Stationaritätsregime und mechanischer Aktienhandel

Zusammenfassung

Diese Studie wendet die KM₂O-Langevin-Theorie an, um Aktienkursschwankungen als stationär, nicht stationär oder intermediär einzustufen. Anhand dieser Klassifizierung wählt sie zwischen zwei Signaltypen: gleitenden Durchschnitten für stationäre Phasen und psychologischen Linien, einem Oszillator, für nicht stationäre Phasen. Die Autoren stellen die Methode als Möglichkeit dar, mechanische Handelsentscheidungen an veränderte statistische Eigenschaften von Kursen anzupassen.

Sie testen die Beispielstrategie mit einem Backtest auf den Nikkei Stock Average und berichten einen geringen maximalen Drawdown, weshalb sie den Ansatz als risikoarm beschreiben. Das Dokument führt dieses Ergebnis als Beleg dafür an, dass die Stationaritätsanalyse für den Handel relevant sein kann. Es enthält jedoch keine numerischen Leistungskennzahlen, keinen Testzeitraum, keine Kosten und keinen Vergleich mit Benchmarks. Die Ergebnisse beschreiben daher eine historische Anwendung und belegen nicht, dass die Strategie in anderen Märkten oder unter anderen Bedingungen sicher oder wirksam bleibt.

Kernaussagen

• Die KM₂O-Langevin-Theorie dient dazu, Kursschwankungen stationären, nicht stationären und intermediären Phasen zuzuordnen.
• Die Beispielstrategie verwendet in stationären Phasen gleitende Durchschnitte.
• In nicht stationären Phasen kommen psychologische Linien als Oszillator zum Einsatz.
• Für einen Backtest auf den Nikkei Stock Average wird ein geringer maximaler Drawdown berichtet.
• Die Beschreibung lässt wichtige Backtest-Details wie Kosten, Zeitraum und Benchmark-Vergleiche aus.

Schlagwörter

# Stationarity analysis of the stock market data and its application to mechanical trading


# Stationarity analysis of the stock market data and its application to mechanical trading









This study proposes a scheme for stationarity analysis of stock price fluctuations based on KM$_2$O-Langevin theory. Using this scheme, we classify the time-series data of stock price fluctuations into three periods: stationary, non-stationary, and intermediate. We then suggest an example of a low-risk stock trading strategy to demonstrate the usefulness of our scheme by using actual stock index data. Our strategy uses a trend-based indicator, moving averages, for stationary periods and an oscillator-based indicator, psychological lines, for non-stationary periods to make trading decisions. Finally, we confirm that our strategy is a safe trading strategy with small maximum drawdown by back testing on the Nikkei Stock Average. Our study, the first to apply the stationarity analysis of KM$_2$O-Langevin theory to actual mechanical trading, opens up new avenues for stock price prediction.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.