Técnicas de Negociação de Curto Prazo 8211 Criar Estratégia de Negociação de Curto Prazo As Técnicas de Negociação de Curto Prazo Deviam Ser Fáceis de entender Os comerciantes do bom dia, alguns dias atrás, eu passei por técnicas básicas de negociação de curto prazo que demonstraram como o comprimento de uma média móvel ou o comprimento de uma Média móvel, altera drasticamente as probabilidades. Para aqueles que de vocês que não leram a primeira parte desta série, você pode ler o relatório completo e assistir o vídeo aqui. Em poucas palavras, demonstrei a média móvel de 20 dias, a média móvel de 40 dias, a média móvel de 60 dias, a média móvel de 80 dias e a média móvel de 100 dias. À medida que aumentava o comprimento da média móvel, as chances de os comerciantes se tornarem vencedoras também aumentaram. O melhor resultado foi alcançado usando uma média móvel simples de 90 dias. Os piores resultados foram alcançados usando a média móvel de 20 dias. Qualquer coisa após 90 dias causou o método para diminuir a porcentagem de rentabilidade. Se uma estratégia tem uma relação de sucesso terrível, considere reverter isso Ao testar o comprimento diferente da média móvel, descobrimos que os breakouts de 20 dias tendem a ser precisos apenas 29,7% do tempo. Isso não é muito promissor. No entanto, se revertermos essa técnica, acabaremos com um método de entrada que seja 70.3 preciso. Imagine trocar técnicas de negociação de curto prazo com mais de 70 precisões. Hoje, vou mostrar-lhe como podemos tomar um método de entrada que produz uma enorme porcentagem de rentabilidade e reverte-lo para produzir rentabilidade acima de 70%. Nossos resultados de testes descobriram que os breakouts de 20 dias produzem 70% de falhas falsas, o que eu fiz foi criar uma estratégia que desvanece os breakouts de 20 dias. Em seguida, adicionei alguns filtros para aumentar a lucratividade ainda mais. Regras de entrada longa. O estoque ou qualquer outro mercado que você comercialize deve fazer um preço de 20 dias baixo, além disso, o mercado deve fechar no quarto mais alto do intervalo diário. Este é o filtro do qual eu estava falando. Isso me mostrará as ações ou outros mercados que estão perdendo força depois de completar 20 dias. Aqui estão algumas fotos para que você possa ver como ela parece visualmente. Além disso, e este é um grande, você quer garantir que o mínimo de 20 dias esteja CONTRA a principal tendência. Significa que deseja trocar este método apenas na direção da tendência principal. Aqui é um visual para que você possa ter uma boa sensação por este método. Aviso The Trend Is Up 8211 Esta é a direção que queremos negociar neste mercado. O próximo passo é colocar uma ordem de 0,25 centavos acima da alta que foi atingida nesse dia. Eu não devia cobrir as ordens ou alvos de perda de proteção para proteção neste tutorial, que é o tutorial de 11817 para amanhã. Esta configuração só é efetiva para um dia após o mínimo de 20 dias, se você não está preenchido, cancele a compra. Dirigindo-se apenas à direção da tendência principal e apenas os mercados de picking que estão se fechando no trimestre mais alto, aumentamos nossas chances ainda mais. Esta estratégia tem uma das maiores taxas de porcentagem rentáveis que eu vi em 20 anos. Amanhã vou superar a colocação de perdas e os objetivos de lucro para este método. Existem técnicas de negociação de curto prazo que custam milhares de dólares que não podem executar este método simples. Lembre-se, complicado e caro não é igual à rentabilidade. Esta é uma das minhas técnicas de negociação favoritas, você pode ver o quão rápido o dinamismo se resume em direção à tendência principal. Regras de entrada curta. O estoque ou qualquer outro mercado que você comercialize deve fazer um preço de 20 dias baixo, além disso, o mercado deve fechar no trimestre mais alto da faixa diária. Este é o filtro que eu estava falando sobre isso vai me mostrar as ações ou outros mercados que estão perdendo vapor depois de fazer o máximo de 20 dias. Aqui estão algumas fotos para que você possa ver como ela parece visualmente. Além disso, e este é um grande, você quer garantir que o mínimo de 20 dias esteja CONTRA a principal tendência. Significa que deseja trocar este método apenas na direção da tendência principal. Aqui é um visual para que você possa ter uma boa sensação por este método. Exemplo de tomar sinais para o lado curto. Lembre-se, você deve seguir a tendência principal. Neste exemplo, você pode ver exatamente onde vender o stop. Lembre-se, o mercado deve fechar contra a direção da fuga e fechar na parte inferior 25 por cento do intervalo diário nesse dia. Este é um passo muito importante que muitos comerciantes ignoram, eu recomendo seguir estas regras com precisão. Você pode ver exatamente onde o stop de compra é colocado neste exemplo. A parada do estoque é desencadeada e o mercado cai de volta na direção da tendência principal. Isso é muito importante e pode fazer toda a diferença ao negociar essa estratégia. Certifique-se de cancelar o seu pedido se a sua ordem de parada de entrada não for ativada um dia após 20 dias de alta é alcançada. Estes exemplos devem dar-lhe uma boa ideia da estratégia de desvanecimento de 20 dias. Amanhã vou exatamente como calcular o seu nível de parada e como calcular seu objetivo de lucro. Vou demonstrar o indicador ATR que irá conseguir isso com muita facilidade. A Estratégia de Fade de 20 dias é uma das minhas técnicas favoritas de negociação de curto prazo. Espero que você se junte a nós para o tutorial de tomorrow8217s. Para mais informações sobre este tópico, acesse: Muitas pessoas me perguntam é Swing Trading para uma vida possível e Swing Trading para iniciantes por Roger Scott Senior Gestores do mercado de formadores. Compreendendo os conceitos de previsão de séries temporais De tempos em tempos, os profissionais do SQL Server precisam fornecer estimativas De valores futuros, como projeções de receita ou previsões de vendas. As organizações às vezes dependem da tecnologia de mineração de dados para construir modelos de previsão para fornecer tais estimativas. Explico os conceitos-chave necessários para entender como essas tecnologias de mineração de dados funcionam. Eu também apresentarei alguns dos detalhes subjacentes para que eles ganhem ... parece tão estranho e formidável na primeira vez que você os encontra. Com uma compreensão dos conceitos-chave e da exposição a alguns dos detalhes, você estará em melhor posição para começar a usar os recursos de previsão no SQL Server Analysis Services (SSAS). Por que a mineração de dados é mais popular na última década, uma vez que as tecnologias de inteligência de negócios de nicho (BI), como OLAP, se tornaram amplamente adotadas. Durante esse período, a Microsoft também empurrou outra tecnologia de BI, mineração de dados, em ferramentas populares como o Microsoft SQL Server e o Microsoft Excel, mas a mineração de dados ainda não se tornou uma tecnologia convencional. Por que isso é, embora a maioria das pessoas possa entender os conceitos básicos de mineração de dados mesmo sem treinamento formal, os detalhes subjacentes dos algoritmos são mergulhados em conceitos matemáticos e fórmulas. Existe um considerável quotdrop entre o entendimento conceitual de alto nível e os detalhes de implementação. Como resultado, a mineração de dados é vista como uma caixa preta por profissionais de TI e usuários empresariais, o que reduz a confiança no uso e adoção da tecnologia. No entanto, os conceitos de previsão de séries temporais são minha tentativa de tornar o quotdrop offquot para previsões de séries temporais menos íngremes. Métodos de previsão Existem diferentes abordagens para a previsão. Por exemplo, o site dos Métodos de Previsão classifica os métodos de previsão em várias categorias, incluindo temporário (também conhecido como econométrico), julgamento, séries temporais, inteligência artificial, mercado de previsão, previsão probabilística, simulações de previsão e previsão de classe de referência. O site dos Princípios de Previsão tem uma árvore de metodologia que classifica os métodos, começando por uma divisão entre os métodos de julgamento (ou seja, métodos utilizados quando os dados disponíveis são inadequados para análise quantitativa) e métodos estatísticos (ou seja, métodos utilizados quando dados numéricos relevantes estão disponíveis). Neste artigo, eu me concentrei na previsão de séries temporais, um tipo de abordagem estatística em que dados históricos estão disponíveis para os valores a serem previstos. A previsão de séries temporais pressupõe que dados passados podem ajudar a explicar os valores futuros. É importante saber que, em algumas situações, pode haver circunstâncias não refletidas nos dados históricos. Por exemplo, pode haver um novo concorrente que possa afetar negativamente as receitas futuras ou uma rápida mudança na composição da força de trabalho (por exemplo, um aumento das estruturas familiares de dupla renda que surgiram na década de 1960) que poderia afetar as futuras taxas de desemprego. Nesses tipos de situações, uma previsão de séries temporais pode não ser a melhor abordagem ou não deve ser a única abordagem considerada. Muitas vezes, diferentes abordagens de previsão são combinadas para fornecer as previsões mais precisas. Compreendendo o básico da Previsão de séries temporais Uma série temporal é um conjunto de valores observados ao longo de um período de tempo, normalmente em intervalos regulares. Exemplos comuns incluem valores de vendas semanais, despesas trimestrais e taxas de desemprego mensais. Os dados da série temporária são frequentemente apresentados em um formato gráfico, com o intervalo de tempo ao longo do eixo x de um gráfico e os valores ao longo do eixo y, como mostra a Figura 1. Em termos de entender como um valor muda de um período para o outro e como prever valores futuros, os dados da série temporal têm várias características principais: nível base. O nível básico é tipicamente definido como o valor médio da série. Em alguns modelos de previsão, o nível base é definido como o valor inicial dos dados da série. Tendência. Uma tendência geralmente é definida como a série está mudando de um período para o outro. Por exemplo, na Figura 1, o número de desempregados tende a tendência para cima desde o início de 2008 até janeiro de 2010, após o que parece apresentar uma tendência descendente. (Para obter informações sobre o conjunto de dados de amostra usado para criar os gráficos neste artigo, consulte a barra lateral quotCalculating Unemployment. quot). Cálculo do Desemprego No Contexto dos Conceitos de Previsão da Série de Tempo, o conjunto de dados para os gráficos vem dos dados de emprego publicados pela US Bureau Das estatísticas do trabalho. O BLS publica a taxa de desemprego com base em uma pesquisa mensal do Bureau do Censo dos EUA que extrapola o número total de pessoas empregadas e desempregadas. Especificamente, o BLS usa a fórmula: taxa de desemprego desempregada (desempregados empregados) Curiosamente, a taxa de desemprego normalmente citada nas notícias é uma taxa dessazonalizada. O ajuste sazonal é realizado com a implementação da média móvel integrada autoregressiva (ARIMA) disponível publicamente. Este é essencialmente o mesmo algoritmo usado por muitos pacotes de mineração de dados para previsão de séries temporais, incluindo o SQL Server Analysis Services (SSAS). Para obter mais informações sobre a implementação ARIMA usada pelo Census Bureau, consulte a página web do Programa de Ajuste Sazonal X-12-ARIMA. Note-se que, no projeto de exemplo para este artigo, incluí tanto os valores dessazonalizados quanto não ajustados sazonalmente. Sazonalidade. Certos valores tendem a subir e diminuir com base em determinados períodos de tempo, como o dia da semana ou mês do ano. Os exemplos incluem vendas no varejo, que geralmente aumentam durante a temporada de Natal. No caso do desemprego, há uma tendência sazonal, com maior número de desempregados em janeiro e julho e menores números em maio e outubro, como mostra a Figura 2. Barulho. Alguns modelos de previsão incluem uma quarta característica, o ruído, que se refere a variações aleatórias e movimentos irregulares nos dados. O ruído não será coberto aqui. Então, se você pode identificar uma tendência, aplique essa tendência ao nível base e considere qualquer sazonalidade que possa existir nos dados, você possui um modelo de previsão que pode ser usado para prever os valores futuros: Previsão de valor Base Nível Trend Seasonality Identifying Um valor base e tendência Uma maneira de identificar um valor e tendência básica é aplicar uma técnica de regressão. O termo regressão significa estudar a relação entre as variáveis. Neste caso, a relação é entre a variável de tempo independente e a variável dependente do número de desempregados. Note-se que a variável independente às vezes é referida como o preditor. Você pode usar uma ferramenta como o Microsoft Excel para aplicar a técnica de regressão. Por exemplo, você pode ter o Excel automaticamente calculado e adicionar uma linha de tendência a um gráfico de séries temporais usando o menu Trendline na guia Layout de ferramentas de gráfico ou na guia Layout de ferramentas do gráfico dinâmico na faixa Excel 2010 ou Excel 2007. Na Figura 1, adicionei uma linha de tendência linear, selecionando a opção Linear trendline no menu Trendline. Posteriormente, escolhi Mais Opções de Trendline no menu Trendline e selecione a Equação de exibição no gráfico e exibir o valor R-quadrado nas opções de gráfico, que são mostradas na Figura 3. Esse processo de encadear uma linha de tendência para os dados históricos é chamado de regressão linear. Como você pode ver na Figura 1, a linha de tendência é calculada com uma equação que identifica o nível base (8248.8) e a tendência (104.67x): y 104.67x 8248.8 Você pode pensar na linha de tendência como uma série de coordenadas xy conectadas nas quais você Pode ligar um período de tempo (ou seja, o eixo dos x) para chegar a um valor (o eixo y). O Excel determina a linha de tendência do quotbestquot usando algo chamado método do menos quadrado (identificado como Rsup2 na Figura 1). A linha do menos quadrado é a linha que minimiza a distância vertical quadrática de cada ponto da linha de tendência para o ponto de linha correspondente. Os valores quadrados são utilizados para que os desvios acima e abaixo da linha real não se cancelem. Na Figura 1, Rsup2 0.5039, que indica que o relacionamento linear explica 50,39 por cento das mudanças nas estatísticas desempregadas ao longo do tempo. Identificar uma linha de tendência precisa no Excel geralmente envolve tentativa e erro, juntamente com a inspeção visual. Na Figura 1, a linha de tendência linear não é um ótimo ajuste. O Excel fornece outras opções de linha de tendência, que podem ser vistas na Figura 3. Por exemplo, na Figura 4, adicionei uma linha de tendência média móvel de quatro períodos, que traça pontos com base em uma média dos períodos atuais e dos últimos períodos especificados nas séries temporais. Também adicionei uma linha de tendência polinomial, que usa uma equação algébrica para construir uma linha. Observe que a linha de tendência polinômica tem um valor Rsup2 de 0.9318, indicando uma melhor adaptação para explicar a relação entre a variável independente e dependente. No entanto, um Rsup2 maior não indica necessariamente se a linha de tendência fornecerá previsões precisas. Existem outros métodos para calcular a precisão da previsão, que discutirei em breve. Algumas das opções da linha de tendência no Excel (por exemplo, linear, polinômico) permitem prever antecipadamente e para trás por uma série de períodos, com os valores de previsão resultantes plotados no gráfico. Dizer que você pode cobrir versões anteriores pode parecer estranho. A melhor maneira de explicá-lo é com um exemplo. Suponha que um novo crescimento de factorialdasha em empregos governamentais (por exemplo, empregos da Homeland Defense no início dos anos 2000, trabalhadores temporários do Departamento de Censo dos EUA) mostram uma queda rápida no desemprego. Você deseja prever a taxa de crescimento desse novo setor de trabalho por atraso por vários meses, depois recalcule o desemprego para chegar a uma taxa de mudança suavizada. Você também pode usar manualmente a equação da linha de tendência para calcular os valores previstos. Na Figura 5, adicionei uma linha de tendência polinomial com uma previsão de seis meses, tendo primeiro removido os últimos seis meses de dados (ou seja, dados de abril a setembro de 2017) das séries temporais originais. Se você comparar a Figura 5 com a Figura 1, você pode ver que as previsões polinomiais estão tendendo para cima, o que não combina a tendência descendente das séries temporais reais. É importante notar dois pontos adicionais sobre a regressão: como mencionei anteriormente, a regressão linear envolve uma variável independente e uma dependente. Se você quiser entender como variáveis independentes adicionais podem explicar a mudança em uma variável dependente, você pode criar um modelo de regressão múltipla. No contexto da previsão do número de desempregados nos Estados Unidos, você poderá aumentar o Rsup2 (e a precisão da previsão) também com base no crescimento da economia, na população dos EUA e no crescimento do número de pessoas desempregadas nos Estados Unidos. Pessoas empregadas. O SSAS pode acomodar múltiplas variáveis (isto é, regressores) em um modelo de previsão de séries temporais. Os algoritmos de previsão de séries temporais, incluindo aqueles em SSAS, podem calcular a autocorrelação, que é a correlação entre valores vizinhos em uma série temporal. Os modelos de previsão que incorporam diretamente autocorrelação são chamados de modelos autorregressivos (AR). Em um modelo AR, os preditores são os valores passados da série, em vez de algum fator da (s) variável (s) independente (s). Por exemplo, um modelo de regressão linear fornece uma equação de tendência com base no período (por exemplo, 104,67 x), enquanto a tendência de um modelo de AR modelo é baseada em valores passados (por exemplo, -0,417 desempregado (-1) 0,549 Empregado (-1)). Os modelos AR têm o potencial de melhorar a precisão da previsão, incluindo informações adicionais além da tendência e da sazonalidade. Contabilidade para a Sazonalidade. É comum que a sazonalidade apareça em uma série temporal, seja por dia da semana, dia do mês ou mês do ano. Conforme mencionado anteriormente, o número de pessoas desempregadas nos Estados Unidos geralmente aumenta e cai em um determinado ano civil. (Isso é verdadeiro, mesmo quando a economia está indo muito bem, como ilustra a Figura 2). Em termos de previsão, você precisa explicar esta sazonalidade para fazer previsões precisas. Uma abordagem comum é suavizar a sazonalidade. Na Previsão Prática da Série de Tempo: Um Guia Prático, Segunda Edição (CreateSpace Independent Publishing Platform, 2017), Galit Shmueli recomenda o uso de um dos três métodos: Calcule uma média móvel. Agregue as séries temporais em um nível menos granular (por exemplo, veja o Números de desempregados por trimestre em vez de mês) Gerar séries temporais separadas (e previsões) por estação Um nível básico e uma tendência são então derivados para gerar previsões contra as séries temporais suavizadas. Opcionalmente, a sazonalidade ou os ajustes granulares podem ser reaplicados aos valores previstos, devolvendo-se à sazonalidade original usando o método Holt-Winters. Se você quiser ver como você pode influenciar a sazonalidade usando o Excel, realize uma pesquisa na Internet usando o método de frase Winters no Excel. Você também pode encontrar uma explicação completa do método Holt-Winters em Microsoft Office Excel 2007 de Wayne L. Winston39: análise de dados e modelagem de negócios, segunda edição (Microsoft Press, 2007). Em muitos dos pacotes de mineração de dados como SSAS, os algoritmos de previsão de séries temporais representam automaticamente a sazonalidade, quantificando as relações sazonais e incluí-las no modelo de previsão. No entanto, muitas vezes você quer fornecer dicas sobre o padrão sazonal real. Precisão do modelo de previsão de medição Como mencionei anteriormente, o ajuste inicial de um modelo (conforme medido pelo método de mínimos quadrados) não é necessariamente equivalente a previsões precisas. A melhor maneira de testar a precisão preditiva é dividir as séries temporais em dois conjuntos de dados: um para construir (ou seja, treinar) o modelo e outro para validá-lo. O conjunto de dados de validação será a parte mais recente do conjunto de dados original e deve, idealmente, abranger um período de tempo igual à linha de tempo de previsão futura. Para validar o modelo, os valores previstos são comparados com valores reais. Observe que após a validação ocorreu, o modelo deve ser reconstruído usando toda a série temporal para que futuras previsões possam se beneficiar dos valores reais mais recentes. Ao medir a precisão de um modelo de previsão, existem duas perguntas comuns. Como devo definir a precisão preditiva Em alguns cenários, os valores preditos que são superiores ao valor real podem ser prejudiciais (por exemplo, previsões sobre o desempenho do investimento). Em outras situações, valores preditos que são inferiores ao valor real podem ser prejudiciais (por exemplo, prever o lance vencedor mais baixo em um item de leilão). Mas nos casos em que você deseja calcular algum tipo de pontuação ponderada para todas as previsões (não se importando se as previsões são maiores ou menores do que o valor real), você pode começar por quantificar o erro em uma única previsão usando a definição: erro previsto Valor ndash valor real Com esta definição de erro, dois dos métodos mais populares para medir precisão são erro absoluto médio (MAE) e erro de porcentagem absoluta média (MAPE). Com o método MAE, os valores absolutos dos erros de previsão são somados, divididos pelo número total de previsões. Com o método MAPE, os desvios médios das previsões são calculados como uma porcentagem. Se você quiser ver um exemplo desses e vários outros métodos para medir a precisão, um modelo do Excel (com dados de previsão de amostra e pontuações de precisão) está disponível na página da Web Demand Metrics Diagnostics Template. Quantos dados históricos devo usar para treinar meu modelo Ao trabalhar com uma série de tempos que remonta ao passado, você pode estar inclinado a incluir todos os dados históricos no modelo. Em algum momento, no entanto, o histórico adicional pode não melhorar a precisão de previsão. Os dados mais antigos podem mesmo distorcer a previsão se as condições passadas forem muito diferentes das condições atuais (por exemplo, há uma composição de força de trabalho diferente agora do que no passado). Não vi nenhuma fórmula específica ou regra geral que diga quantos dados históricos incluir, então minha sugestão é começar com uma série de tempo que é várias vezes maior do que o cronograma de previsão, então teste a precisão. Em seguida, tente ajustar a quantidade de histórico para cima ou para baixo e reteste. Trabalhando com a previsão de séries temporais em SSAS A previsão de séries temporais apareceu pela primeira vez no SSAS 2005. Seu algoritmo da série de tempo da Microsoft usou um único algoritmo denominado árvore autoregressiva com previsão cruzada (ARTXP) para gerar previsões. O ARTXP combina técnicas de AR com uma árvore de quitação de dados para que a equação de previsão possa mudar (ou seja, dividir) com base em determinados critérios. Por exemplo, um modelo de previsão pode produzir um ajuste mais próximo (e uma melhor precisão da previsão) se o primeiro for dividido pela data e, em seguida, dividido pelo valor de uma variável independente, como mostrado na Figura 6. No SSAS 2008, o algoritmo da série de tempo da Microsoft Começou a usar um segundo algoritmo denominado média móvel integrada autorregressiva (ARIMA) além de ARTXP para melhorar as previsões de longo prazo. ARIMA é considerado um padrão da indústria e pode ser pensado como uma combinação das técnicas de AR e média móvel. Ele também avalia erros históricos de previsão para melhorar o modelo. O comportamento padrão do algoritmo Microsoft Time Series é misturar os resultados dos algoritmos ARIMA e ARTXP para obter previsões ótimas. (Você pode substituir este comportamento padrão, se desejar). De acordo com o SQL Server Books Online (BOL): o algoritmo treina dois modelos separados nos mesmos dados: um modelo usa o algoritmo ARTXP e um modelo usa o algoritmo ARIMA. O algoritmo então combina os resultados dos dois modelos para produzir a melhor previsão em um número variável de fatias de tempo. Como o ARTXP é o melhor para previsões de curto prazo, é ponderado mais fortemente no início de uma série de previsões. No entanto, como as fatias de tempo que você está prevendo avançar para o futuro, o ARIMA é ponderado mais fortemente. Ao trabalhar com a previsão de séries temporais no SSAS, você precisa manter o seguinte em mente: Embora exista uma guia chamada Gráfico de precisão de mineração em SSAS, esta guia não funciona com modelos de mineração de dados da série temporal. Como resultado, você precisará medir manualmente a precisão com um dos métodos que mencionei (por exemplo, MAE, MAPE) usando uma ferramenta como o Excel para auxiliar nos cálculos. A Enterprise Edition do SSAS permite segmentar um único modelo de séries temporais em vários modelos quotistóricos, de modo que você não precisa dividir manualmente os dados em conjuntos de dados de treinamento e validação ao testar a precisão preditiva. Do ponto de vista do usuário final, ainda existe apenas um modelo de séries temporais, mas você pode comparar os resultados reais com os resultados previstos no modelo, conforme mostrado na Figura 7. Se você não estiver usando a Enterprise Edition ou se não quiser alavancar Este recurso, você precisará primeiro dividir os dados manualmente. O próximo passo Neste artigo, eu apresentei os conceitos necessários para a compreensão dos conceitos básicos de previsão de séries temporais. Eu também mostrei você alguns dos detalhes dos algoritmos subjacentes para que eles não se tornem uma barreira para a implementação de séries temporais. Na próxima etapa, convido você a caminhar através de uma implementação de previsões de séries temporais com o SSAS. Eu incluí um projeto de amostra que usa os dados de desemprego referenciados neste artigo. (Para obter este projeto, clique no ícone Download do código na parte superior da página.) Posteriormente, você pode querer verificar o tutorial do TechNet quotIntermediate Data Mining Tutorial (Analysis Services ndash Data Mining).quot
No comments:
Post a Comment