Tuesday, December 27, 2011

Mean Reversion: What changed in 1987?

Since 8 months I am actively trading some mean reversion strategies as a great diversifier to my intraday trading approach. Until now it worked out quite well.
However to diversify also within the strategy set of mean reversion I use different indicators as entry signals like RSI, DV, CCI and Simple vs. Exponential Moving Averages. To improve Draw Down, Hit Ratio and overall system stability I use multiple filters like trend direction, trend strength and the volatility level.
Last week I spoke with Joachim (has also a German blog) about my approach and he showed me long term chart about a common mean reversion strategy posted in a German forum some time ago. I was quite shocked, as I wasn't aware of these very different time periods for mean reversion before and after the crash of 1987. I don't know if this phenomenon is commonly known.

I trade also the eMini S&P, but was only testing back to 1997 for this market. In order to find out how my current setup would have suffered in former times I have tested my S&P mean reversion 'composite' (consisting of 8 different strategies, no leverage here) back to 1963 with index data from Yahoo. It's 1963 because untill '62 the history has no OHLC data, which I need for some indicators and filters.


S&P 500 Index - Mean reversion composite

The results are horrible till the early '90s. From 1963 until 1973 the equity line drops constantly for ten years and is then building a bottom for almost twenty years. Interesting indeed is that since the crash in 1987 the results are much better. It seems that the market has changed somehow dramatically after these two crash days . For futher analysis I have divided the single trades in two parts before and after the market crash end of october 1987.

Looking at the distributions....

S&P 500 Index - Mean reversion composite / Distribution of returns

.... and the statistics:



After the crash '87 the mean reversion composite shows almost no skew while the returns of the back tested trades before '87 are negatively skewed. However, because of the market offering more opportunities for mean reversion after '87 the back test shows clearly more trades, while having less return volatility. The two periods show a totally different market environment for mean reversion approaches.

So what changed in 1987, leading to an overall great market environment for mean reversion trades? In the forum -I mentioned above- members were discussing about Alan Greenspan taking the Fed office in early 1987. Mr. Greenspan had for sure a huge impact on the equities markets and may be responsible for the long term bull market between 1987 and 2002. But in my opinion this is to simple. In addition the forum members were talking about the existence of a Plunge Protection Team, buying huge equity in heavily falling markets (and selling them later in rising, I guess) leading to more reversion than before. It would be an almost perfect explanation of this phenomenon. However this is a conspiracy theory....

When I think about what changed in the crash 1987, the black scholes option pricing formula comes to my mind. Before 1987 options were priced with a flat implied volatility by mistake. This changed afterwards. And this might have had huge impact on the behaviour of the hedging of option market makers in the underlying stock markets. But I have no clue how this could work out exactly....

So would do you think? Has anyone a proper explanation for this phenomenon?

So I learned that trading mean reversion style systems shows some nice and stable results, but obviously there is evidence to be very careful in monitoring the market changes that might be coming.





Disclaimer

The information on this site is provided for statistical and informational purposes only. Nothing herein should be interpreted or regarded as personalized investment advice or to state or imply that past results are an indication of future performance. The author of this website is not a licensed financial advisor and will not accept liability for any loss or damage, including without limitation to, any loss of profit, which may arise directly or indirectly from use of or reliance on the content of this website(s).  


Under no circumstances does this information represent an advice or recommendation to buy, sell or hold any security.


Tuesday, December 13, 2011

EOM Momentum Stocks Strategy with R

Currently I am learning how to use R for my research. I have found a lot of great sites and blogs giving me a lot of insight into the language as well as useful resources like toolboxes and packages for R.

As I was investigating the turn/end of month (EOM) effekt in some former posts I will now use the R-code and great toolbox from Systematic Investor to show how a momentum stocks strategy may be combined with an EOM strategy. The original code was used to test this effect with sector ETFs. 
Thus I simply changed the code in order to test my idea to use high momentum stocks (see code) for a 2 days holding period from closing of the last day of the month. In addition to the momentum selection criteria, only stocks are chosen if the closing was above the 89 day moving average. This idea has been taken from the sector strategy of the Quanting Dutchman blog.

As the total return stocks data of the current NASDAQ 100 components from Yahoo is used, the results show a huge systematic survivourship bias. Just look at the green equal weight portfolio results. But the possible edge of the strategy can be observed by the comparison of the EOM equal weight (red line) and the EOM Top 3 momentum ranked stocks (black line).    


The results are not very promising as there is somehow a positive edge for the momentum selection (eom.top.rank1 vs eom.equal.weight) but not for the EOM strategy (eom.equal.weight vs. equal weight).
So I decided to apply the WMA filter in a different way. Now trades will only be made when the index is above the 89 period WMA. Something I use in a quite similar way for filtering my seasonal trading.





The results improve dramatically. On the one hand performance is much better and even more interesting the max draw down is only -11% vs -32,6% before.
The R-code using the Systematic Investor Toolbox:  

###############################################################################
# maQuant Rotational Trading EOM : 
# based on work of
# http://www.etfscreen.com/sectorstrategy.php (Strategy)
# Quanting Dutchman: http://quantingdutchman.wordpress.com/2010/06/30/strategy-2-monthly-end-of-the-month-meom/ (Strategy)
# Systematic Investor: http://systematicinvestor.wordpress.com/2011/12/09/simple-and-profitable/ (R-code and Toolbox SIT!)
###############################################################################
# Load Systematic Investor Toolbox (SIT)
 setInternet2(TRUE)
 con = gzcon(url('https://github.com/systematicinvestor/SIT/raw/master/sit.gz', 'rb'))
     source(con)
 close(con)
 
 #*****************************************************************
 # Load components & historical data
 #****************************************************************** 
 load.packages('quantmod')
 
 source="yahoo"
 index="^NDX"
 start='2000-01-01'
 
 # Components from NASDAQ Website
 url = paste('http://www.nasdaq.com/markets/indices/nasdaq-100.aspx',sep="")
 txt = join(readLines(url)) 
 
 # extract tables from this pages
 temp = extract.table.from.webpage(txt, 'Symbol', hasHeader = T)
 temp[,2]
 
 # Symbols
 symbols = c(temp[,2])[2:101]
 
 data = new.env() # Stock Data
 data2 = new.env() # Index
 getSymbols(c(index), src=source, from=start, env = data2, auto.assign=T, warnings=FALSE)
 getSymbols(symbols, src=source, from=start,  env = data, auto.assign=T, warnings=FALSE) 
        for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)
 bt.prep(data, align='keep.all', dates='2000::2011')
 bt.prep(data2, align='keep.all', dates='2000::2011')
 
 #*****************************************************************
 # Begin code strategies
 #****************************************************************** 
 prices = data$prices   
 prices2 = data2$prices 
 
 n = ncol(prices)
 nperiods = nrow(prices)
 
 #*****************************************************************
 # FOR COMPARISON: 
 #*****************************************************************
 
 # Equal Weight for Comparison !Survivorship Bias!
 data$weight[] = ntop(prices, n)
 equal.weight = bt.run(data) 
 
 # find month ends, entry and exit dates
 holding.period=2 
 month.ends = endpoints(prices, 'months')
  month.ends = month.ends[month.ends > 0]  
 month.ends2 = iif(month.ends + holding.period > nperiods, nperiods, month.ends + holding.period)
 
 # EOM INDEX Strategy
 data2$weight[] = NA
  data2$weight[month.ends,] =  ntop(prices2, 1)[month.ends,]
  data2$weight[month.ends2,] = 0
  capital = 100000
  data2$weight[] = (capital / prices2) * data2$weight
 eom.index = bt.run(data2, type='share')
 
 # EOM Equal Weight Strategy 
 data$weight[] = NA
  data$weight[month.ends,] = ntop(prices, n)[month.ends,] 
  data$weight[month.ends2,] = 0
 
  capital = 100000
  data$weight[] = (capital / prices) * data$weight
 eom.equal.weight = bt.run(data, type='share')
 
 #*****************************************************************
 # MOMENTUM EOM STRATEGY: 
 #*****************************************************************
 
 # BuyRule = C > WMA(C, WMA.period)
 WMA.period=89 # Apply x day average for Index
 buy.rule = prices2 > bt.apply.matrix(prices2, function(x) { WMA(x, WMA.period) } )  
  buy.rule = ifna(buy.rule, F)
 buy.rule2=prices
  buy.rule2[,1:n]=buy.rule
 
 lag.period=20 # Apply x day momentum for Stocks
 ret2 = ifna(prices / mlag(prices, lag.period), 0)
 
 # Rank1 = MA( C/Ref(C,-lag.period), 5 ) * MA( C/Ref(C,-lag.period), 40 ) / Simply taken from original Systematic Investor Post
 position.score = bt.apply.matrix(ret2, SMA, 5) * bt.apply.matrix(ret2, SMA, 40) 
  position.score[!buy.rule2] = NA
 
 pos.number=3 # Number of Stocks choosen 
 # Strategy EOM - top X    
 data$weight[] = NA;
  data$weight[month.ends,] = ntop(position.score[month.ends,], pos.number)  
  data$weight[month.ends2,] = 0  
 
  capital = 100000
  data$weight[] = (capital / prices) * data$weight
 eom.top.rank1 = bt.run(data, type='share', trade.summary=T)
 
 #*****************************************************************
 # Create Report
 #****************************************************************** 
 
 report.name=paste('EOM2', start, index, 'WMA', WMA.period, 'lag',lag.period, 'posnum',pos.number, 'hold',holding.period, sep=" ")
 
 # put all reports into one pdf file
 pdf(file = paste(report.name,'.pdf',sep=""), width=8.5, height=11)
  plotbt.custom.report(eom.top.rank1, eom.equal.weight, equal.weight, eom.index, trade.summary=T)
 dev.off() 
 
 png(filename =  paste(report.name,' 1.png',sep=""), width = 600, height = 500, units = 'px', pointsize = 12, bg = 'white')          
  plotbt.custom.report.part1(eom.top.rank1, eom.equal.weight, equal.weight, eom.index,trade.summary=T)
 dev.off() 
 
 png(filename = paste(report.name,' 2.png',sep=""), width = 1200, height = 800, units = 'px', pointsize = 12, bg = 'white') 
  plotbt.custom.report.part2(eom.top.rank1, eom.equal.weight, equal.weight, eom.index,trade.summary=T)
 dev.off() 
 
 png(filename = paste(report.name,' 3.png',sep=""), width = 1200, height = 2000, units = 'px', pointsize = 12, bg = 'white') 
  plotbt.custom.report.part3(eom.top.rank1, eom.equal.weight, equal.weight, eom.index,trade.summary=T)
 dev.off()

I am sure that there is a lot of room for further improvement. Some of the selected stocks might be too heavily overbought. The holding period of the first two trading days of the month seems to be optimal for the EOM strategy but some systematic reaction to the performance of the single trades (stops, targets, holding period) might be useful in order to improve the overall results. Please keep in mind that the results are hypothetical not reflecting any costs of trading. 


Disclaimer

The information on this site is provided for statistical and informational purposes only. Nothing herein should be interpreted or regarded as personalized investment advice or to state or imply that past results are an indication of future performance. The author of this website is not a licensed financial advisor and will not accept liability for any loss or damage, including without limitation to, any loss of profit, which may arise directly or indirectly from use of or reliance on the content of this website(s).  

Under no circumstances does this information represent an advice or recommendation to buy, sell or hold any security.


Saturday, December 10, 2011

Switching to english and what the heck I do for a living

Almost all blogs I follow (see blogroll) and most of the news I read are in english. Last week I spoke with Frank from Engineering Returns and found out that he is a German, too. So I finally decided to switch to the english in my posts. It is the language of the quant traders community.  I hope that I won't make too many mistakes.

In the near future I plan some posts about my current research regarding rotational stock and ETF-trading (Yes, Delta 1 products, ask UBS...) . I will use R as I currently learn that script language and I will use very usefull stuff and ideas from other blogs, especially the oustanding SIT (toolbox for backtests and charting in R) from Systematic Investor. I will focus more on the European ans Asian markets as I have a home bias as well. However because of a lag of accurate long term total return stock and ETF quotes I will also use US data.

My expierence and my current quantitative systems in live trading are more tilted to short term Futures. When someone asks me what the heck I am doing for a living I automatically remember this video. I like it, because it exactly describes my mixed feelings about my 'investments'.



 

Monday, November 14, 2011

Saisonalität: Fosback Teil VI - Last but not least: Oil

Nachdem ich in Teil V zeigen konnte, dass auch Anleihen durchaus positive Anomalien am Monatsende aufweisen, will ich zum Abschluss noch Commodites untersuchen. Ich habe hierfür Öl (Nymex Crude Oil Futures/ICE Brent Crude Oil Futures) gewählt.
In meinen Überlegungen zu den Märkten und dem Fosback-Modell kamen mir Commodites in den Sinn, weil Sie in den letzten Jahren auch bei klassischen Investoren als Long-only Investment in die Portfolien aufgenommen wurden. Stichwort: Alternative Investments und deren positiven Effekte auf die Stabilität sowie die risikoadjustierte Performance eines traditionellen Portfolios.
Die Erwartung ist also, dass Öl in den letzten Jahren einen Effekt am Monatsende aufzeigt und dass dieser früher nicht so ausgeprägt war, als der Markt noch stärker von Supply/Demand bestimmt war. Die Endlos-Zeitreihe im Crude Öl Future beginnt März 1983. Der durchschnittliche Handelstag ist diesem Zeitraum war +0,008505 Punkte. Die Ergebnisse der Tabelle sind darum bereinigt und zeigen die Überrendite an. 
Anbei die Ergebnisse +- 5 Tage um den Ultimo nach Monaten getrennt:

Crude Oil Futures Mar '83 - Nov '11










Insgesamt zeigten die Tage rund um den Ultimo keinen positiven Effekt (negative Überrendite: -0,001 Punkte). Und bezüglich der Verteilung auf die Monate sind die Ergebnisse nicht so klar zyklisch wie bei Aktien. Der April und der November sind unterdurchschnittlich, während der Februar ein 'guter' Monat ist. Spannend ist aber der Blick auf die Verteilung der Ergebnisse vor und nach Ultimo. Die letzten 4 Handelstage eines Monats sind klar über Durchschnitt, der erste Tag des Monats ist neutral, während danach eine Periode 4 schlechter Tage folgte.

Der "gute" Zeitraum sieht im Zeitverlauf absolut betrachtet wie folgt aus:

Crude Oil Futures Mar '83 - Nov '11. Kauf 4 Tage vor, Verkauf am Ultimo
Bis 2005 ist mit dem einfachen Modell auch in diesem positiven Zeitraum vor Ultimo kein Gewinn erzielbar gewesen. Bemerkenswert ist jedoch was sich mit Beginn der Blase im Öl ab 2006 getan hat. Während es keine Überraschung ist, dass im extremen Bullmarkt auch ein Longinvestment am Monatsende Profit abwirft, so hat sich der positive Effekt bis heute durch die massive Korrektur gerettet. Dies könnte tatsächlich damit erklärbar sein, dass andere Player in den Markt gekommen sind, die Ihr Geld mehrheitlich zu bestimmten Terminen allokieren. Dies wird vielleicht auch von anderen Marktteilnehmern antizipiert, was den frühen Effekt vor Ultimo erklären könnte?

Lohnt sich der Blick auf den Zeitraum ab 2005 bis heute. Dabei wiederum die Ergebnisse der Tabelle um die durchschnittliche Tagesveränderung bereinigt (-0,00903):

Crude Oil Futures Jan' 05 - Nov '11
Der Performanceunterschied vor und nach Ultimo ist noch deutlicher als im Gesamtzeitraum. Insgesamt überwiegt der positive Effekt, was den Durchschnitt über alle Tage rund um den Ultimo absolut und relativ positiv werden lässt. Die Ergebnisse beim Nordseeöl (Brent Crude) fallen ähnlich aus.

Im Zeitverlauf  (Kauf  4 Handelstage vor, Verkauf am Ultimo):

Crude Oil Futures Jan '05- Nov '11. Kauf 4 Tage vor, Verkauf am Ultimo


Natürlich ist das eine Optimierung sich jeweils einen Zeitraum (ab 2005 und Kauf 4 Tage vor Ultimo) aus der Gesamtheit der Ergebnisse auszuwählen.
Falls allerdings jemand an Energiemärkten handelt, sollte er meiner Ansicht nach doch auf derart ausgeprägte Effekte achten. Ob meine Erklärungsversuche nun ausreichend sind, wage ich nicht zu sagen. Vielleicht hat jemand eine fundierte Erklärung parat?   

 

Es handelt sich bei diesem Blogeintrag um eine reine historische Betrachtung. 
Dies ist keine Empfehlung für etwaige Investitionsentscheidungen ! 

Friday, November 11, 2011

Chin Meyer erklärt Spekulationsblasen

Das sieht man mal das Talkshows auch manchmal echte Perlen enthalten können. Und Dirk Müller sieht ein wenig betröppelt aus.....als werde ihm gerade die Show gestohlen.



Das mit dem verlinkten Youtube-Video ist eine Ausnahme. Versprochen.......

Thursday, November 10, 2011

Saisonalität: Fosback Teil V - Auch der Bund-Future?

Im Teil IV betrachtete ich gestern den DAX, um zu zeigen, dass der deutsche Markt auch positive Effekte rund um den Monatsultimo aufweist. Überlegt man sich die Hintergründe dieses Effektes so müsste er in allen klassischen Anlageformen wie auch Anleihen nachweisbar sein.
Dazu nun eine ähnliche Analyse wie gestern mit dem Bund-Future, nur sind die Ergebnisse nicht in Prozent sondern Absolut dargestellt. Für die Endlos-Zeitreihe eines Futures werden die ausgelaufenen Kontrakte adjustiert - also so verschoben, dass sie nahtlos an den nächsten Kontrakt anschließen. Dies führt dazu, dass eine prozentuale Betrachtung nicht korrekt ist. 
Im Betrachtungszeitraum 1991 bis heute wies der Bund-Future einen durchschnittlichen Tagesgewinn von 0,0172 Punkten auf. Dies gilt es am Ultimo zu schlagen, um einen positiven Effekt aufzuzeigen. Die in der Tabelle gezeigten Ergebnisse sind um den durchschnittliche Tagesgewinn bereinigt. Ein Ergebnis grösser Null zeigt also eine überdurchschnittliche Performance auf.



Der gesamte Zeitraum fünf Handelstage vor Ultimo bis fünf Handelstage nach Ultimo zeigt nur 0,003 Punkte über einer durchschnittlichen Tagesveränderung. Allerdings sticht der Handelstag am Ultimo (Kauf zum Schluss ein Tag vor Ultimo, Verkauf am Ultimo zum Schluss) mit im Schnitt 0,059 Punkten hervor. Hinsichtlich der Verteilung auf die Monate zeigt sich kein so klarer Effekt wie bei den Aktienmärkten. Am ehesten lässt sich sagen, dass die saisonal schwächeren Aktienmonate tendenziell bessere Anleihemonate für dieses Modell waren.

Für mich sind kumulierte Zahlen und Durchschnittswerte keine gute Indikation, ob es gangbar ist eine Tradingstrategie zu entwickeln. Ich brauche immer visuelle Unterstützung durch Charts und Equitylinien (Graph der Systemergebnisse). Dort lässt sich mit einem Blick sagen, ob es in Frage kommt eine derartiges Modell als Input für eine Handelsstrategie zu verwenden. Insbesondere die Höhe DrawDowns, Länge von Verlustperioden sowie die allgemeine Stabilität der Ergebnisse sind hier für mich entscheidend. Daher hier die Ergebnisse wiederum als einfache Strategie im Verlauf mit Kauf zwei Handelstage vor Ultimo und Verkauf am Ultimo.

Bund-Future ab 1991 - Kauf zwei Tage vor, Verkauf am Ultimo


Auch hier durchaus ein gutes historisches Ergebnis ohne weitere Filter anzuwenden. Allerdings gilt es zu bedenken, dass der lange Bullmarkt hier seinen Anteil am Ergebnis hat. Zudem konnte das Modell in den ersten 9 Jahren nicht überzeugen.
Längere Halteperioden über den Ultimo hinaus verbessern zwar das Gesamtergebnis, führen aber zu einem wesentlich unruhigeren Verlauf mit grösseren Verlustphasen.


Es handelt sich bei diesem Blogeintrag um eine reine historische Betrachtung. 
Dies ist keine Empfehlung für etwaige Investitionsentscheidungen ! 
 
   

Wednesday, November 9, 2011

Saisonalität: Fosback Teil IV - Besser der DAX

Fazit für den US Markt aus Teil III zu Fosback und der positiven Monatseffekt um den Ultimo war, dass vorwiegend der erste Tag des Monats zu beachten ist. Zudem spiegelt sich auch die übergeordnete Saisonalität in den Ergebnissen wider.
Da auch ich einen Home Bias beim Anlegen und Traden habe, stellt sich die Frage ob der Effekt auch im DAX nutzbar ist. Dazu nun meine Auswertung der DAX Kasse ab 1988. Dargestellt sind durchschnittlichen Tagesergebnisses rund um den jeweiligen Ultimo - aufgesplittet nach Monaten. Dabei ist das durchschnittliche Tagesergebnis um den im Zeitraum durchschnittlichen Tagestrend (+0,03%) bereinigt. Es ist sozusagen die Überrendite. Die Tage lesen sich z.B. -2/-1: Kauf zum Schluss zwei Tage vor Ultimo und Verkauf zum Schluss einen Tag vor Ultimo.


 
Die Ergebnisse sind ähnlich denen im Dow Jones. Die Sommermonate zeigen keinen positiven Effekt und der beste Tag ist der erste im Monat (0/1) gefolgt vom dritten und zweiten Tag. Eine einfache Regel wäre Kauf einen Tag vor Ultimo und Verkauf drei Handelstage nach Ultimo ausser von Juli bis September. Dazu der Verlauf im Chart: Die gelbe Linie stellt die oben genannte Regel dar im unteren Teil dar. Die weiße Linie zeigt im Vergleich alle Monate.

DAX Kasse seit 1988 - Kauf einen Tag vor, Verkauf drei Tage nach Ultimo

Dafür, dass das Modell sehr einfach ist, zeigt es erstaunliche gute Werte und eine hohe Stabilität. Die "Sommerpause" hätte in 2011 hohe Verluste vermieden. Der aktuelle Monatswechsel Oktober/November allerdings (nicht im Chart/Backtest) wäre mit über -200 Punkten schmerzhaft gewesen.

Es handelt sich bei diesem Blogeintrag um eine reine historische Betrachtung. 
Dies ist keine Empfehlung für etwaige Investitionsentscheidungen ! 
 


Thursday, November 3, 2011

Saisonalität: Fosback Teil III - Saisonal zum Quadrat

In Teil II zu Fosback habe ich aufgezeigt, dass der wahre positive Monatsendeffekt am US-Aktienmarkt am ersten Handelstag des jeweilig nächsten Monats entsteht. Interessant aus meiner Sicht ist aber auch die Frage, wie sich die Effekte auf die einzelnen Monate verteilen. Daher habe ich eine Monatsübersicht erstellt, die das original Fosback-Modell (Kauf 2 Tage vor Ultimo und Verkauf 5 Tage nach Ultimo) und die simple Variante (Kauf am Ultimo, Verkauf am ersten Tag nach Ultimo) gegenüberstellt. Es geht wieder um den Dow Jones seit 1980.




Hier fallen sofort zwei Dinge auf: Die einfache Variante mit einem Tag Haltedauer hat für den Zeitraum in allen Monaten insgesamt ein positives Ergebnis erzielt. Und alleine der goldene Oktober hat im Fosback-Modell zu ~43 % des Ergebnisses beigetragen.

Der Dow Jones hat seit 1980 durchschnittlich jeden Tag um 1,42 Punkte zugelegt. Dies ist die Benchmark, um einen zusätzlichen positiven Effekt am Monatsende zu belegen. Da das simple Modell einen Tag Haltedauer hat, bereinige ich das Ergebnis pro Trade um 1,42 Punkte und das Fosback-Modell wegen der 7 Tage Haltedauer um 9,94 Punkte.





Wenn man den Aufwärtsdrift um 1,42 Punkte pro Tag im Dow herausrechnet, ist über alle Monate das einfache Modell klar überlegen. Das durchschnittliche Ergebnis pro Trade ist mit 14,90 zu 8,35 besser, kein Monat ist absolut im Minus und die Schwankung der Ergebnisse ist deutlich niedriger.

Die optimierte Strategie im Fosback-Modell wäre rückblickend im Februar und von Juli bis September das Handeln auszusetzen. Hier zeigt sich also die "normale" Saisonalität des Aktienmarktes sehr stark.


Dow seit 1980 - Fosback saisonal optimiert (gelb)



Lässt sich als Fazit sagen: das Fosback-Modell enthält aufgrund der relativ langen Haltedauer starke, "normale" saisonale Effekte, während das einfache Modell einen deutlich positiven Monatsendeffekt in den letzten 30 Jahren aufzeigt.

In den ersten Posts zu Fosback habe ich zum Vergleich einen 250 Tage gleitenden Durchschnitt als Filter benutzt. Beim Erstellen des heutigen Posts ist mir aufgefallen, dass er zwar im Allgemeinen die Trefferquoten und das Durchschnittsergebnis pro Trade verbessert, aber nicht wirklich gut ist. Deswegen habe ich diese Resultate heute weggelassen. Ein Trendfilter macht in diesem Zusammenhang sicher Sinn, aber nicht dieser.

Es handelt sich bei diesem Blogeintrag um eine reine historische Betrachtung. 
Dies ist keine Empfehlung für etwaige Investitionsentscheidungen ! 
 



Wednesday, November 2, 2011

Saisonalität: Fosback Teil II - Wo ist der Effekt?


Gestern habe ich das Timingmodell von Fosback betrachtet. Fazit: das Modell lief gut bis 2007, aber danach generierte es große Verlusttrades. Nun beschäftige ich mich schon länger mit Saisonalität und lese auch viele Blogs, die auch diese Themen betrachten. Daher ist mir bekannt, dass zumindest am US Aktienmarkt der erste Handelstag des Monats  besonders ertragreich war. Der Blog Quanting Dutchman verfolgt z.B. eine Strategie aus einem Portfolio besonders momentumstarke ETFs für die ersten 1-2 Tage des Monats zu kaufen. Also bietet es sich an zu überprüfen, an welchen Tagen überhaupt ein positiver Effekt auftrat.

Dow Jones seit 1980


Punkte
Punkte pro Trade/Tag
Trefferquote

ohne GD
mit GD 250
ohne GD
mit GD 250
ohne GD
mit GD 250
-3/-2
1.325
1.127
3,47
4,08
54,70%
56,20%
-2/-1
1.214
347
3,18
1,23
54,50%
54,60%
-1/0
-1.853
-1.551
-4,76
-5,50
48,60%
45,70%
0/1
6.233
5.311
16,32
18,90
58,40%
59,80%
1/2
1.533
818
4,01
2,93
56,50%
54,80%
2/3
613
769
1,61
2,73
49,20%
50,70%
3/4
-318
449
-0,83
1,59
52,90%
55,50%
4/5
-434
833
-1,14
3,01
47,90%
50,20%
Alle Tage
11.392
8.610
1,42
1,47
52,60%
53,10%
 

 











Die Tabelle liest sich wie folgt: z.B. "-3/-2" bedeutet Kauf 3 Tage vor Ultimo zum Schlußkurs und
Verkauf 2 Tage vor Ultimo zum Schlußkurs, usw.. "Alle Tage" zeigt zum Vergleich die Buy-and-Hold Strategie, also den Aufwärtsdrift den es auch erst mal zu schlagen gilt, damit ein zusätzlicher positiver Effekt zum Monatsende messbar wird. Die Ergebnisse sind jeweils mit 250 Tage gleitendem Durchschnitt als Filter wie auch ohne dargestellt.

Das ursprüngliche Fosback-Modell entspricht den blau eingefärbten Tagen - also insgesamt 7 Handelstage Haltedauer. Wie man schön sieht wäre dieses Modell bei Weitem nicht optimal gewesen. Der Effekt bezieht sich fast ausschließlich auf den ersten Tag des Monats (mit Abstrichen auch noch Tag 2). Alle anderen Tage verliefen eher durchschnittlich.

Zum Vergleich zu gestern der Chart mit nur dem ersten Tag des Monats:

Die gelbe Linie zeigt das Modell mit GD 250 Filter, die weiße Linie ohne Filter. Interessanterweise ist dieses noch einfachere Modell -mit nur einem Tag Haltedauer- seit 2007 nicht so abgebrochen wie das ursprüngliche Fosback-Modell mit 7 Tagen Haltedauer. 

Bleiben meinerseits noch mehr Fragen offen als beantwortet sind:
Wie sieht es mit 'guten' und 'schlechten' Börsenmonaten aus (also Saisonal zum Quadrat)? 
Gibt es noch einen positiven Effekt am Monatsende, wenn der Markt beim Einstieg schon überkauft ist?
Wie sehen andere Märkte aus: Dax, Bund, vielleicht sogar Öl?
-> Mehr demnächst.....


Es handelt sich bei diesem Blogeintrag um eine reine historische Betrachtung. 
Dies ist keine Empfehlung für etwaige Investitionsentscheidungen !