Entwicklung deterministischer Handelssysteme

1. Einleitung

Das Spiel der Spiele erfreut sich in den vergangenen Jahren einer immer größeren Beliebtheit und Massentauglichkeit. Das Spiel der Spiele macht dabei viele der Spieler von einem Tag auf den anderen zu reichen Leuten. Das Spiel der Spiele führt aber auf der anderen Seite auch bei unzähligen Teilnehmern zu existenzgefährdenden Verlusten. Es nennt sich Börse, das Spiel, und verbreitete sich im vergangenen Jahrzehnt wie ein Virus in allen sozialen Schichten. Neue Medien, die Angst um die Altersvorsorge, der Börsenboom der späten 90er-Jahre, und ein erfolgreiche Vermarktung durch die Börsenindustrie waren der Nährboden für diesen Hype.

Meist „zocken“ die Marktteilnehmer jedoch ohne jegliches Konzept und ohne jegliche Disziplin und folgen dabei überwiegend ihrem „Bauch“. Angst und Gier sind die schlechten Ratgeber und diese führen zu irrationalen Entscheidungen. Von modernen Kapitalmarktmodellen oder komplexen Tradingstrategien haben die wenigsten Spekulanten Kenntnis. Sie sind geblendet von den scheinbar auf der Strasse liegenden Dollarscheinen und können kaum abschätzen, wie schwierig es ist - sollte es überhaupt längerfristig möglich sein - durch Stock-Picking und Timing den Markt zu schlagen. In dieser Arbeit wird versucht, eine mögliche Art des systematischen Spekulierens vorzustellen, bei der Angst und Gier weitgehend ausgeschaltet werden und so eventuell ein Weg zur Gewinnung von Überrenditen an Märkten geebnet wird.

Es werden Konzepte zur Entwicklung eines deterministischen Handelssystems vorgestellt. Dies ist ein Regelwerk, das Kauf- und Verkaufsempfehlungen für ein Wertpapier liefert. Eine solche automatische Strategie bewegt sich demnach auf der stark umstrittenen Dimension der Timingentscheidung bei Investitionsvorhaben. So widmet sich diese Arbeit zu Beginn dem Diskussionspunkt der Markteffizienz.

Ausgehend von der nur schwer zu überprüfenden These, dass die Preisentwicklungen an Märkten nicht zufällig zustande kommen, sondern sich – zumindest partiell - einer ausnutzbaren Systematik unterziehen, macht die Entwicklung eines mechanischen Handelssystems Sinn. Auch in der Praxis hat sich der Einsatz von mechanischen Handelssystem in den letzten Jahren mehr und mehr etabliert. Dem von der Wissenschaft meist propagierten Random-Walk Gedanken werden die Feststellung von Marktanomalien, die Ineffizienz der Märkte und Behavioral-Finance-Ansätze gegenübergestellt.

Diese Ideen bilden das Fundament der technischen Analyse und somit auch der mechanischen Handelssysteme. In der Arbeit wird die Unterscheidung zwischen diskretionärem und strikt mechanischem Handelsansatz besprochen und damit intensiv auf die Vorteile des Systemhandels eingegangen.

Bei der Konzeption eines Tradingsystems wird in einem ersten Schritt die Handelsregel definiert. Nach Wahl eines grundlegenden Systemansatzes wird die Handelsregel durch Set-Up und Entry geformt. Ersteres bringt das System in eine Wartestellung, zweiteres gibt den „Startschuss“ für eine Order. Wichtige Komponenten stellen in einem System neben der Handelsregel das Risiko- und Money-Management dar. Das Risiko-Management fungiert als eine Art Versicherung vor zu großen Verlusten. Neben diversen Stopp-Ansätzen werden Auswirkungen auf die verschiedenen Systemkennzahlen aufgezeigt. Mit dem Money-Management wird letztendlich bestimmt, wie viel Kapital in einem Trade eingesetzt wird. Die Abhandlung fokussiert sich auf Vor- und Nachteile der Fixed-Fractional-Ansätze (darunter auch Optimal f und Secure f) und Fixed-Ratio-Ansätze. Während des gesamten Entwicklungsprozesses müssen die Charaktereigenschaften des Systems mit den Charaktereigenschaften des Händlers abgeglichen werden. Der Prozess der Optimierung kann an einem profitablen Rohsystem begonnen werden.

Der Optimierungsprozess ist ein sehr kritischer Punkt bei der Entwicklung eines Systems. Denn die Gefahr des Over-Fitting ist akut. Ein System wird demnach so stark optimiert, dass es an die vergangene Datenmenge optimal angepasst, in Zukunft aber nicht mehr mit den Eigenschaften des Marktes fertig wird. Kritiker gehen davon aus, dass jede Art der Systemerstellung in irgendeiner Form ein Curve-Fitting darstellt. In der Arbeit werden Lösungsansätze mit verschiedenen Testreihen und verschiedenen Optimierungsparametern besprochen. Zudem wird die Aufgabe des Back-Testings, ein System über möglichst viele Marktsituation zu testen, behandelt. Verschiedene Konzepte zur Generierung unbekannter Daten werden in diesem Zusammenhang diskutiert.

Zur Bewertung und zum Vergleich von Handelssystemen werden verschiedene Methoden behandelt, die als Grundlage meist einen Risk-to-Reward-Gedanken pflegen. Dabei wird der Begriff Risiko unter einer Vielzahl von Aspekten beleuchtet und auch mit verschiedenen Definitionen belegt. Aber auch Kennzahlen, die den repräsentativen Charakter des Systems untersuchen, werden vorgestellt.

Auf der Basis der behandelten theoretischen Grundlagen wird durch die chronologische Entwicklung eines Muster-Systems die Anwendung in der Praxis verdeutlicht. Alle eigenen Systeme und Grafiken entstammen den Softwareprogrammen Supercharts 4.0 und Tradestation 2000 von OmegaResearch.

2.Vorüberlegungen zum systematischen Handel

2.1 Definitionen von Markteffizienz und Random-Walk

Solange Aktienmärkte existieren, haben Anleger versucht, die an der Börse herrschenden Aktienkursschwankungen auszunutzen. Dazu ist jedoch die Bestimmung vorteilhafter Transaktionszeitpunkte notwendig oder anders ausgedrückt: Timing. An der Effizienz von Timing-Entscheidungen ist allerdings schwerwiegende Kritik geübt worden. Markteffizienz und Random-Walk heißen dabei die Thesen der Timinggegner. Mit großen Anstrengungen wird versucht, über diese Thesen Aufschluss zu erhalten. Unzählige Untersuchungen zur Markteffizienz, zum Beweis von Kapitalmarktmodellen, zu eventuellen Ineffizienzen, zu Random-Walk-Hypothesen und zu Marktanomalien wurden durchgeführt. Kein Wunder, denn diese Phänomene sind entscheidend für den zu wählenden Investmentstil. Zu einem eindeutigen Ergebnis ist man bisher allerdings noch nicht gekommen.

Die Debatte um Markteffizienz wurde in den 60er Jahren angestoßen und ist bis heute aktuell. Eine Definition des Begriffs Markteffizienz kann aber nicht befriedigend gegeben werden. Die Literatur unterscheidet in kursorientierte und performanceorientierte Kapitalmarkteffizienz. Unter der Bezeichnung „kursorientiert“ wird allgemein die technische Effizienz, die Institutioneneffizienz und die Informationsverabreitungseffizienz gefasst. Die Gültigkeit der Portfolio-Theorie von Markowitz gilt bei technisch effizienten Märkten als gegeben. Aktienmärkte sind demnach effizient, wenn Vermögensumschichtungen keine Verbesserung der Rendite-Risiko-Position ergeben. Die Institutioneneffizienz bezieht sich auf die Durchführungs- und Abwicklungsmöglichkeiten von institutionellen Kapitalmarkttransaktionen. Je schneller beispielsweise eine Order ausgeführt wird, desto effizienter ist ein Markt.^[1]

Nach Fama werden drei Varianten der Informationseffizienz unterschieden. Gemäß der schwachen Form sind alle Informationen über vergangene Kursentwicklungen im aktuellen Kurs enthalten. Laut der halbstrengen oder halbschwachen Form sind alle öffentlich verfügbaren Informationen sofort in den Kursen verarbeitet. Völlige Informationseffizienz liegt bei der strengen Form vor. Alle denkbaren bewertungsrelevanten Informationen, auch Insiderwissen, haben bereits zur Bildung der Kurse beigetragen.^[2]

Mit einer höheren Informationseffizienz nach Fama nimmt auch die Sinnhaltigkeit von Prognosen ab. Bei der strengen Form ist jede Prognose sinnlos. Vorhersagen auf technischer oder fundamentaler Basis bringen bei der halbschwachen Form ohne Insiderwissen keinen Nutzen. Bei der definierten schwachen Form ermöglicht die Auswertung fundamentaler Daten Überrenditen, jedoch nicht die Analyse historischer Kursreihen, also die technische Analyse.^[3]

Nach der performanceorientierten Markteffizienz dürften auf einem effizienten Markt keine Überrenditen durch Informationsausnutzung nach Transaktionskosten erzielbar sein. Der Gewinn einer Informationsausnutzung würde demnach unter den Kosten der Informationsbeschaffung liegen. Mit dieser Definition sollte es professionellen Kapitalanlegern nicht gelingen besser als vergleichbare Marktindizes abzuschneiden. Empirische Studien haben gezeigt, dass vor allen Dingen mit einer Erhöhung des Zeithorizonts keine Outperformance von Investmentprofis zu erwarten ist.^[4] Fraglich ist jedoch, ob es sich bei den Untersuchungen um eine Überprüfung der performanceorientierten Markteffizienz gehandelt hat, oder ob nicht vielmehr die angewandte Methode der Investmentprofis getestet wurde.

Weiterhin muss zwischen Markteffizienz und Random-Walk differenziert werden. „Die von akademischen Kreisen insbesondere in den USA konzipierten und unter der Bezeichnung „Random-Walk-Hypothese“ vorgetragenen Thesen lauten, dass aufeinanderfolgende Aktienkursänderungen unabhängige, identisch verteilte Zufallsvariablen sind, mit der Folge, dass sich Aktienkurse nicht auf der Grundlage vergangener Aktienkurse prognostizieren lassen.“^[5] Es können demnach keine Strategien konzipiert werden, mit denen eine Überrendite zu erzielen ist.

Der Widerspruch zwischen technischer Analyse und Random-Walk-These ist offensichtlich. Entweder beschreiben Aktienkurse einen Random-Walk und die Verfahren der technischen Analyse sind sinnlos, oder die Random-Walk-Hypothese gibt kein zutreffendes Bild von Aktienkursverläufen wieder.^[6]

Die Beziehung zwischen Markteffizienz und Random-Walk lässt sich wie folgt beschreiben. Die These der Markteffizienz stellt eine abgeschwächte Form der Random-Walk-Hypothese dar. Denn nach ihr sind alle verfügbaren Informationen derart in den Kursen enthalten, dass sich nach Abzug von Opportunitätskosten keine Überrenditen erwirtschaften lassen. “Im Gegensatz zur Random-Walk-Hypothese konstatiert die Efficient-Market-Hypothese, dass der Aktienmarkt einige Unvollkommenheiten aufweist wie Transaktionskosten, Informationsbeschaffungskosten, vielleicht sogar zeitweilig eine ungleiche Informationsverteilung, dass diese Marktunvollkommenheit jedoch nicht groß genug ist, dass es möglich wäre, Strategien zu konzipieren, mit deren Hilfe sich eine überdurchschnittliche Rendite erzielen ließe.“^[7] Bis jetzt konnte ferner noch nicht belegt werden, dass bei vorherrschender Markteffizienz ein Random-Walk in den Kursen zu beobachten sein müsste. Mit einer Umkehr dieser Bedingung und einer Falsifizierung der Random-Walk-Hypothese könnte dann leicht die Ineffizienz der Märkte bewiesen werden.

2.2 Studien zur Hypothese des Random-Walks und der Markteffizienz

Zur Evaluierung der Markteffizienz und Random-Walk-Hypothesen wurden Unmengen an Studien konzipiert und durchgeführt. Den ersten Impuls setzte schon Louis Bachelier im Jahre 1900, als er in seiner Dissertation die Bewegungen von Commodity-Kursen überprüfte. Er kam damals zu dem Ergebnis, dass die Kursausschläge bei den Commodities dem Zufall unterliegen.^[8]

Bisher herrscht keine einstimmige Meinung zur Verifizierung der Random-Walk-Hypothese und der Markteffizienzhypothese, wobei in der Wissenschaft die Anschauung mehr in Richtung Markteffizienz neigt. Heri ist beispielsweise der Überzeugung, dass diese Thesen belegt sind. „Die Frage, ob die Preise tatsächlich zufallsgetrieben sind, wurde empirisch tiefgehend überprüft. Die Ergebnisse sprechen generell für die Random-Walk-Hypothese und damit für die Hypothese der effizienten Märkte.“^[9]

Schon im Zuge dieser Arbeit war es allerdings möglich, einige Studien zu finden, die zumindest die Thesen der Zufallsbewegung stark anzweifeln. Moore entdeckt unter 30 amerikanischen Aktien auf Wochenbasis 22 Aktien mit statistisch signifikant negativen Autokorrelationskoeffizienten.^[10] Fama erhält bei der Analyse von Tagesrenditen für ein Lag von eins bei elf von 30 DJIA-Werten Koeffizienten, die ungleich Null sind.^[11] Kemp konzipierte Run-Tests zu 51 britischen Aktien. Über die Hälfte der untersuchten Wertpapiere zeigten dabei signifikante Abhängigkeiten irgendeiner Art, so dass er vor einer Verallgemeinerung der Gültigkeit der Random-Walk-Hypothese warnte.^[12] Ebenfalls zu dieser Ansicht gelangt Conrad. In dessen Studie werden Run-Tests und Autokorrelationsuntersuchungen an 54 deutschen Aktiengesellschaften durchgeführt, wobei bei einer Vielzahl Abhängigkeiten zu Tage kamen. Nach dessen Meinung folgen Aktienkursverläufe keinem Random-Walk. Sie scheinen sich nicht sofort an neue Informationen, wie durch die Random-Walk-Hypothese gefordert, anzupassen.^[13] Die Ergebnisse von Conrad, werden durch Hecker bestätigt. In einer Untersuchung von 37 deutschen Aktien findet er 26 mit signifikanten Autokorrelationskoeffizienten.^[14] Nagler schließt daraus folgendes. „Deutsche Aktien scheinen die Tendenz zu besitzen, in Trends zu verlaufen.“^[15]

Ebenso folgert Ludwig aus einer Untersuchung am österreichischen Kapitalmarkt, dass „die Random-Walk-Hypothese [...] für die untersuchten Aktien an der Wiener Börse nicht zutrifft.“^[16] Denn Run-Tests, Autokorrelationsuntersuchungen und Spektralanalysen legten Abhängigkeiten der Kurse und Kursrenditen an den Tag. Jankowitsch trifft in Untersuchungen zur österreichischen Zinsstruktur auf Autokorrelationen bei den Kursen von Anleihen.^[17] Franke stößt bei einer Erforschung von Aktien deutscher Unternehmen auf signifikante Autokorrelationskoeffizienten in extremen Renditebreichen.^[18] Bei Krämer wird festgestellt, dass gewisse Renditekorrelationen größer sind als bisher in der Literatur dokumentiert und dass sich daraus auch nach Abzug von Transaktionskosten ökonomisch signifikante Überrenditen erzielen lassen.^[19]

Auch Untersuchungen, die nicht direkt auf einen Random-Walk abzielten, sondern den Beweis der Markteffizienz zum Gegenstand hatten, kamen zu keinem eindeutigen Ergebnis. Zahlreiche empirische Tests zur Gültigkeit der These der Informationseffizienz zeichnen kein klares Bild. Kleeberg schlussfolgert: Über die Fruchtbarkeit von Finanzmarktprognosen kann deshalb nicht generell entschieden werden.^[20]

Die Portfolio- und Kapitalmarkttheorie baut auf der Prämisse effizienter Märkte auf. Beweis für eine bestehende Markteffizienz könnte die empirische Evaluierung von klassischen Renditegenerierungsmodellen liefern, da Kapitalmarktgleichgewichtsmodelle eben die Gültigkeit der Effizienzthese unterstellen. Doch bieten nach Kleeberg die empirischen Befunde ein völlig diffuses Bild, sodass eine Beurteilung über die Erklärungskraft der verschiedenen Ansätze und deren Ausgangsbedingungen nicht eindeutig möglich ist.^[21] Das Übel bei der Überprüfung der Markteffizienz durch Kapitalmarktmodelle liegt in der Joint-Hypothesis-Theorie (verbundene Thesen). Denn danach ist es der Wissenschaft nur möglich, entweder eine Markteffizienz hinsichtlich eines Modells zu beweisen oder eine Gültigkeit des Modells zu belegen. Die Untersuchung zweier miteinander verknüpfter Thesen, von denen keine der beiden als verifiziert gelten kann, könne somit nicht zu einem eindeutigen Ergebnis führen.^[22]

Zweifel an den Effizienz –Theorien wurden zudem durch die Entdeckung von Kapitalmarktanomalien hervorgerufen. Darunter versteht man empirisch zu beobachtende Renditeentwicklungen, die im Widerspruch zu den Theorieaussagen der Kapitalmarkteffizienz stehen. Beispiele für solche Anomalien sind der Januareffekt als Renditesaisonalität und der Kleinfirmeneffekt (engl.: Size-Effekt: Aktien kleiner Unternehmen erzielten in den USA im langfristigen Durchschnitt höhere Renditen als die Aktien von großen Unternehmen) als Renditeanomalie. Doch erwiesen sich die gefundenen Anomalien laut Bruns oft als nicht ökonomisch signifikant.^[23] Allerdings wurde der Size-Effekt nicht nur in Amerika gefunden. Er wurde auch durch eine Untersuchung am deutschen Kapitalmarkt bestätigt.^[24] Über diese Ergebnisse lässt sich demnach erneut diskutieren.

Einhergehend mit Studien zur Markteffizienz wurden auch empirische Untersuchungen zur Verifizierung der technischen Aktienanalyse vollzogen. Beispielsweise kommt Götz zu dem Ergebnis, nachdem verschiedenste technische Indikatoren in dessen Studie getestet wurden, dass technische Analyse funktioniert. „Systematische Schwankungen im Kursverlauf deutscher Aktien sind auf Grund technischer Informationen festzustellen.“^[25] Klemm führte ebenso eine Untersuchung zur Berechtigung der technische Analyse durch. Als Basis dienten hierzu Autokorrelationsuntersuchungen des deutschen Aktienmarktes seit 1975. Auch er bringt hervor, dass durch den Einsatz technischer Instrumente Überrenditen erzielt werden können.^[26] Ferner zeigten Alexander^[27] und Cootner^[28], dass sich mit Timing-Strategien Renditen erzielen ließen, die teilweise weit über der Rendite von reinen Kauf- und Haltestrategien lagen.

Nagler kommt zu der Schlussfolgerung, dass „Timing-Strategien konzipiert werden können, die eine überlegene Rendite zu erzielen vermögen, sie aber gleichzeitig Monopolinformationen bleiben müssen, um ihre Überlegenheit nicht zu verlieren. Das bedeutet jedoch, dass sich Timing-Strategien nicht rezeptbuchartig von einem breiten Anlegerpublikum erfolgreich anwenden lassen.“^[29] Auch Arnold weist darauf hin. Keine Methode, wie gut oder schlecht sie aktuell auch funktionieren mag, wird konsistent in der Zukunft die gleichen Ergebnisse zeigen. Ein Indikator oder eine Methode können an Genauigkeit verlieren, sobald sie weitläufig bekannt sind.^[30]

Mit mehreren Problem müssen allerdings alle Studien kämpfen. Die Auswahl der zugrundeliegenden Daten ist der entscheidende Faktor für das Ergebnis einer Analyse. Fraglich ist deshalb, ob bei den empirischen Untersuchungen überhaupt von Relevanz gesprochen werden kann. Die untersuchten Daten beziehungsweise die untersuchten Zeitfenster können gewollt oder ungewollt immer so gewählt werden, dass verfälschte Ergebnisse zustande kommen. Und die Schwierigkeit liegt nun darin, zu bestimmen, ob die ausgewählten Daten eine Verallgemeinerung zulassen. Vielleicht würden Studien, die jetzt eine Bestätigung des Random-Walks präferieren in 100 Jahren zu gegenteiligen Ergebnissen führen. Vielleicht würden sich aber auch Studien, zu existierenden Autokorrelationen und erwirtschafteten Überrenditen mit der Zeit als falsch heraus stellen. Vielleicht ist es wirklich so, dass Anomalien nur zu bestimmten Zeiten zu beobachten sind. Die Komplexität des Problems läßt aktuell wohl keine sicheren Schlüsse zu. Und solange scheinen die meisten Studien eben nur für die gewählten Daten zu gelten.

Ferner ist es problematisch, Schlussfolgerungen von Ergebnissen statistischer Tests auf die Profitabilität von Timing-Strategien zu verallgemeinern. Jede Testmethode besitzt eigene Vor- und Nachteile. Eine Patentlösung, die auf jeden Datensatz anzuwenden wäre, gibt es bisher nicht. „Dies liegt zum einen darin begründet, dass statistische Tests nur bestimmte Arten von Abhängigkeiten aufzeigen können, zum anderen erweisen sie sich teilweise als nicht adäquat gegenüber der zu untersuchenden Problematik.“^[31] Der Test solcher Hypothesen ist demnach - wie bei der Joint-Hypothesis zur Markteffizienz - immer stark abhängig von den verschiedenen Testmethoden.^[32]

2.3 Erklärungsansätze für ein Fehlen von Markteffizienz

Die Befürworter der „Efficient-Market“-Theorie vertreten die Auffassung, dass das Marktgeschehen einer Logik oder Rationalität folge. Deren Argumentationsweise begründet sich auf den Lehren der klassischen Nationalökonomie, die darauf aufbauen, dass sich die Finanzmärkte auf einen Gleichgewichtszustand hinbewegen. Nach der klassischen Lehre wird das Gleichgewicht auch erreicht und es kann angenommen werden, dass vollkommenes Wissen und vollkommener Wettbewerb vorstellbar sind.

Heri formuliert dazu im Hinblick auf eine immer besser werdende Informationsdurchdringung. „Erstens führt die globale Vernetzung dazu, dass sich die preisrelevanten Informationen über die elektronischen Medien in sekundenschnelle weltweit verbreiten lassen (der Zeitvorsprung für eine erlesene Gemeinde von Anlegern ist also nicht mehr gegeben). Zweitens wird der größte Teil der Transaktionen an den Finanzmärkten durch professionelle Anleger, wie Fondsmanager und Pensionskassenverwalter getätigt. Diese werden durch eine Heerschar von Analysten und Researchabteilungen unterstützt, welche damit beschäftigt sind, alle eingehenden Meldungen aus der Makro- und Mikroökonomie zu verarbeiten und als Output die neuen Erwartungen in Form von Kauf- bzw. Verkaufsempfehlungen an die Fondsmanager und Vermögensverwalter weiterzugeben. Der eben geschilderte Prozess der Informationsverarbeitung geschieht ständig und in einem äußerst kompetitiven Umfeld.“^[33] Daraus resultiert, dass in den Märkten rationale Beziehungen herrschen müssten. Zu den Annahmen der „Efficient Market“-Theorie gehört demnach, dass sich jeder zu jedem beliebigen Zeitpunkt das vollkommene Verständnis der Finanzmärkte aneignen kann und dass somit die Märkte alle verfügbaren Informationen verarbeitet haben.^[34]

Fraglich bleibt aber trotzdem, wie dies funktionieren soll. Wie kann man in einer chaotischen Welt von einer effizienten Informationsdurchdringung ausgehen? Wie soll sich jeder Marktteilnehmer vollkommenes Verständnis aneignen können? Was ist vollkommenes Verständnis überhaupt? Versteht das eine Individuum die Information genauso wie das andere? Werden Informationen heute anders beurteilt als gestern? Was ist eine Information überhaupt? Werden Informationen nicht erst durch die Medien gemacht oder gar durch die Kurse selbst? Viele kritische Fragen, die das Fundament der Efficient-Market-Theorie doch anzweifeln lassen.

Die wohl größte Schwachstelle in der gesamten Kapitalmarktforschung ist, dass man von einem rationalen Investor ausgeht (dem homo oeconomicus). Man unterstellt einen risikoscheuen Anleger, der alle Informationen ins Kalkül nimmt und danach rational entscheidet.^[35] In anderen Wissenschaftsgebieten ist man schon lange von diesem rational agierenden Marktteilnehmer abgewichen (Musterbeispiel in der Betriebswirtschaftslehre ist das Marketing) und versucht Modelle um dieses irrationale Element zu kreieren.

Einer der bekanntesten Spekulanten der Welt, George Soros, ist der Überzeugung, dass die Welt kaum rational reagiert, dass es unmöglich ist etwas vollkommen zu verstehen. Vollkommenes Wissen ist nicht denkbar, denn das Verständnis einer Situation, an der man selbst teilnimmt, kann nicht als Wissen gewertet werden. Soros geht ferner davon aus, dass Angebot und Nachfrage maßgeblich von den Erwartungen der Marktteilnehmer bestimmt werden. Jede Kauf- und Verkaufsentscheidung stützt sich auf Kurserwartungen. Steigende Kurse tragen selbst dazu bei, dass erneut Käufer gelockt werden, da diese auch weiter steigende Kurse erwarten.^[36] So entwickeln sich in der Praxis beobachtbare Trends, die zur Rechtfertigung der technischen Analyse beitragen.

Auch Streissler sieht dies so. „Mir scheint der wichtigste Indikator für einen unhaltbaren Zustand einer Finanzmarktentwicklung der zu sein, dass die Anleger fast alles von einer weiteren Anlagewertpreissteigerung erwarten und wenig mehr von den laufenden Erträgen des Anlagegutes; also alles nur vom Wiederverkaufswert. Da eine Kurswertsteigerung nicht beliebig fortdauern kann, ist die entscheidende Frage, was passiert, wenn sie endet. Enttäuschte Erwartungen gibt es dann sicher, die Frage ist aber, ob die Anleger dann auch noch panikartig versuchen werden, den betreffenden Anlagemarkt zu verlassen.“^[37]

Rehkugler geht ebenfalls von nicht-rational agierenden Anlegern aus. Zahlreiche empirische Arbeiten belegen, dass die Kapitalanlage nicht notwendig dem in theoretischen Modellen meist unterstellten Bild des rationalen Entscheidungsträgers folgt, sondern dass aus den Umweltbedingungen sowie der persönlichen Disposition (Motivation, Kognition, Emotion) und Situation erwachsende Einflussfaktoren das Kapitalanlageverhalten mitbestimmen. Dies ist, sowohl für institutionelle als auch für private Investoren zu beobachten. Es finden sich z.B. starke Anzeichen für ein Herding-Verhalten von Investmentmanagern.^[38]

Kaufman wirft im Rahmen der Diskussion um den rationalen Anleger Bedenken zur Random-Walk-Theorie ein. Das stärkste Argument gegen diese Theorie ist die Antizipation von Kursen. Alle Marktteilnehmer wissen genau, wohin sich die Kurse nach der Bekanntgabe von Nachrichten bewegen. Wie nützlich oder unwahrscheinlich dies auch ist, es ist bei weitem nicht so bedeutend wie die Marktbewegung, die auf der Antizipation von folgenden Kursbewegungen basiert. Ein Beispiel: Wird der Leitzins innerhalb zweier Monat zweimal erhöht, sind die Erwartungen für eine weitere Heraufsetzung im darauffolgenden Monat sehr unterschiedlich. Der eine erwartet mit einer Wahrscheinlichkeit von 25% einen Anstieg, der andere rechnet zu 60% mit einer Erhöhung. Sollten die Preise sich bewegen, um die Meinung der Mehrheit widerzuspiegeln, ist das Gleichgewicht nur gegeben, solange der gesamte Markt die Erwartungen in der gleichen Weise zeigt. Da sich die Meinungen und damit die Erwartungen auf Grund verschiedenster Einflüsse ändern, ist die These der zufälligen Bewegung zu verneinen.^[39]

Neue Forschungsgebiete sind deshalb nötig, um die Rationalität der Investoren zu untersuchen. Im Gegensatz zur klassischen Ökonomie stellt Behavioral-Finance das Verhalten der Akteure in den Mittelpunkt. “Behavioral Finance beobachtet, wie Marktteilnehmer Informationen auswählen und verarbeiten, und fragt konsequenterweise auch nach den daraus resultierenden Entscheidungen. Und sie untersucht die Anomalien, das nur begrenzt Rationale im menschlichen Verhalten. Es hat sich gezeigt, dass die meisten Menschen immer wieder dieselben Fehler machen. Das bedeutet: Diese Fehler treten systematisch auf und sind daher vorhersehbar.“^[40]

Es bleibt festzuhalten, dass weder eine Befürwortung noch eine Widerlegung der beschriebenen Thesen empirisch nachgewiesen werden kann. Schon Fama sagt: “Thus, market efficiency per se is not testable.“^[41] Man könnte die Thesen gar zu einer Glaubensfrage erheben. Diese Abhandlung geht davon aus, dass in irgendeiner Art und Weise gewinnbringende Ineffizienzen vorherrschen. Dieser Ineffizienzen will sich die technische Analyse beziehungsweise der mechanische Handel zu Nutze machen.

2.4 Definition eines Handelssystems

Handelssysteme sind so alt wie die Börsen selbst. Nur, dass die ersten Systeme rein auf der Phantasie der Entwickler oder Anwender basierten und auch nur unter großen Mühen per Hand statistisch evaluiert werden konnten. Meist wurde dieser anstrengende Prozess unterlassen. Seit Erfindung des Computers sind allerdings auch komplexe und früher langwierige Tests an Datenreihen einfach geworden. Die Bewertung eines Systems wird nun anhand der historischen Untersuchungen vorgenommen. Doch was verbirgt sich genau hinter dem Begriff „Handelssystem“?

„Ein Handelssystem ist ein Satz von Regeln, der die Bedingungen für Kauf- bzw. Verkaufsentscheidungen unter Berücksichtigung von Risiko- und Money-Management-Aspekten definiert.“^[42]

Chande erläutert weiter: „Das Regelwerk eines Tradingsystems kann dabei entweder absolut fix sein oder gewisse Entscheidungsfreiheit gewähren; die Regeln können einfach oder sehr komplex gestaltet sein. ... Im Idealfall deckt das System dabei alle Bereiche des Tradings ab, von der Signalgenerierung über die Orderdurchführung bis hin zur Risikokontrolle.“^[43] Sind die Regeln eines System absolut fix, spricht man von einem deterministischen Handelssystem. Diese sollen Untersuchungsgegenstand dieser Arbeit sein. Die Orderdurchführung ist in den USA möglich und wird auch angewandt. Allerdings liegt in Deutschland ein Verbot der automatischen Orderdurchführung vor. Die meisten Systemanwender wollen die Handelssignale jedoch auch nicht von einem Computer durchführen lassen, da der geringste Fehler eines Rechners fatal enden könnte. Die Kontrolle über die computerisierten Systeme würde verloren gehen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Bestandteile eines Handelssystems; Quelle: Wittmer (System, 1998a), S. 97

Wie in Abbildung 1 ersichtlich, setzt sich ein Handelssystem nach der Meinung von Wittmer zu gleichen Teilen aus der Handelsregel, aus dem Risikomanagement, aus dem Money-Management und zu 10% aus Glück zusammen.

Die Handelsregel bestimmt den Einstiegs- und Ausstiegszeitpunkt eines Systems. Mit ihr wird versucht die Bewegung eines Marktes zu antizipieren und daraus Profit zu schlagen. Seit Erschaffung der Börsen haben sich hierzu unüberschaubar viele Ansätze gebildet, die meist aus der technischen Analyse stammen, aber auch von der Astrologie über Mondphasen bis zu Korrelationskonzepten mit Sportereignissen reichen.

Die Aufgabe des Risiko-Managements besteht darin, das mit der Ausführung eines generierten Handelssignals eingegangene Risiko zu quantifizieren. Risiko wird hierbei als die messbare Wahrscheinlichkeit der Verlusthöhe definiert. Die Meßmethoden stammen entweder aus der technischen oder der quantitativen Analyse.

Erstes Ziel des Money-Managements ist es, das Tradingkapital zu erhalten. Dieses zunächst trivial klingende Ziel relativiert sich schnell, hält man sich den hohen Prozentsatz der Tradingkonten vor Augen, die jährlich Auf Grund zu hoher Verluste geschlossen werden müssen. Ergebnisse empirischer Untersuchungen ergeben, dass 95 Prozent aller Konten in diesem Bereich nach durchschnittlich neun Monaten aufgegeben werden müssen.^[44]

Essenziell für die Konzeption des Money-Managements sind vier Fragen:

„1. Wie viel Prozent des gesamten Kapitals soll eingesetzt werden?
2. Wie viel Geld soll pro Einzeltrade riskiert werden?
3. Mit welchem dynamischen Hebel (Leverage, Exposure) soll das System gehandelt werden?
4. Wie kann das Kapital unter Berücksichtigung potenzieller Verluste erhalten werden?“^[45]

Die Handelsregel ist für ein System zwar wichtig, aber nicht allein entscheidend. Die Kombination mit Money-Management- und Risiko-Management-Modulen machen ein System erst komplett. Ferner sollte der Faktor Glück nicht unterschätzt werden. Statistische Methoden können den Anteil des Glücks in einem Handelssystem bestimmen.^[46]

Schon jetzt gilt es zu betonen, dass es nicht das universelle Tradingsystem gibt. „Jeder Trader eignet sich ein System an, welches zu seinem oder ihrem Tradingstil passt.“^[47]

2.5 Vergleich diskretionärer Handel mit mechanisch systematischem Handel

Ein Streitgebiet in der Wertpapier-Analyse ist die Wertung von diskretionären und strikt systematischen Ansätzen. Auch Wittmer unterscheidet Trader mit diskretionärem Ansatz und Trader mit 100% mechanisch systematischem Ansatz. „Diskretionäre Trader nutzen alle Inputs, die sie für einen Trade als relevant erachten: Fundamentaldaten, Technische Analyse, Nachrichten, Börsenbriefempfehlungen, Mondphasen – der Phantasie sind hier keine Grenzen gesetzt. [...] Mechanisch systematische Trader verwenden wenige, objektiv nachvollziehbare, konstante Regelsätze und gehen die Positionen in aller Regel ohne größere Emotionen ein. Dies funktioniert allerdings nur dann, wenn durch vorherige historische Tests anhand statistischer Signifikanz ein Vertrauen zu dem System aufgebaut worden ist.“^[48] Häufig sei ferner eine Kombination aus diesen beiden Grundtypen anzutreffen. Auch Dinapoli unterscheidet zwischen "nonjudgmental" Trading , Systeme die fix sind und keine persönliche Entscheidung erlauben, und "judgmental" Trading, bei dem der Händler auf der Grundlage von bestimmten Kriterien und in bestimmten Zusammenhängen offene Trading- Entscheidungen trifft.^[49]

Der Vergleich Computer zu Mensch ist in dieser Diskussion ausschlaggebend. Befürworter des systematischen Handels betonen die Konstanz, die Disziplin und die Zertifizierbarkeit eines Systems. Anhänger des diskretionären technischen Tradings unterstreichen die Fähigkeiten des Menschen gegenüber denen eines Computers. Der Mensch sieht mehr als der Computer, kann sich einen unbegrenzten Erfahrungsschatz aufbauen und besitzt Intuition.^[50]

Völlig außer acht gelassen wird hier jedoch der psychische Einfluss, dem der Mensch unterliegt. Unter Druck trifft er wesentlich schlechtere Entscheidungen. Werden Entscheidungen intuitiv gefällt, kann dies eine gewisse Zeit gut gehen. Gelangt der Trader jedoch in eine Verlustphase, gerät er unter einen solch hohen psychischen Druck, dass ihm die Entscheidungsfindung sehr schwer fällt und er nicht mehr aus dieser Verlustphase heraus findet.

Chande thematisiert ebenso die Unterscheidung zwischen instinktivem Trader und Computer-Trader. Allerdings berichtet er von starken Vorteilen der ersten Gruppe. Instinktive Trader haben die Möglichkeit schnell zwischen trendfolgendem und antizyklischem Verhalten zu wechseln. Sie haben die Möglichkeit den Zeithorizont ihrer Marktanalyse leicht anzupassen. Sie können ihr akzeptables Risiko an wechselnde Marktgegebenheiten angleichen und besitzen somit ein flexibleres Risikomanagement als Systemtrader. „Diese kleinen Unterschiede machen nicht selten den Schritt vom guten zum herausragenden Tradingerfolg aus. “^[51]

Allerdings ist das Talent zu instinktiven Tradingentscheidungen nur sehr wenigen in die Wiege gelegt und über 95 Prozent erleiden damit Schiffbruch. Für den „durchschnittlichen“ Trader bietet ein mechanisches System wahrscheinlich die größten Chancen auf Erfolg. Deshalb seien die Vorteile von deterministischen Handelssystemen hier detailliert aufgezählt.

Das Erreichen von Berechenbarkeit ist offensichtlich der wichtigste Grund für den Einsatz von mechanischen Systemen. “Die Messbarkeit der Ergebnisse bzw. die Möglichkeit einer Erfolgskontrolle [hat einen großen Vorteil] gegenüber jeder anderen Investitions- beziehungsweise Tradingmethode.“^[52] Unter der Annahme von wiederkehrendem Marktverhalten kann ein bestimmtes System getestet und nach statistischen Kennzahlen ausgewertet werden. So ist es möglich, Erwartungswerte für Systemkennzahlen wie den durchschnittlichen Gewinn oder den Totalverlust fest zu legen. Im Vorfeld können unprofitable Strategien aussortiert werden. Der aussagekräftige Vergleich von verschiedenen Systemen ist damit zu verwirklichen.

Zudem eliminiert ein Tradingsystem jeden Anflug von subjektiven Entscheidungseinflüssen. Die erreichte Objektivität löst den Anwender von Gefühlseinflüssen, von subjektiven Auslegungen und von menschlichen Fehlern. „Jedes Signal, welches zu einer Handlungsaktivität führt, ist in seiner Logik definiert und nachvollziehbar. In der Regel lassen sich so emotionale Kurzschlüsse im Praxiseinsatz vermeiden oder doch zumindest deutlich reduzieren.“^[53]

Von großem Nutzen ist weiterhin die Beständigkeit des systematischen Handels. Das System ist wie eine Maschine, die ohne Eingriffmöglichkeiten, ihre Befehle ausführt. Die Disziplin des Systems ist dem diszipliniertesten Trader bei weitem überlegen. Das System erreicht einen hohen Grad an Kontinuität.

Ein Hauptvorteil der Systemtrader liegt in den erhöhten Diversifikationsmöglichkeiten. Verschiedene Tradingansätze, Märkte und Zeithorizonte führen zu einer besseren Risikostreuung. Nach der Portfolio-Theorie sind somit gleiche Renditen bei vermindertem Risiko zu erwirtschaften.^[54] Der diskretionäre Trader ist überfordert, 20 Märkte auf drei unterschiedlichen Zeitebenen mit zehn verschiedenen Systemen (600 verschiedene Kombinationen) zu beobachten. Für den Computer ist dies kein Problem.

Beim „nonjudgmental“ Trading sieht Dinapoli vermehrt Nachteile. Er ist der Meinung, dass deterministische Systeme geringe Gewinn/Verlust-Verhältnisse vorweisen, und dass die meisten Systeme fehl schlagen. Das Ziel läge darin die Systeme zu handeln, während sie profitabel sind. Bei deterministischen Systemen sei auf Grund unvermeidlicher Drawdowns zudem mehr Kapital nötig. Vorteile des „judgmental“ Trading sieht Dinapoli wie Chande bei der Anwendung von extrem flexiblen Handelsansätzen. Ferner hat der Trader eine hochflexible persönliche Zeitplanung. Bei deterministischen Handelssystemen muss der Händler immer das System beobachten. Zudem werden dem „judgmental“-Ansatz hohes Gewinnpotenzial und extrem günstige Gewinn/Verlust- Verhältnisse zugesprochen. Auch kann mit relativ wenig Kapital gehandelt werden.^[55]

In der Literatur wird jedoch immer eines betont: der Händler muss sich mit seinem System wohl fühlen und darauf vertrauen. Ohne diese beiden Punkte fühlt sich der Händler unsicher und überdenkt viele der Handelssignale nochmals. Die Disziplin des Systems wird dann durch die Unsicherheit des Händlers zu Nichte gemacht. Das Vertrauen wird durch Systemtests und die Anpassung an die Präferenzen des Händlers erreicht. "Um die besten Resultate zu erzielen, muss jedes Handelssystem so geschaffen sein, dass es dem Temperament und den Präferenzen des Traders genügt."^[56] Ein und dasselbe Handelssystem kann sich für den einen Händler zu einem Verlierer, für den anderen Händler zu einem Gewinner entwickeln. Der eine hält es psychisch nicht durch, nach einer Serie von 20 Verlusttrades erneut ein Signal des Systems zu befolgen und steigt aus dem System aus. Der andere kann die 20 Verlusttrades ertragen und geht in Folge zehn dicke Gewinntrades ein, die den Handel profitabel machen. Der eine wird sagen, dass das System versagt hat, der andere wird der Meinung sein, dass das System hervorragend funktioniert.^[57]

3. Handelsregel eines Systems

3.1 Vergleich von verschiedenen System-Konzepten

Sinn und Zweck dieser Arbeit ist es nicht, auf die unzähligen Varianten von Systemansätzen einzugehen. Vielmehr soll ein Überblick über die in der Praxis häufig verwendeten Methoden gegeben werden. Denn viele Systemanwender vertreten die Meinung, dass der Ansatz für sich nicht das Kernelement eines Systems ausmacht. Alleine durch geschicktes Risk- und Money-Management wird die Profitabilität eines Systems gestaltet. Mancher Systementwickler behauptet sogar, dass sich Signale per Münzwurf in ein profitables System umwandeln lassen.

Oft wird in der Literatur die Unterscheidung von drei verschiedenen Marktphasen präferiert. Danach lassen sich Marktbewegungen in tendierend, trendlos und volatil differenzieren. Ein tendierender Markt charakterisiert sich durch einen länger andauernden, nachhaltigen und großen Anstieg oder Verfall der Kurse. Ein richtungsloser Markt hingegen definiert sich durch kleine unbedeutende Auf- und Abbewegungen der Kurse. Die generelle Tendenz ist seitwärts. Starke Sprünge im Kurs eines Wertpapiers sind Anzeichen für einen volatilen Markt. Solche Märkte werden von schnellen und unerwarteten Veränderungen in der Volatilität begleitet.^[58] In Abbildung 2 sind die verschiedenen Marktphasen graphisch gegenüber gestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Vergleich von Marktphasen; Quelle: Eigene Darstellung

Anhand der verschiedenen Märkte werden unterschiedliche Systemtypen konzipiert. Trendfolgesysteme versuchen, die großen Trends an Märkten abzuschöpfen. Deren Ziel ist es, zu Beginn eines Trends einzusteigen und zum Ende eines Trends auszusteigen. Die größte Gefahr besteht darin, dass eine große Bewegung verpasst wird und deshalb die Verluste in trendlosen Märkten zum Verhängnis werden. Zum Einsatz in trendlosen Märkten dienen Countertrend-Handelssysteme (Support and Resistance-Systeme oder Contratrend-Systeme). Deren Fokus liegt darin, in richtungslosen Märkten von kleineren Kursschwüngen zu profitieren. Das System versucht gegen die vorherrschende Marktbewegung Tief zu kaufen und Hoch zu verkaufen. Diese Konzepte generieren in tendierenden Märkten jedoch starke Verlustphasen. Bei einem Volatilitätsausbruchsystem wird bei starken Preis- und Volatilitätsveränderungen ein Signal in Richtung des erfolgten Ausbruchs gesendet. Die Position wird meist geschlossen, wenn die Volatilität wieder zurück geht. Allerdings produzieren solche Systeme nur kleine Gewinne.

Jedes dieser Konzepte hat seine Vor- und Nachteile. Jeder Ansatz stellt auch bestimmte Anforderungen an die psychische Substanz des Anwenders. Deshalb ist es nötig, dass Trader ihr System und dessen Eigenschaften genauestens kennen und ihm vertrauen. Der Trader muss die mentale Stärke besitzen dem System auch nach längeren Verlustphasen Glauben zu schenken. In folgender Abbildung werden die oben genannten Ansätze miteinander verglichen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Vergleich von Handelsansätzen; Quelle: Wittmer, Rudolf, „Das System-Design“, S. 108

Trendfolgende Handelssysteme sind meist längerfristig ausgerichtet. Sie versuchen einen Trend über einen längeren Zeitraum auszunutzen. Der Anwender muss jedoch in Kauf nehmen, dass das System wenig Signale sendet und dadurch statistisch weniger signifikant ist, dass diese Systeme eine geringe Trefferquote besitzen und dass bei den Trendfolgern viele kleine Verluste und hohe Drawdowns produziert werden. Countertrend-Systeme erarbeiten hingegen viele kleine Gewinne bei hohen Verlusten. Auf lange Sicht führt dies nach Meinung von Wittmer zu unprofitablen Systemen. Volatilitätssysteme besitzen den Nachteil, dass sie nur selten im Markt sind.^[59]

Allerdings sind damit die Ideen für Systemansätze bei weitem noch nicht erschöpft. Price-Pattern-Systeme versuchen nach Formationsmustern im Kursverlauf selbst zu handeln. Sie bestehen aus einem Ansatz, der direkt aus dem Kursverlauf bestimmte Regelmäßigkeiten zu erkennen weiß und daraus Schlussfolgerungen anstellt. Immer wieder auftretende Formationen will der Pattern-Ansatz ausnutzen. Die ältesten Regeln über Chart-Pattern stammen aus der japanischen Kerzenchartanalyse. Dort werden unzählige Formationen^[60] beschrieben, die die aktuelle Marktlage analysieren und deshalb Handlungsempfehlungen geben. Exemplarisch sei ein Pattern erklärt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Japanische Kerzenchartdarstellung und Bearish-Engulfing-Pattern; Quelle: Eigene Darstellung

Zunächst eine kurze Erläuterung zur Chartdarstellungsart: Für eine „Kerze“(Candle oder Bar) sind Daten zum Hoch (High), zum Tief (Low), zur Eröffnung (Open) und zum Schluss (Close) des Tages nötig. Eine ausgefüllte Kerze (hier schwarz) entsteht, wenn der Schlusskurs niedriger als die Eröffnung liegt, eine leere Kerze (hier weiß) dokumentiert, dass der Close über dem Open liegt. Das Rechteck zwischen Open und Close wird als Kerzenkörper bezeichnet. Die Strecke zwischen dem Körper und dem Hoch nennt man oberen Schatten, als Gegenstück dazu ist die Linie zwischen dem Kerzenkörper und dem Low der untere Schatten.

Tritt nach einem Aufwärtstrend eine lange schwarze Kerze nach einer weißen Kerze auf und umschließt die letztere mit ihrem Kerzenkörper den Kerzenkörper der ersten vollständig, ergibt sich daraus eine Bearish-Engulfing-Formation. Diese Formation wird als Trendumkehr interpretiert, d.h., dass nach dem Aufwärtstrend nun eine Abwärtsphase folgen dürfte. Im Systemhandel würde dies zu einer Short-Position führen. Das Bearish-Engulfing ist ein Beispiel für eine Pattern-Formation, die aus zwei Bars besteht. In der japanischen Candlestick-Analyse gibt es - wie oben erwähnt - eine Vielzahl solcher Formationen.

Cooper nennt ferner eine breite Palette an weiteren selbst entwickelten Pattern-Systemen.^[61] Meist kombiniert er jedoch die Chartpattern mit anderen Konzepten wie beispielsweise Trendfolgeindikatoren.

Eine andere Art von Handelsansätzen sind Zyklen- oder Saisonalitätensysteme. Diese Form des Ansatzes bezieht sich lediglich auf zeitliche Marktanomalien und berücksichtigt die Preisbewegung und das Preisniveau des zu handelnden Objektes nicht. Solche Systeme können auf der Basis bestimmter Zyklentheorien (z.B. Mondphasen, die das Handeln der Menschen beeinflussen) oder Saisonalitäten (z.B. Preisbewegungen bei Weizen auf Grund verschiedener Erntezeiten)^[62] aufbauen. Kober liefert einen Überblick zu grundlegenden Saisonalitätenstrategien und zur Gewinnung solcher Systematiken.^[63]

Auch fundamentale Daten können die Grundlage für die Konzeption eins Handelssystems bilden oder zumindest können fundamentale Ideen in eine Handelsregel miteinbezogen werden. Sowohl mikroökonomische (z.B. Umsatzwachstum, Kurs-Gewinn-Verhältnis) als auch makroökonomische Kennzahlen (z.B. konjunkturelle Frühindikatoren wie Verbrauchervertauenindizes) werden dafür eingesetzt.^[64] Allerdings ist die Gewinnung von Input-Daten und die Generierung von Handelssignalen sehr komplex. Da dies bisher mit handelsüblichen Programmen noch nicht möglich ist, bedarf es umfangreicher programmiertechnischer Unterstützung. Deshalb sind fundamentale Systeme noch nicht sehr weit verbreitet.

In der Praxis ist oft eine Kombination aus diesen verschiedenen Handelsansätzen zu beobachten. Dies macht Sinn, da eventuell Fehlsignale heraus gefiltert werden können oder eben gerade die Kombination aus zwei Ansätzen erst erfolgversprechend ist. Zu beachten ist bei der Zusammenführung von Signalen allerdings die Korrelation zwischen den Grundansätzen. Weisen zwei Ansätze, die miteinander kombiniert werden sollen, eine hohe positive Korrelation auf, würde es ausreichen, eines der beiden Signale zu verwenden. Das andere Signal ist redundant und führt nur zu unnötiger Komplexität.

Ferner sei nochmals betont, dass die obigen Ansätze nur schemenhaft behandelt wurden, da dies zum einen zu weit führen würde und zum anderen die Handelsregel auch nicht der alleinige erfolgsbringende Faktor eines Systems ist.

3.2 Handelbarkeit

Wichtig für alle Handelsansätze ist jedoch, dass diese „handelbar“ sind. Unter „handelbar“ versteht Wagner^[65] zum einen, dass hinter dem System eine Idee stecken muss. „Ein Handelssystem beginnt als Idee.“^[66] Die Idee entspringt dem Verhalten des Marktes, das beobachtet, gemessen oder vermutet wird. Eine Idee kann zum Beispiel bestimmte Zeitfaktoren beinhalten (Saisonalitäten, Mondphasen), sie kann aus bestimmten Pattern bestehen, sie kann sich Zyklen zu Nutze machen oder aus Arbitrage-Ansätzen begründet sein. Der Phantasie sind keine Grenzen gesetzt. Die Idee muss jedoch rational nachvollziehbar sein. Auch Kaufman betont bei der Suche nach verlässlichen Pattern das logische Argument, das dahinter stehen muss. Auf der Suche nach Beziehungen oder Korrelationen muss ein logischer Ansatz im Vordergrund stehen. So kann eine Untersuchung ergeben, dass bei einem Fall der Arbeitslosenrate um 2% der Verkauf an Häusern um 3% ansteigt. Dies scheint realistisch, da durch einen höheren Beschäftigungsgrad mehr Leute die Konditionen für einen Hauskauf erfüllen können und somit auch mehr Häuser verkauft werden.^[67] Auch nach Meinung des Autors werden in der Praxis sehr viele Beziehungen zwischen Datenreihen untersucht, die zum Großteil dem puren Zufall unterliegen. Unsinnige Beziehungen werden beispielsweise durch den Vergleich von Sportereignissen mit wirtschaftlichen Indikatoren ermittelt. Der Computer kann jede erdenkliche Datenreihe untersuchen und dort auch Pattern finden. Ihm ist egal, ob dabei ein logischer Zusammenhang besteht oder nicht.^[68]

Als zweites müssen nach Wagner für das Kriterium „Handelbarkeit“ die psychologischen Züge des Anwenders erfüllt sein. Wie schon zuvor erwähnt, muss der Händler die Eckdaten, die Vorteile und die Nachteile seines Systems kennen und mit diesem fertig werden.

Und als Drittes ist die Liquidität der Märkte zu betrachten. Ein System ist nur handelbar, wenn der Einsteig auch zu etwa dem Kurs erfolgen kann, zu dem das Signal generiert wird. Was nützt es, wenn der Händler ein Kaufsignal bei einem Kurs zu 100 bekommt und allein durch die zu große Kauforder der Kurs auf 110 steigt? Besitzt der Händler eine Position, besteht durch die geringe Liquidität die Gefahr, dass die Kurse stark hin und her springen. Vielleicht wird das System dabei ungewollt und unglücklich ausgestoppt. Oder der Preis bei der Auflösung der Position entspricht bei weitem nicht dem gewollten Kurs. Lebeau und Lucas gehen noch näher auf den Punkt Liquidität ein. Die Liquidität soll anhand der Kennzahlen Volumen und in den Futures-Märkten zusätzlich anhand der Kennzahl Open Interest bewertet werden. Neue Märkte sollen gemieden werden, da diese zu Beginn meist wenig frequentiert sind. Auch gilt es, die Liquidität etablierter Märkte zu beobachten, um austrocknende Märkte nicht ins Portfolio auf zu nehmen.^[69]

3.3 Verbreitung von Trendfolgesystemen

Chande ist der Auffassung, dass nur Trendfolgesysteme Sinn machen. Nach seinen Angaben zeigen Analysen, dass die durchschnittlichen Trendphasen in den meisten Marktsegmenten zwischen 15 und 18 Tage andauern. Die Trendphasen dieser Märkte sind im allgemeinen lang genug, um profitables Trading zu ermöglichen. Chande führte Untersuchungen zum Vergleich von Trendfolgesystemen mit Counter-Trend-Systemen durch, wobei verschiedene Systemarten auf verschiedenen Märkten getestet wurden. Er kommt zu dem Ergebnis, dass die Trendfolgeausrichtung für einen mittelfristig orientierten Trader wohl die bessere Wahl darstellt. Obwohl die echten Trendphasen doch relativ kurz andauern, können die in diesen Phasen erzielten Gewinne die Profite aus Trades in Seitwärtstrends bei weitem übersteigen. Der Grund hierfür liegt in der Dynamik der Kursbewegung, die in Trendphasen um ein Vielfaches höher ist.^[70]

Ebenso vertritt Wagner die Meinung^[71], dass trendfolgende Handelsansätze im Regelfall erfolgreicher sind. Vor allen Dingen für Anwender, die mit hohen Bankgebühren konfrontiert sind, scheint dies die beste Alternative. Trendfolgende Systematiken zeigen sich durch die geringe Anzahl an Trades nicht so gebührenabhängig wie Counter-Trend-Systeme. In der Praxis hat sich wohl auch weitestgehend der trendfolgende Ansatz durch gesetzt. „Man vermutet, dass der größte Teil der weltweit eingesetzten Handelssystematiken trendfolgend orientiert ist.“^[72]

Wagner sieht ferner das Bewegungsverhalten eines Marktes als Kriterium für die Wahl der Handelssystematik. „Traten in dem zu handelnden Markt in der Vergangenheit mehrfach ausgeprägte Trendverläufe auf, so ist die Wahrscheinlichkeit hoch, dass es auch in der Zukunft so weitergehen wird. Unter diesen Umständen spräche wohl mehr für den Einsatz von trendfolgenden Systemen als von Contratrend-Systematiken.“^[73] Märkte, bei denen Seitwärtsphasen (so genannte Handelsspannen, Staubereiche, Schiebezonen oder Leisten) überwiegen, würden sich in diesem Sinne für ein Counter-Trend Ansatz anbieten. Wagner geht jedoch nicht näher darauf ein, warum das Verhalten eines Marktes in der Vergangenheit auch in der Zukunft Bestand haben soll.

3.4 RMI-Trendfolgesystem als Beispiel

Zur Begleitung der theoretischen Grundlagen wird in dieser Abhandlung in mehreren Schritten ein deterministisches Handelssystem entwickelt. Dieses System soll die Brücke zwischen Theorie und Praxis schließen und die Kerngedanken plastischer darstellen. Später soll das System zwar nicht gehandelt, aber möglicherweise zu Prognosezwecken veröffentlicht werden. Darin liegt bereits ein kleiner Unterschied zu den in der Vermögensverwaltung eingesetzten Systemen. Die Differenzen zwischen dem Prognosesystem und einem real handelbaren System werden jedoch sehr klein sein.

Das Beispielsystem wird auf den US-amerikanischen Technologieindex Nasdaq (Kürzel: OTC) konstruiert. Der in der Börsenwelt bekannte High-Tech-Index existiert seit 1971 und beinhaltet über 5000 Einzelunternehmen. Auf diesen Index soll ein Trendfolgesystem entwickelt werden, da dies im Sinne des Prognosezwecks und den persönlichen Vorlieben des Autors ist. Der Index kann jedoch nicht real gehandelt werden. Deshalb sind der Kauf oder Verkauf fiktiv zu sehen. Eventuell wäre ein reeller Kauf über Zertifikate oder über den Erwerb der einzelnen Aktien des Indizes in der richtigen Gewichtung möglich. In dieser Arbeit wird die Nasdaq deshalb als sich selbständig verlängerndes Zertifikat ohne Ausgabeaufschlag behandelt. Das Zertifikat kommt mit seinen Eigenschaften denen einer Aktie sehr nahe.

Grundlage des Systems ist ein Trendfolgeindikator, der Relative-Momentum-Index (RMI), der sich auf der Basis der Kurse des Underlyings berechnet. Ein Trendfolgeindikator versucht, den vorherrschenden Trend anzuzeigen. Ein Trend in einem Wertpapier definiert sich – wie oben kurz erwähnt - durch eine Folge ansteigender oder fallender Hoch- und Tiefpunkte. „Eine Standarddefintion eines Aufwärtstrends ist das Aufeinanderfolgen von höheren Hochs und höheren Tiefs.“^[74] Dies illustriert Abbildung 5.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Aufwärtstrend in der NASDAQ von September ’99 bis März ’00, Quelle: Eigene Darstellung

Das Gegenstück dazu ist der Abwärtstrend. Er ist eine Folge tieferer Tiefs und tieferer Hochs. Ein Beispiel dazu liefert Abbildung 6.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Abwärtstrend in der NASDAQ von September ’00 bis Januar ’01, Quelle: Eigene Darstellung

Überdies wird ein Trend als „seitwärts“ bezeichnet, wenn keiner der oben genannten Trends zu identifizieren ist. Die Märkte tendieren ohne eine erkenntliche Richtung. Sie bewegen sich seitwärts. Die Kursnotierungen fallen oder steigen nur leicht.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Seitwärtstrend im Dow Jones Industrials von November ’00 bis März ’01, Quelle: Eigene Darstellung

Um die Logik eines trendfolgenden Ansatzes zu verstehen, ist es essenziell zu wissen, was zur Bildung von Trends führt. Unterstellt man effiziente Märkte, dürften solche Phänomene eigentlich nicht auftreten. In der Literatur wird das Trendverhalten meist auf die psychologischen Charaktermerkmale der Märkte zurückgeführt. „Das menschliche Verhalten wird von psychologischen Gesetzmäßigkeiten geprägt, die unsere Denk- und Handlungsweise beeinflusst.“^[75] Die psychologischen Gesetzmäßigkeiten bestimmen somit Kauf oder Verkaufsentscheidungen der Marktteilnehmer (vgl. Behavioral-Finance–Theorie). Sie beeinflussen das Angebot und die Nachfrage auf einem Markt. Wobei die Erwartungen der Marktteilnehmer dabei eine entscheidende Rolle spielen. Die Psyche des Menschen ist so gestrickt, dass er annimmt, dass das Vergangene auch in Zukunft Fortbestand haben wird. Bei steigenden Kursen geht der Marktteilnehmer weiter davon aus, dass die Kurse anziehen. Bei trendlosen Märkten gehen die Investoren davon aus, dass sich der Markt auch weiterhin seitwärts bewegen wird. Die Vorstellungskraft des Menschen ist in dieser Hinsicht begrenzt.

Marktteilnehmer erwarten beispielsweise, dass der Kurs eines Wertpapiers zwischen 95 und 100 schwanken wird. Das entspricht einer Seitwärtstendenz. Die Marktteilnehmer werden ihre Orders auch vermehrt innerhalb dieser Zone platzieren, da sie sonst nicht gefüllt werden. Jenseits der Seitwärtstendenz entsteht eine Art Order-Vakuum. Erfolgt ein Ausbruch aus der Seitwärtspanne, fehlen in dem Vakuum die Anschlussorders. Die Kurse werden schnell in eine Richtung gezogen. Mit diesem Kuranstieg oder –verfall verändern sich aber auch die Erwartungen der Marktteilnehmer die investiert sind und ebenfalls die Erwartungen derer, die noch nicht investiert sind. Erstere vergrößern ihre Kursziele und halten länger. Zweitere springen auf den fahrenden Zug, um von den erwarteten Preisbewegungen zu profitieren. Ein sich selbst verstärkender Kreislauf. Irgendwann wird ein Preisniveau erreicht, bei dem sich die Marktteilnehmer neu orientieren und die Rechtfertigung des aktuellen Kursniveaus hinterfragen. Eine neue Seitwärtsphase entsteht.^[76]

Wie der Name erahnen lässt, folgen „Trendfolger“ dem Trend. Sie versuchen einen Trend so lange anzuzeigen, bis er gewechselt hat. Ein Trendfolger kennt meist nur zwei Signale: Kaufen oder Verkaufen. Deren Nachteil ist jedoch, dass sie dem Trend stets hinterher hinken. „Kaufsignale (Ende eines Abwärtstrends, Beginn eines Aufwärtstrends) und Verkaufssignale (Ende eines Aufwärtstrends, Beginn eines Abwärtstrends) können erst eintreten, wenn sich der neue Trend bereits etabliert hat.“^[77] Dies resultiert aus der Berechnungsformel der Indikatoren. Trendfolgeindikatoren generieren ihre Signale mit einer mehr oder minder großen Zeitverzögerung und damit „relativ“ zu spät. Dies beruht darauf, dass sie meist eine Glättungskomponente beinhalten, die kleine Kursausschläge filtert. In Kauf genommen wird deshalb, dass der Kurs erst eine größere Bewegung zeigen muss, bevor ein Signal dreht.^[78]

Diese Gruppe von Indikatoren ist erfolgreich in stark tendierenden Märkten, also längerandauernden und nachhaltigen Auf- oder Abbewegungen. In Seitwärtsmärkten produzieren Trendfolger eine hohe Anzahl von Fehlsignalen, denn Kauf oder Verkaufssignale werden kurz bevor der Kurs wieder in die entgegen gesetzte Richtung wechselt gesendet.^[79] Näheres zu dem hier benutzten RMI wird in Kapitel 3.6 erklärt.

3.5 Festlegen eines Zeithorizonts

Die Frage des Zeithorizonts bestimmt sich bei einem deterministischen Handelssystem abermals durch die psychologischen Gegebenheiten des Händlers und durch die zur Verfügung stehende Zeit. Generell werden in der Praxis drei Zeitfenster unterschieden: Intraday-Basis, Tagesbasis und Wochenbasis. Der Anwender muss sich bewusst werden, ob er lange Positionen halten möchte oder ob er mehrere Trades täglich durchführen möchte, wobei keiner länger als ein bis zwei Tage dauern kann.

Der Intraday-Handel erfordert, dass der Anwender während der ganzen Börsensitzung das System überwachen muss, um Signale in Real-Time umzusetzen. Einer Unterteilung des Intraday-Handels in verschiedene Zeitfenster ist in der Praxis auch Gang und Gebe. Manche Händler verwenden Tickcharts, manche Minutencharts, andere Fünf-Minuten-Charts und wieder andere 30-Minuten-Fenster. Da bei diesem Ansatz die Überwachung des Systems während des ganzen Tages notwendig ist, hat er sich in der Masse noch nicht durchgesetzt. Dies ist ein Grund, warum der Handel auf Intradayebene als lukrativ erscheint. Um Überrenditen an Märkten zu erwirtschaften, muss man sich dort bewegen, wo sich die wenigsten durchschnittlichen Trader aufhalten. Denn Kursanomalien können nur so lange ausgenutzt werden, wie sie von den anderen Marktteilnehmern nicht bemerkt werden. Ist jedem Marktteilnehmer eine solche Anomalie bewusst und jeder versucht aus dieser Profit zu schlagen, wird die Anomalie automatisch verschwinden und kann nicht mehr gewinnbringend genutzt werden. Der Handel unter solch kurzfristigem Horizont birgt signifikante Vor- und Nachteile, derer sich jeder Entwickler und Anwender klar sein sollte (siehe Tabelle 1).

Abbildung in dieser Leseprobe nicht enthalten

Tab. 1: Vor- und Nachteile des Kurzfristhandels (Short-Term-Trading); Quelle: Eigene Darstellung^[80]

Der Handel auf Tagesbasis wird auch als End-of-Day-Handel bezeichnet. Die Signale werden erst am Schluss oder nach einer Börsensitzung generiert und müssen demnach zum Schlusskurs oder erst am nächsten Tag zur Eröffnung umgesetzt werden. Mit den wenigen Signalen ist ein deutlich geringerer Zeitaufwand verbunden. Diese Vorgehensweise empfiehlt sich vor allen Dingen für nicht-professionelle Systemtrader, die tagsüber einer anderweitigen Beschäftigung nachgehen wollen. Und so wird dieser Ansatz auch von der Masse der Systementwickler bevorzugt.

Schon weniger verbreitet ist der Einsatz von Wochensystemen. Um Charts auf Wochenbasis zu handeln, müssen die Handelsentscheidungen am Wochenende getroffen werden und dürfen bis zum Ende der nächsten Woche nicht verändert werden. Der Anwender braucht die Disziplin, während der Woche nicht auf die Märkte zu achten. Dies ist für die meisten Trader aber ein schwieriges Unterfangen. Deshalb befassen sich nur wenige Entwickler mit diesem Zeitfenster, obwohl auf Grund des Mangels an Tradern in diesem Horizont ebenfalls gute Chancen wahrzunehmen wären.^[81]

Die Eigenschaften von Tages und Wochensystemen sind sehr ähnlich. Deshalb können beide unter die Kategorie „längerfristiger Horizont“ zusammengefasst werden. Die Vor- und Nachteile eines längerfristigen Horizonts lauten wie folgt:

Abbildung in dieser Leseprobe nicht enthalten

Tab. 2: Vor- und Nachteile des Langfristhandels (Long-Term-Trading); Quelle: Eigene Darstellung^[82]

Das RMI-Beispielsystem wird auf Tagesbasis entwickelt. Zum einen dient dies dem Prognosezweck, zum anderen unterliegt dieser Zeithorizont den Präferenzen des Autors. Das Argument der Profitabilität eines länger- oder kürzerfristigen Horizonts ist hier weniger gültig, da es sich um ein fiktives Wertpapier handelt, in dem in diesem Sinne kein Markt besteht.

3.6 Das Set-Up-Signal

Bei der Generierung von Handelssignalen wird zwischen Set-Up und Entry differenziert. Das Set-Up ist die Bedingung oder der Satz von Bedingungen, der zutreffen muss, bevor überlegt wird eine Position im Markt einzugehen. Es ist zum Beispiel ein Indikator oder eine Gruppe von Indikatoren, die darauf hinweisen, sich für den Kauf oder Verkauf bereit zu machen. Unzählige Ansätze sind als Set-Up denkbar, jedoch sollte sich der Anwender immer eines bewusst sein: Um welche Art von System handelt es sich? Es ist essenziell zu erkennen, dass der verwendete Set-Up-Ansatz auch dem gewollten Systemtyp entspricht. Es wäre beispielsweise unsinnig (vielmehr verlustbringend), einen schnell oszillierenden Stochastik-Indikator, der zum Einsatz in Seitwärtsmärkten konstruiert wurde, zur Konzeption eines trendfolgenden Systems heranzuziehen.^[83]

Set-Ups beziehen sich auf Konditionen, die eintreten müssen, bevor irgendeine andere Aktion starten kann. Sie müssen vorfallen, bevor irgendein Markteintritt geschehen kann. Sie sind der bedeutendste Aspekt der meisten Eintritts- und Austrittsbestandteile eines jeden Systems. Oft sind die zuvor angesprochenen Handelsansätze, Ideen oder Konzepte bereits ein Set-Up. Für gewöhnlich sind Set-Ups kein direktes Kriterium für den Markteintritt, vielmehr sind sie ein notwendiges Kriterium, das man erwarten sollte, bevor erwägt wird, eine Position im Markt einzunehmen.^[84] Sinn der Set-Ups ist es, das System in eine Art Wartestellung zu versetzen. Auf Grund eines fundamentalen oder technischen Ansatzes wird zum Beispiel angezeigt, dass eine nachhaltige Trendbewegung zu erwarten ist. Das System befindet sich nun in den Startlöchern und wartet darauf, dass diese Bewegung beginnt. Das System wartet auf den Startschuss.

Meist wird den Set-Ups jedoch eine übermächtige Bedeutung in den Handelssystemen zugesprochen. In der Literatur wird immer wieder betont, dass das Set-Up nur einen geringen Teil des Erfolges eines Systems ausmacht. Deshalb sollte bei der Systementwicklung auch nur ein geringer Anteil auf die Auswahl und den Test von Set-Ups konzentriert werden. Die letzten Endes erfolgbringenden Bestandteile eines Systems sind das Risiko- und Money-Management.

Sehr nützlich sind nach Meinung von Tharp Set-Ups dann, wenn sie eine andere Datenquelle als den Preis als Grundlage besitzen. Solche Informationen können Zeit, fundamentale Daten, Volumen, Indexdaten, Volatilität usw. sein.^[85] Hierbei wird das zuvor angesprochene Problem der Korrelationen thematisiert. Signale, die wenig untereinander korrelieren, oder auch Signale, die wenig mit dem Kursverlauf (der Kursverlauf ist im Endeffekt auch ein Signal) korrelieren, sind bei der Konzeption eines deterministischen Handelssystems zu bevorzugen.

In der Literatur unterscheidet man oft verschiedene Set-Ups für verschiedene Märkte. So werden den Aktienmärkten andere Eigenschaften wie Futures-Märkten zugeordnet und dafür auch verschiedene Typen von Set-Ups vorgeschlagen. Zudem wird eine Unterscheidung von Long-Set-Ups und Short-Set-Ups in der Praxis präferiert, da fallende und steigende Märkte ebenso stark unterschiedliche Charaktereigenschaften an den Tag legen. Jedoch wird in dieser Arbeit nicht näher darauf eingegangen. Ob ein Set-Up funktioniert oder nicht, kann an dessen Logik überprüft werden. Die Eigenschaften des Set-Ups müssen an die Eigenschaften des Marktes angepasst sein. Zudem kann die Qualität eines Set-Ups durch Systemtests evaluiert werden.

Das RMI-Beispielsystem besitzt als Grundlage den RMI-Trendfolgeindikator. Er stellt das Set-Up des Systems dar. Das Konzept eines Trendfolgeindikators wurde in Kapitel 3.5 beschrieben. Folgend wird näher auf den RMI eingegangen. Der Relative-Momentum-Index wurde von Roger Altmann entwickelt und 1993 erstmals veröffentlicht. Als Ausgangspunkt diente der schon ältere „Relative-Stärke-Index“–Indikator (RSI). Der RMI gehört damit zu der neuen Generation an Indikatoren. Der RSI berechnet die durchschnittlichen Schlusskurse von gefallenen und gestiegenen Tagen der letzten n Börsensitzungen und setzt diese zueinander ins Verhältnis.^[86] Dem RMI-Indikator wird eine Momentum-Komponente hinzu gefügt. Mit dem Momentum „wird die Geschwindigkeit bzw. die Kraft oder Stärke einer Kursbewegung gemessen.“^[87] Der RMI bildet den n Tage gleitenden Durchschnitt von „Kurssteigerungen und Kursrückgänge[n] relativ zu einem Schlusskurs von vor x Tagen.“^[88] Beide Durchschnittswerte werden - wie beim RSI - zueinander ins Verhältnis gesetzt. Die Werte des RMI bewegen sich zwischen 0 und 100, da der Indikator normiert ist. Die Formeln zur Berechnung lauten:

Abbildung in dieser Leseprobe nicht enthalten

Die Parametereinstellungen werden in der Form (n/x) dargestellt. Gängig sind die 3/8er oder die 5/13er Einstellung. Je größer beide Parameter gewählt werden umso längerfristig ist die Ausrichtung des Indikators. In dieser Arbeit wird als Grundeinstellung eine 5/10er-Kombination verwandt. Ziel des Indikators ist es, den vorherrschenden Trend anzuzeigen. Solange der RMI oberhalb von 70 bis 80 läuft, indiziert dies einen Aufwärtstrend, unterhalb 30 bis 20 einen Abwärtstrend. Ferner kann das Kreuzen der Mittellinie bei 50 als Signalgenerierung interpretiert werden. Ein Kaufsignal wird gesendet, wenn der RMI von unten nach oben die Mittellinie durchstößt. Ein Verkaufssignal entsteht, wenn der RMI diese Linie von oben nach unten kreuzt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 8: Nasdaq mit RMI von Juni ’98 bis März ’99; Quelle: Eigene Darstellung

In Abbildung 8 ist unter dem Chart der Nasdaq der RMI-Indikator^[89] (rot) abgebildet. Die Linie pendelt zwischen 0 und 100. Blau ist die Mittellinie bei 50 gekennzeichnet. Bei einer Überkreuzung der Mittellinie mit dem RMI wird ein Signal gesendet. Im Nasdaq-Chart sind die Signale mit Pfeilen gekennzeichnet. Ein roter Pfeil bedeutet ein Verkaufssignal, ein blauer Pfeil ein Kaufsignal.

Diese Signale fungieren als Set-Up für das Beispielsystem. Steht der RMI auf „Kaufen“, muss sich das System bereit machen, ein Kaufsignal zu generieren. Steht der RMI auf „Verkaufen“, ist das System in Wartestellung für eine Verkaufsorder. Wird dieses Setup für sich als reines Stop-and-Reverse–System^[90] (SAR, d.h. eine Position wird solange gehalten bis durch den Indikator ein Gegensignal erzeugt wird) gehandelt, ergibt sich die später folgende Performance-Summary für den Testzeitraum 5. August 1992 bis 12. März 2001.

Da in der Arbeit die Bewertung von Tradingsystemen nicht tiefer behandelt wird, ist es an dieser Stelle nötig, zumindest einen kurzen Überblick über wichtige Systemkennzahlen zu liefern. Denn um Qualität oder Verbesserung eines Systems zu evaluieren, sind Vergleichsmaßstäbe notwendig. In der genutzten Software „TradeStation“ von OmegaResearch kann nach einem Systemtest die sogenannte Performance-Summary aufgerufen werden. Sie enthält eine Vielzahl von Kennzahlen und Bewertungsstudien. Und damit können verschiedene Systeme verglichen werden.

3.7 Einschub zur Systembewertung

Bei der statistischen Bewertung eines Systems unterscheidet man die Systemviabilität und die persönliche Bewertung. Unter Viabilität fallen folgende Kennzahlen:

Total-Net-Profits (Nettogewinn) : Der Nettogewinn ist für den Laien auf den ersten Blick die interessanteste Kennzahl. Sie zeigt den Gewinn oder Verlust in Dollar, den das System während der Testphase produziert hat. Je größer diese Zahl ist, umso besser. Allerdings ist sie eben nur auf den ersten Blick interessant. Denn diese Kennzahl besitzt wenig Aussagekraft über die Qualität eines Systems. Das Risiko spielt bei dieser Kennzahl keine Rolle. So könnte beispielsweise durch Hebel der Nettogewinn nach oben gedrückt werden, aber dadurch eben auch das Risiko gesteigert werden.

Total Number of Trades (Anzahl an Trades): Die zweite Zahl, die bei einem System interessant ist, ist die Anzahl der durchgeführten Trades. Dabei sollte es sich um eine statistisch signifikante Größe handeln. Je größer die Zahl, umso signifikanter ist das Ergebnis. Wright und LeBeau raten beispielsweise zu einer Mindestanzahl von 30 Trades.^[91]

Average-Trade (Durchschnittlicher Trade): Mit dieser Kennzahl wird der durchschnittliche Gewinn oder Verlust der Trades bestimmt. Er berechnet sich aus dem Netto-Gewinn dividiert durch die Anzahl der Trades. Diese Kennzahl ist insofern wichtig, da mit ihr die Kosten des Tradings (Kommission und Slippage) getragen werden müssen, falls dies nicht schon im Systemansatz implementiert ist. „Auch wenn bereits ein hoher Betrag für Slippage und Kommissionen angesetzt wurden, muss im durchschnittlichen Trade genügend Freiraum bestehen, um auch ein paar Ticks an Slippage mehr verkraften zu können.“^[92]

Ratio avg win/avg loss: Der durchschnittlichen Gewinntrade dividiert durch den durchschnittlichen Verlusttrade liefert die Kennzahl Ratio avg win/avg loss. Je größer diese Zahl ist, umso besser die Systemperformance. Allerdings ist zu sagen, dass Systeme mit hoher Frequenz oft eine schlechtes Ratio avg win/avg loss aufweisen. Diese Systeme versuchen durch viele kleine Gewinntrades Profit zu erwirtschaften. Der durchschnittliche Verlust ist dabei meist größer als der durchschnittliche Gewinn. Wittmer empfiehlt für Trendfolgesysteme einen Wert von mindestens zwei bis drei.^[93]

Maximum-Intra-Day-Drawdown (MAXID): Dieser Betrag beschreibt den maximalen Equity-Rückfall der während des gesamten Handels auftritt. Mit Equity wird im Systemhandel der Wert des Kontos bezeichnet. Nichtrealisierte Gewinne oder Verluste werden in der Equity berücksichtigt. Der MAXID ist der größte Betrag aus der Differenz eines Equity-Hochs und eines folgenden lokalen Equity-Tiefs. Hierzu ein Beispiel: In Trade 1 und in Trade 2 werden jeweils 100$ gewonnen. Darauf werden in Trade 3 50$ verloren. Ein Gewinn von 25$ erfolgt in Trade 4. Bei Trade 5 entsteht wieder ein Verlust von 50$. Das Hoch der Equity lag bei 200$, das Tief bei 125$. Daraus resultiert ein MAXID von 75$. Der MAXID berechnet den Betrag, der dafür notwendig ist, dass ein Kapitalrückgang zwischen zwei neuen Hochs in der Equity ausgestanden werden kann. Der Kapitalrückgang umfasst Verlusttrades, Kommissionen und Slippage. Der Betrag ist sehr wichtig, da dieses Geld notwendig ist, um einen Equity-Einbruch zu überstehen.^[94]

Return-on-Maximum-Drawdown (ROMID, Auszahlung aus dem maximalen Drawdown): Teilt man den Nettogewinn durch den maximalen Intra-Day-Drawdown erhält man den ROMID. Deshalb wird die Bewertungsziffer in der Literatur auch als Net Profit/ Max Drawdown bezeichnet. Der ROMID wird vornehmlich bei der Bewertung von Futures-Konten verwendet. Bei dieser Kennzahl wird davon ausgegangen, dass der MAXID das Investment ist. Der MAXID ist der Betrag, der benötigt wird, um ein System zu handeln. Auf Grundlage des MAXID wird die Auszahlung bewertet. Die Margin wird nicht berücksichtigt, da es üblich ist, die Margin in festverzinslichen Anlagen zu positionieren. Ferner ändern sich die Margin-Bedingungen von Zeit zu Zeit und so müsste ein durchschnittlicher Marginbetrag geschätzt werden. Der ROMID erlaubt eine Vergleichbarkeit von Futures-Systemen auf verschiedenen Märkten mit völlig unterschiedlichen Marginvorgaben. Er eliminiert die unterschiedlichen Marginbeträge. Der ROMID fokussiert sich auf das dem Risiko ausgesetzten Kapital.^[95]

Return-on-Account (Auszahlung aus dem Konto): Die Kennzahl Return-on-Account ist ähnlich dem ROMID. Sie berücksichtigt neben dem Drawdown auch die hinterlegte Margin und eventuelle Margin-Nachschüsse.

Largest-Winning-Trade (Größter Gewinntrade): Oft ist es ein Problem, dass ein großer Teil der Systemgewinne von einem Trade stammen. Würde man diesen Trade von der Systemperformance abziehen, würde sich die Rentabilität des Systems – und auch die anderen Kennzahlen - stark verschlechtern. Das System wäre ohne diesen Trade eventuell sogar nicht mehr handelbar. Grundgedanke ist, dass es sich bei diesem Trade um einen Zufallstreffer handelt, der in der Zukunft nicht mehr auftreten wird. Wright empfiehlt daher, dass der größte Gewinntrade keinesfalls mehr als 50% der aufaddierten Bruttogewinne oder 25% der Nettogewinne sein darf.^[96] Nach Meinung des Autors hat Wright hier jedoch die beiden Zahlen miteinander vertauscht, es muss also heißen 25% der Bruttogewinne und 50% der Nettogewinne.

[...]

^[1] Vgl. Bruns (Portfoliomanagement, 1996), S. 58ff

^[2] Vgl. Fama (Efficient Capital Markets, 1970), S. 383ff zitiert nach Bruns (Portfoliomanagement, 1996), S. 59f

^[3] Vgl. Kleeberg (Portfoliomanagement, 1998), S. 15

^[4] Vgl. Bruns (Portfoliomanagement, 1996), S. 62

^[5] Nagler (Timing-Probleme, 1979), S. 6f

^[6] Vgl. Nagler (Timing-Probleme, 1979), S. 8f

^[7] Nagler (Timing-Probleme, 1979), S. 55

^[8] Vgl. Dreman (Psychology and the Stock Market, 1977), S. 18

^[9] Heri (Markteffizienz), S. 3

^[10] Vgl. Moore (Changes in Common Stock Prices, 1964), S. 139-161 zitiert nach Nagler (Timing-Probleme, 1979), S. 43

^[11] Vgl. Fama (Stock Market-Prices), S. 34-105 zitiert nach Nagler (Timing-Probleme, 1979), S. 43

^[12] Vgl. Kemp (Random Walk Hypothesis, 1971), S. 44 zitiert nach Nagler (Timing-Probleme, 1979), S. 46

^[13] Vgl. Conrad (Stock Market Prices in Germany, 1973), S. 576-599 zitiert nach Nagler (Timing-Probleme, 1979), S. 46f

^[14] Vgl. Hecker (Aktienkursanalyse, 1974), S. 179ff und S. 190ff zitiert nach Nagler (Timing-Probleme, 1979), S. 47

^[15] Nagler (Timing-Probleme, 1979), S. 48

^[16] Ludwig (Random Walk österreichischer Aktien, 1992), S. 161

^[17] Siehe Jankowitsch (Zinsstruktur in Österreich)

^[18] Siehe Franke (Statistik der Finanzmärkte)

^[19] Siehe Krämer (Predictability of German Stocks, 1998), S. 635-639

^[20] Vgl. Kleeberg (Portfoliomanagement, 1998), S. 16

^[21] Vgl. Kleeberg (Portfoliomanagement, 1998), S. 14

^[22] Vgl. Bruns (Portfoliomanagement, 1996), S. 63f

^[23] Vgl. Bruns (Portfoliomanagement, 1996), S. 64ff

^[24] Siehe Beiker (Kleinfirmeneffekt, 1993)

^[25] Götz (Effizienzanalyse, 1990), S. 184

^[26] Siehe Klemm (Markteffizienz, 1997), S.99ff

^[27] Siehe Alexander (Trend or Random Walk, 1964), S. 338-372 zitiert nach Nagler (Timing-Probleme, 1979), S. 52

^[28] Siehe Cootner (Random vs. Systematic Changes, 1964), S. 231-252 zitiert nach Nagler (Timing-Probleme, 1979), S. 52

^[29] Nagler (Timing-Probleme, 1979), S. 97

^[30] Vgl. Arnold (Timing the Market, 1985), S. 12

^[31] Nagler (Timing-Probleme, 1979), S. 95

^[32] Siehe zur Diskussion von Zeitreihenanalyse-Methoden Grieser (Prozesse mit langem Gedächtnis)

^[33] Heri (Markteffizienz), S. 2

^[34] Vgl. Slater (George Soros, 1998), S. 24f

^[35] Siehe auch Bruns (Portfoliomanagement, 1996), S. 73

^[36] Vgl. Slater (George Soros, 1998), S. 20ff

^[37] Streissler (Finanzkrisen, 2000), S. 21

^[38] Vgl. Kleeberg (Portfoliomanagement, 1998), S. 9

^[39] Kaufman (Trading Systems, 1998), S. 3

^[40] Goldberg (Behavioral Finance)

^[41] Fama (1991), S. 1575f

^[42] Wittmer (System, 1998a), S. 96

^[43] Chande (Tradingkonzepte, 1999), S. 17

^[44] Vgl. Wittmer (System, 1998a), S. 96f

^[45] Wittmer (System, 1998a), S. 97

^[46] Vgl. Wittmer (System, 1998a), S. 97

^[47] Chande (Tradingkonzepte, 1999), S. 18

^[48] Wittmer (System, 1998a), S. 97

^[49] Siehe Dinapoli (Trading Methods, 1999), S. 3-10

^[50] Siehe auch Kaufman (Smarter Trading, 1995), S. 38f

^[51] Chande (Tradingkonzepte, 1999), S. 19

^[52] Wagner (Systemgrundlagen, 2000a), S. 54

^[53] Wagner (Systemgrundlagen, 2000a), S. 54

^[54] Chande (Tradingkonzepte, 1999), S. 21f

^[55] Vgl. Dinapoli (Trading Methods, 1999), S. 11f

^[56] LeBeau (Börsenanalyse, 1992), S. 1

^[57] Vgl. LeBeau (Börsenanalyse, 1992), S. 1

^[58] Vgl. Wright (Trading, 1998), S. 41ff

^[59] Siehe auch Wagner (Systemgrundlagen, 2000a), S. 56

^[60] Siehe hierzu das Buch von Nison, Steve (Candlesticks, 1994)

^[61] Siehe das Buch von Cooper (Strategien, 1998)

^[62] Vgl. Tharp (Trading Guide, 1999), S. 91-99

^[63] Siehe Kober (Seasonals, 2000), S. 111-114

^[64] Vgl. Tharp (Trading Guide, 1999), S. 87-91 und S. 184-189

^[65] Interview mit Uwe Wagner, Systemhandel Dt. Bank, 06.02.2001

^[66] Wittmer (Systemtests, 1998c), S. 99 und siehe hierzu auch Wright (Trading, 1998), S. 134

^[67] Vgl. Kaufman (Smarter Trading, 1995), S. 34f

^[68] Siehe auch Kaufman (Smarter Trading, 1995), S. 182

^[69] Siehe LeBeau (Börsenanalyse, 1992), S. 3-6

^[70] Siehe Chande (Tradingkonzepte, 1999), S. 81ff

^[71] Siehe Wagner (Handelssysteme, 2000b), S. 82

^[72] Wagner (Handelssysteme, 2000b), S. 82

^[73] Wagner (Systemgrundlagen, 2000a), S. 55

^[74] Schwager (Technische Analyse, 2000), S. 30

^[75] Florek (Trading-Dimensionen, 2000), S. 142

^[76] Vgl. Florek (Trading-Dimensionen, 2000), S. 143 und Slater (George Soros, 1998), S. 20ff

^[77] Müller (Technische Indikatoren, 1997), S. 24

^[78] Vgl. Florek (Trading-Dimensionen, 2000), S. 182

^[79] Siehe Müller (Technische Indikatoren, 1997), S. 24f

^[80] Vgl. aber Tharp (Trading Guide, 1999), S. 68

^[81] Vgl. Wright (Trading, 1998), S. 57

^[82] Vgl. aber Tharp (Trading Guide, 1999), S. 67

^[83] Vgl. Wright (Trading, 1998), S. 72f

^[84] Vgl. Tharp (Trading Guide, 1999), S. 171f

^[85] Vgl. Tharp (Trading Guide, 1999), S. 179-184

^[86] Vgl. Müller (Technische Indikatoren, 1997), S. 259

^[87] Vgl. Müller (Technische Indikatoren, 1997), S. 167

^[88] Florek (Trading-Dimensionen, 2000), S. 205

^[89] Easy-Language-Code für den Indikator Relative-Momentum-Index in Anlage I

^[90] Easy-Language-Code für das Relative-Momentum-Index–Stop-and-Reverse-System in Anlage II

^[91] Vgl. Wright (Trading, 1998), S. 151 und LeBeau (Börsenanalyse, 1992), S. 169

^[92] Wright (Trading, 1998), S. 151; Originaltext: “Even if you use a high number for slippage and commissions, you must have enough latitude in the average trade to cover several more ticks of slippage.”

^[93] Vgl. Wittmer (Systemtests, 1998c), S. 100f

^[94] Vgl. Wright (Trading, 1998), S. 152f

^[95] Siehe Wright (Trading, 1998), S. 149f

^[96] Vgl. Wright (Trading, 1998), S. 152