Commodity Market Sentiment & Portfolio Allocation
Color intensity shows signal strength. Green = long, Red = short.
Instruments with the strongest correlations to commodities, based on 5-year regression analysis of stocks, ETFs and ETCs traded on Avanza and/or Nordnet. It is hard to find stocks with a strong negative correlation to any of these commodities, therefore, if you want to go short, either short a stock or preferably a tracker. All instruments presented here can be traded on either Avanza or Nordnet.
Allocation = Signal / Sum of Positive Signals. Negative signals are ignored.
Om du önskar rådgivning om hur modellen bör användas, så ta kontakt med mig.
Träffsäkerhet över tid. Första siffran för en given dag och råvara är prognosen, den uppdateras under natten före handelsdagen. Den andra siffran, strax där under, är det faktiska utfallet och uppdateras vid handelsdagens slut.
Grönt = prognosen gick i rätt riktning.
Rött = prognosen gick i fel riktning.
Blått = signalen var inte tillräckligt stark för en position.
Grått = ingen prognos gjordes.
| Date |
|---|
Modellen har tränats på historisk data och resultaten som presenteras är dess förmåga att prognostisera råvarupriserna de senaste fem åren. Inget dataläckage har skett, dvs modellen har tränats och valts utan någon titt på testdatan. Således är det mycket möjligt att dess årliga avkastning kommer att fortsätta även i framtiden.
I beräkningarna har jag inkluderat courtage på 0,15% per köp/sälj, dvs 0,3% totalt per position. Detta motsvarar ett typiskt courtage på Avanza och Nordnet. Du kan få betydligt lägre courtage hos internationella mäklare, och dessutom tillgå fler instrument som följer råvarupriser, men skattereglerna blir då komplicerade jämfört med ISK eller KF.
Do you want to run my model as a trading robot? Then send me an email!
Forecasting, inventory optimisation, ensemble models, and LLM/RAG projects — full pipeline from data engineering to deployment.
University and high-school teaching in mathematics, statistics, linear algebra, and technology.
ML/AI models for sales forecasting and inventory levels. Python end-to-end: data engineering, traditional stats, modern ML, ensembles. RAG and LLM techniques in smaller projects.
ML model for MMA fight outcome probabilities vs. betting odds.
I wrote a novel.
High school, mathematics, technology, class mentor.
Linear algebra.
R programs for patient sample-size calculations in clinical studies.
Exercise leader in statistics and discrete mathematics.
Private tutoring in mathematics, French, German, and Swedish.
High school and elementary school.
2008–2013: carpentry, waiter, construction, nurse's assistant.
Thesis on opinion dynamics — discrete mathematics and probability, analytical and numerical approaches.
Thesis on experimental design.
German.
Mathematics, history, history of ideas, philosophy.
Studied for one semester in a French high school, natural sciences' program.
Natural sciences' program, French orientation.