how to display pdf file in picturebox in c# : C# extract text from pdf Library application component .net windows wpf mvc Financial%20Modeling%20with%20Excel%20and%20VBA3-part493

© 2011   Ben Van Vliet 
31
I. 
Arrays
An array is a set of contiguous memory locations all of the same data type.  Each element 
in an array can be referred to by its index.  The ReDim statement resizes an array that has 
previously been declared. 
Option Explicit 
Option Base 1 
Function CovarMatrix(data As Range) As Variant 
Dim r As Integer 
Dim c As Integer 
Dim n As Integer 
Dim rows_count As Integer 
Dim cols_count As Integer 
rows_count = data.rows.Count 
cols_count = data.Columns.Count 
Dim avgs As Variant 
avgs = Averages(data) 
Dim matrix() As Double 
ReDim matrix(cols_count, cols_count) 
For c = 1 To cols_count 
For n = 1 To cols_count 
For r = 1 To rows_count 
matrix(c, n) = matrix(c, n) + (data(r, c) - avgs(c)) * 
(data(r, n) - avgs(n)) 
Next r 
matrix(c, n) = matrix(c, n) / rows_count 
Next n 
Next c 
For r = 2 To cols_count 
For c = 1 To r - 1 
matrix(r, c) = matrix(c, r) 
Next c 
Next r 
CovarMatrix = matrix 
End Function 
Function Averages(data As Range) As Variant 
Dim r As Integer 
Dim c As Integer 
C# extract text from pdf - extract text content from PDF file in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Feel Free to Extract Text from PDF Page, Page Region or the Whole PDF File
extract pdf text to excel; cut and paste text from pdf document
C# extract text from pdf - VB.NET PDF Text Extract Library: extract text content from PDF file in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
How to Extract Text from PDF with VB.NET Sample Codes in .NET Application
extract text from pdf to word; cut text from pdf document
© 2011   Ben Van Vliet 
32
Dim avgs() As Double 
ReDim avgs(data.Columns.Count) 
For c = 1 To data.Columns.Count 
For r = 1 To data.rows.Count 
avgs(c) = avgs(c) + data(r, c) 
Next r 
avgs(c) = avgs(c) / data.rows.Count 
Next c 
Averages = avgs 
End Function 
Given the following data, the CovarMatrix function will accept the range A1:D19 as the 
input parameter and require Ctrl+Shift+Enter to return the matrix. 
INTC 
IBM 
MSFT 
WMT 
0.00000 
-0.01215 
0.00422  -0.01117 
-0.00346 
-0.00649  -0.02838  -0.01432 
-0.00996 
-0.00346 
0.00679  0.01821 
0.01145 
0.00994 
-0.03408  -0.01264 
0.00543 
-0.01049 
0.02915  0.01993 
-0.01637 
0.00792 
-0.00340  0.03147 
0.01687 
-0.00211  -0.01216  -0.01416 
0.02478 
0.01584 
0.01402  -0.00111 
10 
-0.03218 
-0.00401  -0.01151  -0.01438 
11 
0.01182 
0.01771 
-0.02279  0.01081 
12 
0.00147 
-0.02945  -0.00353  -0.00022 
13 
-0.01131 
-0.00959  -0.00322  0.00201 
14 
-0.04605 
-0.02755  -0.03210  0.03341 
15 
0.02050 
0.00494 
-0.00100  0.01948 
16 
-0.01585 
-0.00291 
0.04049  -0.02533 
17 
0.01179 
0.00461 
-0.00932  -0.01688 
18 
-0.01592 
-0.02062  -0.00681  0.01274 
19 
-0.02622 
-0.01110  -0.00358  0.00609 
20 
0.01057 
0.01848 
-0.01248  0.00325 
C# PDF Image Extract Library: Select, copy, paste PDF images in C#
XDoc.PDF ›› C# PDF: Extract PDF Image. How to C#: Extract Image from PDF Document. using RasterEdge.XDoc.PDF; C#: Extract All Images from PDF Document.
delete text from pdf; copy text from protected pdf
C# PDF Page Extract Library: copy, paste, cut PDF pages in C#.net
PDF Pages in C#.NET. Easy to Use C# Code to Extract PDF Pages, Copy Pages from One PDF File and Paste into Others in C#.NET Program.
copy text from scanned pdf; c# read text from pdf
© 2011   Ben Van Vliet 
33
J. 
Calculating Beta 
The capital asset pricing model (CAPM) states that the expected return on a stock is a 
linear function of the market return less the risk free rate.  The CAPM calculates a 
theoretical required rate of return of a stock r
s
given a return on a market index r
i
, as per: 
)
( ( ( )
( )
f
i
s
f
s
r
E r
r
Er
+
=
β
E(r
i
) – r
is called the market risk premium (
RP
i
, thus the risk premium for a stock 
E(r
s
) – r
f
is equal to the market risk premium times β. 
From the CAPM, the Beta (β
s
) of a stock (or a portfolio of stocks) is a number 
describing the relationship of its returns relative those of a market index.  A stock’s Beta 
will be zero if its returns are completely un-related to the returns of the index.  A Beta of 
one means that the stock’s returns will tend to be like the index’s returns.  A negative 
Beta means that the stock's returns generally move opposite to the index’s returns.   
Beta can be calculated for by using either regression of the stock’s returns against 
the index returns (=SLOPE()) or as: 
2
( , , )
i
i
s
s
r r
COV
σ
β
=
Beta is also a measure of the sensitivity of the stock's returns to index returns.  That is, 
Beta represents the stocks systematic risk, risk that cannot be diversified away.  Thus, 
Beta is also the market hedge ratio.   
Consider a portfolio of stocks valued at $100 million.  This portfolio has a beta of 
1.08 relative to the S&P 500.  If the S&P 500 futures contract is currently at 1300.00, 
how do we fully hedge this portfolio? 
Since we are long the stocks, we will need to sell futures in the appropriate 
amount.   That way, if the market goes down, the loss on our stocks will be offset by a 
gain in the futures.  Since each E-mini S&P 500 futures contract has a value of $50 times 
value of the S&P 500 index, we would sell: 
contracts
futures
Beta
Size
Contract
Value
Index
Value
Portfolio
1662
1.08
50
1300
100,000,000
=
×
×
=
×
×
Arbitrage pricing theory (APT) states that the expected return of a stock is a linear 
function of multiple risk factors—macro-economic, fundamental or indices.  Thus, where 
the CAPM that has only one Beta, APT has multiple betas.  Each risk factor has a beta 
indicating the sensitivity of the stock to that risk factor. 
)
(
)
(
)
(
( )
2
2
1
1
n
n
f
s
RP
b
RP
b
RP
b
r
Er
+⋅⋅⋅+
+
+
+
=
C# PDF insert text Library: insert text into PDF content in C#.net
|. Home ›› XDoc.PDF ›› C# PDF: Insert Text to PDF. C#.NET PDF SDK - Insert Text to PDF Document in C#.NET. C#.NET Project DLLs: Insert Text Content to PDF.
.net extract text from pdf; export text from pdf to excel
C# PDF Convert to Text SDK: Convert PDF to txt files in C#.net
C#.NET PDF SDK - Convert PDF to Text in C#.NET. Integrate following RasterEdge C#.NET text to PDF converter SDK dlls into your C#.NET project assemblies;
c# extract text from pdf; copy paste text pdf
© 2011   Ben Van Vliet 
34
K. 
LAB 4:  Beta
Calculate the Beta of IBM using regression and the Beta formula. 
Given a portfolio of the following positions: 
Stock 
Shares 
Price 
IBM 
2000 
164.82 
INTC 
12000 
21.69 
WMT 
5000 
56.07 
XOM 
5000 
83.93 
What is the optimal hedge ratio? 
C# PDF Form Data Read Library: extract form data from PDF in C#.
PDF software, it should have functions for processing text, image as field data from PDF and how to extract and get field data from PDF in C#.NET project.
export highlighted text from pdf to word; pdf text replace tool
VB.NET PDF Image Extract Library: Select, copy, paste PDF images
Image: Extract Image from PDF. |. Home ›› XDoc.PDF ›› VB.NET PDF: Extract PDF Image. VB.NET PDF - Extract Image from PDF Document in VB.NET.
extract text from image pdf file; extract text from pdf open source
© 2011   Ben Van Vliet 
35
L. 
Financial Data
Thus far the only financial data we have considered is price data.  But there are other 
types of financial data too. 
Price Data 
Price data consists of the bid and ask prices and quantities, and trade prices and quantities 
for securities and derivatives.  
Valuation Data 
Valuation data is different from price data.  For some financial instruments—bonds, 
swaps, and all OTC derivatives—no price data exists, or if it does, it is a highly guarded 
secret.  For these, valuation data is all there is.  That is, the price exists only in theory, 
and, furthermore, is not a firm bid or offer that any market maker is obliged to honor. 
Fundamental Data 
Fundamental data consists of everything that is disclosed in 10-Q quarterly and 10-K 
annual reports, including key business items, such as earnings, sales, inventories, and 
rents. 
Calculated Data 
Given fundamental data, calculated data includes ROE, price to book, beta, forecasted 
dividends, free cash flow, etc.  
Economic Data 
Economic data, such as CPI and GDP, are key indicators often used in financial analysis 
and trading.   
C# PDF Text Search Library: search text inside PDF file in C#.net
|. Home ›› XDoc.PDF ›› C# PDF: Search PDF Text. C#.NET PDF SDK - Search and Find PDF Text in C#.NET. C#.NET PDF DLLs for Finding Text in PDF Document.
copy text from pdf; extract text from pdf image
C# WPF PDF Viewer SDK to view, annotate, convert and print PDF in
PDF in C#, C# convert PDF to HTML, C# convert PDF to Word, C# extract text from PDF, C# convert PDF to Jpeg, C# compress PDF, C# print PDF, C# merge PDF files
cut and paste text from pdf; extract text from pdf to excel
© 2011   Ben Van Vliet 
36
M. 
Correlation and Ranking 
Pearson's correlation is obtained by dividing the covariance of two random variables by 
the product of their standard deviations: 
j
i
i j
i j
σσ
σ
ρ
,
,
=
The Pearson correlation is +1 in the case of a perfectly linear correlation, −1 in the case 
of a perfectly negative correlation.  All other values are between −1 and +1.  A zero 
correlation the two random variables are uncorrelated.  
Often, we rank fundamental or calculated data.  Given the following raw earnings 
per share data in column A, the ranks are fond using Excel’s RANK() formula.  
0.25 
0.36 
-0.22 
-0.06 
1.52 
-0.29 
Here, the formula in cell B1 is copied down to B6 as: 
=RANK( A1, $A$1:$A$6, 1 ) 
If multiple data points are the same (i.e. there are ties), we generally find the average of 
those ranks.  So, if ranked data points 4, 5 and 6 are the same, then the average is ( 4 + 5 
+ 6 ) / 3 = 5, so all three data points get a rank of 5. 
Spearman's rank correlation is a non-parametric measure of statistical 
dependence between two random variables.  It assesses how well the relationship 
between two variables can be described using a monotonic function.  If there are no 
repeated data values, a perfect Spearman correlation of +1 or −1 occurs when each of the 
variables is a perfect monotone function of the other. 
A simple procedure is normally used to calculate Spearman’s correlation.  The n 
raw scores are converted to ranks x
i
, y
i
, and the differences d
i
= x
i
− y
i
between the ranks 
of each observation on the two variables are calculated.  If there are no tied ranks, then ρ 
is given by: 
1)
(
6
1
2
2
= −
n n
d
i
ρ
Given the following EPS data on two stocks, ABC and XYZ: 
ABC 
XYZ 
Rank 
ABC 
Rank 
XYZ 
d
2
0.25 
0.45 
-2 
1.32 
0.36 
© 2011   Ben Van Vliet 
37
1.06 
-0.5 
1.21 
0.65 
-1 
Sum: 
10 
The Spearman’s rank correlation is: 
0
1)
4 (16
6 10
1
=
= −
ρ
© 2011   Ben Van Vliet 
38
N. 
Distribution Fitting Example 
Suppose that, given raw fundamental data (e.g. earnings per share, price-to-book ratio, 
etc.), we wish to fit the data to a normal distribution, between plus and minus 2 standard 
deviations.  The probabilities associated with this range are 2.275% and 97.725%: 
These probabilities can be found easily in Excel using the NORMSDIST() function.  In 
the following table, given raw data in column A, we can convert it to the new normalized 
score in column C. 
Raw Data 
Cumulative 
Probability 
New Z-Score 
-.50 
.02275 
-2 
-.25 
.36364 
-.34874 
-.22 
.40455 
-.24159 
-.18 
.45909 
-.10272 
.70454 
.53749 
.10 
.84089 
.99813 
.20 
.99725 
Given data x
1
through x
n
where i = 1...n, the cumulative probabilities in column B are 
found as: 
( ))
( ( ( )
( )
)
(
( )
1
1
1
1
F x
F x
x
x
x
x
F x
Px x
F x
n
n
i
i
i
i
+
=
=
The Excel formulae for generating the data in this table are: 
CELL B2:       = NORMSDIST( -2 ) 
CELL B8:       = NORMSDIST( 2 ) 
CELL B3 – B7:  = ( A3 - $A$2 ) / ( $A$8 - $A$2 ) * ( $B$8 - $B$2 ) + $B$2 
CELL C2 – C8:  = NORMSINV( B2 ) 
In this next table, given the ranks of the raw data in column A, we can convert it to the 
new normalized score in column C. 
Raw Rank 
Cumulative 
Probability 
New Z-Score 
© 2011   Ben Van Vliet 
39
.022750 
-2 
.181833 
-.90840 
.340917 
-.40996 
.500000 
.659083 
.40996 
.818167 
.90840 
.997250 
The Excel formulae for generating the data are the same as in Table 1.  The difference 
between simple ranking and distribution fitting is that using ranks is like fitting to a 
uniform distribution. 
Figure 1:  Simple Ranking Fits to a Uniform Distribution 
As can been seen from Figure 1, two ranks in the neighborhood of P(a) will map the 
appropriate distance apart, as will two points in the neighborhood of P(b), because of the 
constant slope of F(x) in a uniform distribution. 
Figure 2:  Fitting Ranked Data to a Normal Distribution 
Fitting the ranks to a normal distribution is different.  As can be seen in Figure 2, two 
points in the neighborhood of P(a)—such as data points with ranks 1 and 2—will map 
further away than will two points in the neighborhood of P(b)—such as data with ranks 
455 and 456—because the slope of F(x) not constant, and is steeper at b than a. 
So, distribution fitting takes differences in the ranks of observations (or in some 
cases the observations themselves), and imposes a distributional prior as to how much 
importance gaps in neighboring observations should have.  The distributional method 
determines the importance of outliers. 
© 2011   Ben Van Vliet 
40
A variation on the ranking theme is to scale the ranks by the difference between 
data points, so that points with larger differences between them have a correspondingly 
large gap between their ranks.  This is typically done by placing the differences into bins.  
The steps are as follows: 
Step 1:
Sort the data from low to high. 
Step 2:
Find the differences between points. 
Step 3:
Put the differences into bins 1…m according to their size.  That is, small 
differences go into bin 1, and the largest differences go into bin m. 
Step 4:
To assign ranks to the data, give the smallest data point a rank of 1, and 
then add the bin value to each successive rank, so that each value gets assigned a 
rank that differs from the previous rank by the bin value.  Thus, there will be gaps 
in the numbering. 
Step 5:
Finally, proceed with distribution fitting as before.  
Here is a numerical example using 3 difference bins to illustrate this technique. 
Raw Data 
Difference 
Difference 
Bin 
Raw 
Rank 
-1 
-.5 
.5 
-.3 
.2 
-.2 
.1 
.2 
.1 
.1 
.5 
.4 
10 
1.5 
13 
In this table, given the sorted raw data in column A, we can convert it to the new raw 
ranks in column D.  These raw ranks can be used as inputs into the previous example to 
generate a normalized score. 
Documents you may be interested
Documents you may be interested