Wissen I Grundlagen Trading

weitere Artikel Wissen

Anzeigen

Maschinen anstelle von Tradern?

Grundlagen Trading

Nicht die ganze Arbeit kann an den Computer ausgelagert werden. Doch einen Teil des Portfolios vom Computer bewirtschaften zu lassen, kann sich bezahlt machen. Die praktische Umsetzung eines Tradingsystems ist jedoch nicht ganz einfach. Der folgende Erfahrungsbericht stellt die Erstellung eines systematischen Tradingansatzes fĂŒr Futures dar, der als Bestandteil eines Long/ Short Equity Hedge Funds praktisch umgesetzt wird.

„Menschliche“ Faktoren beim Traden sind Verstand und Intuition. Im negativen Sinn beeinfl ussen aber auch Emotionen, SelbstĂŒberschĂ€tzung und Festhalten an falschen Entscheidungen die Performance des Traders. Technische Handelssysteme eliminieren diese negativen Faktoren und eignen sich daher, um Entscheidungen zu hinterfragen oder um das Portfoliorisiko durch einen technisch gehandelten Anteil insgesamt zu reduzieren.

Beim Handeln von Indexfutures orientieren sich Trader an Korrelationen zu anderen Indizes und Werten. Zum Beispiel soll sich eine steigende WĂ€hrung negativ auf Exportwerte auswirken, oder teurere Rohstoffe drĂŒcken auf die Margen der Industrie, Zinsanstiege verteuern Investitionen etc. Trader achten auf unzĂ€hlige Korrelationen, wobei jeder HĂ€ndler ein eigenes Universum an Indikatoren hat. Daraus entwickelt sich oft ein gutes GefĂŒhl fĂŒr das Verhalten von bestimmten Indizes. Mathematisch betrachtet, lĂ€uft im Kopf des Traders ein Multifaktormodell ab, wobei die Anzahl der Faktoren, die ein menschliches Gehirn erfassen kann, beschrĂ€nkt ist. Genau dasselbe Verhalten lĂ€sst sich aber auch auf den Computer ĂŒbertragen.

Das vorgestellte Modell unterscheidet sich von quantitativen AnsĂ€tzen insofern, als dass es nicht auf einzelne Aktienpositionen, sondern ausschliesslich auf vier Aktienindex-Futures ausgerichtet ist. Diese eignen sich besser fĂŒr ein systematisches Modell, da sie weniger stark von Ereignissen abhĂ€ngig sind, die einen massiven Kurseinfl uss haben Dabei ist die Auswahl der entscheidenden Faktoren dynamisch und Ă€ndert sich tĂ€glich.

Grundlagen eines Multifaktormodells

Ein einfaches Multifaktormodell hat die Form:

Index = X1A1 + X2A2+ ... + XnAn + ε

Wobei:
Xn = Faktorgewichtung
An = Faktorwert
ε = Errorterm

Das Ziel eines Multifaktormodells ist es, die Faktoren so zu gewichten, dass der Errorterm so gering wie möglich wird. Je geringer dieser nĂ€mlich ist, desto besser kann durch das Modell der Kurs des Index aus den einzelnen Faktoren berechnet werden. Im Kopf des Traders wird die Faktorgewichtung nach GefĂŒhl und Erfahrung und meist unbewusst umgesetzt. Umfragen haben ergeben, dass sich Trader und auch Analysten oft selber ĂŒberschĂ€tzen, wenn sie ihre eigenen Erfolge bewerten sollen. Das deutet darauf hin, dass der Errorterm meist unterschĂ€tzt wird.

Mehr Faktoren, kleinere Fehler und keine Emotionen

Im Unterschied zum Menschen kann ein Computer unzĂ€hlige Faktoren in ein solches Modell einfl ießen lassen, den Errorterm messen und diesen minimieren. Auch stellt die Interaktion der Faktoren fĂŒr Computer kein Problem dar. Im vorliegenden Modell werden 150 Faktoren aus den Bereichen Makroökonomie, Rohstoffe, Zinsen, verschiedene Indizes, Emerging Markets, technische Analysemodelle und fundamentale Daten sowie proprietĂ€re Methoden verwendet. Damit könnte man basierend auf Vergangenheitsdaten einen Index annĂ€hernd perfekt abbilden bzw. dessen Kursverlauf im Nachhinein nahezu vollstĂ€ndig hinsichtlich der Einfl ussfaktoren nachvollziehen.

Schwierigkeiten in der praktischen Umsetzung

Was in der Theorie relativ einfach erscheint, hat in der Praxis jedoch einige TĂŒcken. Denn wĂ€hrend der Computer stur und genau das Modell berechnen kann, fehlt es ihm an der Möglichkeit, eine Marktstimmung, exogene Ereignisse oder Nachrichten so zu verarbeiten, wie es ein Mensch kann. Gleichzeitig Ă€ndern sich die Einfl ussfaktoren auf Börsenindizes. In panischen Marktreaktionen werden die Indizes vielleicht von einem einzigen Ereignis oder Faktor angetrieben. Zum Beispiel hĂ€tte das vorgestellte Modell wĂ€hrend der Subprime-Korrektur kaum so gut funktioniert, wĂ€ren keine Credit-Indices in den Faktoren enthalten gewesen. In „normalen“ Situationen reagieren die Indizes auf eine viel breitere Palette von Einfl ĂŒssen. Unter dem Strich muss das Modell deshalb dynamisch sein, sprich, die Faktoren aktiv anpassen können. Und es muss erkennen, in welchen Situationen besser keine Trades aufgegeben werden.

Anstelle einer einfachen Berechnung muss stĂ€ndig ĂŒberprĂŒft werden, welche Einfl ĂŒsse die MĂ€rkte zur Berechnungszeit beherrschen. Das mĂŒssen zum einen genĂŒgend Faktoren sein, um sicherzustellen, dass sie ein Modell statistisch signifi kant beschreiben können. Gleichzeitig sollen Elemente, die keinen Einfl uss haben oder das Resultat negativ beeintrĂ€chtigen, ausgeklammert werden.

Jeder Faktor muss sich rechtfertigen

Der wichtigste Erfolgsfaktor ist, dass die Regression nicht nur innerhalb der Vergangenheitsdaten ein gutes Modell darstellt, sondern auch „out-of-sample“, also ausserhalb der Daten, die man fĂŒr die Berechnung herangezogen hat. Aus den 150 Faktoren können ĂŒber 1.045 (bzw. eine 1 mit 45 Nullen) verschiedene Faktor-Kombinationen gewĂ€hlt werden. Um das beste prĂ€diktive Modell zu fi nden, muss jeder Faktor seinen Informationsgehalt rechtfertigen. Aus den ĂŒbrig gebliebenen Faktoren (meistens um die zehn) wird dann das beste Modell berechnet, um die SchĂ€tzung fĂŒr die Rendite des betreffenden Index fĂŒr den nĂ€chsten Tag zu berechnen. FĂŒr die RenditeschĂ€tzung ist es entscheidend, dass die statistischen Modelle zu den real vorhandenen Daten passen.

Faktorgewichtung

Die Faktorgewichtung basiert dabei auf einem proprietĂ€ren Prozess. Es resultiert ein Modell, das im Backtesting auf einer tĂ€glichen Basis zu ca. 55 % die richtige Entscheidung getroffen hat. Wichtig ist hier nicht nur die Anzahl der richtigen Trades, sondern dass die darauf folgende KursverĂ€nderung relativ groß war. Wenn ein System zu 70 % richtig lag, allerdings nur dann, wenn die KursverĂ€nderung klein ist, und bei den großen Schwankungen Verluste macht, ist die Gesamtperformance wesentlich schlechter. Das rechtzeitige Erkennen von großen Bewegungen, also die Ausschöpfbarkeit der Richtungs-PrĂ€diktionen, ist fĂŒr das Modell deshalb ein SchlĂŒsselpunkt.

Risikomanagement

LĂ€sst man den Computer Trading-Entscheidungen fĂ€llen, spielt natĂŒrlich das Risikomanagement eine wichtige Rolle. Dieses basiert auf drei Stufen:

1. Erstens muss bei der Berechnung des Signals ausgeschlossen werden, dass qualitativ schlechte Signale in Trades enden. Hier muss das System mittels eines Filters erkennen, wann die Wahrscheinlichkeit eines Fehlers zu hoch ist, um das Signal umzusetzen.

2. Bei der Berechnung der Anzahl der zu handelnden Kontrakte muss eine Kombination resultieren, welche den Value-at-Risk begrenzt. Dies geschieht zum einen durch die Komposition des Portfolios, zum anderen durch die Berechnung von Stop-Loss- Limits.

3. Bei der Umsetzung schließlich muss sichergestellt werden, dass die richtige Anzahl gehandelt wird und dass die Richtung des Trades (Long oder Short) stimmt.

Des Weiteren ist beim tĂ€glichen Einsatz die Anpassung des Marktrisikos von entscheidender Bedeutung. Wichtig ist, dass in Stress- Phasen die Positionen rasch in der GrĂ¶ĂŸe angepasst werden, um extreme Verluste zu vermeiden. Andererseits muss auch rechtzeitig wieder die nötige RisikokapazitĂ€t zur VerfĂŒgung gestellt werden, um keine Performance einzubĂŒĂŸen. Das GARCH-Modell hat sich in der Praxis bewĂ€hrt, um diese Eigenschaften entsprechend zu modellieren.

Optimale Tradingzeit

Das Modell ist so ausgelegt, dass einmal tĂ€glich getraded wird und die Positionen dann bis zum nĂ€chsten Handelstag um dieselbe Zeit gehalten oder ausgestoppt werden. Zum Traden geeignet ist eine Zeit, in der es keine Verzerrungen gibt. Opening und Closing des Marktes sind damit bereits ausgeschlossen. Gleichzeitig soll fĂŒr die Skalierbarkeit des Modells ein relativ hohes Volumen in den entsprechenden Futures gehandelt werden. Optimal ist auch, wenn die Trades vom Risikomanager ĂŒberwacht werden können. WĂ€hrend die praktische Umsetzung auch in der Nacht durch den Computer mĂŒhelos umsetzbar ist, kann eine zusĂ€tzliche Konfi denz erreicht werden, wenn der Risikomanager die AusfĂŒhrung aktiv ĂŒberwachen kann.

Praktische Implementierung

FĂŒr eine einfache Umsetzung eignet sich eine elektronische Plattform, die man ĂŒber ein externes Programm ansteuern kann. Die Positionierung verlangt vier Schritte, die sequentiell ausgefĂŒhrt werden mĂŒssen. Kurz vor dem berechneten Tradingzeitpunkt mĂŒssen die Stop-Loss-Orders vom Vortag – falls sie nicht getriggered wurden – gelöscht werden. Zum Tradingzeitpunkt mĂŒssen die eineinzelnen Positionen angepasst werden. Das System muss also die Vortagesposition mit den berechneten Positionen fĂŒr den aktuellen Tag vergleichen und daraus berechnen, welche Trades notwendig sind.

Nach der Übermittlung dieser Trades muss die AusfĂŒhrung abgewartet werden. Die AusfĂŒhrungskurse sind wichtig, um die Stop- Losses zu berechnen und diese dann umgehend nachzureichen. Ob die Kalkulation der Trades bestĂ€tigt werden muss oder nicht, hĂ€ngt vom Vertrauen in das Programm ab. Im vorliegenden Fall, muss der Risikomanager noch die Positionsgrösse ĂŒberprĂŒfen und diese per Mausklick bestĂ€tigen. Dies startet eine Routine, welche die Trades zum berechneten Zeitpunkt ausfĂŒhrt, die Stop Losses berechnet und die letzteren dann nachreicht.

Nach einer ausfĂŒhrlichen Testphase kann dieser Zwischenschritt weggelassen werden und das System autonom agieren. Es muss dann aber fĂ€hig sein, UnregelmĂ€ssigkeiten zu erkennen und darauf zu reagieren, zum Beispiel durch das Glattstellen der offenen Futures- Positionen.

Das vorgestellte System wird nach lĂ€ngerer Testphase mittlerweile praktisch umgesetzt. Die letzten BörsenstĂŒrme hat es mit einer positiven Performance gut ĂŒberstanden. Es hat sich jedoch gezeigt, dass es fĂŒr europĂ€ische Indizes einfacher umzusetzen ist als fĂŒr US-Indizes. Dies kommt daher, dass in den USA die MĂ€rkte noch effi zienter sind und diverse große Hedge Funds ebenfalls mit solchen Modellen handeln. Unterschiedliche MĂ€rkte verlangen eben auch unterschiedliche AnsĂ€tze. Da sich die MĂ€rkte stĂ€ndig verĂ€ndern, genĂŒgt es nicht, einmal ein Modell zu entwickeln und es dann unverĂ€ndert handeln zu lassen. Die stetige Verfeinerung und die Erweiterung der Anzahl wĂ€hlbarer Faktoren sind unabdingbar. SpĂ€testens hier braucht es wieder Intuition und den menschlichen Verstand.

Dieser Artikel stammt aus dem !DERIVATE MAGAZIN.
Das ! DERIVATE MAGAZIN erhalten Sie quartalsweise an ausgewĂ€hlten Zeitungskiosken fĂŒr 10 Euro / Ausgabe . Bequemer ist der Bezug per Abonnement.
Gehen Sie hierfĂŒr auf unsere Webseite: www.derivate-online.de

Über den MenĂŒpunkt "Magazin" → "Print" gelangen Sie auf unsere Registrierungsseite (alternativ können Sie auch auf das obige Logo klicken). Hier finden Sie auch Liste der Verkaufsstellen. Ebenefalls auf dieser Webseite, unter "Magazin" > "Archiv", stehen fĂŒr Sie eine Reihe weiterer Artikel aus vergangenen Ausgaben kostenlos zum Download bereit.

Das !DERIVATE MAGAZIN ist die erste und einzige unabhĂ€ngige Print-Publikation, die sich umfassend dem Thema Derivate widmet. Daneben wird die stark an Bedeutung gewinnende Anlageklasse Hedgefonds in einer stĂ€ndigen Rubrik behandelt. Durch ihre kritische Berichterstattung schafft die erfahrene Redaktion, zusammen mit anerkannten Autoren aus Wissenschaft und Praxis, Orientierung ĂŒber die zunehmende Produktvielfalt und die aussichtsreichsten Anlagemöglichkeiten. Mit ĂŒber 140 Seiten ist das Derivate Magazin ein unverzichtbares Kompendium fĂŒr Professionals, Anlageberater und aktive Privatanleger. Das Magazin erscheint quartalsweise.

Anzeigen