Średnie kroczące: co one należą do najbardziej popularnych wskaźników technicznych, średnie kroczące są używane do pomiaru kierunku bieżącej tendencji. Każdy typ średniej ruchomej (powszechnie napisany w tym samouczku jako MA) jest wynikiem matematycznym, który jest obliczany przez uśrednienie wielu poprzednich punktów danych. Po ustaleniu średniej wynikającej z wykresu jest następnie wykreślana na wykresie, aby umożliwić przedsiębiorcom przeglądanie wygładzonych danych, a nie koncentrowanie się na codziennych wahaniach cen, które są nieodłączne dla wszystkich rynków finansowych. Najprostszą formą średniej ruchomej, znanej jako zwykła średnia ruchoma (SMA), oblicza się biorąc średnią arytmetyczną danego zestawu wartości. Na przykład, aby obliczyć podstawową 10-dniową średnią ruchoma, należy dodać do ceny zamknięcia z ostatnich 10 dni, a następnie podzielić wynik o 10. Na rysunku 1 suma cen za ostatnie 10 dni (110) jest podzielony przez liczbę dni (10), aby osiągnąć średnią z 10 dni. Jeśli zamiast tego przedsiębiorca chciałby wyznaczyć średnią na 50 dni, to taki sam kalkulator zostanie dokonany, ale obejmowałby ceny w ciągu ostatnich 50 dni. Średnia uzyskana poniżej (11) uwzględnia przeszłe 10 punktów danych, aby dać handlowcom pojęcie o tym, jak dany składnik aktywów jest wyceniony w stosunku do ostatnich 10 dni. Być może zastanawiasz się, dlaczego techniczni handlowcy nazywają to narzędzie średnią ruchomą, a nie zwykłą średnią. Odpowiedź jest taka, że w miarę pojawiania się nowych wartości najstarsze punkty danych muszą zostać usunięte z zestawu, a nowe punkty muszą zostać zastąpione. Tak więc zestaw danych nieustannie przenosi się do nowych danych, gdy tylko będzie dostępny. Ta metoda obliczeń zapewnia, że tylko rozliczane są bieżące informacje. Na rysunku 2, po dodaniu nowej wartości 5 do zestawu, czerwone pole (reprezentujące ostatnie 10 punktów danych) przesuwa się w prawo, a ostatnia wartość 15 zostaje pomniejszona z obliczenia. Ponieważ stosunkowo niewielka wartość 5 zastępuje dużą wartość 15, można oczekiwać, że średnia z danych zmniejszy się, co robi, w tym przypadku od 11 do 10. Co robi średnie ruchy Jak raz wartości MA zostały obliczone, są one wykreślane na wykresie, a następnie połączone w celu utworzenia średniej ruchomej linii. Te zakrzywione linie są wspólne na wykresach technicznych podmiotów gospodarczych, ale jak one są stosowane mogą się znacznie różnić (więcej o tym później). Jak widać na rysunku 3, można dodać więcej niż jedną średnią ruchu do dowolnego wykresu, dostosowując liczbę okresów używanych do obliczania. Te zakrzywione linie wydają się najpierw rozpraszać lub mylić, ale przyzwyczaili się do nich, gdy czas się trwa. Czerwona linia jest po prostu średnią ceną w ciągu ostatnich 50 dni, a niebieska linia jest średnią ceną w ciągu ostatnich 100 dni. Teraz, gdy zrozumiesz średnią ruchomej i jak wygląda, dobrze wprowadź inny typ średniej ruchomej i sprawdź, jak różni się od wspomnianej wcześniej prostej średniej ruchomej. Prosta średnia ruchoma jest bardzo popularna wśród przedsiębiorców, ale podobnie jak wszystkie wskaźniki techniczne, ma swoje krytyki. Wiele osób twierdzi, że użyteczność SMA jest ograniczona, ponieważ każdy punkt serii danych jest ważony tak samo, niezależnie od miejsca, w którym występuje w sekwencji. Krytycy argumentują, że najnowsze dane są bardziej znaczące niż starsze dane i powinny mieć większy wpływ na końcowy wynik. W odpowiedzi na tę krytykę przedsiębiorcy zaczęli przywiązywać większą wagę do ostatnich danych, co doprowadziło do powstania różnego rodzaju nowych średników, z których najbardziej popularna jest wykładnicza średnia ruchoma (EMA). (Aby uzyskać więcej informacji, zobacz Podstawy średnich ruchów ważonych i Jaka jest różnica między SMA a EMA) Średnia przemieszczeniowa wykładnicza Średnia średnica ruchoma jest rodzajem średniej ruchomej, która przynosi większą wagę do ostatnich cen w celu zwiększenia jej wrażliwości do nowych informacji. Uczenie skomplikowanego równania w obliczaniu EMA może być niepotrzebne dla wielu przedsiębiorców, ponieważ prawie wszystkie pakiety wykresów wykonują obliczenia dla Ciebie. Jednak dla ciebie matematyki są tutaj równania EMA: przy użyciu formuły do obliczania pierwszego punktu EMA można zauważyć, że nie ma wartości dostępnej do wykorzystania w poprzedniej EMA. Ten mały problem można rozwiązać, uruchamiając obliczenie przy użyciu prostej średniej ruchomej i kontynuując od powyższej formuły stamtąd. Przygotowaliśmy przykładowy arkusz kalkulacyjny zawierający rzeczywiste przykłady obliczania zarówno prostej średniej ruchomej, jak i wykładniczej średniej ruchomej. Różnica między EMA i SMA Teraz, gdy masz lepsze zrozumienie, jak obliczany jest SMA i EMA, spójrz, jak te średnie różnią się. Patrząc na obliczenie EMA, zauważysz, że większy nacisk położono na ostatnie punkty danych, co czyni go typem średniej ważonej. Na rysunku 5 liczba okresów czasu używanych w każdej średniej jest identyczna (15), ale EMA reaguje szybciej na zmiany cen. Zauważ, że EMA ma wyższą wartość, gdy cena wzrasta i spada szybciej niż SMA, gdy cena maleje. Ta reakcja jest głównym powodem, dla którego wielu przedsiębiorców wolą używać EMA w SMA. Co robi różniące się średnie Średnie ruchome są całkowicie dostosowywanym wskaźnikiem, co oznacza, że użytkownik może swobodnie dobrać dowolną ramkę czasową, jaką chcą podczas tworzenia średniej. Najczęstsze okresy czasu użyte w ruchomej średniej to 15, 20, 30, 50, 100 i 200 dni. Im krótszy jest okres generowania średniej, tym bardziej wrażliwe będą zmiany cen. Im dłuższy jest czas, tym mniej wrażliwy lub bardziej wygładzony, średnia będzie. Nie ma odpowiedniej ramki czasowej, którą można użyć podczas konfigurowania średnich kroczących. Najlepszym sposobem na określenie, który z nich najlepiej Ci odpowiada, jest eksperymentowanie z różnymi okresami czasu, aż znajdziesz taki, który pasuje do twojej strategii. Przeciętna średnia - MA ZMNIEJSZA Przeciętna - MA Jako przykład SMA, rozważ bezpieczeństwo następujące ceny zamknięcia powyżej 15 dni: Tydzień 1 (5 dni) 20, 22, 24, 25, 23 Tydzień 2 (5 dni) 26, 28, 26, 29, 27 Tydzień 3 (5 dni) 28, 30, 27, 29, 28 Średnioroczny pułap średnio wynosiłby ceny zamknięcia pierwszych 10 dni jako pierwszy punkt danych. Następny punkt danych upuści najwcześniejszą cenę, dodaj cenę w dniu 11 i średnią i tak dalej, jak pokazano poniżej. Jak zaznaczono wcześniej, wskaźniki oparte na bieżącej akwizycji cenowej, ponieważ opierają się na wcześniejszych cenach, im dłuższy jest okres, tym większe opóźnienie. Tak więc 200-dniowa MA będzie miała znacznie większy stopień opóźnienia niż 20-dniowy MA, ponieważ zawiera ceny za ostatnie 200 dni. Długość wykorzystania MA zależy od celów handlowych, przy krótszych wartościach użytych dla transakcji krótkoterminowych i długoterminowych dłuższych papierów wartościowych bardziej nadaje się dla inwestorów długoterminowych. Dwudziestoczterogodzinna szósta uczelnia jest szeroko stosowana przez inwestorów i handlowców, z przerwami powyżej i poniżej tej średniej ruchomej uważane za ważne sygnały handlowe. Centra informacji przekazują także ważne sygnały handlowe lub gdy przecina się dwie przeceny. Wzrost indeksu MA wskazuje, że bezpieczeństwo jest w trendzie wzrostowym. podczas gdy spadająca MA wskazuje, że jest w trendzie spadkowym. Podobnie, dynamika wzrostu jest potwierdzona przejściową krzywą crossover. która pojawia się, gdy krótkoterminowa rentowność przekracza długoterminową stopę zwrotu. Dynamika spadku jest potwierdzona krzywą spadkową, która pojawia się, gdy krótkoterminowa MA przecina poniżej długoterminowej MA. Zarządzanie najlepszym trendem dla danych Gdy chcesz dodać trend do wykresu w programie Microsoft Graph, możesz wybrać dowolny z sześciu różnych typów tendendression. Typ danych określa typ trendu, jaki powinieneś użyć. Wiarygodność linii Trendline jest najbardziej niezawodny, gdy jego wartość kwadratowa R jest równa lub zbliżona 1. Gdy dopasujesz linię do swoich danych, wykres automatycznie oblicza wartość kwadratową R. Jeśli chcesz, możesz wyświetlić tę wartość na wykresie. Linia trendu jest najlepiej dopasowaną linią prostą stosowaną w prostych zbiorach danych liniowych. Twoje dane są liniowe, jeśli wzorzec w punktach danych przypomina linię. Linia trendu zazwyczaj pokazuje, że coś rośnie lub maleje w stałym tempie. W poniższym przykładzie liniowa tendencja wyraźnie wskazuje, że sprzedaż lodówek konsekwentnie wzrosła w ciągu 13 lat. Zwróć uwagę, że wartość kwadratowa R wynosi 0.9036, co jest dobrym dopasowaniem do danych. Linia logarytmiczna jest najlepiej dopasowaną zakrzywioną linią, która jest najbardziej użyteczna, gdy szybkość i szybkość zwiększa się lub maleje, a następnie wyrównuje. Logarytmiczna linia może używać pozytywnych i pozytywnych wartości. Następujący przykład wykorzystuje logarytmiczną tendencję do zilustrowania przewidywanego wzrostu populacji zwierząt na obszarze o stałej powierzchni, gdzie liczba ludności wyrównała się w miarę zmniejszania się przestrzeni dla zwierząt. Warto zauważyć, że wartość kwadratowa R wynosi 0.9407, co jest stosunkowo dobrym dopasowaniem linii do danych. Wielomianowa linia jest zakrzywioną linią, która jest używana, gdy dane wahają się. Jest to przydatne, na przykład, do analizy zysków i strat w dużym zbiorze danych. Kolejność wielomianu może być określona liczbą fluktuacji danych lub liczbą zakrętów (wzgórz i dolin) pojawiających się na krzywej. Zwykła wielomianowa zlecenia 2 ma tylko jedno wzgórze lub dolinę. Zamówienie nr 3 na ogół ma jeden lub dwa wzgórza lub doliny. Z reguły 4 ma na ogół trzy. Poniższy przykład ilustruje trend wielomianu zlecenia 2 (jeden wierzchołek), aby zilustrować związek pomiędzy szybkością a zużyciem benzyny. Zwróć uwagę, że wartość kwadratowa R wynosi 0.9474, co jest dobrym dopasowaniem do danych. Linia trendu to zakrzywiona linia, która najlepiej wykorzystuje się w zestawach danych, które porównują pomiary zwiększające się w określonej szybkości, na przykład przyspieszenie samochodu wyścigowego w odstępach jednej sekundy. Jeśli dane zawierają zero lub ujemne wartości, nie można utworzyć linii trendu mocy. W poniższym przykładzie dane przyspieszenia są pokazywane przez wykreślanie odległości w milach na sekundę. Linia trendu wyraźnie wskazuje na rosnące przyspieszenie. Warto zauważyć, że wartość kwadratowa R wynosi 0.9923, co jest niemal idealnym dopasowaniem linii do danych. Linia wykładnicza jest krzywą, która jest najbardziej użyteczna, gdy wartości danych wzrastają lub maleją w coraz wyższych stawkach. Nie można utworzyć wykładniczej linii trendu, jeśli dane zawierają zero lub ujemne wartości. W poniższym przykładzie użyto wykładniczej linii trendu w celu zilustrowania malejącej ilości węgla 14 w obiekcie w miarę jego upływu. Warto zauważyć, że wartość kwadratowa R wynosi 1, co oznacza, że linia idealnie pasuje do danych. Ruchoma średnia linia trendu fluoryzuje dane, aby wyraźnie pokazać wzorzec lub tendencję. Ruchome trenowe trendy wykorzystują określoną liczbę punktów danych (ustawionych przez opcję Period), przeciętnie je wykorzystuje i wykorzystuje średnią wartość jako punkt w linii trendu. Jeśli na przykład okres jest ustawiony na 2, wówczas średnia wartość pierwszych dwóch punktów danych jest używana jako pierwszy punkt w ruchomym średnim zakresie. Średnia sekund i trzeciego punktu danych jest używana jako drugi punkt w linii trendu i tak dalej. W poniższym przykładzie średni ruch ruchomy pokazuje wzór liczby domów sprzedanych w okresie 26 tygodni.2.1 Ruchome modele średnie (modele MA) Modele serii czasowej znane jako modele ARIMA mogą obejmować okresy autoregresji i średnioroczne średnie ruchy. W pierwszym tygodniu dowiedzieliśmy się, że termin autoregresji w modelu szeregów czasowych dla zmiennej x t jest opóźnioną wartością x t. Na przykład terminem autoregresji 1 opóźnienia jest x t-1 (pomnożony przez współczynnik). Ta lekcja definiuje ruchome średnie terminy. Ruchoma średnia wersja w modelu szeregów czasowych jest błędem w przeszłości pomnożonym przez współczynnik. Niech (przewyższa N (0, sigma2w)), co oznacza, że w t są identycznie, niezależnie rozdzielane, każdy z normalnym rozkładem mającym średnią 0 i tę samą wariancję. Średni model średniej ruchomej, oznaczony symbolem MA (1) to (xt mu wt atta1w) Średni model ruchu średniego rzędu, oznaczony symbolem MA (2) to (xt mu wt atta1w theta2w) , oznaczone literą MA (q) jest (xt mu wt theta2w kropka thetaqw) Uwaga. Wiele podręczników i programów definiuje model z negatywnymi znakami przed terminami. To nie zmienia ogólnych teoretycznych właściwości modelu, chociaż odwraca znaki algebraiczne oszacowanych wartości współczynników i (niezakłóconych) w formułach ACF i wariancji. Musisz sprawdzić oprogramowanie w celu sprawdzenia, czy użyto negatywnych lub pozytywnych oznaczeń w celu poprawnego zapisania szacowanego modelu. R używa pozytywnych oznaczeń w swoim modelu bazowym, tak jak tutaj. Właściwości teoretyczne serii czasowej z modelem MA (1) Należy pamiętać, że jedyną niższą wartością w teoretycznym ACF jest opóźnienie 1. Wszystkie inne autokorelacje wynoszą 0. Tak więc próbka ACF o znacznej autokorelacji tylko w punkcie 1 jest wskaźnikiem możliwego modelu MA (1). Dla zainteresowanych studentów, dowody dotyczące tych właściwości stanowią załącznik do niniejszego materiału informacyjnego. Przykład 1 Załóżmy, że model MA (1) wynosi x t 10 w t .7 w t-1. gdzie (nadwrażliwość N (0,1)). Współczynnik 1 0,7. Teoretyczny ACF podano w poniższym wykresie ACF. Przedstawiona fabuła jest teoretycznym ACF dla MA (1) z 1 0,7. W praktyce próbka zazwyczaj nie dostarcza tak wyraźnego wzorca. Używając R, symulujemy 100 wartości próbek przy użyciu modelu x t 10 w t .7 w t-1, gdzie w t iid N (0,1). W tej symulacji powstaje ciąg szeregowy danych przykładowych. Nie możemy wiele powiedzieć z tej fabuły. Poniżej znajduje się próbka ACF dla danych symulowanych. Widzimy skok w punkcie 1, a następnie ogólnie wartości nieistotne dla opóźnień 1. Pamiętaj, że próbka ACF nie jest zgodna z teoretycznym wzorem MA (1) leżącego u podstawy, co oznacza, że wszystkie autokorelacje w przypadku opóźnień 1 będą 0 Inna próbka miałaby nieco inną próbkę ACF pokazaną poniżej, ale najprawdopodobniej miałyby takie same cechy. Właściwości terapeutyczne serii czasowej z modelem MA (2) Dla modelu MA (2), właściwości teoretyczne są następujące: Należy zauważyć, że jedynymi wartościami niezonarnymi w teoretycznym ACF są opóźnienia 1 i 2. Autokorelacje dla wyższych opóźnień to 0 Więc próba ACF o znacznych autokorelacjach w przypadku opóźnień 1 i 2, ale nieistotne autokorelacje dla wyższych opóźnień wskazują na możliwy model MA (2). iid N (0,1). Współczynniki wynoszą 1 0,5 i 2 0,3. Ponieważ jest to MA (2), teoretyczny ACF będzie miał wartości inne niż z opóźnieniami 1 i 2. Wartości dwóch niezerowych autokorelacji to wykres A teoretycznej ACF. Jak prawie zawsze jest tak, dane próbki nie zachowują się tak doskonale jak teoria. Symulujemy n 150 wartości próbek dla modelu x t 10 w t .5 w t-1 .3 w t-2. gdzie w t iid N (0,1). Sporządza się szeregowy szereg danych. Podobnie jak w przypadku szeregów czasowych dla danych próbki MA (1), niewiele można powiedzieć o tym. Poniżej znajduje się próbka ACF dla danych symulowanych. Wzór jest typowy dla sytuacji, gdy model MA (2) może być użyteczny. Istnieją dwa statystycznie istotne skoki przy opóźnieniach 1 i 2, po których następują nieistotne wartości dla innych opóźnień. Zauważ, że z powodu błędu pobierania próbek próbka ACF nie pasowała dokładnie do teoretycznego wzoru. ACF dla modeli MA (q) Modeli Ogólną cechą modeli MA (q) jest to, że dla wszystkich pierwszych opóźnień q i autokorelacji 0 dla wszystkich luków gtq istnieją autokorelacje nie zerowe. Niepowtarzalność połączenia pomiędzy wartościami 1 i (rho1) w modelu MA (1). W modelu MA (1) dla dowolnej wartości 1. odwrotny 1 1 daje taką samą wartość jak dla przykładu, użyj 0,5 dla 1. a następnie użyj 1 (0.5) 2 dla 1. Otrzymasz (rho1) 0,4 w obu przypadkach. Aby zaspokoić teoretyczne ograniczenie zwane "invertibility". ograniczamy modele MA (1) do wartości z wartością bezwzględną mniejszą niż 1. W podanym przykładzie, 1 0,5 będzie dopuszczalną wartością parametru, podczas gdy 1 10,5 2 nie będzie. Odwrotność modeli MA Model macierzowy jest odwracalny, jeśli jest on algebraiczny, odpowiadający modelowi zbiegającemu się z nieskończonym modelem AR. Zbiegając się, rozumiemy, że współczynniki AR spadają do 0, gdy wracamy w czasie. Inwersja to ograniczenie zaprogramowane w oprogramowanie serii czasowej służące do oszacowania współczynników modeli z hasłami. To nie coś, co sprawdzamy w analizie danych. Dodatkowe informacje o ograniczeniu inwersji dla modeli MA (1) podano w dodatku. Uwagi dotyczące teorii zaawansowanej. W modelu MA (q) z określonym ACF jest tylko jeden model odwracalny. Warunkiem koniecznym do odwrócenia jest fakt, że współczynniki mają takie wartości, że równanie 1- 1 y-. - q y q 0 ma rozwiązania dla y, które leżą poza okręgiem jednostkowym. R dla przykładów W przykładzie 1 wykreślono teoretyczny ACF modelu x t 10 w t. 7w t-1. a następnie symulowane n 150 wartości z tego modelu i wykreślono szereg próbkowania i próbkę ACF dla danych symulowanych. Polecenia R służące do sporządzenia teoretycznej ACF to: acfma1ARMAacf (mac (0.7), lag. max10) 10 opóźnień ACF dla MA (1) z theta1 0,7 lags0: 10 tworzy zmienną o nazwie opóźnienia w zakresie od 0 do 10 (h0) dodaje osi poziomej do wykresu Pierwsze polecenie określa ACF i zapisuje je w obiekcie (np. o nazwie acfma1 (nasz wybór nazwy). Polecenie wydruku (trzecie polecenie) powoduje błędy w porównaniu do wartości ACF dla opóźnień 1 do 10. Parametr ylab etykietuje na osi y, a główny parametr umieszcza tytuł na wykresie. Aby zobaczyć wartości liczbowe ACF, użyj komendy acfma1. Symulacje i wykresy zostały wykonane za pomocą następujących poleceń. xcarc. sim (n150, lista (mac (0.7))) Symuluje n 150 wartości z MA (1) xxc10 dodaje 10 do średniej 10. Domyślnie domyślne symulacje to 0. wykres (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF dla symulowanych danych próbki) W przykładzie 2 wymyśliliśmy teoretyczny ACF modelu xt 10 wt5 w t-1 .3 w t-2. a następnie symulowane n 150 wartości z tego modelu i wykreślono szereg próbkowania i próbkę ACF dla danych symulowanych. Stosowane komendy R to acfma2ARMAacf (mac (0.5.0.3), lag. max10) acfma2 lags0: 10 (lags, acfma2, xlimc (1,10), ylabr, typh, główny ACF dla MA (2) z theta1 0,5, (x, x, x, x, x, x, x, x, x, x, x, x, y) mainACF dla symulowanych danych MA (2)) Dodatek: Dowód właściwości MA (1) Dla zainteresowanych studentów są dowody na teoretyczne właściwości modelu MA (1). Variance: (text (xt) text (mu wt theta1 w) tekst 0 (wt) tekst (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Kiedy h 1, poprzedni wyrażenie 1 w 2. W przypadku dowolnego h2, poprzednie wyrażenie 0 Powodem jest to, że z definicji niezależności wag. E (w k w j) 0 dla dowolnej kj. Ponadto, ponieważ w t oznaczają 0, E (wjwj) E (wj2) w2. W serii czasów Zastosuj ten wynik, aby uzyskać ACF podany powyżej. Inwersyjny model MA to taki, który można zapisać jako model AR nieskończonego zamówienia, który zbiega się tak, że współczynniki AR zbiegają się do 0, gdy poruszamy się nieskończenie wstecz w czasie. Dobrze wykazać inwersję modelu MA (1). Następnie zastępujemy relację (2) dla t-1 w równaniu (1) (3) (zt wt theta1 (z-taleta) wt theta1z-tal2w) W czasie t-2. równanie (2) staje się Następnie zastępujemy związek (4) dla t-2 w równaniu (3) (zt wt theta1 z - theta21w wt theta1z - eta21 (z-taleta) wt theta1z - eta12z theta31w) Gdybyśmy kontynuowali ( nieskończoność) dostaniemy model nieskończonej AR (zt wt theta1 z - theta21z theta31z-theta41z dots) Zauważ jednak, że jeśli 1 1, współczynniki mnożące opóźnienia z będą wzrastać (nieskończenie) w rozmiarze, gdy wracamy z powrotem czas. Aby temu zapobiec, potrzebujemy 1 lt1. Jest to warunek odwracalnego modelu MA (1). Model nieskoordynowanych zamówień MA W trzecim tygodniu widzimy, że model AR (1) można przekształcić w model MA nieskończonego rzędu: (xt - mu wt phi1w phi21w kropki phik1 w kropkach sumy fij1w) To sumowanie wcześniejszych białych szumów jest znane jako przyczynę reprezentacji AR (1). Innymi słowy, x t jest specjalnym rodzajem magistra z nieskończoną liczbą terminów z czasem. Nazywa się to nieskończoną kolejnością MA lub MA (). Kończy się rozkazem MA jest nieskończona kolejność AR, a dowolny porządek AR jest rzędem nieskończonym rzędu. Przypomnijmy sobie w tygodniu 1, zauważyliśmy, że wymóg stacjonarnego AR (1) polega na tym, że 1 lt1. Pozwala obliczyć Var (xt) używając reprezentacji przyczynowej. W ostatnim kroku używa się podstawowych faktów dotyczących serii geometrycznych, które wymagają (phi1lt1), w przeciwnym razie serie rozbieżności. Nawigacja
No comments:
Post a Comment