fern har tittat närmare på hur korruption inom Trump-administrationen ser med kryptovalutor i centrum.
Ersholm
Skriver om allt som intresserar mig, mina tankar och funderingar.
-
Investerarprofiler: Defensiv vs. Enterprising
Nu i dessa sommartider så har jag läst Benjamin Grahams klassiska ”The Intelligent Investor” för andra gången i mitt liv. Hade tänkt ta tag i mitt sparande i aktier igen efter några år som bestått av att föräldraledighet i olika omgångar och annat som hör till när ”livet börjar på riktigt”. I boken skriver Graham om två olika profiler som jag vill sammanfatta, den defensiva (passiva) och den enterprising (aktiva) investeraren [1]. Dessa två stilar hjälper investerare att identifiera en strategi anpassad till egen tid, risktolerans och kunskap.
Även i Security Analysis utvecklar Graham tillsammans med David Dodd resonemang om olika investerarroller, men då mer från ett institutionellt och analytiskt perspektiv [2].
Två vägar till investering
Graham definierar den defensiva investeraren som någon som prioriterar säkerhet och enkelhet. Denna typ bör investera i stora, stabila företag med starka finanser och utdelningshistorik, alternativt via breda indexfonder. Strategin kräver lite ansträngning men erbjuder rimlig och stabil avkastning [1].
Den enterprising investeraren, däremot, är beredd att lägga ner betydande tid på analys. Målet är att slå marknaden genom att identifiera undervärderade aktier eller special situations såsom omstruktureringar eller lågprissatta företag i tillfällig kris [1].
Fördelning mellan aktier och räntepapper
Graham föreslår en enkel men flexibel portföljprincip: investeraren bör alltid ha en viss andel i räntebärande placeringar (obligationer, sparkonton) och en viss andel i aktier, oavsett vilken typ av investerare man är. En 50/50-fördelning mellan dessa två tillgångsslag är en grundmodell, men andelen aktier kan variera mellan 25% och 75% beroende på marknadsläge och investerarens psykologiska trygghet [1].
Syftet med denna balans är att mildra marknadsfluktuationer och skapa trygghet över tid. En högre aktieandel kan vara motiverad om aktier är attraktivt värderade, medan hög ränta på obligationer kan motivera ökad vikt mot räntesidan.
Risk, disciplin och självinsikt
Enligt Graham är investerarens värsta fiende inte marknaden – utan investeraren själv. Oavsett om man är defensiv eller enterprising krävs emotionell disciplin, självinsikt och tålamod [1]. Många misslyckas med investeringar trots hög utbildning, helt enkelt för att man inte kan hantera psykologiska påfrestningar som volatilitet och marknadsbubblor. Dvs att vi har en förmåga att sälja när det är kris (billigt) och köpa när det är som dyrast, del är det vårat flockbeteende som påverkar oss men också att vi har svårt att hantera förlust av resurser. Det är en naturlig del av att vara människa och något vi behöver både hantera och tänka på när marknaden svänger.
Sammanfattning i tabellform
Egenskap Defensiv investerare Enterprising investerare Insats (tid/arbete) Låg Hög Riskbenägenhet Låg Hög Mål Bevara kapital, stabil avkastning Högre avkastning Analysdjup Begränsad Djup fundamental analys Portföljval Stora, stabila bolag/indexfonder Undervärderade/special situations Fördelning aktier/räntor 25–75% aktier (standard 50/50) Flexibel men kräver god timing Viktigt fokus Säkerhet och enkelhet Avkastning genom skicklighet Slutsats
Benjamin Grahams struktur är lika relevant i dag som när The Intelligent Investor först gavs ut 1949. Genom att förstå sin egen profil – defensiv eller enterprising – och genom att följa hans råd om portföljfördelning mellan aktier och räntepapper, kan investerare skapa ett robust och hållbart investeringsupplägg.
Referenser
[1] B. Graham, The Intelligent Investor, Rev. ed. HarperBusiness, 2006 (original 1949).
[2] B. Graham and D. Dodd, Security Analysis, 6th ed., New York: McGraw-Hill, 2009. -
Det dyker upp till och från olika ”finfluencers” som använder olika LLM för att hitta aktier att köpa, här är en video som går igenom riskerna med det.
-
Fascinerande berättelse om hur imaginära nummer kom till.
-
Så hjälper avancerad signalbehandling oss att upptäcka maskinfel i tid
Att maskiner vibrerar är inget konstigt – det gör de alltid när de är i drift. Men när vibrationerna plötsligt ändras, ökar eller börjar ”låta annorlunda”, kan det vara ett tecken på att något är på väg att gå sönder. Då är det viktigt att upptäcka problemet tidigt, innan det leder till driftstopp eller kostsamma skador.
Det är här avancerad signalbehandling kommer in i bilden – och i det här inlägget ska vi titta närmare på en metod som kallas Wavelet Packet Transform (WPT), och varför den blivit ett kraftfullt verktyg i vibrationsövervakning. I de flesta fall inom signalbehandling används Fast Fourier Transform (FFT) däremot har WPT på senare år ökat i popularitet framförallt inom forskningen. Mycket för att dagens datorer har mer beräkningskraft och beräkningskraft behövs för att göra WPT beräkningar.
Vibrationsövervakning går ut på att mäta rörelser i exempelvis motorer, fläktar, växellådor eller vindkraftverk, ofta med hjälp av små sensorer som känner av hur mycket maskinen skakar. Data sparas och analyseras – och kan berätta om det uppstår ovanliga mönster som kan tyda på skador eller slitage.
Men signalen som mäts är ofta komplex. Det är en blandning av lågfrekventa och högfrekventa vibrationer, korta stötar och långsamma svängningar. För att tolka signalen rätt måste man bryta ner den i mindre delar. Det är här WPT kommer in.
Wavelet Packet Transform – förklarat på ett enkelt sätt
Tänk dig att du lyssnar på en symfoniorkester. Alla instrument spelar samtidigt, men du vill kunna höra exakt vilket instrument som gör vilket ljud och när. Det är ungefär vad WPT gör – den hjälper oss att plocka isär en vibrationssignal i olika frekvensdelar (”ljud”) och ser när varje del uppstår i tiden.
Här är vad WPT gör i tre steg:
- Delar upp signalen i flera nivåer – ungefär som att separera alla instrumenten i orkestern.
- Analyserar varje del för sig – hur mycket energi finns i varje frekvensområde?
- Hittar mönster – om det plötsligt uppstår mycket energi i ett ovanligt frekvensområde kan det vara ett tecken på ett problem.
Det är vanligt att analysera vibrationer med så kallad FFT, men den har sina begränsningar:
- Den utgår ifrån att vibrationerna är konstanta över tid – vilket de sällan är i verkligheten.
- Den ger inte så bra information om när något händer – bara att det har hänt.
WPT ger oss däremot både tids- och frekvensinformation. Den är bättre på att fånga korta, plötsliga förändringar – till exempel ett lagerfel som just har börjat.
Vad används WPT till i praktiken?
Wavelet Packet Transform används idag inom flera områden av industrin:
- Vindkraftverk: upptäcka slitage på växellådor innan de går sönder.
- Motorer i fabriker: övervaka lagerskador och obalanser.
- Tåg och järnväg: identifiera mikrosprickor i rälsen.
- Flygplansunderhåll: för att hitta små skador i roterande delar innan de växer.
Med hjälp av WPT kan man alltså gå från reaktivt till förebyggande underhåll – och det sparar både pengar, miljö och människoliv.
Vibrationsövervakning är ett viktigt verktyg för att hålla våra maskiner igång på ett säkert och effektivt sätt. Och tack vare tekniker som Wavelet Packet Transform kan vi idag se signalmönster vi tidigare missade – och därmed fånga upp fel i god tid.
Tekniken är kanske komplex under huven, men nyttan är enkel att förstå: färre överraskningar, färre haverier och smartare underhåll.
Läs mer om när WPT använts inom vibrationsövervakningen: WPT som komplement till FFT? – Ersholm
-
Practical Engineering går igenom vad som hände med den berömda brokollapsen.
-
Hur används FFT för att analysera maskiners vibrationer?
Maskiner vibrerar hela tiden när de är i gång – det är helt normalt. Men vissa vibrationer kan avslöja att något är på väg att gå sönder: en obalans, ett slitet lager eller en lös bult. För att hitta sådana problem i tid användes oftast vibrationsanalys och ett av de vanligaste verktygen för det är Fast Fourier Transform (FFT).
När du placerar en liten sensor – en så kallad accelerometer – på en motor eller ett lager, får du en signal som visar hur mycket maskinen vibrerar över tid. Den här signalen kan se ut som en ganska oorganiserad kurva – men gömmer mycket information.
Problemet? Människan har svårt att tolka den signalen med blotta ögat. Vi behöver verktyg som kan hjälpa oss att förstå vilka frekvenser som finns i signalen, och hur starka de är. Det är precis vad FFT gör.
FFT är en snabb metod för att omvandla en vibrationssignal från tidsdomän till frekvensdomän.
Tänk så här:
- I tidsdomänen ser du hur något vibrerar över tid (typ som ett hjärtslag på en EKG-skärm).
- I frekvensdomänen ser du vilka frekvenser som finns i vibrationerna, och hur mycket energi som ligger i varje frekvens.
Det är ungefär som att höra ett ackord på ett piano – FFT hjälper dig ta reda på exakt vilka toner som spelades, och hur högt varje ton lät.
När du kör en vibrationssignal genom FFT får du ett spektrum – en graf där X-axeln visar frekvenser (t.ex. 0 till 10 000 Hz), och Y-axeln visar amplitud (hur kraftig vibration det är vid varje frekvens).
Det hjälper dig att:
- Identifiera lagerfel som ger typiska ”frekvenssteg”
- Upptäcka obalanser som syns vid maskinens rotationshastighet
- Hitta resonansproblem där vibrationerna förstärks kraftigt
Fördelar och begränsningar
Fördelar:
- Snabb och effektiv
- Enkel att tolka när signalen är stabil
- Bra för att upptäcka periodiska problem
Begränsningar:
- Antar att signalen är stationär (dvs. inte förändras över tid)
- Missar lätt korta störningar eller övergående fel
- Ingen information om när ett visst problem uppstod – bara att det finns
FFT vs. WPT – vad är skillnaden?
Tidigare har jag lyft att man i forskningssammanhang använt olika modeller för maskininlärning använt Walvelet Packet Transform (WPT) i stället för FFT, därför listar jag några skillnader mellan dom två. Det kommer ett eget inlägg om WPT för att beskriva den tekniken, så vi återkommer till ämnet längre fram.
Egenskap FFT WPT (Wavelet Packet Transform) Tid-frekvens-upplösning Endast frekvens Både tid och frekvens Stationära signaler Fungerar bra Fungerar även för icke-stationära Tydlighet i spektrum Mycket bra Bra, men mer komplex analys Beräkningstid Snabb Långsammare -
Väldigt intressant video om vad som hände på dammen Taum Sauk.
-
Varför vissa nationer misslyckas – och andra lyckas
En reflektion kring boken Why Nations Fail av Acemoglu & Robinson
I flödet hittade jag boken Why nations fail här under våren och den fångade mitt intresse. Den behandlar frågan varför är vissa länder rika medan andra förblir fattiga. Den frågan har sysselsatt forskare, politiker och andra i århundraden. I boken Why Nations Fail ger nationalekonomen Daron Acemoglu och statsvetaren James A. Robinson ett svar: det handlar inte främst om kultur, geografi eller utbildningsnivå som har varit en mer framträdande anledning i allmänheten – utan om institutioner.
Inkluderande vs. extraherande institutioner
Kärnan i deras argument ligger i uppdelningen mellan två typer av institutioner:
- Inkluderande institutioner skapar incitament för bred samhällsdelaktighet. De skyddar äganderätt, uppmuntrar entreprenörskap och möjliggör social mobilitet. Exempel är demokratiska stater med fungerande rättssystem.
- Extraherande institutioner, å andra sidan, är utformade för att koncentrera makt och rikedom till ett fåtal. De hämmar innovation och förhindrar ekonomisk utveckling för den breda befolkningen.
Det är alltså inte naturresurser eller historiskt arv i sig som avgör ett lands framtid – det är vilka institutioner som formar dess samhällskontrakt. Det ska också nämnas att det inte går att förena dessa strukturer över tid, dvs. att ha inkluderande ekonomiska institutioner och exkluderande politiska institutioner.
Det leder till att den ena eller andra får övertaget, ex. Sydkorea som hade till en början exkluderande politiska institutioner där gereral Park Chun-hee tog makten i en militärkupp 1961 och styrde med järnhand med de klassiska koncentrerad makt till en liten elit, politiska friheter var begränsade mm. däremot hade Sydkorea inkluderande ekonomiska institutioner där staten satsade på utbildning, exportindustrin, infrastruktur och modernisering av bland annat jordbruket. Under början av 80-talet började folket kräva demokrati och politiska rättigheter och efter en massiva protester övergick landet till en demokratisk konstitution 1987.
Det finns även andra exempel där övergången gått åt andra hållet som ex. Zimbabwe, Egypten och Venezuela, där utgången blev exkluderande intuitioner även fast förutsättningarna var liknande.
Politik före ekonomi
En annan central tes i boken är att ekonomisk tillväxt styrs av politiska beslut. Långsiktig utveckling kräver maktdelning, ansvar och möjligheter för breda grupper att påverka. Därför är det ofta politiska revolutioner snarare än tekniska genombrott som blir avgörande vändpunkter. Vidare skriver författarna att ”creative destruction” är nödvädigt för ekonomisk och teknologisk utveckling, där nya tekniker gör existerande kunskap och maskiner utdaterad. Vilket förändrar maktstrukturerna i samhället, det blir vinnare och förlorare, både politiskt och ekonomiskt, i varje teknikskifte.
Författarna använder en rad historiska exempel från romarriket till dagens Nord- och Sydkorea för att visa hur olika institutionella vägval lett till helt olika utvecklingsbanor.
Why Nations Fail ger verktyg för att förstå varför vissa länder kämpar med korruption och stagnation, medan andra blomstrar. Den visar också att förändring är möjlig men kräver mod, folkligt engagemang och en politisk vilja att bryta med maktkoncentration.
För oss som bor i stabila demokratier är boken en viktig påminnelse: de inkluderande institutionerna vi ofta tar för givna är ingen självklarhet. De måste skyddas, vårdas och ständigt förnyas.
“Nations fail today because their extractive economic institutions do not create the incentives needed for people to save, invest, and innovate.”
— Daron Acemoglu & James A. Robinson -
AI står för Artificiell Intelligens (AI) och är en teknik som gör att datorer eller maskiner kan imitera en människas förmåga att utföra (ett arbete), bete sig eller fungera. AI kan lära sig från historisk data och har möjligheten att känna igen mönster. AI är ett samlingsbegrepp för många olika underkategorier som ex. maskininlärning. Det sägs att termen AI myntades redan år 1956, maskininlärning år 1959 och djupinlärning år 1985 [1].
Maskininlärning (ML) är ett fält som växt mycket under de senaste åren. ML handlar kort om att använda maskiner för att imitera människans kapacitet och beteende. Det kan anses att teknologin används för att svara på frågor och ge mening från data, typ sammanfläta statistik och datavetenskap för att få datorer eller maskiner att utföra en specifik uppgift. ML anses vara själva grunden för AI. ML använder algoritmer för att göra framtida prediktioner med hjälp av historisk data [1].
Användningsområden är ex. Spamfilter, virtuella assistenter så som ex. Siri och Alexa [1].
Djupinlärning (DL) är en väldigt populär del av ML. Den kombinerar AI och ML och använder Artificell Neuron Nätverk (ANN) i flera lager och ska efterlikna hur människans eget neuronnätverk fungerar. Nätverket innehåller noder och lager som kommunicerar med varandra för att förstå och analysera mottagen data [1]. Det finns olika komplexiteter för ANN och när det används flera dolda lager med fler komplexa kopplingar mellan neuronerna så räknas det som DL [2]. DL är en del av ML men mer komplex och behöver mer data och beräkningskraft [1].
Användningsområden för DL är ansiktsigenkänning och rekommendationssystem (ex. förslag på nästa köp/låt) [1].
ML och DL modeller beskrivs ofta som svarta lådor pga av att det snabbt blir väldigt komplexa och det blir svårt att få en översikt på vad modellen har lärt sig, det finns modeller för att försökta komma åt detta och förstå hur modellerna gör sina förutsägelser [2].
Referenser
- H. Alaskar and T. Saba, “Machine Learning and Deep Learning: A Comparative Review,” Algorithms for Intelligent Systems, pp. 143–150, 2021, doi: https://doi.org/10.1007/978-981-33-6307-6_15.
- M. Pichler and F. Hartig, “Machine learning and deep learning—A review for ecologists,” Methods in Ecology and Evolution, vol. 14, no. 4, Feb. 2023, doi: https://doi.org/10.1111/2041-210x.14061.
Ersholm 