Die Prognose von Aktienkursen gehört zu den wichtigsten Bestandteilen des Asset-Allocation- sowie des Risiko-Optimierungsprozesses im modernen Anlagemanagement. In den letzten Jahrzehnten wurden in der wissenschaftlichen Forschung eine Vielzahl von unterschiedlichen Ansätzen zur Modellierung und Prognose von Aktienkurszeitreihen (z.B. ARCH-, GARCH- oder ARIMA-Modelle) entwickelt. Doch konnte letztlich kein hinreichend akkurates Prognoseinstrument aus diesen Modellen abgeleitet werden, wofür insgesamt der relativ hohe Zufallscharakter von Aktienkursen verantwortlich gemacht wird.

Reza Darius Montassér untersucht, in wie weit der Zufallscharakter durch Hinzunahme des Handelsvolumens als Filtergröße verringert werden kann. Unter Verwendung des von ihm entwickelten AVAS-Filters gelingt ihm eine signifikante Verringerung des Zufallscharakters. Mit Hilfe zweier unterschiedlicher Methoden der Technischen Analyse überprüft er dann in einem mehrere Millionen Datensätze umfassenden Testverfahren die Prognosequalität dieser Analyseform anhand der Ausgangszeitreihe sowie der AVAS-transformierten Reihe. Daneben formuliert er ein theoretisches Fundament für die Technische Analyse (dynamische Informationseffizienz), eine neue Methode zur Klassifizierung des Zufallscharakters (Alpha-Abweichung) und entwickelt ein neues Risikomaß (Sigma-Divergenz).

Autorentext
Dr. Reza Darius Montassér promovierte bei Prof. Dr. Reinhart Schmidt am Lehrstuhl für Finanzwirtschaft und Bankbetriebslehre der Universität Halle-Wittenberg. Er ist Direktor und Leiter der Wertpapier-Analyse des Bankhauses Reuschel & Co. in München, Autor vielfacher wissenschaftlicher Abhandlungen zur Technischen Analyse, Kolumnist bei der Financial Times Deutschland sowie der Münchner Merkur, regelmäßiger Gast bei den Nachrichtensendern N24 und n-tv sowie Autor des erfolgreichen Buches "Technische Analyse verstehen".

Inhalt

1. Einleitung.- 2. Relevante Grundlagen der Kapitalmarkttheorie.- 2.1 Informationseffizienz.- 2.2 Nichthandelstheorie.- 2.3 Grundlagen der Kurs-Volumen-Relation.- 2.4 Die Rolle des Handelsvolumens in der Technischen Analyse.- 2.5 Relevante Grundlagen der Technischen Analyse.- 2.6 Evaluierung der filter- und indikatorbasierenden Technischen Analyse.- 2.7 Zusammenfassung der wichtigsten Erkenntnisse der vorhergehenden Abschnitte.- 3. Die AVAS Transformation und deren empirische Anwendung.- 3.1 Die Rolle der Zeitdimension in der Technischen Analyse.- 3.2 Theoretische Basis für die AVAS-Transformation.- 3.3 Die Darstellungsweise der AVAS-Transformation.- 3.4 Praxisbeispiel.- 3.5 Aufbau und Methodik der empirischen Untersuchung.- 3.6 Zur Auswirkung der AVAS-Transformation auf die Originalzeitreihe.- 3.7 Auswirkung der AVAS-Transformation unter Verwertung der Ergebnisse der Performance-Tests.- 3.8 Ergebnisse der Performance-Tests für Aktien aus dem Dax-Segment.- 3.9 Abweichung von der angepassten Normalverteilung im Kontext eines markttechnisch ausgerichteten Asset Allocation-Prozesses.- 3.10 Weitere strukturelle Auswirkungen der AVAS-Transformation auf die zugrunde liegende Originalzeitreihe.- 4. Schluss.- Tabellenverzeichnis des Anhangs A.- Abbildungsverzeichnis des Anhangs B.- Abbildungsverzeichnis des Anhangs C.- Tabellenverzeichnis des Anhangs C.- Anhang A: Tabellen.- Anhang B: Grafiken.- Anhang C: Zu weiteren Ergebnissen der Stochastik-Oszillatoren.