Moving Averages: Was sind sie Unter den beliebtesten technischen Indikatoren werden gleitende Mittelwerte verwendet, um die Richtung des aktuellen Trends zu messen. Jede Art von gleitendem Durchschnitt (gemeinhin in diesem Tutorial als MA geschrieben) ist ein mathematisches Ergebnis, das durch Mittelung einer Anzahl von vergangenen Datenpunkten berechnet wird. Sobald dies bestimmt ist, wird der daraus resultierende Mittelwert auf eine Tabelle aufgetragen, um es den Händlern zu ermöglichen, auf geglättete Daten zu schauen, anstatt sich auf die täglichen Preisschwankungen zu konzentrieren, die in allen Finanzmärkten inhärent sind. Die einfachste Form eines gleitenden Durchschnitts, der als einfacher gleitender Durchschnitt (SMA) bekannt ist, wird berechnet, indem das arithmetische Mittel eines gegebenen Satzes von Werten genommen wird. Um beispielsweise einen gleitenden 10-Tage-Durchschnitt zu berechnen, würden Sie die Schlusskurse der letzten 10 Tage addieren und dann das Ergebnis mit 10 teilen. In Abbildung 1 ist die Summe der Preise für die letzten 10 Tage (110) Geteilt durch die Anzahl von Tagen (10), um den 10-Tage-Durchschnitt zu erreichen. Wenn ein Trader einen 50-Tage-Durchschnitt sehen möchte, würde die gleiche Art der Berechnung gemacht, aber er würde auch die Preise in den letzten 50 Tagen enthalten. Der daraus resultierende Durchschnitt unter (11) berücksichtigt die letzten 10 Datenpunkte, um den Händlern eine Vorstellung davon zu geben, wie ein Vermögenswert im Verhältnis zu den vergangenen 10 Tagen bewertet wird. Vielleicht fragen Sie sich, warum technische Händler nennen dieses Tool einen gleitenden Durchschnitt und nicht nur ein normaler Durchschnitt. Die Antwort ist, dass, wenn neue Werte verfügbar werden, die ältesten Datenpunkte aus dem Satz fallen gelassen werden müssen und neue Datenpunkte hereinkommen müssen, um sie zu ersetzen. Somit bewegt sich der Datensatz ständig auf neue Daten, sobald er verfügbar ist. Diese Berechnungsmethode stellt sicher, dass nur die aktuellen Informationen berücksichtigt werden. Wenn in Fig. 2 der neue Wert von 5 zu dem Satz hinzugefügt wird, bewegt sich das rote Feld (das die letzten 10 Datenpunkte darstellt) nach rechts und der letzte Wert von 15 wird aus der Berechnung entfernt. Weil der relativ kleine Wert von 5 den hohen Wert von 15 ersetzt, würden Sie erwarten, dass der Durchschnitt des Datensatzabbaus zu sehen, was er tut, in diesem Fall von 11 bis 10. Wie sehen sich die gleitenden Mittelwerte aus? MA berechnet worden sind, werden sie auf ein Diagramm aufgetragen und dann verbunden, um eine gleitende mittlere Linie zu erzeugen. Diese Kurvenlinien sind auf den Diagrammen der technischen Händler üblich, aber wie sie verwendet werden, können drastisch variieren (mehr dazu später). Wie Sie in Abbildung 3 sehen können, ist es möglich, mehr als einen gleitenden Durchschnitt zu irgendeinem Diagramm hinzuzufügen, indem man die Anzahl der Zeitperioden, die in der Berechnung verwendet werden, anpasst. Diese kurvenreichen Linien scheinen vielleicht ablenkend oder verwirrend auf den ersten, aber youll wachsen Sie daran gewöhnt, wie die Zeit vergeht. Die rote Linie ist einfach der durchschnittliche Preis in den letzten 50 Tagen, während die blaue Linie der durchschnittliche Preis in den letzten 100 Tagen ist. Nun, da Sie verstehen, was ein gleitender Durchschnitt ist und wie es aussieht, stellen Sie auch eine andere Art von gleitenden Durchschnitt ein und untersuchen, wie es sich von der zuvor genannten einfachen gleitenden Durchschnitt unterscheidet. Die einfache gleitende Durchschnitt ist sehr beliebt bei den Händlern, aber wie alle technischen Indikatoren, hat es seine Kritiker. Viele Personen argumentieren, dass die Nützlichkeit der SMA begrenzt ist, da jeder Punkt in der Datenreihe gleich gewichtet wird, unabhängig davon, wo er in der Sequenz auftritt. Kritiker argumentieren, dass die neuesten Daten bedeutender sind als die älteren Daten und sollten einen größeren Einfluss auf das Endergebnis haben. Als Reaktion auf diese Kritik begannen die Händler, den jüngsten Daten mehr Gewicht zu verleihen, was seitdem zur Erfindung verschiedener Arten von neuen Durchschnittswerten geführt hat, wobei der populärste der exponentielle gleitende Durchschnitt (EMA) ist. (Für weitere Informationen siehe Grundlagen der gewichteten gleitenden Mittelwerte und was ist der Unterschied zwischen einer SMA und einer EMA) Exponentieller gleitender Durchschnitt Der exponentielle gleitende Durchschnitt ist eine Art von gleitendem Durchschnitt, die den jüngsten Preisen mehr Gewicht verleiht, um sie reaktionsfähiger zu machen Zu neuen Informationen. Das Erlernen der etwas komplizierten Gleichung für die Berechnung einer EMA kann für viele Händler unnötig sein, da fast alle Kartierungspakete die Berechnungen für Sie durchführen. Jedoch für Sie Mathegeeks heraus dort, ist hier die EMA-Gleichung: Wenn Sie die Formel verwenden, um den ersten Punkt der EMA zu berechnen, können Sie feststellen, dass es keinen Wert gibt, der als das vorhergehende EMA benutzt werden kann. Dieses kleine Problem kann gelöst werden, indem man die Berechnung mit einem einfachen gleitenden Durchschnitt beginnt und mit der obigen Formel von dort fortsetzt. Wir haben Ihnen eine Beispielkalkulationstabelle zur Verfügung gestellt, die praktische Beispiele enthält, wie Sie sowohl einen einfachen gleitenden Durchschnitt als auch einen exponentiellen gleitenden Durchschnitt berechnen können. Der Unterschied zwischen der EMA und SMA Nun, da Sie ein besseres Verständnis haben, wie die SMA und die EMA berechnet werden, können wir einen Blick darauf werfen, wie sich diese Mittelwerte unterscheiden. Mit Blick auf die Berechnung der EMA, werden Sie feststellen, dass mehr Wert auf die jüngsten Datenpunkte gelegt wird, so dass es eine Art von gewichteten Durchschnitt. In Abbildung 5 sind die Anzahl der Zeitperioden, die in jedem Durchschnitt verwendet werden, identisch (15), aber die EMA reagiert schneller auf die sich ändernden Preise. Beachten Sie, wie die EMA einen höheren Wert hat, wenn der Preis steigt, und fällt schneller als die SMA, wenn der Preis sinkt. Diese Reaktionsfähigkeit ist der Hauptgrund, warum viele Händler es vorziehen, die EMA über die SMA zu verwenden. Was sind die verschiedenen Tage Durchschnittliche Mittelwerte sind eine völlig anpassbare Indikator, was bedeutet, dass der Benutzer frei wählen können, was Zeitrahmen sie bei der Schaffung der durchschnittlichen wollen. Die häufigsten Zeitabschnitte, die bei gleitenden Durchschnitten verwendet werden, sind 15, 20, 30, 50, 100 und 200 Tage. Je kürzer die Zeitspanne, die verwendet wird, um den Durchschnitt zu erzeugen, desto empfindlicher wird es für Preisänderungen sein. Je länger die Zeitspanne, desto weniger empfindlich, oder mehr geglättet, wird der Durchschnitt sein. Es gibt keinen richtigen Zeitrahmen für die Einrichtung Ihrer gleitenden Durchschnitte. Der beste Weg, um herauszufinden, welche am besten für Sie arbeitet, ist es, mit einer Reihe von verschiedenen Zeitperioden zu experimentieren, bis Sie eine finden, die zu Ihrer Strategie passt. Moving Averages: So verwenden Sie ThemPrice150Ergebnisverhältnisse als Forecaster of Returns: Die Börsenaussichten im Jahr 1996 von Robert J. Shiller Die Theorie, dass die Börse ungefähr eine zufällige Wanderung ist, sieht überhaupt nicht aus: Abbildung 1 ist ein (log-log ) Für jedes Jahr 19011501986 das Verhältnis des realen Standard - und des schlechten Index zehn Jahre später zum realen Index heute (auf der y-Achse) gegen ein bestimmtes price150earnings Verhältnis: das Verhältnis des realen Standard - und des schlechten zusammengesetzten Indexes für das erste Jahr des Zehnjahresintervalls, geteilt durch einen verzögert dreißigjährigen gleitenden Durchschnitt des realen Ergebnisses entsprechend dem Standard und dem schlechten Index (auf der x-Achse). Index Werte sind für Januar, Umwandlung von Nominalwerten in reale Werte erfolgt durch den Januar Producer Price Index. Die auf der x-Achse dargestellte Variable ist zu Beginn eines jeden zehnjährigen Intervalls öffentlich bekannt. Wenn die realen Aktienkurse ein zufälliger Weg waren, sollten sie unvorhersehbar sein, und es sollte eigentlich keine Beziehung zwischen y und x geben. Es scheint hier eine deutliche negative Beziehung zu geben. Der Wert von Januar 1996 für das auf der horizontalen Achse dargestellte Verhältnis ist 29,72, in der Figur mit einer vertikalen Linie dargestellt. Mit Blick auf das Diagramm ist es schwer, wegzukommen, ohne das Gefühl, dass der Markt in den kommenden zehn Jahren voraussichtlich deutlich an Wert verlieren wird, scheint es, dass langfristig Anleger für den nächsten Jahrzehnt aus dem Markt bleiben sollten. Ist diese Schlussfolgerung richtig, wie können wir sie mit dem weitverbreiteten öffentlichen Eindruck in Einklang bringen, dass die zufällige Weghypothese zumindest annähernd zutrifft. Verhältnisse als Indikatoren der Marktüberpreisung Das in Abbildung 1 (und in der folgenden Abbildung) dargestellte Streudiagramm ist ungewöhnlich, Maßnahmen auf beiden Achsen beziehen sich auf die Langfristigkeit. Die Verhältnisse von Börsenindizes zu Kennzahlen des Grundwerts (wie z. B. Erträge) als Indikatoren für die Aussichten für den Markt scheinen am sinnvollsten zu sein, wenn sie sich auf lange Sicht korrekt beziehen, das ist die Lehre aus einer Reihe neuer Papiere. Der Nenner des Verhältnisses sollte ein gewisser Maßstab für den langfristigen Grundwert sein, wie das langfristige Ergebnis, und die Prognosen für den zu prognostizierenden Markt sollten langfristig sein. John Campbell und ich studierten die Beziehung in der Abbildung dargestellt in einer Reihe von Papieren in den späten 1980er Jahren geschrieben. Die R 2 in einer Regression des in 1 gezeigten Streudiagramms, dh der Logarithmenrate der Preise auf das logarithmische Einkommensverhältnis, beträgt 0,514, was bedeutet, dass über dieses Intervall von 1901 bis 1986 mehr als die Hälfte des Zeitraffer - Könnte die Varianz der (log) Preisänderung im Voraus durch dieses einfache Verhältnis erklärt worden sein. Es gibt einige Bedenken hinsichtlich der Interpretation dieser Streuung aufgrund möglicher kleiner Sample-Effekte, aber die Stärke der Assoziation scheint so stark zu sein, dass diese Relation nicht mit den effizienten Märkten oder dem Random-Walk-Modell übereinstimmt. Das Verhältnis, das hier verwendet wird, um die Aktienkursveränderungen vorherzusagen, das Verhältnis des realen Preises zu einem dreißigjährigen gleitenden Durchschnitt des realen Ergebnisses, ist tendenziell höher als das herkömmliche Preis-Gewinn-Verhältnis, weil die Erträge tendenziell über dreißig Jahre wachsen und somit der Nenner Des Verhältnisses dazu neigt, gering zu sein. Somit ist das mittlere Verhältnis höher als man erwarten könnte, das durchschnittliche Verhältnis über die gezeigte Probe beträgt 18,28. Heute mit einem Verhältnis von 29.72, weit über dem Durchschnitt aber nicht auf Rekordniveau. Der heutige Wert für die Regression beträgt 150.479, was einen erwarteten Rückgang des realen Standard - und Poor-Index in den nächsten 10 Jahren von 38.07 bedeutet. Das in Abbildung 1 gezeigte Streudiagramm ist in zweierlei Hinsicht ungewöhnlich: Das Preis-Gewinn-Verhältnis wird in Form von dreißigjährigen Durchschnittswerten des Ergebnisses definiert und nicht länger als das Ergebnis der letzten Jahre. Das Intervall, in dem die realen Preise prognostiziert werden, beträgt zehn Jahre Als die meisten daran gewöhnt sind. Das einfachste und am meisten verwendete Verhältnis, das verwendet wird, um den Markt vorherzusagen, ist das price150earnings Verhältnis. Die Verwendung von Ein-Jahres-Einnahmen in der price150Earnings-Ratio ist eine unglückliche Konvention, die von Tradition und Bequemlichkeit eher als jede Logik empfohlen. Bereits 1934 erklärten Benjamin Graham und David Dodd in ihrem jetzt berühmten Lehrbuch Sicherheitsanalyse, dass für die Prüfung solcher Verhältnisse ein Durchschnitt der Einnahmen von nicht weniger als fünf Jahren, vorzugsweise sieben oder zehn Jahren, verwendet werden sollte (S. 452) Die Erträge in einem Jahr sind in der Regel von kurzfristigen Erwägungen betroffen, die nicht weiter zu erwarten sind. In den letzten Jahren sind die Erträge in den letzten Jahren plötzlich geschrumpft, sodass sich die Renditeabsicherungsraten drastisch verringern, aber es ist zweifelhaft, dass solche plötzlichen Veränderungen sinnvoll sind. Wir erweitern unseren gleitenden Durchschnitt noch weiter als Graham und Dodd getan haben, unter der Annahme, dass noch mehr Glättung vorteilhaft ist, und Graham und Dodd nicht die Daten haben dann eine solche Glättung zu machen. Wir haben uns für eine langfristige Rendite von zehn Jahren entschieden, da es für die meisten Anleger wirklich wichtig ist, denn in der langfristigen Investition gibt es so viel Interesse und weil in der statistischen Literatur jüngste Belege vorliegen, Horizon-Renditen sind prognostizierbarer. Dies kann im Widerspruch zu den Erwartungen, die man hätte denken können, dass es leichter ist, in die nahe Zukunft als in die ferne Zukunft zu prognostizieren, aber die Daten widersprechen dieser Intuition. Diese Prognostizierbarkeit des Marktes ist nicht die Art von Dingen, die es uns ermöglichen, zu prognostizieren, dass ein Absturz um die Ecke ist, prognostiziert er allmähliche Trends, analog zur Prognose der Perspektiven für eine Stadt, die auf Bevölkerungsentwicklung basiert oder den Erfolg einer Universität prognostiziert In Bezug auf die Zahl der jungen Menschen, die einschreiben. Beachten Sie, dass die scheinbare prädiktive Beziehung nicht wirklich ein Artefakt des Crashs von 1929 ist, wie einige vermuten könnten. Das Jahr 1929 ist keine echte Herausforderung auf der Handlung, und die Nachkriegsjahre 1972 und 1966 bieten eine dramatischere Unterstützung für die Theorie, dass Preisveränderungen mit den Preis-150-Gewinn-Verhältnissen zusammenhängen. Ebenso wenig ist der Absturz von 1987 für diese Ergebnisse von großer Bedeutung: Der Punkt, der 1978 entspricht (zehn Jahre vor unserer ersten Post-Crash-Beobachtung hier im Januar 1988), ist kein besonderes Merkmal dieser Handlung. Unser Preis150Ergebnis variabel ist 11,12 im Jahr 1978, unter dem Durchschnitt von 18,28 in diesem Datensatz, und die Log-Preisänderung von 1978 bis 1988 ist 0,57, etwas höher als durchschnittliche zehn Jahre Log-Preisänderung von 0,16 und bietet einige milde Unterstützung für unsere Theorie . Der Absturz von 1987 selbst wirkt tatsächlich gegen die Theorie, denn das Modell prognostiziert einen überdurchschnittlichen Anstieg der realen Aktienkurse über das Zehnjahresintervall 197815088, und der Absturz diente dazu, die Zunahme weniger weit über dem Durchschnitt zu machen. Abbildung 2 zeigt ein zeitgesteuertes Streudiagramm der realen (inflationskorrigierten) Brutto-Rendite des Standard - und Poor Composite-Aktienkursindex gegenüber dem gleichen Verhältnis des realen Preises zum 30-jährigen Durchschnitt der verzögerten realen Gewinne. In diesem Diagramm sieht die Relation noch auffälliger aus, dh die negative Relation zwischen Preis-Gewinn-Verhältnis und spätere Rendite ist stärker, linearer im Aussehen. Der Grund für die bessere Anpassung dieser Relation ist, dass die Rendite auf zwei Arten von der Price150Earnings-Ratio beeinflusst wird: durch die Auswirkungen auf die nachfolgenden Preisänderungen, wie in Abbildung 1 zu sehen, und auch durch ihre Auswirkung auf die Dividendenrenditen. Zeiten von sehr hohen Preis-Gewinn-Verhältnis neigen dazu, Zeiten niedriger Dividendenrenditen werden. Die niedrige Dividendenrendite unter solchen Umständen tendiert dazu, jahrelang zu bestehen und trägt damit zu den niedrigen Renditen bei. Für die Prognose von drei Jahresrenditen erzielten Campbell und I 1988 einen R 2 von 0,195 mit nur einer einzigen prognostizierenden Variable für die Prognose von zehnjährigen Renditen. Im Gegensatz dazu, wenn wir die einfache Log-Gewinn-Verhältnis-Verhältnis als unabhängige Variable verwendet, war die R 2 für die Prognose der Drei-Jahres-Renditen nur 0,090, und für die Prognose zehn Jahre Rendite war 0,266. Die zusätzlichen neun Jahre Daten seit unserem 1988 Papier war freundlich zu unseren Ergebnissen: die R 2 in einer Regression der zehnjährigen realen Renditen auf unsere Verhältnis von realen Preis zu dreißig Jahren gleitenden Durchschnitt der realen Erträge steigt für die gesamte Stichprobe auf 0,624 . Durch die Erweiterung unserer Daten im Jahre 1987 können wir jetzt das Zehnjahresintervall ab 1982 beobachten und die hohen Zehnjahresrenditen, die von der niedrigen Quote im Jahre 1982 vorhergesagt werden, werden durch die tatsächliche Rendite gut bestätigt. Wenn wir den Wert von Januar 1996 für das Verhältnis, also 29,72, ersetzen, beträgt die vorhergesagte Zehnjahresrendite 1500,06, praktisch Null. Natürlich ist dies nicht das gleiche wie die erwartete Rendite. Wenn die Renditen nach rechts geneigt sind, wie es durch eine logarithmische Verteilung vorgeschlagen wird, dann kann die erwartete Rendite wesentlich höher sein. Die logarithmische Annahme und unser geschätztes Regressionsmodell würden implizieren, dass die erwartete Rendite exp (mittlere Varianz2) ist, wobei Mittelwert die erwartete logarithmische Rendite und Varianz der quadratische Standardfehler der Regression ist. Daraus ergibt sich eine erwartete Gesamtrendite Den darauffolgenden zehn Jahren von .009, oder etwa ein Zehntel eines Prozent pro Jahr. Diese Prognostizierbarkeit am Markt ist nicht auf eine Reaktion des Marktes auf die Prognostizierbarkeit der Zinssätze zurückzuführen. Campbell und Shiller 1988 fanden, dass, wenn man als abhängige Variable in der Zehnjahresrückkehrgleichung das Protokoll von eins plus die Zehnjahresrückkehr auf dem Standard und dem schlechten zusammengesetzten minus das Protokoll von eins plus die Zehnjahresrendite von investieren in 41506 einsetzt Monats-Prime Commercial Paper, die Ergebnisse sind praktisch unverändert, ist die R 2 in der Regression noch 0,480. Alle diese Ergebnisse sind statistisch signifikant: Unter Verwendung eines Wald-Tests, der die überlappenden Beobachtungen der abhängigen Variablen berücksichtigt, finden wir, dass das Signifikanzniveau für die zehnjährige Real-Rendite-Gleichung 0,000 für die zehnjährige Überrendite-Gleichung ist 0,002. Mögliche Verzerrungen in der Beziehung Da die Regressionen stochastische Regressoren haben, müssen wir eine gewisse Verzerrung im geschätzten Koeffizienten erwarten. In einfachen Worten, auch wenn Aktienkurse überhaupt keine Beziehung zu einfachen Erträgen haben, solange die Gewinne geglättet werden, um das Preis-150-Rendite-Verhältnis zu generieren, wird es eine negative Korrelation kleine Proben zwischen der Preis-Gewinn-Verhältnis und die dreißig Jahre neigen Durchschnitt des Ergebnisses. Die negative Korrelation ergibt sich vor allem daraus, dass das Stichprobenmittel über die gesamte Stichprobe geschätzt wird und die Preise selbstverständlich als Mittelwert bezeichnet werden, auch wenn kein richtiger Mittelwert vorliegt. Ich habe eine einfache monte carlo Experiment, um vorzuschlagen, wie wichtig eine solche Vorurteil sein könnte. Wir erzeugten 96 (jährliche) Beobachtungen einer zufälligen Wanderung (diese Zahl entspricht den 96 Beobachtungen 1901 bis 1996, die verwendet wurden, um die 86 Punkte zu erzeugen, die in dem Streudiagramm in Fig. 2 gezeigt sind) und rezitieren zehnjährige Änderungen in der zufälligen Wanderung auf ihr Ebene zu Beginn der zufälligen zu Fuß. Diese Regression zeigt eine Art begrenzender Fall unserer Geschichte, in der das Ergebnis so geglättet wird, dass es eine Konstante ist, so dass die Einnahmen in unserer Analyse keine Rolle spielen. In diesem monte-carlo-Experiment mit 10.000 Iterationen fanden wir, dass das R 2 eher positiv war: der durchschnittliche R 2 war 0,26. In diesen Monte-Carlo-Experimenten erreichten wir jedoch einen R2 von 0,624, wobei nur 1,9 der Zeit darauf hindeuteten, dass die Ergebnisse in der Tat sehr signifikant sind. In einem anderen monte-carlo-Experiment versuchte ich, den 30-jährigen gleitenden Durchschnitt des Verdienstes als etwas anderes als eine Konstante zu repräsentieren: Wir ersetzten es durch einen dreißigjährigen gleitenden Durchschnitt von verzögerten Preisen, das schien wie ein interessantes Experiment, in diesem 30-jährigen Durchschnitt Der Log-Gewinne ähneln den 30-jährigen Durchschnittswerten des Log-Preises mit den tatsächlichen Daten bis zu einer additiven Konstante. In jeder Iteration des monte-carlo-Experiments ergab sich ein neuer 126-elementiger (jährlicher) Zufallsweg, für die Elemente 31 bis 116 wurde ein Vektor aus folgenden zehnjährigen Änderungen als abhängige Variable erstellt. Ein Vektor von unabhängigen Variablenbeobachtungen wurde entnommen, indem zuerst der Vektor der Elemente 1 bis 116 erzeugt wurde, und dann von jedem der 30-jährigen Mittel des verzögerten Preises subtrahiert wurde. In jeder Iteration haben wir diese abhängige Variable auf die unabhängige Variable zurückgerechnet und die R2 aufgezeichnet. In 100.000 Iterationen war der durchschnittliche R2 0.124, weit unter dem, was wir beobachtet haben, und in nur 0.26 der Iterationen war der R2 größer als 0,62. Mögliche Fehler im Index, der verwendet wird, um Nominalwerte in Realwerte umzuwandeln Beachten Sie, dass unser Streudiagramm auf reale Preise, reale Renditen und reales Ergebnis verweist. Es ist wichtig, unsere Analyse in diesen Begriffen zu koordinieren, da es sich um reale, nicht nominale Mengen handelt. Aber, die Einführung von Indizes der Preisinflation führt die Möglichkeit der Fehler. Die Periode um 1920 scheint eine Menge von Hebelwirkung zu haben, und ist möglicherweise verantwortlich für zu viel von unserer Passform. Das Verhalten unserer Serie um 1920 könnte ein Artefakt unseres Preisindexes sein, ein Erzeugerpreisindex, der viel mehr Volatilität um die Rezession von 192015021 zeigen kann als andere Preisindizes. Warum Long Horizon Rückkehr Es gibt einige populäre Verwirrung über die Bedeutung dieser Vorhersagbarkeit bei der Prognose von Long-Horizon Renditen. Eine Quelle der Besorgnis, die viele Menschen ausdrücken, ist, wenn einjährige Renditen nicht signifikant prognostizierbar sind, warum sollten die zehnjährigen Renditen, die nur zehnjährige Durchschnittswerte der Ein-Jahres-Renditen sind, signifikant prognostizierbar sein Leistung der Tests, die 10-Jahres-Renditen prognostizieren, sind in Campbell 1992 beschrieben. Eine damit zusammenhängende Verwirrung betrifft die scheinbare Zufallswanderung von Ein-Jahres-Renditen. Wie, einige werden fragen, kann es sein, dass einjährige Renditen sind so scheinbar zufällig, und doch Zehnjahresrenditen sind meist prognostizierbar Die Antwort ist, dass es bekannt ist, dass stochastische Prozesse, die nahe Einheit Wurzel für einjährige Intervalle sein können Die über längere Zeiträume prognostizierbar sind. Bei der Betrachtung der Jahresrenditen sieht man viel Lärm, aber über längere Zeitintervalle mittelt dieser Lärm effektiv aus und ist weniger wichtig. Warnungen über die obige Analyse Der Abschluss dieses Papiers, dass die Börse erwartet wird, in den nächsten zehn Ohren sinken und um eine totale Rendite von fast nichts zu verdienen, muss mit großer Vorsicht interpretiert werden. Unsere Suche nach ökonomischen Beziehungen, die wir, um den Preis zu studieren, geteilt durch 30-jährigen gleitenden Durchschnitt des Einkommens können auf eine Chance Beziehung ohne Bedeutung gestolpert haben. Mit anderen Worten, die hier untersuchte Beziehung könnte eine falsche Beziehung, das Ergebnis des Data Mining sein. Weder die statistischen Tests noch die monte-carlo-Experimente berücksichtigen die Suche über andere mögliche Beziehungen. Es ist auch gefährlich, davon auszugehen, daß historische Beziehungen notwendigerweise auf die Zukunft anwendbar sind. Es könnten grundlegende strukturelle Veränderungen auftreten, die jetzt bedeuten, dass die Vergangenheit des Aktienmarktes nicht mehr ein Leitfaden für die Zukunft ist. Campbell, John Y. und Robert J. Shiller, quotStock Preise, Einnahmen und erwartete Dividenden, Journal of Finance. 43 (3): 661-76, Juli 1988. Das Dividend Ratio Model und Small Sample Bias: Eine Monte Carlo Studie, Economics Letters. 29: 325-31, 1989. Graham, Benjamin und David L. Dodd, Sicherheitsanalyse. H.-J., H.-J. Laster und Kevin Cole, quotStock Marktbewertung Indikatoren: ist diesmal Differentquot Federal Reserve Bank von New York Research Paper Nr. 9520, September 1995. 1996 Robert J. Shiller Raw Daten verwendet werden, um Zahlen zu produzieren sind auch auf dieser website. LOS 16f Diskutieren Sie die Stärken und Grenzen der relativen Bewertungsmodellen LOS 16g Beurteilen, ob ein Aktienmarkt unter-, relativ oder überbewertet mit einem relativen Equity-Bewertungsmodell Was genau ist Ist dieses Modell Genau wie die Fed - und Yardeni-Modelle ist dies ein ergebnisbasiertes relatives Bewertungsmodell. Es wurde von Campbell und Shiller entwickelt, basierend auf den Empfehlungen von Graham und Dodd, die faszinierend ist. Faszinierend langweilig. Was ist die Formel Sie sollten wissen, dass diese LOS weniger über das Auswendiglernen von Formeln und mehr über das Verständnis der grundlegenden Beziehungen zwischen ist. Aktueller SampP 500 Index 10-jähriger gleitender Durchschnitt der realen Einnahmen Warten Sie eine Minute, was ist das Sternchen für Im Wesentlichen bedeutet dies, dass sowohl der Zähler und Nenner müssen für die Inflation angepasst werden und in real realisiert werden. Lassen Sie mich raten, gibt es eine langfristige durchschnittliche PE-Verhältnis, Recht Ja, gut gemacht. Wenn der aktuelle Kurs über die 10-jährige gleitende durchschnittliche Ergebnis (bereinigt um die Inflation). Sie meinen das aktuelle PE-Verhältnis NO Verwenden Sie den aktuellen Preis, aber nicht die aktuelle E 1 oder E 0. Auf jeden Fall, wenn das Verhältnis - und Hinweis waren mit PE-Verhältnis, nicht die Ertragsausbeute, die ihre Kehrseite ist - über dem langfristigen Durchschnitt ist der Index überbewertet und das Verhältnis wird (oder zumindest sollte) schließlich wieder zurück Der langfristige Durchschnitt. Das Gegenteil ist auch wahr, ein Verhältnis, das unter dem langfristigen Durchschnitt liegt, ist der Index relativ unterbewertet und sein Preis wird (oder sollte) steigen, bis dieses Verhältnis sein langfristiges Durchschnittsniveau erreicht. Was sind die Vorteile dieses Modells Durch die Verwendung von CPI für die Inflation anzupassen, vermeidet es den Vergleich einer realen Variablen mit einer nominalen. Auch mit einem 10-jährigen gleitenden Durchschnitt entfernt alle Schieflagen als Folge der Konjunkturzyklus. Was sind ihre Nachteile Es ist nicht ungewöhnlich für niedrige Verhältnisse (relativ zum Langzeitdurchschnitt), über längere Perioden zu bestehen, was diese Maßnahme kurzfristig weniger nützlich macht. Des Weiteren betrachten wir die Auswirkungen der Buchhaltungsänderungen im Zeitablauf nicht als signifikant. Interessant, so würden Sie sagen. Unabhängig von Rechnungslegungsänderungen. Oh, so die wichtige Kritik an diesem Modell ist. Unabhängig von Rechnungslegungsänderungen. Ja, das sagst du immer wieder. Es muss wichtig sein. Wenn ich gebeten wurde, eine Kritik an der Prüfung zu geben. Unabhängig von Rechnungslegungsänderungen. Ich wünschte, du würdest damit aufhören. Es ist wie das einzige, was Sie wollen, dass ich über dieses Modell wissen. Unabhängig von Rechnungslegungsänderungen.
No comments:
Post a Comment