Glidande medelvärde pdf fil

Introduktion till ARIMA: nonseasonal modeller ARIMA (p, d, q) prognoser ekvation: ARIMA-modeller är i teorin den vanligaste klassen av modeller för prognoser för en tidsserie som kan göras för att vara 8220stationary8221 genom differentiering (om nödvändigt), kanske i samband med olinjära transformationer, såsom loggning eller avflöde (om nödvändigt). En slumpmässig variabel som är en tidsserie är stationär om dess statistiska egenskaper är konstanta över tiden. En stationär serie har ingen trend, dess variationer kring dess medelvärde har en konstant amplitud, och det vinklar på ett konsekvent sätt. d. v.s. dess kortsiktiga slumpmässiga tidsmönster ser alltid ut i statistisk mening. Det sistnämnda tillståndet betyder att dess autokorrelationer (korrelationer med sina egna tidigare avvikelser från medelvärdet) förblir konstanta över tiden, eller likvärdigt, att dess effektspektrum förblir konstant över tiden. En slumpmässig variabel i denna blankett kan ses som en kombination av signal och brus, och signalen (om en är uppenbar) kan vara ett mönster av snabb eller långsam mean reversion eller sinusformig oscillation eller snabb växling i tecken , och det kan också ha en säsongskomponent. En ARIMA-modell kan ses som en 8220filter8221 som försöker separera signalen från bruset, och signalen extrapoleras därefter i framtiden för att få prognoser. ARIMA-prognosekvationen för en stationär tidsserie är en linjär (d. v.s. regressionstyp) ekvation där prediktorerna består av lags av de beroende variabla andorlagren av prognosfel. Det vill säga: Förutsatt värdet på Y är en konstant och en viktad summa av ett eller flera nya värden av Y och eller en vägd summa av ett eller flera nya värden av felen. Om prediktorerna endast består av fördröjda värden på Y. Det är en ren autoregressiv (8220self-regressed8221) modell, som bara är ett speciellt fall av en regressionsmodell och som kan förses med standard regressionsprogram. Exempelvis är en första-order-autoregressiv (8220AR (1) 8221) modell för Y en enkel regressionsmodell där den oberoende variabeln bara Y är försenad med en period (LAG (Y, 1) i Statgraphics eller YLAG1 i RegressIt). Om en del av prediktorerna är felaktiga, är en ARIMA-modell inte en linjär regressionsmodell, eftersom det inte går att ange 8220last period8217s error8221 som en oberoende variabel: felen måste beräknas periodvis när modellen är monterad på data. Tekniskt sett är problemet med att använda fördröjda fel som prediktorer att modellen8217s förutsägelser inte är linjära funktioner för koefficienterna. även om de är linjära funktioner i tidigare data. Så koefficienter i ARIMA-modeller som innehåller försenade fel måste uppskattas genom olinjära optimeringsmetoder (8220hill-climbing8221) istället för att bara lösa ett system av ekvationer. Akronymet ARIMA står för Auto-Regressive Integrated Moving Average. Lags av den stationära serien i prognosen ekvationen kallas quotautoregressivequot termer, lags av prognosfel kallas quotmoving averagequot termer och en tidsserie som behöver differentieras för att göras stationär sägs vara en quotintegratedquot-version av en stationär serie. Slumpmässiga och slumpmässiga modeller, autoregressiva modeller och exponentiella utjämningsmodeller är alla speciella fall av ARIMA-modeller. En nonseasonal ARIMA-modell klassificeras som en quotARIMA (p, d, q) kvotmodell där: p är antalet autoregressiva termer, d är antalet icke-säsongsskillnader som behövs för stationaritet och q är antalet fördröjda prognosfel i prediksionsekvationen. Prognosekvationen är konstruerad enligt följande. Först, låt y beteckna d: s skillnad på Y. Det betyder: Observera att den andra skillnaden i Y (d2-fallet) inte är skillnaden från 2 perioder sedan. Det är snarare den första skillnaden-av-första skillnaden. vilken är den diskreta analogen av ett andra derivat, dvs den lokala accelerationen av serien i stället för dess lokala trend. När det gäller y. Den allmänna prognostiseringsekvationen är: Här definieras de rörliga genomsnittsparametrarna (9528217s) så att deras tecken är negativa i ekvationen, enligt konventionen införd av Box och Jenkins. Vissa författare och programvara (inklusive R-programmeringsspråket) definierar dem så att de har plustecken istället. När faktiska siffror är anslutna till ekvationen finns det ingen tvetydighet, men det är viktigt att veta vilken konvention din programvara använder när du läser utmatningen. Ofta anges parametrarna av AR (1), AR (2), 8230 och MA (1), MA (2), 8230 etc. För att identifiera lämplig ARIMA-modell för Y. börjar du med att bestämma sorteringsordningen (d) behöver stationera serierna och ta bort säsongens bruttoegenskaper, kanske i kombination med en variationsstabiliserande transformation, såsom loggning eller avflöde. Om du slutar vid denna tidpunkt och förutsäger att den olika serien är konstant, har du bara monterat en slumpmässig promenad eller slumpmässig trendmodell. Den stationära serien kan emellertid fortfarande ha autokorrelerade fel, vilket tyder på att vissa antal AR-termer (p 8805 1) och eller några nummer MA-termer (q 8805 1) också behövs i prognosekvationen. Processen att bestämma värdena p, d och q som är bäst för en given tidsserie kommer att diskuteras i senare avsnitt av anteckningarna (vars länkar finns längst upp på denna sida), men en förhandsvisning av några av de typerna av nonseasonal ARIMA-modeller som vanligtvis förekommer ges nedan. ARIMA (1,0,0) första ordningens autoregressiva modell: Om serien är stationär och autokorrelerad kanske den kan förutsägas som en multipel av sitt eget tidigare värde plus en konstant. Prognosekvationen i detta fall är 8230, som Y är regresserad i sig själv fördröjd med en period. Detta är en 8220ARIMA (1,0,0) constant8221 modell. Om medelvärdet av Y är noll, skulle den konstanta termen inte inkluderas. Om lutningskoefficienten 981 1 är positiv och mindre än 1 i storleksordningen (den måste vara mindre än 1 i storleksordningen om Y är stillastående), beskriver modellen medelåterkallande beteende där nästa period8217s värde bör förutses vara 981 1 gånger som långt ifrån medelvärdet som detta period8217s värde. Om 981 1 är negativ förutspår det medelåterkallande beteende med teckenväxling, dvs det förutspår också att Y kommer att ligga under den genomsnittliga nästa perioden om den är över medelvärdet denna period. I en andra-ordningsautoregressiv modell (ARIMA (2,0,0)) skulle det finnas en Y t-2 term till höger också, och så vidare. Beroende på tecken och storheter på koefficienterna kan en ARIMA (2,0,0) modell beskriva ett system vars medföljande reversering sker på ett sinusformigt oscillerande sätt, som en massans rörelse på en fjäder som utsätts för slumpmässiga stötar . ARIMA (0,1,0) slumpmässig promenad: Om serien Y inte är stillastående är den enklaste möjliga modellen för en slumpmässig promenadmodell, vilken kan betraktas som ett begränsande fall av en AR (1) - modell där den autogegrativa koefficienten är lika med 1, dvs en serie med oändligt långsam medelbackning. Förutsägningsekvationen för denna modell kan skrivas som: där den konstanta termen är den genomsnittliga period-till-period-förändringen (dvs. den långsiktiga driften) i Y. Denna modell kan monteras som en icke-avlyssningsregressionsmodell där första skillnaden i Y är den beroende variabeln. Eftersom den innehåller (endast) en nonseasonal skillnad och en konstant term, klassificeras den som en quotARIMA (0,1,0) modell med constant. quot. Den slumpmässiga walk-without-drift-modellen skulle vara en ARIMA (0,1, 0) modell utan konstant ARIMA (1,1,0) annorlunda första ordningens autoregressiva modell: Om fel i en slumpmässig promenadmodell är autokorrelerade kanske problemet kan lösas genom att lägga en lag av den beroende variabeln till prediktionsekvationen - - ie genom att regressera den första skillnaden av Y på sig själv fördröjd med en period. Detta skulle ge följande förutsägelsesekvation: som kan omordnas till Detta är en första-orders autregressiv modell med en ordning av icke-säsongsskillnader och en konstant term, dvs. en ARIMA (1,1,0) modell. ARIMA (0,1,1) utan konstant enkel exponentiell utjämning: En annan strategi för korrigering av autokorrelerade fel i en slumpmässig promenadmodell föreslås av den enkla exponentiella utjämningsmodellen. Minns att för några icke-stationära tidsserier (t ex de som uppvisar bullriga fluktuationer kring ett långsamt varierande medelvärde), utförs slumpmässiga promenadmodellen inte lika bra som ett glidande medelvärde av tidigare värden. Med andra ord, istället för att ta den senaste observationen som prognosen för nästa observation, är det bättre att använda ett genomsnitt av de sista observationerna för att filtrera bort bullret och mer exakt uppskatta det lokala medelvärdet. Den enkla exponentiella utjämningsmodellen använder ett exponentiellt vägt glidande medelvärde av tidigare värden för att uppnå denna effekt. Förutsägningsekvationen för den enkla exponentiella utjämningsmodellen kan skrivas i ett antal matematiskt ekvivalenta former. varav den ena är den så kallade 8220error correction8221-formen, där den föregående prognosen justeras i riktning mot det fel som det gjorde: Eftersom e t-1 Y t-1 - 374 t-1 per definition kan det skrivas om som : vilket är en ARIMA (0,1,1) - utan konstant prognosekvation med 952 1 1 - 945. Det innebär att du kan passa en enkel exponentiell utjämning genom att ange den som en ARIMA (0,1,1) modell utan konstant, och den uppskattade MA (1) - koefficienten motsvarar 1-minus-alfa i SES-formeln. Minns att i SES-modellen är den genomsnittliga åldern för data i prognoserna för 1-tiden framåt 1 945. Det betyder att de tenderar att ligga bakom trender eller vändpunkter med cirka 1 945 perioder. Det följer att den genomsnittliga åldern för data i de 1-prognos framåt av en ARIMA (0,1,1) utan konstant modell är 1 (1 - 952 1). Så, till exempel, om 952 1 0,8 är medelåldern 5. När 952 1 närmar sig 1 blir ARIMA (0,1,1) utan konstant modell ett mycket långsiktigt rörligt medelvärde och som 952 1 närmar sig 0 blir det en slumpmässig promenad utan driftmodell. What8217s det bästa sättet att korrigera för autokorrelation: Lägga till AR-termer eller lägga till MA-termer I de tidigare två modellerna som diskuterats ovan fixades problemet med autokorrelerade fel i en slumpmässig promenadmodell på två olika sätt: genom att lägga till ett fördröjt värde av de olika serierna till ekvationen eller lägga till ett fördröjt värde av prognosfelet. Vilket tillvägagångssätt är bäst En tumregel för denna situation, som kommer att diskuteras mer i detalj senare, är att positiv autokorrelation vanligtvis behandlas bäst genom att addera en AR-term till modellen och negativ autokorrelation behandlas vanligtvis bäst genom att lägga till en MA term. I affärs - och ekonomiska tidsserier uppstår negativ autokorrelation ofta som en artefakt av differentiering. (I allmänhet minskar differentieringen positiv autokorrelation och kan även orsaka en växling från positiv till negativ autokorrelation.) Således används ARIMA (0,1,1) - modellen, i vilken skillnad åtföljs av en MA-term, oftare än en ARIMA (1,1,0) modell. ARIMA (0,1,1) med konstant enkel exponentiell utjämning med tillväxt: Genom att implementera SES-modellen som en ARIMA-modell får du viss flexibilitet. För det första får den uppskattade MA (1) - koefficienten vara negativ. Detta motsvarar en utjämningsfaktor som är större än 1 i en SES-modell, vilket vanligtvis inte är tillåtet med SES-modellproceduren. För det andra har du möjlighet att inkludera en konstant term i ARIMA-modellen om du vill, för att uppskatta en genomsnittlig trendfri noll. ARIMA-modellen (0,1,1) med konstant har förutsägelsesekvationen: Prognoserna från den här modellen är kvalitativt likartade som i SES-modellen, förutom att banan för de långsiktiga prognoserna typiskt är en sluttande linje (vars lutning är lika med mu) snarare än en horisontell linje. ARIMA (0,2,1) eller (0,2,2) utan konstant linjär exponentiell utjämning: Linjära exponentiella utjämningsmodeller är ARIMA-modeller som använder två icke-säsongsskillnader i samband med MA-termer. Den andra skillnaden i en serie Y är inte bara skillnaden mellan Y och sig själv i två perioder, men det är snarare den första skillnaden i den första skillnaden, dvs. Y-förändringen i Y vid period t. Således är den andra skillnaden av Y vid period t lika med (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. En andra skillnad av en diskret funktion är analog med ett andra derivat av en kontinuerlig funktion: det mäter kvotccelerationquot eller quotcurvaturequot i funktionen vid en given tidpunkt. ARIMA-modellen (0,2,2) utan konstant förutspår att den andra skillnaden i serien motsvarar en linjär funktion av de två sista prognosfel: som kan omordnas som: där 952 1 och 952 2 är MA (1) och MA (2) koefficienter. Detta är en generell linjär exponentiell utjämningsmodell. väsentligen samma som Holt8217s modell, och Brown8217s modell är ett speciellt fall. Den använder exponentiellt vägda glidande medelvärden för att uppskatta både en lokal nivå och en lokal trend i serien. De långsiktiga prognoserna från denna modell konvergerar till en rak linje vars lutning beror på den genomsnittliga trenden som observerats mot slutet av serien. ARIMA (1,1,2) utan konstant dämpad trend linjär exponentiell utjämning. Denna modell illustreras i de bifogade bilderna på ARIMA-modellerna. Den extrapolerar den lokala trenden i slutet av serien men plattar ut på längre prognoshorisonter för att presentera en konservatismskampanj, en övning som har empiriskt stöd. Se artikeln om varför Damped Trend worksquot av Gardner och McKenzie och artikeln "Rulequot Rulequot" av Armstrong et al. för detaljer. Det är i allmänhet lämpligt att hålla fast vid modeller där minst en av p och q inte är större än 1, dvs försök inte passa en modell som ARIMA (2,1,2), eftersom det här sannolikt kommer att leda till övermontering och quotcommon-factorquot-problem som diskuteras närmare i noterna om den matematiska strukturen för ARIMA-modeller. Implementering av kalkylark: ARIMA-modeller som de som beskrivs ovan är enkla att implementera på ett kalkylblad. Förutsägningsekvationen är helt enkelt en linjär ekvation som refererar till tidigare värden av ursprungliga tidsserier och tidigare värden av felen. Således kan du ställa in ett ARIMA-prognoskalkylblad genom att lagra data i kolumn A, prognosformeln i kolumn B och felen (data minus prognoser) i kolumn C. Förutsättningsformeln i en typisk cell i kolumn B skulle helt enkelt vara ett linjärt uttryck som hänvisar till värdena i föregående rader av kolumnerna A och C multiplicerat med lämpliga AR - eller MA-koefficienter som lagras i celler på annat håll på kalkylbladet. Artikeldetaljer Utskriftsarkor till en PDF-fil (med tidig bindning) Publicerad 2006-04- 11 04:48 Antal Visningar: 119323 Introduktion: Den här artikeln innehåller kodexempel för att skriva ut arbetsblad till PDF-filer. Dessa kodexempel är byggda för PDFCreator, en open source PDF-brännare. Till skillnad från Adobe Acrobat och CutePDF, som båda kräver pro versioner för att skapa PDF-filer via kod, är PDFCreator helt gratis Ladda ner PDF Creator från Sourceforge här. Observera att den här koden inte fungerar med Adobe Acrobat. Det bör också noteras att var och en av exemplen i detta avsnitt använder en tidig bindning. Om du inte känner till skillnaden mellan tidig och sen bindning, läs vår artikel om Early vs Late bindning. Rutiner som ingår i den här artikeln: Skriv ut ett arbetsblad till en PDF-fil Skriv ut flera kalkylblad till flera PDF-filer Skriv ut flera kalkylblad till en enda PDF-fil Skriv ut valda kalkylblad till flera PDF-filer Skriv ut specificerade kalkylblad till en enda PDF-filversioner som testats: Dessa rutiner var Ursprungligen utvecklad med PDFCreator 0.9.1 (GPLGhostscript. exe nedladdningspaket) på Windows XP Pro (SP2). De nuvarande versionerna nedan innehåller många förbättringar och testades fullständigt med PDFCreator 1.2.0 på Windows 7 Ultimate x64 och PDFCreator 1.2.3 på Windows 8 Professional x64. Excel-versioner testade inkluderar: Excel 2003 Excel 2007 Excel 2010 (32 bitar) Excel 2010 (64 bitar) Excel 2013 (32 bitar) Excel 2013 (64 bitar) OBS! Innan du går ensam med att försöka anpassa någon av dessa rutiner, kanske vill läsa den här artikeln. som delar några av de idiosynkraser som upptäcks i utvecklingen av PDFCreator-kodproverna. Skriv ut ett enskilt arbetsblad till en PDF-fil: Skriv ut flera kalkylblad till flera PDF-filer: Skriv ut flera kalkylblad till en enda PDF-fil: VAT, varför inte använda Excels built - i PDF skapar vet jag inte huruvida att använda inbyggd pdf skapa skulle fungera lika bra som makro. Jag måste skriva ut flera ark i flera pdf-filer med filnamn enligt arknamnstiften också kryptera dem med en pw försett den respektive arket. Tidigare arbetade detta makro i Win XP amp Excel 2007. Eftersom jag har uppgraderat till Windows 8.1 med MS Office 2013 har detta makro slutat fungera. Så, sedan besökte jag den här sidan, anpassade det nya makroet för Excel 13, installerade ny version av PDFCreator, men det fungerar inte på något sätt. Jag har ett makro som kommer att skriva ut flera Excel-ark till flera pdf-filer, men jag måste kryptera varje PDF manuellt. Hoppas att hitta en lösning snart. Hej Hareesan, mitt problem är liknande och varit förbryllande länge tills nyligen där jag upptäckte att den här VBA-koden kanske inte längre är giltig för den nya PDFcreator versionen 2 och senare. Jag har nyligen installerat version 2.1 och i installationsmappen filen quotPDFCreatorenglish. chmquot som är användarhandboken, ingår några direktiv om den nya COM för PDFcreator. Det verkar som om referensen till PDFcreator-objektet är ganska annorlunda än det brukade vara. Jag måste gå igenom det på djupet för att förstå det och anpassa det till VBA, men en sak är säker, PdfCreator. clsPDFCreator är inte längre det rätta samtalet. Från VBA kunde jag hitta det nya samtalet som skulle se ut så här Dim pdfjob som PdfCreator. PdfCreatorObj. Andra delar av koden är inte längre giltiga. Det skulle vara bra att få någon att leverera en ny fungerande version av den här stora VBA PDF-skrivaren. Det brukade fungera bra. Jag kan lägga lite tid på det och skicka mina resultat senare. Under tiden skulle någon annan kunna få hjälp, det skulle säkert vara välkommen. SampP 500 stängde januari med en månadsvinst på 1,79 efter en vinst på 1,82 i december. Alla tre SampP 500 MAs signaleras investerade och tre av fem Ivy Portfolio ETF MAs mdash Vanguard Total Stock Market ETF (VTI), PowerShares DB (DBC) och Vanguard FTSE All-World ex-US ETF (VEU) mdash signalerar investerade . I tabellen markeras månatliga stängningar som ligger inom 2 av en signal i gul. Tabellen ovan visar den nuvarande 10 månaders enkla glidande medelvärdet (SMA) - signalen för var och en av de fem ETF-enheterna i The Ivy Portfolio. Weve ingår också en tabell med 12-månaders SMA för samma ETF för denna populära alternativa strategi. För en fascinerande analys av Ivy Portfolio-strategin, se den här artikeln av Adam Butler, Mike Philbrick och Rodrigo Gordillo: Backtesting Moving Averages De senaste åren har weve använt Excel för att följa upp prestandan i olika strategier för rörlig genomsnittsstrategi. Men nu använder vi de backtestingverktyg som finns på ETFReplays hemsida. Den som är intresserad av marknadsundersökning med ETF bör titta på denna webbplats. Här är de två verktygen som vi brukar använda: Bakgrund om rörliga medelvärden Att köpa och sälja baserat på ett glidande medelvärde av månadsavslut kan vara en effektiv strategi för att hantera risken för allvarlig förlust från större björnmarknader. I huvudsak, när det månatliga slutet av indexet ligger över det glidande medelvärdet, håller du indexet. När indexet stängs nedan flyttar du till kontanter. Nackdelen är att det aldrig kommer ut dig längst upp eller bakåt i botten. Det kan också producera enstaka whipsaw (kortsiktig köp eller säljsignal), som weve upplevt under det senaste året. Ett diagram över SampP 500, som stängs månadsvis sedan 1995, visar emellertid att en 10 eller 12 månaders enkla glidande medelstrategi skulle ha försäkrat deltagande i det mesta av uppåtriktade prisrörelser samtidigt som förlusterna dramatiskt minskades. Här är 12-månadersvarianten: Det 10-månaders exponentiella glidande medlet (EMA) är en liten variant på det enkla glidande medlet. Denna version matar matematiskt upp viktningen av nyare data i 10-månaders-sekvensen. Sedan 1995 har det producerat färre whipsaws än motsvarande enkla glidande medelvärde, även om det var en månad långsammare att signalera en försäljning efter dessa två marknadstoppar. En titt tillbaka på 10 och 12 månaders glidande medelvärden i Dow under Crash of 1929 och Great Depression visar effektiviteten av dessa strategier under de farliga tiderna. Momentumsignals psykologi Timing fungerar på grund av ett grundläggande mänskligt drag. Människor efterliknar framgångsrikt beteende. När de hör av andra att tjäna pengar på marknaden köper de in. Så småningom vänder trenden tillbaka. Det kan bara vara de normala expansionerna och sammandragningarna i konjunkturcykeln. Ibland är orsaken mer dramatisk mdash en aktivbubbla, ett större krig, en pandemi eller en oväntad finansiell chock. När trenden går tillbaka säljs framgångsrika investerare tidigt. Efterföljandet av framgång gradvis förvandlar den tidigare köpkraften till att sälja fart. Genomförandet av strategin Våra illustrationer från SampP 500 är bara de mdash-illustrationerna. Vi använder SampP på grund av den omfattande historiska data som är lättillgänglig. Efterföljare av en rörlig genomsnittlig strategi bör emellertid fatta beslut om signaler för signalerna för varje enskild investering, inte ett brett index. Även om du investerar i en fond som spårar SampP 500 (t. ex. Vanguards VFINX eller SPY ETF) kommer de rörliga genomsnittliga signalerna för fonderna ibland att skilja sig från det underliggande indexet på grund av återinvestering av utdelningar. SampP 500-nummer i våra illustrationer utesluter utdelning. Strategin är effektivast i ett skattebefriad konto med en billig mäklartjänst. Du vill ha vinsterna för dig själv, inte din mäklare eller din farbror Sam. Notera . För alla som vill se de 10 och 12 månaders enkla glidande medelvärdena i SampP 500 och aktie-mot-kontantpositionerna sedan 1950, har de en Excel-fil (xls-format) av data. Vår källa för den månatliga stängningen (kolumn B) är Yahoo Finance. Kolumnerna D och F visar de positioner som signaleras vid månadsslutet nära de två SMA-strategierna. Tidigare rekommenderade vi Mebane Fabers omtänksamma artikel A Kvantitativ tillvägagångssätt för Tactical Asset Allocation. Artikeln har nu uppdaterats och utökats som del tre: Aktiv förvaltning i sin bok The Ivy Portfolio. medförfattare med Eric Richardson. Detta är ett måste läsas för alla som överväger användningen av en tidssignal för investeringsbeslut. Boken analyserar tillämpningen av glidande medelvärden för SampP 500 och fyra ytterligare tillgångsklasser: Morgan Stanley Capital International EAFE Index (MSCI EAFE), Goldman Sachs Commodity Index (GSCI), National Association of Real Estate Investment Trusts Index (NAREIT) och Förenta staternas regering 10-åriga statsobligationer. Som en vanlig funktion på denna webbplats uppdaterar vi signalerna i slutet av varje månad. För ytterligare insikter från Mebane Faber, besök hans hemsida, Mebane Faber Research. Fotnot om beräkning av månatliga glidmedel: Om du gör egna beräkningar av glidande medelvärden för utdelningsbetalande aktier eller ETF, får du ibland olika resultat om du inte justerar för utdelning. Till exempel var VNQ under 2012 investerat i slutet av november baserat på justerad månatlig stängning, men det fanns en säljsignal om du ignorerade utdelningsjusteringar. Eftersom uppgifterna för tidigare månader ändras när utdelningar betalas måste du uppdatera uppgifterna för alla månader i beräkningen om en utdelning har betalats sedan föregående månatliga stängning. Detta kommer att vara fallet för eventuella utdelningsbetalande aktier eller medel.