DAX+0,03 % EUR/USD+0,13 % Gold-0,08 % Öl (Brent)-0,43 %

Meine kleine Sammlung an Börsenstatistiken

WKN: A0AET0 | Symbol: DE000DB2KFC6
2.598,25
10:29:27
Deutsche Bank
0,00 %
0,00 PKT

Begriffe und/oder Benutzer

 

Beim Lesen verschiedener Postings hier bei WO, insbesondere von "Handelsstrategen", fing ich auch an ein paar (einfache) Statistiken in MS Excel (2010, 32Bit, deutsch) zu erstellen zum Thema:

frequentistische Statistiken von Aktienkursen.


(a) der Rückspiegel:
Also ein klarer Blick in den Rückspiegel statt unklarer Blick durch die schmutzige Windschutzscheibe (frei nach W.Buffett).

Dennoch heisst es nicht umsonst: Traue keiner Statistik, die du nicht selbst gefälscht hast.

(b) die Wissenschaft:
Also habe ich mir gedacht, warum denn nicht selber anfangen zu (ver-)fälschen? Daher habe ich auch keinerlei wissenschaftlichen Anspruch hier.

Fehler und Irreführungen in:
- Konzeption,
- Durchführung und
- Interpretation (Deutung)..
..sind damit quasi schon vorprogrammiert.


Stichwörter:
data-snooping biases --> https://www.quantshare.com/sa-59-data-snooping-bias
..auch genannt (vielleicht nicht identisch): Data dredging, data fishing, p-hacking --> https://en.wikipedia.org/wiki/Data_dredging


(c) Einfachheit:
Also: je einfacher die Statistik, umso nachvollziehbarer und damit erhellender.

Je schwieriger eine Statistik, umso so mehr müsste man dazu schreiben, um sie für Dritte leicht(er) verständlich zu machen. Damit sind Stolpersteine geradezu vorprogrammiert.

(d) Renditen ausrechnen:
Ich stellte in der Vergangenheit nämlich fest, dass eine realistische und allgemeine Renditeberechnung keine triviale Angelegenheit ist, egal für welchen Zweck.

(e) Kontext einer Statistik:
Was für den einen Anleger oder Spekulanten wichtig wäre, ist für den nächsten vollkommen belanglos. Der Kontext einer Statistik ist nämlich von allergrösster Bedeutung.

Dazu gehört vor allem und in erster Linie über welchen vergangenen Zeitraum sie erstellt wurde. Die Märkte ändern sich (unmerklich) jeden Handelstag. Jeden Handelstag treten neue Marktteilnehmer ein (Menschen oder Maschinen) und jeden Handelstag verlassen Marktteilnehmer wieder einen Markt.

D.h., in den nächsten 5, 10 oder gar 15 Jahren werden wir mit an Sicherheit grenzender Wahrscheinlichkeit andere Werte für dieselben statistischen Grössen haben als in den letzten 5, 10 oder gar 15 Jahren.

Das sollten alle Marktteilnehmer, nicht nur "Handelsstrategen", immer im Hinterkopf behalten.

(f) der Einzelfall:
Und natürlich:
eine Statistik sagt nichts (Gesichertes) über den Einzelfall aus, weder in der Vergangenheit noch in Zukunft.


(g) Sehr wichtig - wird immer gerne übersehen: die Grenzkosten
Selbst wenn es eine belastbare Statistik über eine bestimmte Situation geben sollte, dann sollte - oder besser muss - eine nachhaltig ausreichend profitable Handelbarkeit dieser durch die einem zur Verfügung stehenden Instrumente, vom Marktteilnehmer auch überprüft werden.

Mit anderen Worten:
Es macht keinen Sinn nach einer Statistik zu handeln, wenn:

die Grenzkosten ("marginal cost") den Grenznutzen ("marginal benefits") überschreiten.

Und Kosten können hier mehr als nur monetäre Grössen sein, sondern auch der eigene Arbeits- und Zeitaufwand, sowie individuelle Randbedingungen wie Kosten für eine Einkommensteuererklärung.

D.h., eine Statistik mag für den einen Marktteilnehmer nachhaltig profitabel handelbar sein, aber für den anderen eben nicht. Es wäre in jedem Fall gut, das zumindest schon vorher abzuklären. Man lebt ja nicht 100 Jahre und sollte daher versuchen die Anzahl seiner Fehler an der Börse zu minimieren.

Ich erinnere dazu an:
ANRWDWS - A Non-Random Walk Down Wall Street, Andrew W. Lo and A. Craig MacKinlay, 1999:
http://press.princeton.edu/titles/6558.html
=> ja, der Markt ist nicht dauerhaft zufällig, weder kurz- noch langfristig, und damit in Teilen vorhersehbar, aber die ausreichend profitable Ausbeutung dieser sehr kleinen Nicht-Zufälligkeiten ist dem einfachen Privatanleger mit sehr hoher Wahrscheinlichkeit nicht dauerhaft möglich!

Schon damals, 1999, war das evident - wie sieht es denn heutzutage, 2017, aus, einer Zeit in der an der NYSE 90% aller Trades bereits von Maschinen vorgenommen werden?


__
Ein paar allgemeine Kenngrössen (1):
- nur Schlusskurse wie vom jeweiligen, freien Datenlieferanten zur Verfügung gestellt; manchmal auch Volumen
- Sprache: Denglisch (der Hund wackelt mit dem Schwanz mittel- und langfristig, nicht umgekehrt => erst kommt der S&P500, dann der DAX z.B.)
S&P 500: Day of week returns


=>
(*) also, in den USA:
- am Montag kaufen,
- am Dienstag verkaufen,
..wenn sie am Wochenende ihre Handelswoche vorbereiten.


Was sagen andere, hier z.B. nur 2017 bis 19.7.2017:


aus: https://seekingalpha.com/article/4088819-s-and-p-500-average…


=> wir sehen, ein komplett anderes statistisches Bild!

=> nur der Mittwoch bleibt zum Verkaufen.


=> dadurch, dass aber beide Statistiken in sehr verschiedenen Marktphasen unterwegs waren (1998-2017 Mischung aus Bullen- und Bärenmärkten, 2017 soweit ein Bullenmarkt), verschieben sich die Parameter erheblich.

Man sieht das alleine schon am "All Days"-Return von:
- 0,0264% (1998-2017)
gegenüber
- 0,07% (2017-7-19)


Und noch was seh ich 2017: die "Quantifizierung" des Aktienmarktes:
- Up
- Down
- Up
- Down
- ...

=> der einzige Nicht-Phasenwechsel (2017) ist der um's Wochenende herum.

=>
d.h., 2017 ist es en vogue über's WE Long zu sein,
in den letzten 19...20 Jahren hingegen nicht.

__
(*)
Start: 02.01.1998 (soweit wie bei finance.yahoo.com verfügbar - für mich zumindest). Ist OK für mich; ich brauch im Jahr 2017 keine Statistik von 1955.
Ende: 31.07.2017

=> 4914 Handelstage (ich prüfe immer ein wenig, wie z.B.: ist auch Volumen da mit >0 und <∞ ?)
S&P 500: (Calendar) Day of month returns


=>
(*) schwierig:
- kaufen am 7., 9., oder 19., 20.,
- verkaufen am 1., 2., 3., 16. oder 18.
?

=> es bietet sich an (nach dieser Statistik): handeln im letzten Monatsdrittel (als Privatmann; "ruhiger"), sonst Raziermesser-Gefahr.


Was sagen andere, hier z.B. 1950 - 2015:



aus: http://stockmarketalmanac.co.uk/2015/04/us-stock-market-aver…

=>
- the first day of each month has the highest average daily return for the S&P 500 index; followed by the last day of the month

- the worst average daily return has been on the 9th of the month => FC: blieb so!
...

=> FC: der 15. (Kalendertag) hat sich zum 16. verschoben (zum Verkauf), der 18. zum 19. und 20 (zum Kaufen).


NB: das Problem an dieser Statistik: der 29., 30. und 31. Kalendertag ist nicht in jedem Monat jeden Jahres verfügbar

__
(*) wie bei Beitrag Nr. 2
(Stock) Return Anomalies - die Wissenschaft: Grundsätzliches - "Warum?"
Nun, eigentlich bin ich ja wegen dieses Thread's bei WO: https://www.wallstreet-online.de/diskussion/1184227-3051-306… auf dieses Thema hier gekommen.

Erst 2,5 Jahre nach Threaderöffnung (bei Beitrag Nr. 2.618) gibt es nach meinem Querlesen zum ersten Mal einen indirekten, aber zumindest starken Hinweis zur Frage nach der wissenschaftlichen Begründung für die im Thread mittlerweile behandelte Handelsstrategie nach wiederkehrenden Monaten bzw. "Jahreszeiten" ("Seasons").

Vorher sind beide Themen "Wissenschaft" und "Saisonalität von Renditen" - nach meinen Kenntnisstand und Stichwortsuche - nicht behandelt oder zumindest angerissen worden. (Der zitierte Prof.Weber/Mannheim ging seinerzeit der Saisonalitäts-Anomalie nach meiner Kurzdurchsicht nicht nach: https://weber.bwl.uni-mannheim.de/de/mitarbeiter/prof_martin…).


D.h. bis heute macht man sich in obigem Thread fast täglich Gedanken zum:
(a) Wie?
(b) nachdem das Was? geklärt wurde (*), ...

(c) ... aber wo bliebt das Warum?
Also, warum funktioniert offensichtlich eine Handelsstrategie nach wiederkehrenden Monaten mit einer profitablen Rendite, zumindest über einen gewissen Zeitraum hinweg?

Und was sind die Risiken bei so einer Handels-Strategie? (***)

Und wie könnte die "wahre" Rendite aussehen, nämlich der Risk-Adjusted Return? (ein Begriff der bis heute nicht in jenem Thread auftaucht, auch nicht als Wort "risikoangepasst/risiko-angepasst").

Man sieht, es können einem dazu gewichtige Fragen einfallen in Zeiten hoch-effizienter Finanzmärkte (Stichwort Aladdin von Blackrock).


__
(*) es entstand aus der "TSI-Börsenampel" des AKTIONÄRS --> siehe dort Beitrag Nr. 407, von 17.11.13 20:12:51 des Users meckelfelder/meckelfelder_neu/etf_meckelfelder (alle abgemeldet; Banker im Controlling nach Eigenangaben mit sehr guten Excel-Programmierkenntnissen -> Nr. 313) --> (**)

Später kamen dann diese (deutschen) Design Inputs hinzu:
- der Gebert-Börsenindikator (-> Nr. 637): https://www.gebert-börsenindikator.de/
- der Aktienklima-Indikator von Goerke (-> Nr. 695): http://www.momentumstrategie.de/


(**) vollständiges Zitat von Beitrag Nr. 407:
Ergebnis meiner Simulation:
- Anlage am 29.05.1991 von 10.000 € - Bei "guter" Börsenverfassung wird ein Long DAX X2 ETF gekauft
- bei "schlechter" Börsenverfassung wird ein Short DAX X2 ETF gekauft. Beim Tausch von einem in ein anderes ETF sind 11,80 € an Flatex zu bezahlen
- ein Long DAX X2 ETF kostet 0,35 % p.a. (TER) - ein Short DAX X2 ETF kostet 0,60 % p.a. (TER)

Bei unveränderten Parametern:
- Wechsel bei RSL 0,95 bzw. 1,05 oder am 9. Tag nach einem Ampelwechsel: Ergebnis am 15.11.2013: 515.843,59 € (Rendite: 17,56% p.a.)
- Wechsel bei RSL 0,98 bzw. 1,02 oder am 6. Tag nach einem Ampelwechsel - Ergebnis am 15.11.2013: 3.210.791,38 € (Rendite: 25,71% p.a.)

Ein recht interessantes Ergebnis. Kann man sich den ganzen Kram mit den Einzelwerten sparen, wenn man nur mit X2 DAX ETF arbeitet? Was meint ihr dazu?


(***) siehe bei noch aktivem User elmago, der in Beitrag Nr. 2.388 dazu schrieb:
...halte ich etwa je 1/3 in der ETF-Strategie, in internationalen Aktien und physischen Edelmetallen. Sollte sich diesesr Mix stark verändern, werde ich die Drittel-Verteilung wieder herstellen.
Antwort auf Beitrag Nr.: 55.455.387 von faultcode am 04.08.17 01:13:14
Return Seasonalities - die Wissenschaft (1')
Mir erscheint dieser Thread der geeignetere Platz zu sein, um obiger Frage (c) nach dem "Warum?" bei Return Seasonalities nachzugehen - ohne hier, um es gleich zu sagen, eine einfache Antwort präsentieren zu können.

Aber sonst gäbe es ja keine (ernsthafte) Wissenschaft (in einer freien Welt), wenn es auf alle schwierigen Fragen gleich eine einfache Antwort gäbe.

Daher zitiere ich beide Beiträge dazu hier noch einmal 1:1, um den Gedankenfluss beizubehalten.

__
Beitrag Nr. 3.057 (https://www.wallstreet-online.de/diskussion/1184227-3051-306…):

Zitat von Boersikus78Wissenschaftlich gesehen sind wir auf dem richtigen Dampfer:

http://www.nzz.ch/finanzen/fonds/systematische-geldanlage-an…

Obiger Artikel ist prinzipiell interessant - erklärt aber nichts zur Saisonalität von Renditen.
Er ist schlampig recherchiert. Der Autor hat mMn das von ihm zuerst zitierte (schwierige) Papier offensichtlich nicht ganz verstanden.
Dennoch sind beide zitierten Papiere neu und allgemein interessant für faktor-basiertes Investieren. Soll aber hier nicht das Thema sein.


Ich habe dennoch zu Return Seasonalities gegoogelt, und bin dabei bei neueren Papieren, sagen wir ab 2010, auf eine (wichtige) Erkenntniss dazu gestossen.

Neuere Papiere sind mMn (sehr) wichtig (geworden) wg. dem offenkundigen Data Snooping-Problem in der Vergangenheit bei vielen Studien zu Renditen (Returns): https://de.wikipedia.org/wiki/P-Hacking (cf. The History of the Cross Section of Stock Returns, Linnainmaa, Roberts, 2016-02)

(a) die Saisonalität, gleich welcher Art, meistens Monat, Tag oder Stunde, von Renditen spielt in der internationalen (englischsprachigen - lingua franca), akademischen Literatur nur eine sehr untergeordnete Rolle.

(b) nach einigem Lesen, habe ich dann herausgefunden, warum das so sein könnte:

Und zwar im Abstract von:
Common Factors in Return Seasonalities, Matti Keloharju, Juhani T. Linnainmaa, Peter Nyberg, 2014-12 => http://finance.aalto.fi/en/people/keloharju/commonfactors.pd…

Sie haben offenbar einen Preis dafür bekommen und dazu dann diese Präsentation gemacht: http://faculty.chicagobooth.edu/juhani.linnainmaa/Seasonalit…
=> ich habe diese noch nicht studiert; glaube aber, dass die allgemeinen Schlussfolgerungen interessant sind. Ich denke aber, man muss die ganze (abstrakte) Studie oben lesen, um den Kontext der hier behandelten Saisonalitäts-Handels-Strategie(n) mit den Aussagen dieser Studie richtig in Verbindung zu setzen.

(Dieser Thread hat ja zwei Themen: (a) Momentum - und dann später (b) Saisonalität.)

=>
...
Our results suggest that seasonalities are not a distinct class of anomalies that requires an explanation of its own - rather, they are inter-twined with other return anomalies through shared common factors. A theory that is able to explain the risks behind any common factor is thus likely able to explain a part of the seasonalities.

=> meine Übersetzung:
Unsere Ergebnisse legen nahe, dass Saisonalität keine eigene Klasse von Anomalien sind, die einer eigenen Erklärung bedürfen - vielmehr sind sie mit anderen Rendite-Anomalien durch gemeinsame Faktoren verflochten.
Eine Theorie, die in der Lage ist die Risiken hinter jedem gemeinsamen Faktor zu erklären, ist wahrscheinlich auch in der Lage einen Teil der Saisonalität(-Anomalien) zu erklären.
Return Seasonalities - die Wissenschaft (2a'): Begriffe: cross-section, t-test/t-value/t-ratio
Das zweite Posting dazu ist sehr lang geworden, daher teile ich es hier in (2a') und (2b') auf. (' steht für "Kopie".)

__
Beitrag Nr. 3.058 (https://www.wallstreet-online.de/diskussion/1184227-3051-306…):

In diesem Zusammenhang (mit den Studien zur Saisonalität) sind mir zwei Begriffe untergekommen, die vielleicht nicht immer geläufig sind:

(a) cross-section, cross-sectional:

(a1) Cross-sectional (expected) returns meint (erwartete Durchschnitts-)Renditen bei unterschiedlichen Aktien und Portfolios o.ä., und wie sich diese verändern (entlang was auch immer)

=> damit in Verbindung stehen die:
(a2) time series (expected) returns, also wie sich die zu erwartete Rendite einer Anlage mit der Zeit ändert

Expected Return = erwartete Rendite

Der Standard dazu ist: Asset Pricing, John H. Cochrane, 2000-06-12

Damit versteht man nun was damit z.B. gemeint ist: Expected Returns in the Cross Section


__
(b) (Student's) t-stat (hypothesis test statistic), t-value, t-ratio, t-distribution
https://de.wikipedia.org/wiki/Studentsche_t-Verteilung
https://de.wikipedia.org/wiki/T-Test

Der t-test ist eine statistische Analyse zweier Grundgesamtheiten, oft im Hinblick auf Unterschiede im Mittelwert.

1-sample t-test (one-sided/tailed):
- man errechne den Mittelwert einer (kleinen) Stichprobe
- man prüft nun anhand des Stichproben-Mittelwertes, ob der unbekannte Mittelwert einer (normalverteilten, aber sonst unbekannten) Grundgesamtheit sich von einem vorgegebenen Sollwert unterscheidet
(https://de.wikipedia.org/wiki/Einstichproben-t-Test)


2-sample t-test (two-sided/tailed):
- man errechne die Mittelwerte zweier (kleiner) Stichproben
- man errechnet nun anhand der beiden Stichproben-Mittelwerte, wie sich die unbekannten Mittelwerte zweier (normalverteilten, aber sonst unbekannten) Grundgesamtheiten zueinander verhalten (wobei die Varianzen beider Grundgesamtheiten gleich sein sollen im Original)
(https://de.wikipedia.org/wiki/Zweistichproben-t-Test)


z.B.: http://www.socscistatistics.com/tests/tsinglesample/Default2…
=> einfaches Beispiel:
- der angenomme/Soll-Mittelwert (MW) einer Grundgesamtheit beträgt 5.0 (was die Nullhypothese hier ist):
Eine Stichprobe mit n = 7 ergibt:
2
3
4
5
4
3
2
=>
- Stichproben-MW = 3,2857
- 7-1 = 6 Freiheitsgrade

=> mit Signifikanz-Niveau 0.05 und einseitiger Hypothese:
T-Value = -4.076197
P-Value = 0.003265 und damit < Signifikanz-Niveau von 0.05

=> die Null-Hypothese, dass der MW der Grundgesamtheit 5.0 beträgt, wird verworfen!
(bei angen. MW 3.0: T-Value = 0.679366, P-Value = 0.261118 > 0.05 => MW der Grundgesamtheit beträgt wohl 3.0 und der Stichproben-MW von 3,2857 basiert auf einer zufälligen Abweichung)

Ein t-Wert von 0.00 sagt also, dass die Stichprobe die Nullhypothese exakt bestätigt.
Ein (absoluter) t-Wert von 2.00 sagt, dass die beobachtete Differenz zwischen Stichproben-MW und Hypothesen-MW das zweifache der Variabiliät der Stichproben-Daten beträgt:

t-value = signal-to-noise ratio = t-ratio

http://blog.minitab.com/blog/adventures-in-statistics-2/und…
Return Seasonalities - die Wissenschaft (2b'): Studien zu (Stock) Return Anomalies
Hier nun (auch in unveränderter) Form der zweite Teil.


__ Beitrag Nr. 3.059 (https://www.wallstreet-online.de/diskussion/1184227-3051-306…):

So weit, so gut.

Aber nun hat sich im Laufe der letzten Jahre herausgestellt, dass es bei den häufig eingesetzten t-tests zu den erwarteten Renditen nicht um wirklich belastbare Tests zur Untermauerung von (Arbeits-)Hypothesen in den betreffenden Studien gehandelt haben muss.

Denn 2016-02 schrieben Juhani T. Linnainmaa und Michael Roberts ("The History of the Cross Section of Stock Returns") dazu im Abstract:

Using accounting data spanning the 20th century, we show that most accounting-based return anomalies are spurious.
When we take anomalies out-of-sample by moving either backwards or forwards in time, their average returns decrease and volatilities increase. These patterns emerge because data-snooping works through t-values, and an anomaly's t-value is high if its average return is high or volatility low.

The average anomaly's in-sample Sharpe ratio is biased upwards by a factor of three.
...


spurious = fadenscheinig


=> das wäre schon ein Problem, wenn nun jemand im Asset Management eine Anomalie ausreichend und nachhaltig profitabel ausnutzen will, weil er das so in einer Studie gelesen hat, und dann viel zu spät bemerkt: das funktioniert so nicht!

Hier eine Studienübersicht aus "...and the Cross-Section of Expected Returns", Harvey, Liu, Zhu, 2014, S.22:



p.s.: man sieht in diesem Diagramm, dass heutzutage alle Standard-Handelsstrategien bereits ihre Abkürzungen haben wie z.B.:
- MOM = monthly momentum
- MRT = market beta
- SMB = size and book-to-market
- usw.
Zwischeneinwurf: Blase Aktienmarkt USA ?
Die Idee zu diesem Zwischeneinwurf kam mir heute beim Lesen von: http://www.spiegel.de/wirtschaft/unternehmen/amazon-apple-go…
[Die Kommentare dazu lassen teilweise tief in die Seele der Deutschen blicken... Au weia =>
dabei wird schnell klar, warum Deutschland in den nächsten 30 Jahre mit an Sicherheit grenzender Wahrscheinlichkeit keine FAAMG-Aktie hervorbringen wird...]

gute Quelle zu MSCI-Charts (mit ISIN!): https://www.investing.com/indices/msci-world-chart =>



MSCI World Price - MIWO00000PUS
MSCI World ex US Price - MIWOU0000PUS





Nicht dass man mit US-Aktien noch viele Dividenden bekäme:



Der Fairness halber sollte man aber auch die höhere Wirtschaftsleistung der US gegenüber der schwachbrüstigen EURO-Zone seit 2008 erwähnen:
Antwort auf Beitrag Nr.: 55.455.414 von faultcode am 04.08.17 01:29:38
Begriffe: t-test/t-value/t-ratio/t-stat
Zu:

Zitat von faultcodet-value = signal-to-noise ratio = t-ratio

Diese Gleichung kann erweitert werden zu:

t-value = signal-to-noise ratio = t-ratio = t-stat

so wie hier gesehen: http://www.dualmomentum.net/2017/07/trend-following-research…

=> z.B.:


=> eine t-stat von 10.5 ist schon beachtlich (wenn es sich tatsächlich um eine signal-to-noise ratio handeln sollte).
Markt- und Preis-Phänomene, Risk factors and abgeleitete Handelsstrategien: eine Auflistung
Ich habe aus:
(a) obiger Studie "...and the Cross-Section of Expected Returns", Harvey, Liu, Zhu, 2014 (hier immer genannt [CROSS]) und
(b) der Studie "Lucky Factors", Harvey, Liu, 2015 (hier immer genannt [LUCK])
einmal alle Symbole der dort erwähnten Risk factors aufgelistet zur besseren Übersicht.

Aus diesen Risk factors können bzw. werden dann Handelsstrategien ("trading rules") abgeleitet (werden):

- BAB -- Betting Against Beta (Frazzini, Pedersen, 2014)
- CIV -- Common Idiosyncratic Volatility (Herskovic, Kelly, Lustig, Van Nieuwerburgh, 2014)
- CMA -- Investment (Fama, French, 2015) (+)
- CVOL -- Consumption Volatility (Boguth, Kuehn, 2012)
- DCG -- Durable Consumption Goods (Yogo, 2006)
- DEF -- Default Likelihood (Vassalou, Xing, 2004)
- EP -- Earnings-Price ratio (Basu, 1983)
- GP -- Gross profitability (Novy-Marx, 2013)
- HML -- High Minus Low = book-to-market (Fama, French, 1992) (*) (+) (+++)
- IA -- Investment-to-assets (Hou, Xue, Zhang, 2015) (oo)
- IVOL -- Idiosyncratic Volatility (Ang, Hodrick, Xing, Zhang, 2006) (***)
- LIQ -- Liquidity (Pastor, Stambaugh, 2003)
- LRV -- Long-Run Volatility (Adrian, Rosenberg, 2008)
- MKT (MRT) -- Market beta = excess market return (Fama, MacBeth, 1973) (+) (++) (+++)
- MOM -- Momentum (Carhart, 1997) (o)
- PSL -- Pastor and Stambaugh liquidity (Pastor, Stambaugh, 2003)
- QMJ -- Quality Minus Junk (Asness, Frazzini, Pedersen, 2013)
- RMW -- Profitability (Fama, French, 2015) (+)
- ROE -- Return On Equity - profitability (Hou, Xue, Zhang, 2015)
- SKEW -- Co-Skewness (Harvey, Siddique, 2000)
- SMB -- Small Minus Big = size (Fama, French, 1992) (**) (+) (+++)
(diese Liste ist bei weitem nicht vollständig, siehe Beitrag Nr. 7 was das Studienwachstum angeht, werden aber bis 2015 als massgebliche Risiko-Faktoren angesehen.)

(+) part of the five risk factors model by Fama, French: "A five-factor asset pricing model", 2015
(++) as mentionened in Fama, MacBeth: "Risk, return, and equilibrium: Empirical tests", 1973
(+++) part of the three risk factors model by Fama, French "The Cross-Section of Expected Stock Returns", 1992
(o) --> four risk factors in combination with (+++)
(oo) --> empirical q-factor model in combination with (+++)

"True" factors (unter Hunderten) nach [LUCK] für value weighted individual stocks:
- one dominant factor: the original market factor proposed by Sharpe (1964)
--> Sharpe Ratio = risk-adjusted measure of return: http://www.investopedia.com/terms/s/sharperatio.asp
- second factor: profitability (RMW, ROE), though economically small compared to the (original) market factor

(*) HML = 1/2 (Small Value + Big Value) - 1/2 (Small Growth + Big Growth)
(**) SMB = 1/3 (Small Value + Small Neutral + Small Growth) - 1/3 (Big Value + Big Neutral + Big Growth)
--> http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/Data_…


(***) Idiosyncratic Volatility = firmenspezifische Volatilität, also der Teil der Volatilität bei einem Wertpapier, was nicht von der Markt-Volatilität gedeckt ist. Die Volatilität eines Wertpapier setzt sich also aus zwei Komponenten zusammmen:
(1) der Markt-Volatilität und
(2) der idiosynkratischen Volatilität,
mit Volatilität als Mass für das Risiko.

=> damit gilt:
Total Risk = (Unsystematic Risk = Idiosyncratic Risk = Diversifiable Risk) + (Systematic Risk = Market Risk)


__
Neben Handelsstrategien die (ausdrücklich) auf akademisch untersuchten Markt- bzw. Preis-Phänomenen (w) beruhen (oder zu tun als ob :D ), gibt es auch solche, die einfach heuristisch auf solchen Phänomenen beruhen, hier nach Popularität sortiert:



Beim Betrachten der Zeiträume für die Gleitenden Durchschnitte könnte man schliessen, dass es sich um ein Umfeld für Swing- bis Position-Trading handeln könnte (aber Buy & Hold?):

Ich kenne leider nicht mehr die Original-Quelle dieses Diagramms, bin aber nach Quervergleich mit (v) zu dieser Liste gekommen:

- B&H -- Buy & Hold
- DCM -- Double Crossover Method, based on using two exponential moving averages (EMA's) with λ = 0.8 and s = 3 (v)
- MOM(X) -- Momentum (x days), siehe auch schon oben
- P-LMA -- Price-Minus-Linear-Moving-Average (v)
- P-REMA -- Price-Minus-Reverse-Exponential-Moving-Average rule (with λ = 0:8) (v)
- P-SMA(x) -- Price Minus Simple Moving Average (x days)
- SMAC(x,y) -- Simple Moving Average Channel (x and y days)


(v) aus: "Anatomy of Market Timing with Moving Averages", Zakamulin, 2015 (http://www.technicalanalyst.co.uk/wp-content/uploads/2015/04…)
=> sehr empfehlenswertes Papier (32 "lesbare" Seiten) für jemanden der mit Gleitenden Durchschnitten (GD) traded oder traden will (ich komme darauf vielleicht zurück).


(w) ich meine mit Markt- bzw. Preis-Phänomenen Folgendes:
- ein Markt-Phänomen hat eine cross-sectional dependency, also ein Phänomen wie z.B. HML
- ein (Wertpapier-)Preis-Phänomen hat eine time-series dependency, also ein Phänomen wie z.B. MOM


Beitrag zu dieser Diskussion schreiben