How To Calculate Ratio To Moving Average Metoden

Regnearkimplementering av sesongjustering og eksponensiell utjevning Det er greit å utføre sesongjustering og passe eksponentielle utjevningsmodeller ved hjelp av Excel. Skjermbildene og diagrammene nedenfor er hentet fra et regneark som er satt opp for å illustrere multiplikativ sesongjustering og lineær eksponensiell utjevning på følgende kvartalsvise salgsdata fra Outboard Marine: Klikk her for å få en kopi av regnearkfilen selv. Utgaven av lineær eksponensiell utjevning som skal brukes her for demonstrasjonsformål er Brown8217s versjon, bare fordi den kan implementeres med en enkelt kolonne med formler, og det er bare én utjevningskonstant for å optimalisere. Vanligvis er det bedre å bruke Holt8217s versjon som har separate utjevningskonstanter for nivå og trend. Fremskrivningsprosessen fortløper som følger: (i) først er dataene sesongjustert (ii) så blir prognoser generert for sesongjusterte data via lineær eksponensiell utjevning og (iii) til slutt er de sesongjusterte prognosene kvoteres for å få prognoser for den opprinnelige serien . Sesongjusteringsprosessen utføres i kolonne D til G. Det første trinnet i sesongjustering er å beregne et sentrert glidende gjennomsnitt (utført her i kolonne D). Dette kan gjøres ved å ta gjennomsnittet av to ettårige gjennomsnitt som kompenseres av en periode i forhold til hverandre. (En kombinasjon av to offset-gjennomsnitt i stedet for et enkelt gjennomsnitt er nødvendig for sentrering når antall årstider er like.) Det neste trinnet er å beregne forholdet til glidende gjennomsnitt, dvs. De opprinnelige dataene divideres med det bevegelige gjennomsnittet i hver periode - som utføres her i kolonne E. (Dette kalles også quottrend-cyclequot-komponenten i mønsteret, forutsatt at trend og konjunktursykluser kan anses å være alt som forblir etter gjennomsnitt over en helårs verd av data. Selvfølgelig kan endringer i måned til måned som ikke skyldes sesongbestemte bestemmes av mange andre faktorer, men gjennomsnittet på 12 måneder glatter seg over dem i stor grad.) Beregnet sesongindeks for hver sesong beregnes ved først å beregne alle forholdene for den aktuelle sesongen, som er gjort i celler G3-G6 ved hjelp av en AVERAGEIF formel. Gjennomsnittstallene blir deretter rescaled slik at de summerer til nøyaktig 100 ganger antall perioder i en sesong, eller 400 i dette tilfellet, som er gjort i celler H3-H6. Nedenfor i kolonne F brukes VLOOKUP-formler til å sette inn riktig sesongindeksverdi i hver rad i datatabellen, i henhold til kvartalet av året representerer den. Det sentrert glidende gjennomsnittet og de sesongjusterte dataene ser ut som dette: Merk at det bevegelige gjennomsnittet vanligvis ser ut som en jevnere versjon av den sesongjusterte serien, og den er kortere i begge ender. Et annet regneark i samme Excel-fil viser anvendelsen av den lineære eksponensielle utjevningsmodellen til sesongjusterte data, som begynner i kolonne G. En verdi for utjevningskonstanten (alfa) er angitt over prognosen kolonnen (her i celle H9) og For enkelhets skyld er det tildelt rekkeviddenavnet quotAlpha. quot (Navnet er tilordnet med kommandoen quotInsertNameCreatequot.) LES-modellen initialiseres ved å sette de to første prognosene tilsvarer den første virkelige verdien av sesongjusterte serien. Formelen som brukes her for LES-prognosen, er den recirkulære resirkulære formen av Brown8217s-modellen: Denne formelen er angitt i cellen som svarer til den tredje perioden (her, celle H15) og kopieres derfra. Legg merke til at LES-prognosen for den nåværende perioden refererer til de to foregående observasjonene og de to foregående feilene, samt til verdien av alfa. Således refererer prognoseformelen i rad 15 kun til data som var tilgjengelige i rad 14 og tidligere. (Selvfølgelig, hvis vi ønsket å bruke enkle i stedet for lineær eksponensiell utjevning, kunne vi erstatte SES-formelen her i stedet. Vi kunne også bruke Holt8217s i stedet for Brown8217s LES-modellen, som ville kreve to flere kolonner med formler for å beregne nivå og trend som brukes i prognosen.) Feilene beregnes i neste kolonne (her, kolonne J) ved å trekke prognosene fra de faktiske verdiene. Rotenes middelkvadratfeil beregnes som kvadratroten av variansen av feilene pluss kvadratet av gjennomsnittet. (Dette følger av den matematiske identiteten: MSE VARIANCE (feil) (AVERAGE (feil)). 2.) Ved beregning av gjennomsnitt og varians av feilene i denne formelen, er de to første periodene utelukket fordi modellen ikke faktisk begynner å prognose til den tredje perioden (rad 15 på regnearket). Den optimale verdien av alfa kan bli funnet enten ved å endre alfa manuelt til minimum RMSE er funnet, ellers kan du bruke quotSolverquot til å utføre en nøyaktig minimering. Verdien av alfa som Solver funnet er vist her (alfa0.471). Det er vanligvis en god ide å plotte feilene i modellen (i transformerte enheter) og også å beregne og plotte sine autokorrelasjoner på lags på opptil en sesong. Her er en tidsserier av de (sesongjusterte) feilene: Feilautokorrelasjonene beregnes ved hjelp av CORREL () - funksjonen for å beregne korrelasjonene til feilene med seg selv forsinket av en eller flere perioder - detaljer vises i regnearkmodellen . Her er et plot av autokorrelasjonene til feilene ved de fem første lagene: Autokorrelasjonene på lags 1 til 3 er svært nær null, men spissen ved lag 4 (hvis verdien er 0,35) er litt plagsom - det antyder at Sesongjusteringsprosessen har ikke vært helt vellykket. Men det er faktisk bare marginalt signifikant. 95 signifikansbånd for å teste om autokorrelasjoner er signifikant forskjellig fra null er omtrent pluss-eller-minus 2SQRT (n-k), hvor n er prøvestørrelsen og k er lagret. Her er n 38 og k varierer fra 1 til 5, slik at square-root-of-n-minus-k er rundt 6 for dem alle, og derfor er grensene for å teste den statistiske signifikansen av avvik fra null tilnærmet pluss - eller-minus 26 eller 0,33. Hvis du varierer verdien av alpha for hånd i denne Excel-modellen, kan du observere effekten på tidsseriene og autokorrelasjonsplottene av feilene, så vel som på den rotte-kvadratiske feilen, som vil bli illustrert nedenfor. På bunnen av regnearket er prognoseformelen kvotetatt i fremtiden ved bare å erstatte prognoser for faktiske verdier ved det punktet der de faktiske dataene går tom - det vil si. hvor quotthe futurequot begynner. (Med andre ord, i hver celle der en fremtidig dataværdi vil oppstå, settes en cellereferanse som peker på prognosen som er laget for den perioden.) Alle de andre formlene kopieres ganske enkelt ned fra oven: Legg merke til at feilene for prognoser for fremtiden er alle beregnet til å være null. Dette betyr ikke at de faktiske feilene vil være null, men det reflekterer bare det faktum at vi forutsetter at fremtidige data vil svare til prognosene i gjennomsnitt. De resulterende LES-prognosene for de sesongjusterte dataene ser slik ut: Med denne spesielle verdien av alfa, som er optimal for prognoser med en periode fremover, er den forventede trenden litt oppadgående, noe som gjenspeiler den lokale trenden som ble observert de siste 2 årene eller noe. For andre verdier av alfa, kan det oppnås en helt annen trendprojeksjon. Det er vanligvis en god ide å se hva som skjer med den langsiktige trendprojeksjonen når alfa er variert, fordi verdien som er best for kortsiktig prognose, ikke nødvendigvis vil være den beste verdien for å forutse den lengre fremtid. For eksempel er her resultatet som oppnås hvis verdien av alfa er manuelt satt til 0,25: Den projiserte langsiktige trenden er nå negativ, heller enn positiv. Med en mindre verdi av alfa, legger modellen vekt på eldre data i sin estimering av dagens nivå og trend, og langsiktige prognoser reflekterer den nedadgående trenden observert de siste 5 årene i stedet for den nyere oppadgående trenden. Dette diagrammet illustrerer også tydelig hvordan modellen med en mindre verdi av alfa er langsommere for å svare på quotturning pointsquot i dataene og derfor har en tendens til å gjøre en feil på det samme tegnet i mange perioder på rad. Dens 1-trinns prognosefeil er større i gjennomsnitt enn de som er oppnådd før (RMSE på 34,4 i stedet for 27,4) og sterkt positivt autokorrelert. Lag-1 autokorrelasjonen på 0,56 overstiger sterkt verdien av 0,33 beregnet ovenfor for en statistisk signifikant avvik fra null. Som et alternativ til å svekke verdien av alfa for å introdusere mer konservatisme i langsiktige prognoser, blir det noen ganger lagt til en quotrend dampeningquot-faktor i modellen for å gjøre den projiserte trenden flatt ut etter noen perioder. Det siste trinnet i å bygge prognosemodellen er å quotereasonizequot LES prognosene ved å multiplisere dem med de riktige sesongindeksene. De resesaliserte prognosene i kolonne I er således bare produktene av sesongindeksene i kolonne F og de sesongjusterte LES-prognosene i kolonne H. Det er relativt enkelt å beregne konfidensintervaller for en-trinns prognoser laget av denne modellen: først beregne RMSE (root-mean-squared-feilen, som bare er kvadratroten til MSE), og beregne deretter et konfidensintervall for sesongjustert prognose ved å legge til og trekke to ganger RMSE. (Generelt er et 95 konfidensintervall for en prognose for en periode fremdeles omtrent lik punktsprognosen pluss-eller-minus-to ganger estimert standardavvik for prognosefeilene, forutsatt at feilfordelingen er omtrent normal og prøvenes størrelse er stor nok, si 20 eller mer. Her er RMSE i stedet for standardfeilavviket for feilene det beste estimatet av standardavviket for fremtidige prognosefeil fordi det tar forutsetninger, i tillegg til tilfeldige variasjoner.) Tillitgrensene for sesongjustert prognose blir deretter resesasonalized. sammen med prognosen, ved å multiplisere dem med de riktige sesongindeksene. I dette tilfellet er RMSE lik 27,4 og sesongjustert prognose for den første fremtidige perioden (desember 93) er 273,2. så sesongjustert 95 konfidensintervall er fra 273,2-227,4 218,4 til 273,2227,4 328,0. Multiplicere disse grensene med Decembers sesongindeks på 68,61. Vi oppnår lavere og øvre konfidensgrenser på 149,8 og 225,0 rundt prognosen på 93,9 prosent på 187,4. Forventningsgrenser for prognoser mer enn en periode framover vil generelt øke etter hvert som prognosehorisonten øker på grunn av usikkerhet om nivå og trend, samt sesongfaktorer, men det er vanskelig å beregne dem generelt ved hjelp av analytiske metoder. (Den riktige måten å beregne konfidensgrenser for LES-prognosen er ved å bruke ARIMA-teorien, men usikkerheten i sesongindeksene er en annen sak.) Hvis du vil ha et realistisk konfidensintervall for en prognose mer enn en periode framover, tar du alle kilder til Feil i betraktning, din beste innsats er å bruke empiriske metoder: for eksempel for å oppnå et konfidensintervall for en 2-trinns prognose, kan du opprette en annen kolonne på regnearket for å beregne en 2-trinns prognose for hver periode ( ved å starte opp en-trinns prognose). Beregn deretter RMSE for de to-trinns prognosefeilene og bruk dette som grunnlag for et 2-trinns konfidensintervall. Noen måneder siden hadde jeg et innlegg om Momentum Echo (klikk her for å lese innlegget). Jeg sprang over en annen relativ styrke (eller momentum hvis du foretrekker) papir som tester enda en faktor. I Seung-Chan Parks-papiret, The Moving Average Ratio og Momentum, ser han på forholdet mellom et kortsiktig og langsiktig glidende gjennomsnitt av prisen for å rangere verdipapirer etter styrke. Dette er forskjellig fra det meste av den andre faglitteraturen. De fleste andre studier bruker enkle point-to-point prisavkastning for å rangere verdipapirene. Teknikere har brukt flytende gjennomsnitt i årevis for å jevne ut prisbevegelsen. Mesteparten av tiden ser vi at folk bruker krysset av et bevegelige gjennomsnitt som et signal for handel. Park bruker en annen metode for sine signaler. I stedet for å se på enkle kryss, sammenligner han forholdet mellom ett glidende gjennomsnitt til et annet. En aksje med 50-dagers glidende gjennomsnitt betydelig over (under) 200-dagers glidende gjennomsnitt vil ha høy (lav) rangering. Verdipapirer med 50-dagers glidende gjennomsnitt svært nær 200-dagers glidende gjennomsnitt vil komme opp i midten av pakken. I papiret er Park delvis til 200-dagers glidende gjennomsnitt som det langsiktige glidende gjennomsnittet, og han tester en rekke kortvarige gjennomsnitt på mellom 1 og 50 dager. Det bør ikke komme som en overraskelse at de alle jobber. De har faktisk en tendens til å jobbe bedre enn enkle prisavkastningsbaserte faktorer. Det kom ikke som en stor overraskelse for oss, men bare fordi vi har sporet en lignende faktor i flere år som bruker to bevegelige gjennomsnitt. Det som alltid har overrasket meg, er hvor bra den faktoren gjør når sammenlignet med andre beregningsmetoder over tid. Faktoren vi har sporet er det bevegelige gjennomsnittlige forholdet mellom et 65-dagers glidende gjennomsnitt og 150-dagers glidende gjennomsnitt. Ikke akkurat det samme som Park testet, men lik nok. Jeg trakk dataene vi har på denne faktoren for å se hvordan den sammenligner med standard 6- og 12-måneders prisavkastningsfaktorer. For denne testen brukes toppdekilden til rekkene. Porteføljer dannes månedlig og rebalanseres hver måned. Alt kjøres på vår database, som er et univers som ligner SP 500 SP 400. (Klikk for å forstørre) Våre data viser det samme som Parks-tester. Å bruke et forhold mellom bevegelige gjennomsnitt er vesentlig bedre enn bare å bruke enkle prisavkastningsfaktorer. Våre tester viser det bevegelige gjennomsnittlige forholdet, og legger til omtrent 200 bps per år, noe som ikke er en liten bedrift. Det er også interessant å merke seg at vi kom til nøyaktig samme konklusjon ved å bruke forskjellige parametere for det bevegelige gjennomsnittet og et helt annet datasett. Det går bare å vise hvor robust konceptet relativ styrke er. For de leserne som har lest våre hvite papirer (tilgjengelig her og her), lurer du kanskje på hvordan denne faktoren utfører ved hjelp av vår Monte Carlo testprosess. Jeg kommer ikke til å publisere disse resultatene i dette innlegget, men jeg kan fortelle deg at denne bevegelige gjennomsnittsfaktoren er konsekvent nær toppen av faktorene vi sporer og har svært rimelig omsetning for avkastningen den genererer. Å bruke et bevegelige gjennomsnittsforhold er en veldig god måte å rangere verdipapirer for en relativ styrkestrategi. Historiske data viser at det fungerer bedre enn enkle prisfaktorer over tid. Det er også en veldig robust faktor fordi flere formuleringer fungerer, og det fungerer på flere datasett. Denne oppføringen ble postet torsdag 26. august 2010 klokka 13:39 og er arkivert under Relative Strength Research. Du kan følge eventuelle svar på denne oppføringen gjennom RSS 2.0-feed. Du kan legge igjen et svar. eller trackback fra ditt eget nettsted. 9 Responses to Moving Average Ratio og Momentum Et annet flytte-gjennomsnittsbasert alternativ til å bruke punkt-til-punkt-momentum, tar det bevegelige gjennomsnittet av momentum 8230 For eksempel, hvis du sjekker enkelt momentum rangerer daglig, er it8217s veldig støyende, har den primære løsningen vært , 8220don8217t sjekke daglig, 8221 dvs. sjekke månedlig eller kvartalsvis og gjenopprettholde og balansere beholdninger. Du kan imidlertid sjekke daglig, og muligens balansere daglig, med mye mindre støy hvis du bruker det 21-dagers glidende gjennomsnittet på 252-dages momentum i stedet for å bruke 12 måneders momentum. Dette er også ekvivalent, BTW, til forholdet mellom today8217s 21-dagers glidende gjennomsnitt og 21-dagers glidende gjennomsnitt. Fordelen ved å bruke momentum gjennomsnittet er at du har større respons til endringer i momentum enn du gjør hvis du sjekker universet på samme måte eller one-quarter. Det er sikkert mye mer overkommelig å bruke MA-teknikken hvis du har et mindre univers å bruke det på siden jeg bruker en gruppe ETFer som mitt univers, fungerer det bra for meg. Gitt at du arbeider i et univers på 900 aksjer og avslører beholdninger i et fondformat, kan det ikke være aktuelt for deg, men jeg trodde du kunne finne det interessant. Dette er også ekvivalent, BTW, til forholdet mellom dagens 21-dagers glidende gjennomsnitt og 21-dagers glidende gjennomsnitt FROM 252 DAYS AGO 8211 EDIT. John Lewis sier: Vi sporer også faktorer som tar et glidende gjennomsnitt av en momentumberegning eller poengsum. Den gamle technicians8217 trick å bruke en MA for å jevne ut støyen, virker på relativ styrke, akkurat som det gjør på rå pris. Hyppigheten av gjenbalanse bestemmer ofte hva slags modell du kan bruke. Vi driver strategier som bare kan balanseres en gang i kvartalet, og vi må bruke forskjellige modeller for dem enn vi gjør for strategier vi ser på daglig eller ukentlig. Begge metodene fungerer hvis du bruker den riktige faktoren, og vi har funnet at økt gjenbalansefrekvens automatisk øker avkastningen. Noen ganger tar det vekk fra retur. Det er helt avhengig av faktoren og hvordan du implementerer den (minst i min erfaring). Med universene og parametrene I8217ve testet det på, har jeg ikke merket hva jeg ville kalle 8220 statistisk signifikante8221 forbedringer i retur når du bytter fra månedlige opprørere til å flytte gjennomsnittlige teknikker som gir mulighet for (muligens minst) daglige opprør. Hva jeg har notert har vært for det meste hva I8217d kalder ekvivalent avkastning i backtest-dataene. Jeg har spesielt bemerket at gjennomsnittlig antall handelsrundturer er bare svært litt høyere med det daglige byttepotensialet, det vil si at det er noen whipsaws, men bare noen få. Det jeg personlig synes om potensialet for de daglige endringene er, hvis hypotetisk en av problemene i8217m krasjer og brenner, vil MA-teknikken gå ut raskere (og erstatte med et annet sikkerhetssystem). Det var klart at det ikke skjedde nok i løpet av backtestene for å gi en betydelig forskjell i resultatet, men det gir en fin salve til min psyke. Jeg antar at når I8217m trakk seg tilbake og kjører programmet fra en eller annen strand, foretrekker jeg bare å sjekke inn månedlig. That8217s senere. For nå, mens I8217m på datamaskinen, uansett, kan jeg like godt kjøre skannene mine Paul Montgomery sier: 8220 Jeg skal ikke publisere disse resultatene i dette innlegget, men jeg kan fortelle deg at denne bevegelige gjennomsnittsfaktoren er konsekvent nær toppen av faktorene vi sporer og har svært rimelig omsetning for avkastningen det genererer8221 Flott innlegg 8211 ville elske å se mer på denne John Interessante innlegg faktisk 8211 Jeg har lest mye papir om dette og undersøker effektiviteten8230 Den eneste tingen jeg ikke kan forstå er hvordan et fond slik som AQR som foreslår en annen form for momentum som investerer, gjør det så dårlig. Deres teoretiske avkastning er rundt 13 i året, men selve fondet er fortsatt i minus. Lurer på om live investere med denne ideen din vil gi resultater nær de testede beløpene8230Materialet på denne nettsiden er kun til informasjonsformål og er ikke et tilbud om å selge, en forespørsel om å kjøpe eller en anbefaling eller påtegning for sikkerhet eller strategi, og det utgjør heller ikke et tilbud om å gi investeringsrådgivning av Quantopian. I tillegg gir materialet ingen mening med hensyn til egnetheten til noen sikkerhet eller spesifikk investering. Quantopian gir ingen garantier for nøyaktigheten eller fullstendigheten av synspunkter uttrykt på nettstedet. Synspunktene kan endres, og kan ha blitt upålitelige av ulike årsaker, inkludert endringer i markedsforhold eller økonomiske forhold. Alle investeringer innebærer risiko, inkludert tap av hovedstol. Du bør rådføre deg med en investering profesjonell før du gjør noen investeringsbeslutninger. Materiellet på denne nettsiden er kun gitt til informasjonsformål og er ikke et tilbud om å selge, en forespørsel om å kjøpe, eller en anbefaling eller påtegning for noen sikkerhet eller strategi, og det er heller ikke et tilbud om å gi investeringsrådgivnings tjenester av Quantopian. I tillegg gir materialet ingen mening med hensyn til egnetheten til noen sikkerhet eller spesifikk investering. Quantopian gir ingen garantier for nøyaktigheten eller fullstendigheten av synspunkter uttrykt på nettstedet. Synspunktene kan endres, og kan ha blitt upålitelige av ulike årsaker, inkludert endringer i markedsforhold eller økonomiske forhold. Alle investeringer innebærer risiko, inkludert tap av hovedstol. Du bør rådføre deg med en investering profesjonell før du gjør noen investeringsbeslutninger. Godt å høre. Algoet ser veldig imponerende ut nå. Tror du at du gir et kort eksempel på hvilken kvotering av residualsquot du refererer til For nå vil jeg foreslå en målvekt som skal brukes for hver sikkerhet (f. eks. Hver gang SPY utløser betingelsene, vil det holde 30 av porteføljen), men jeg er får følelsen av at du får det samme problemet som før. Materiellet på denne nettsiden er kun til informasjonsformål og er ikke et tilbud om å selge, en forespørsel om å kjøpe, eller en anbefaling eller påtegning for noen sikkerhet eller strategi, og det er heller ikke et tilbud om å gi investeringsrådgivningsvirksomhet av Quantopian. I tillegg gir materialet ingen mening med hensyn til egnetheten til noen sikkerhet eller spesifikk investering. Quantopian gir ingen garantier for nøyaktigheten eller fullstendigheten av synspunkter uttrykt på nettstedet. Synspunktene kan endres, og kan ha blitt upålitelige av ulike årsaker, inkludert endringer i markedsforhold eller økonomiske forhold. Alle investeringer innebærer risiko, inkludert tap av hovedstol. Du bør konsultere en investering profesjonell før du gjør noen investeringsbeslutninger. Gjennomsnittlig kalkulator Gitt en liste med sekvensielle data, du kan konstruere det n-punkts glidende gjennomsnittet (eller rullende gjennomsnitt) ved å finne gjennomsnittet av hvert sett med n påfølgende punkter. Hvis du for eksempel har det bestilte datasettet 10, 11, 11, 15, 13, 14, 12, 10, 11, er det 4-punkts glidende gjennomsnittet 11,75, 12,5, 13,25, 13,5, 12,25, 11,75. Flytte gjennomsnitt er brukt For å glatte sekvensielle data danner de skarpe topper og dips mindre uttalt fordi hvert rå datapunkt bare er gitt en brøkdel i det bevegelige gjennomsnittet. Jo større verdien av n. Jo jevnere grafen av det bevegelige gjennomsnittet sammenlignet med grafen av de opprinnelige dataene. Aksjeanalytikere ser ofte på å flytte gjennomsnitt på aksjekursdata for å forutse trender og se mønstre tydeligere. Du kan bruke kalkulatoren nedenfor for å finne et bevegelige gjennomsnitt for et datasett. Antall vilkår i en enkel n-punkts flytende gjennomsnitt Hvis antall vilkår i det opprinnelige settet er d, og antallet vilkår som brukes i hvert gjennomsnitt er n. da vil antall vilkår i den bevegelige gjennomsnittssekvensen være For eksempel, hvis du har en sekvens på 90 aksjekurser og tar det 14-dagers rullende gjennomsnittet av prisene, vil den rullende gjennomsnittssekvensen ha 90 - 14 1 77 poeng. Denne kalkulatoren beregner glidende gjennomsnitt der alle termene vektes likt. Du kan også skape vektede glidende gjennomsnitt der noen termer er gitt større vekt enn andre. For eksempel, gir mer vekt til nyere data, eller skaper et sentralt vektet gjennomsnitt hvor de midterste vilkårene teller mer. Se den veide gjennomsnittlige artikkelen og kalkulatoren for mer informasjon. Sammen med bevegelige aritmetiske gjennomsnitt, ser noen analytikere også på den bevegelige medianen av bestilte data siden medianen er upåvirket av merkelige utelukker.