Zunächst erfolgt in den theoretischen Grundlagen eine Definition der Momentum-Strategie und ihrer Eigenschaften. Es werden Studien verschiedener Autoren herangezogen, um die Möglichkeiten dieser Strategie aufzuzeigen. Dafür wird vorrangig auf Arbeiten aus Datenbanken wie Springer Link, Science Direct und EBSCO zurückgegriffen. Um die Entwicklung der Forschung über die MOM-Strategie darzulegen, werden ältere und aktuelle Studien dieses Fachgebietes in den Grundlagen thematisiert. Zudem wird darauf geachtet, dass die aufgeführten Quellen ein Peer-Review-Verfahren durchlaufen haben, sodass die Qualität der wissenschaftlichen Publikationen gewährleistet ist. Zusätzlich wird mit Bezug auf diese Strategie eine Brücke zum maschinellen Lernen (ML) geschlagen, um auf die Kombinationsmöglichkeiten von MOM-Strategie und Algorithmic Trading aufmerksam zu machen. Es folgt ein kurzer Exkurs über die relevante Mathematik, die im Zusammenhang mit der MOM-Strategie in der Literatur häufig Anwendung findet. Nachdem die Theorie der Untersuchung formuliert wurde, schließt sich eine empirische Analyse der MOM-Strategie an. Nach Erklärung der Methodik, die sich an den Ausführungen von Jegadeesh und Titman (1993) orientiert, erfolgt die Begründung der Datenauswahl. Die relevanten Informationen werden aus einem verfügbaren Bloomberg Terminal importiert und in Microsoft Excel weiterverarbeitet. Es schließt sich eine kurze Darstellung der Ergebnisse mit anschließender kritischer Würdigung der Resultate an. Die Arbeit endet mit dem Fazit und einem Ausblick auf eine interessante Forschungslücke.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Aufbau der Arbeit
2 Theoretische Grundlagen
2.1 Die Momentum-Strategie
2.2 Machine Learning
2.3 Statistik
3 Empirische Analyse
3.1 Datenauswahl
3.2 Methodik
3.3 Ergebnisse
3.4 Kritische Würdigung
4 Fazit und Ausblick
Zielsetzung & Forschungsschwerpunkte
Die vorliegende Arbeit untersucht auf Basis historischer Kursverläufe beim Stoxx Europe 600 Index, ob sich unter Anwendung der Momentum (MOM)-Strategie durch eine gezielte Auswahl von Wertpapieren mit starker oder schwacher Performance positive Gewinne bzw. Überrenditen erzielen lassen.
- Analyse der Momentum-Strategie und ihrer theoretischen Grundlagen.
- Untersuchung der Verknüpfung von Momentum-Strategien mit Machine Learning und Algorithmic Trading.
- Empirische Validierung der Performance der MOM-Strategie anhand des Stoxx Europe 600 Index im Zeitraum 2000 bis 2022.
- Betrachtung der Robustheit der Strategie in Sondersituationen wie Finanzkrisen und Pandemien.
- Kritische Würdigung der Markteffizienzhypothese im Kontext beobachtbarer Kursmuster.
Auszug aus dem Buch
2.1 Die Momentum-Strategie
Die Risiken hoher Verluste bei strategischen Investments erfordern adaptive Handelsstrategien. Es kann festgestellt werden, dass marktübergreifend Wertpapierrenditen mit ihrer vergangenen Performance korrelieren. Diese Korrelation wird als MOM-Anomalie bezeichnet und definiert sich an der Börse über einen kurzen bis mittelfristigen Zeitraum. Aus dieser Erkenntnis hat sich die MOM-Strategie entwickelt, die auf dem Phänomen beruht, dass unterschiedliche Assetklassen mit historisch positiver Performance diesen Trend fortsetzen, und daher ein Gegengewicht zur Random-Walk-Theorie darstellt. Diese Strategie zeigt sich im Zeitverlauf robust für kurz- bis mittelfristige Analysen, präsentiert allerdings schwächere Resultate für Untersuchungszeiträume von über einem Jahr.
Unter Berücksichtigung des systematischen Risikos zeigt sich ebenfalls, dass die MOM-Strategie abnorme Renditen erwirtschaften kann, wenn sie auf Hebelprodukte angewendet wird. Im Intraday-Handel kann sie ebenfalls Kauf- und Verkaufssignale für Wertpapiere bereitstellen. Bereits Robert Levy (1967) stellt in seiner Studie zur MOM-Strategie fest, dass innerhalb einer Auswahl von 200 Aktien der New York Stock Exchange über einen Zeitraum von 1960 bis 1965 die Wertpapiere mit einer positiven Performance über einen längeren Zeitraum auch darüber hinaus überdurchschnittlich steigen.
Jegadeesh und Titman (1993) präsentieren ebenfalls in ihrer Untersuchung anhand einer Wertpapierauswahl der New York Stock Exchange und der American Stock Exchange über die Betrachtung der Jahre 1965 bis 1989, dass durch eine MOM-Strategie überdurchschnittliche Renditen erwirtschaftet werden können und dass dieses Phänomen nicht mit einem Verzögerungseffekt zusammenhängt. Sie schließen aus ihrer Arbeit, dass durch die Anwendung der MOM-Strategie kurzfristige Preisüberreaktionen eines Wertpapiers provoziert werden. Außerdem verweisen sie auf eine mögliche Überreaktion des Marktes auf langfristige Informationen zur Unternehmensperspektive und vice versa.
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die Problemstellung der Arbeit im Hinblick auf die Effizienzmarkthypothese und führt in die Grundlagen der Momentum-Strategie ein.
2 Theoretische Grundlagen: Erläutert das Konzept der Momentum-Strategie, die Rolle des maschinellen Lernens bei Handelsstrategien sowie statistische Methoden zur Analyse von Börsetrends.
3 Empirische Analyse: Validiert die MOM-Strategie anhand des Stoxx Europe 600 Index unter Anwendung der J-month/K-month-Methodik und diskutiert die Resultate der Performancemessung.
4 Fazit und Ausblick: Führt die empirischen Ergebnisse zusammen und bewertet die Eignung der Momentum-Strategie als Entscheidungshilfe am Kapitalmarkt, unter Einbeziehung offener Forschungslücken.
Schlüsselwörter
Momentum-Strategie, Effizienzmarkthypothese, Stoxx Europe 600, Algorithmic Trading, Machine Learning, Überrendite, Relative-Stärke-Index, Kauf- und Verkaufssignale, Finanzmarktkrisen, Portfoliomanagement, Kapitalmarktanalyse, historische Kursverläufe, Datenanalyse, Handelsstrategien, Renditeanalyse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Effektivität von Momentum-Strategien, die darauf basieren, dass sich die Wertentwicklung von Wertpapieren aufgrund vergangener Kursverläufe korrelieren lässt und somit eine Vorhersage für zukünftige Renditen ermöglicht.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen die Finanzmarktanalyse, die Anwendung technischer Indikatoren (RSI, MACD), den Einsatz von Machine Learning im Handel sowie die Überprüfung von Portfoliostrategien in Krisenzeiten.
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist es, wissenschaftlich zu prüfen, ob Anleger durch die Anwendung der Momentum-Strategie auf Basis historischer Daten des Stoxx Europe 600 Index nachhaltig Gewinne oder Überrenditen erzielen konnten.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine empirische Analyse durchgeführt, die sich eng an der Methodik von Jegadeesh und Titman (1993) orientiert, wobei rohe Marktdaten mittels Excel ausgewertet und durch t-Tests auf ihre statistische Signifikanz geprüft wurden.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Herleitung der Strategie, die Erklärung relevanter ML-Algorithmen und technischer Indikatoren sowie die detaillierte empirische Auswertung verschiedener J-month/K-month-Strategien über einen Zeitraum von 22 Jahren.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich primär über die Begriffe Momentum-Strategie, Stoxx Europe 600, Kapitalmarkteffizienz, Machine Learning, Algorithmic Trading und empirische Renditeanalyse charakterisieren.
Warum ist die Analyse für Krisenzeiten besonders relevant?
Die Analyse ist relevant, da sie untersucht, ob die Momentum-Strategie über die Zeit hinweg robust gegenüber Marktverwerfungen – wie der Dotcom-Blase oder der Corona-Pandemie – bleibt und somit als verlässliches Werkzeug dienen kann.
Wie steht der Autor zur Effizienzmarkthypothese?
Der Autor stellt durch die erfolgreich nachgewiesenen Renditen der Momentum-Strategie die strikte Gültigkeit der Effizienzmarkthypothese nach Fama (1970) infrage, da er aufzeigt, dass Marktteilnehmer und Kursverläufe oft nicht streng rational agieren.
- Quote paper
- Philipp Stücker (Author), 2023, Lassen sich auf Basis historischer Kursverläufe Gewinne erzielen? Eine empirische Analyse, Munich, GRIN Verlag, https://www.grin.com/document/1413850
