายการขาดเงินสดใด ๆ ที่อาจเกิดขึ้นและจำนวนการซื้อขายทั้งหมด

กรอบเวลาสำหรับข้อมูลราคาในอดีตคือตั้งแต่ 12/22/1998 ถึง 31/7/2013 มากกว่า 14.5 ปีเล็กน้อย ข้อมูลราคาและเงินปันผลในอดีตมาจาก Yahoo! เว็บไซต์การเงิน

โดยสรุปเรามาดูกรณีการทดสอบย้อนหลังทั้งหมดที่เราจะดำเนินการเพื่อการวิเคราะห์นี้ มีตัวแปรและการตั้งค่าที่แตกต่างกัน 54 ชุดซึ่งเราจะเปลี่ยนไปพร้อม ๆ กัน กรณีทดสอบทั้งห้าสิบสี่กรณีจะแสดงในรูปแบบกราฟิกดูรูปที่ชื่อกรณีทดสอบ

แต่ละกรณีการทดสอบแสดงถึงการทดสอบย้อนหลังเพียงครั้งเดียวตัวอย่างเช่นกรณีทดสอบหนึ่งคือการตั้งค่าอัลกอริทึม AIM เป็นการลงทุนในตราสารทุนเริ่มต้น 30% ตั้งค่าความถี่ในการประเมินเป็นรายวันและใช้ข้อมูลราคาในอดีตสำหรับ XLU-Utility ETF เรียกใช้ข้อมูลผ่านอัลกอริทึม AIM คำนวณอัตราผลตอบแทนภายในจับมูลค่าผลงานสุดท้ายเงินสดขาดและจำนวนการซื้อขายทั้งหมด

กรณีทดสอบ

สมมติฐานสำหรับการทดสอบ AIM

จำเป็นเสมอที่จะต้องบันทึกสมมติฐานเมื่อทำการวิเคราะห์เชิงประจักษ์นี่คือรายการสำหรับการวิเคราะห์นี้:

1. จำนวนเงินลงทุนเริ่มต้นทั้งหมดคือ $ 10,000
2. การซื้อครั้งแรกคือราคาเปิดในวันที่ 22 ธันวาคม 2541
3. การตัดสินใจของ AIM จะขึ้นอยู่กับราคาปิดของหุ้นในวันซื้อขายสุดท้ายของเดือนสำหรับความถี่ในการประเมินรายเดือนวันซื้อขายสุดท้ายของสัปดาห์สำหรับความถี่ในการประเมินรายสัปดาห์หรือราคาปิดของวันนั้นสำหรับความถี่ในการประเมินรายวัน
4. ราคาซื้อหรือขายคือราคาเปิดของหุ้นในวันซื้อขายถัดไปหลังจากการตัดสินใจของ AIM
5. คำสั่งซื้อหรือขายจะเกิดขึ้นก็ต่อเมื่อคำสั่งซื้อของตลาด AIM อยู่ที่ +/- 5% ของมูลค่าหุ้นปัจจุบันของพอร์ตการลงทุน
6. การขาดแคลนเงินสดจะได้รับการสนับสนุนและบัญชีเงินสดจะถูกตั้งค่าเป็นศูนย์จนกว่าจะมีการดำเนินการคำสั่งขาย
7. ค่าคอมมิชชั่นการซื้อขายหุ้นจะไม่ถูกนำมาพิจารณา แต่เราสามารถประมาณค่าคอมมิชชันโดยรวมได้โดยใช้จำนวนการซื้อขายทั้งหมด
8. อัตราผลตอบแทนจากการสำรองเงินสดคือ 0.5% เมษายน
9. เงินปันผลจะถูกนำไปลงทุนในหุ้นเพิ่มเติม

ผลการทดสอบย้อนกลับ

ตารางที่ชื่อว่า Back-Test Results แสดงผลลัพธ์ของการทดสอบย้อนกลับทั้งหมด 54 รายการ เราใช้การวิเคราะห์การถดถอยเพื่อพิจารณาว่าตัวแปรอินพุตใดที่มีผลกระทบที่สำคัญที่สุดต่ออัตราผลตอบแทนและผลลัพธ์คือ:

• ประเภท ETF:สำคัญที่สุด
• % การลงทุนในตราสารทุนเริ่มต้น:มีนัยสำคัญ
• ความถี่ในการประเมิน:ไม่มีนัยสำคัญ

ในความเป็นจริงตัวแปรสำคัญ 2 ตัวประเภทของ ETF และ% การลงทุนในตราสารทุนเริ่มต้นคิดเป็น 94% ของรูปแบบที่เราเห็นในอัตราผลตอบแทน (สำหรับค่า r-square ที่ปรับปรุงแล้วทางสถิติคือ 0.937)

ผลการทดสอบย้อนกลับ

สังเกตว่ามีการขาดเงินสดอย่างมีนัยสำคัญเมื่อลงทุนใน SPY และ XLU ซึ่งเกิดขึ้นในทุกระดับของความถี่ในการประเมินและด้วยการลงทุนในตราสารทุนเริ่มต้นต่ำถึง 50% อย่างไรก็ตามไม่มีเงินสดขาดเมื่อลงทุนใน XLE โดยไม่คำนึงถึงความถี่ในการประเมินหรือ% การลงทุนในตราสารทุนเริ่มต้น

เพื่อให้เข้าใจว่าเหตุใดจึงไม่มีการขาดแคลนเงินสดเมื่อลงทุนใน XLE เราจำเป็นต้องแยกโครงสร้างตลาดกระทิงตั้งแต่กลางปี ​​2545 จนถึงจุดสูงสุดของการวิ่งของวัวในปลายปี 2550 ตั้งแต่วันที่ 23/7/2545 ถึง 12/26/2007 XLE ราคาอยู่ระหว่าง $ 19.80 ถึง $ 80.55 และเพิ่มขึ้น 306.8% AIM จะส่งสัญญาณขายหลายครั้งในช่วงที่ขึ้นสร้างเงินสดสำรองสำหรับโอกาสในการซื้อในช่วงที่ตลาดตกต่ำอย่างหลีกเลี่ยงไม่ได้ที่ตามมา SPY และ XLU มีประสบการณ์ในการวิ่งวัวที่คล้ายกันตั้งแต่ปลายปี 2545 ถึงปลายปี 2550 แต่การเพิ่มขึ้นไม่มากนัก XLU เติบโต 191.4% และ SPY เติบโต 100.4% ดังนั้นเนื่องจาก XLE เป็นหุ้นเบต้าที่สูงกว่าจึงส่งผลให้ราคาเพิ่มสูงขึ้นทำให้ AIM สามารถจับผลกำไรได้มากขึ้น ส่งผลให้มีเงินสดเพียงพอในเงินกองทุนที่จะใช้ประโยชน์จากสัญญาณซื้อหลายรายการในช่วงที่ตลาดลดลงอย่างมากตั้งแต่ปลายปี 2551 ถึงกลางปี ​​2552

นอกจากนี้เรายังเห็นว่าจำนวนการซื้อขายเพิ่มขึ้นเมื่อความถี่ในการประเมินเพิ่มขึ้นและเมื่อ ETF เบต้าเพิ่มขึ้น โดยสัญชาตญาณที่สมเหตุสมผลเนื่องจากเราคาดหวังโอกาสในการซื้อขายมากขึ้นหากเราตรวจสอบมูลค่าพอร์ตการลงทุนของเราบ่อยขึ้นหรือหากราคาของ ETF แกว่งขึ้น / ลงอย่างรุนแรงมากขึ้น

เมื่อดูกราฟที่ชื่อว่าผลกระทบของประเภทการลงทุนเราจะเห็นว่า ETF พลังงานสัญลักษณ์ XLE มีผลต่ออัตราผลตอบแทนที่สำคัญที่สุดโดยมีค่าเฉลี่ย 11% และอยู่ในช่วง 7.1% ถึง 14.5%

ผลกระทบจากประเภทการลงทุน

ตอนนี้เรามาดูกราฟที่ชื่อว่าผลของการลงทุนเบื้องต้น เราเห็นว่าอัตราผลตอบแทนเฉลี่ยเพิ่มขึ้นเป็นเชิงเส้นจาก 5.3% ด้วยการลงทุนในตราสารทุนเริ่มต้น 30% จนถึง 11% ด้วยการลงทุนในตราสารทุนเริ่มต้น 80% โปรดทราบว่าอัตราผลตอบแทนต่ำสุดที่เราสังเกตได้คือ 3.8% และสูงสุดคือ 14.5%

ผลกระทบของ% การลงทุนหุ้นเริ่มต้น

สุดท้ายเมื่อดูกราฟที่ชื่อว่าผลของความถี่ในการประเมินเราจะเห็นว่าอัตราผลตอบแทนเฉลี่ยไม่เปลี่ยนแปลงมากนักจากการประเมินรายวันเป็นรายเดือน ในความเป็นจริงมีอัตราผลตอบแทนเฉลี่ย 0.6% ระหว่างการประเมินรายวันและรายเดือนแตกต่างกันเพียงเล็กน้อย

ผลกระทบของความถี่ในการประเมิน

เนื่องจากความถี่ในการประเมินถูกวัดตามเวลาเราจึงสามารถมองจากมุมมองอื่นได้ เราสามารถคำนวณการคืนทุนเป็นดอลลาร์ต่อชั่วโมงสำหรับเวลาที่ใช้ในการประเมินการตัดสินใจซื้อ / ขาย / ถือครั้งต่อไป ในการทำเช่นนี้เราต้องประมาณมูลค่าผลงานขั้นสุดท้ายที่เพิ่มขึ้นโดยเฉลี่ยสำหรับการประเมินบ่อยขึ้นและจำนวนชั่วโมงทั้งหมดที่ใช้ในการประเมิน

ตัวอย่างเช่นหากเราใช้เวลา 5 นาทีในแต่ละครั้งในการอัปเดตอัลกอริทึม AIM ในช่วง 14.7 ปีของการศึกษานี้เราจะต้องใช้เวลาทั้งหมด 14.7 ชั่วโมงสำหรับการประเมินรายเดือน 63.7 ชั่วโมงต่อสัปดาห์และ 318.5 ชั่วโมงต่อวัน เมื่อดูกราฟที่มีชื่อว่าผลกระทบของความถี่ในการประเมินต่อมูลค่าผลงานขั้นสุดท้ายเราจะเห็นว่ามูลค่าผลงานขั้นสุดท้ายโดยเฉลี่ยคือ 21,445 ดอลลาร์สำหรับการประเมินรายเดือน 23,772 ดอลลาร์ต่อสัปดาห์และ 25,044 ดอลลาร์ต่อวัน

จากข้อมูลนี้การคืนทุนสำหรับการเพิ่มการประเมินจากรายเดือนเป็นรายสัปดาห์จะคำนวณได้ดังนี้:

(เพิ่มมูลค่าผลงานขั้นสุดท้าย) / (เวลาเพิ่มเติมสำหรับการประเมิน) =

(23,772 - 21,445) / (63.7 - 14.7) = 2,370 USD / 49 = 47.49 USD ต่อชั่วโมง

ดังนั้นเราจึงเพิ่มพอร์ตการลงทุนโดยเฉลี่ยของเราขึ้น 2,370 ดอลลาร์โดยใช้เวลาเพิ่มอีก 49 ชั่วโมงในการอัปเดตอัลกอริทึม AIM เพื่อการคืนทุน 47.49 ดอลลาร์ต่อชั่วโมงไม่ใช่เงินเดือนที่น่าเบื่อ

การคืนทุนสำหรับการเพิ่มการประเมินจากรายเดือนเป็นรายวันคือ $ 11.85 ต่อชั่วโมงและ $ 4.99 ต่อชั่วโมงสำหรับการเพิ่มการประเมินจากรายสัปดาห์เป็นรายวัน

ผลของความถี่ในการประเมินต่อมูลค่าผลงานขั้นสุดท้าย

ข้อสรุป

จากบทความ AIM แรกของเราเราพบว่าคุณสามารถปรับปรุงการลงทุนแบบซื้อ / ถือได้โดยใช้ AIM กับ ETF ที่มีความหลากหลายสูง: SPY จากบทความนี้เราจะเห็นว่าสามารถปรับปรุงเพิ่มเติมได้โดยการแยกชิ้นส่วน SPY และใช้ AIM ในแต่ละภาคธุรกิจ เนื่องจาก ETF ของแต่ละอุตสาหกรรมมีระดับความผันผวน (วัดโดยเบต้า) ที่แตกต่างจาก SPY รวม ความแตกต่างดังกล่าวทำให้ AIM สามารถจับความผันผวนโดยธรรมชาติที่ SPY ไม่ได้มากขึ้น

สิ่งนี้ได้รับการตรวจสอบเพิ่มเติมโดยการวิเคราะห์การถดถอยของข้อมูลการทดสอบหลังของเรา เราสามารถสรุปได้ว่าปัจจัยที่สำคัญที่สุดที่ต้องพิจารณาหากคุณจะใช้ AIM เพื่อควบคุมพอร์ตการลงทุนในตราสารทุนคือประเภทของหุ้น / กองทุนรวม / ETF ที่คุณเลือก เพื่อให้เจาะจงมากขึ้นดูเหมือนว่าอัลกอริทึม AIM จะมีประสิทธิภาพมากกว่าด้วยการลงทุนเบต้าที่สูงขึ้น / การลงทุนที่ผันผวนมากขึ้น อย่างไรก็ตามคำเตือนการวิเคราะห์นี้ จำกัด เฉพาะ ETF ที่มีเบต้าอยู่ในช่วงตั้งแต่ 0.18 ถึง 1.24 เราไม่ได้สำรวจ ETF ที่มีความผันผวนเป็นพิเศษซึ่งมีความผันผวนมากกว่า ETF มาตรฐานสองและสามเท่า ดังนั้นจึงอาจไม่ปลอดภัยที่จะคาดการณ์ผลลัพธ์ของเรากับยานพาหนะเพื่อการลงทุนประเภทนั้น

มีบทความโดยละเอียดเกี่ยวกับการเลือกหุ้นในคลังของเว็บไซต์ผู้ใช้ AIM แม้ว่าจะเน้นไปที่การเลือกหุ้นในแต่ละ บริษัท แต่แนวคิดนี้ควรนำไปใช้กับการเลือก ETF ได้ง่าย

ปัจจัยต่อไปที่แสดงผลอย่างมีนัยสำคัญต่ออัตราผลตอบแทนคือ% การลงทุนในตราสารทุนเริ่มต้น เนื่องจากอัตราผลตอบแทนเพิ่มขึ้นในเชิงเส้นเมื่อ% หุ้นที่ลงทุนเริ่มต้นเพิ่มขึ้นเราจึงควรใช้ปัจจัยนี้เป็นตัวควบคุมความเสี่ยง / ผลตอบแทน ตัวอย่างเช่นหากคุณเป็นนักลงทุนแบบอนุรักษ์นิยมและยินดีรับอัตราผลตอบแทนที่ต่ำกว่าเพื่อความปลอดภัยนั้นให้ลงทุนใน ETF เพียง 30-50% เท่านั้น ในทางกลับกันหากคุณเต็มใจที่จะลงทุนอย่างเต็มกำลังที่มีความเสี่ยงก็ให้ไปลงทุนในหุ้นเริ่มต้น 60–80%

สุดท้ายปัจจัยสุดท้ายความถี่ของการประเมินดูเหมือนจะไม่มีนัยสำคัญเมื่อเทียบกับอัตราผลตอบแทน อย่างไรก็ตามเมื่อดูผลตอบแทนสำหรับเวลาพิเศษที่ใช้ในการประเมินอัลกอริทึม AIM เราจะเห็นว่าการเพิ่มมูลค่าพอร์ตโฟลิโอของเรานั้นดีที่สุดเมื่อเพิ่มความถี่ในการประเมินจากรายเดือนเป็นรายสัปดาห์ (เฉลี่ย 47.49 ดอลลาร์ต่อชั่วโมงเพิ่มเติมที่ใช้ในการประเมินอัลกอริทึม AIM)

แน่นอนคุณสามารถถือว่าความถี่ในการประเมินเป็นปัจจัยอำนวยความสะดวก หากคุณมีเวลาหรือมีแนวโน้มที่จะตรวจสอบผลงานของคุณทุกวันโดยทั้งหมดมีอยู่ในนั้น หากคุณไม่มีเวลามากนัก แต่มีช่วงเวลาสั้น ๆ ในวันหยุดสุดสัปดาห์ให้ทำ AIMing ของคุณทุกสัปดาห์ หากวันและสัปดาห์ของคุณเต็มไปด้วยกิจกรรมอื่น ๆ คุณอาจต้องตรวจสอบพอร์ตโฟลิโอรายเดือน ในทุกสถานการณ์คุณคาดว่าจะเห็นอัตราผลตอบแทนที่ใกล้เคียงกันอย่างไรก็ตามโปรดทราบว่าค่าคอมมิชชันการซื้อขายทั้งหมดของคุณจะเพิ่มขึ้นเมื่อความถี่ในการประเมินเพิ่มขึ้น

เว็บไซต์ AIM

• กระดานข่าวผู้ใช้ AIM (AIMUSERS)

ซอฟต์แวร์ที่ใช้ AIM

• นักลงทุนอัตโนมัติ: ซอฟต์แวร์การลงทุนในหุ้นอัตโนมัติสำหรับการลงทุนระยะยาวสำหรับ

  นักลงทุนอัตโนมัติ: แพ็คเกจซอฟต์แวร์การลงทุนหุ้นเชิงกลที่มีประสิทธิภาพอัตโนมัติออกแบบมาเพื่อเพิ่มผลตอบแทนลดความเสี่ยงและประหยัดเวลา

© 2013 dburkeaz