Combining Technical and Fundamental Trading Strategies PDF

Shows a statistical arbitrage strategy on artificial data. The portfolio combining Technical and Fundamental Trading Strategies PDF are a result of combining the two stocks. As a trading strategy, statistical arbitrage is a heavily quantitative and computational approach to securities trading.


Författare: Ute Bonenkamp.
Die vorliegende Dissertationsschrift basiert auf der Grundidee, Aktien mit besonderem Kurspotential herauszufiltern. Prinzipiell bieten sich hierzu zwei Strategien an, die auf unterschiedlichen Prämissen fußen: die technische und die fundamentale Anlage. Die technische Anlage setzt auf die Fortsetzung bestehender Trends und verfolgt einen kurz- bis mittelfristigen Anlagehorizont. Die fundamentale Anlage hingegen zielt darauf ab, unterbewertete Aktien zu finden, um mittel- bis langfristig an deren Kursentwicklung hin zum fairen Preis zu partizipieren. In der Arbeit werden beide Anlagestrategien mit der Absicht kombiniert, komplementäre Effekte in Bezug auf die resultierenden Renditen zu erreichen. Hierzu wird exemplarisch auf zwei zentrale Strategien zurückgegriffen: die technische Momentumstrategie und die fundamentale Cashflowstrategie. Das heißt, Aktien mit hoher vergangener Rendite und hohen operativen Cashflows werden gekauft und Aktien mit geringer vergangener Rendite und geringen operativen Cashflows werden (leer)verkauft. Die Dissertationsschrift untersucht empirisch, inwieweit eine kombinierte Strategie zum Erfolg führt. Insbesondere wird empirisch gezeigt, dass eine Strategie, die auf hohen vergangenen Renditen und hohen operativen Cashflows basiert, eine signifikant positive risikoadjustierte Rendite (Überrendite) abwirft, die die Überrenditen „reiner“ Momentum- und Cashflowstrategien übersteigt. Ebenso wirft eine Anlage in Aktien mit geringen vergangenen Renditen und geringen Cashflows signifikant negative risikoadjustierte Renditen ab. Diese risikoadjustieren Renditen widersprechen der Effizienz der Märkte und führen somit zu der Frage, welche inadäquaten Reaktionen des Marktes verantwortlich waren. Diesem Problem widmet sich die Arbeit ebenfalls.

It involves data mining and statistical methods, as well as the use of automated trading systems. Portfolio construction is automated and consists of two phases. Because of the large number of stocks involved, the high portfolio turnover and the fairly small size of the effects one is trying to capture, the strategy is often implemented in an automated fashion and great attention is placed on reducing trading costs. Statistical arbitrage has become a major force at both hedge funds and investment banks.

Many bank proprietary operations now center to varying degrees around statistical arbitrage trading. Over a finite period of time, a low probability market movement may impose heavy short-term losses. If such short-term losses are greater than the investor’s funding to meet interim margin calls, its positions may need to be liquidated at a loss even when its strategy’s modeled forecasts ultimately turn out to be correct. Statistical arbitrage is also subject to model weakness as well as stock- or security-specific risk. The statistical relationship on which the model is based may be spurious, or may break down due to changes in the distribution of returns on the underlying assets.

Factors, which the model may not be aware of having exposure to, could become the significant drivers of price action in the markets, and the inverse applies also. A activity or even default for an individual name. Such an event would immediately invalidate the significance of any historical relationship assumed from empirical statistical analysis of the past data. It has also been argued that the events during August 2007 were linked to reduction of liquidity, possibly due to risk reduction by high-frequency market makers during that time.