Erzeugung von künstlichen Finanzzeitreihen unter Berücksichtigung …

Erzeugung von künstlichen Finanzzeitreihen unter Berücksichtigung charakteristischer Merkmale

Zusammenfassung

In diesem Artikel wird ein neuartiger Ansatz zur Erzeugung von künstlichen Finanzzeitreihen beschrieben. Der Ansatz basiert auf einer fraktionalen
Brownschen Bewegung und einer Cauchy-Verteilung. Hiermit ist es möglich künstliche aber realitätsnahe Finanzzeitreihen zu erzeugen, die Eigenschaften und Eigenheiten eines bestimmten Marktes besitzen. Die neue Methode beschränkt sich nicht nur auf die Generierung von Open oder Close Kursen.
Zusätzlich werden auch künstliche Werte für High und Low Kurse generiert. Somit lassen sich die entstandenen künstlichen Finanzzeitreihen für die Risikoanalyse, Chancenbewertung und Validierung mechanischer Handelssysteme verwenden.

Einführung

Motivation

Finanzmärkte sind ständigen Änderungen unterworfen. Ein vorher sehr trendstarker Markt kann zu einem sehr trendschwachen werden. Gerade die Volatilität bewegt sich nicht gleichförmig.
Dies hat natürlich entsprechende Konsequenzen auf die Performance von mechanischen Handelssystemen. Es stellt sich die Frage: Wie kann der Entwickler eines Handelssystems bereits bei der Entwicklung auf die Änderung von Marktbedingungen reagieren?
Ein Ansatz ist es, Systeme nicht nur auf Originaldaten zu testen, sondern alternative Marktbedingungen durch künstliche Finanzzeitreihen zu simulieren.
Bewährt sich das System in möglichst vielen verschiedenen Marktszenarien, erhält man ein wesentlich robusteres System zur Verfügung und kann insbesondere die auf die Originaldaten angepasste Überoptimierung vermeiden.
In der vorliegenden Arbeit wird ein Ansatz vorgestellt, mit dem es möglich ist verschiedene realitätsnahe Marktbedingungen
zu simulieren. Der Ansatz basiert auf einer fraktionalen Brownschen Bewegung und einer Cauchy-Verteilung. Eine Möglichkeit des Ansatzes ist es, künstliche Finanzzeitreihen zu erzeugen, die Eigenschaften eines bestimmten Marktes besitzen.
Desweiteren hat man mit der neuen Methode die Möglichkeit, verschiedene Marktszenarien zu simulieren.
Damit erhält der Handelssystementwickler ein weiteres Instrument für die Risikoanalyse, Chancenbewertung und Validierung von mechanischen Handelssystemen. So ist es z.B. möglich, das Verhalten eines Systems auf stärkere oder schwächere Trendphasen zu testen.
Auch die Simulierung von deutlich gehäufteren, starken Kursbewegungen ist möglich. Im Anschluss an diese Einleitung werden in Kapitel 2 die Grundlagen der verwendeten Methoden vorgestellt. Kapitel 3 gibt einen Überblick über den Stand der Datensimulation. Kapitel 4 erläutert deren Vor- und Nachteile.
Der Hauptteil der Arbeit bildet Kapitel 5. Kapitel 6 fasst die Ergebnisse zusammen und gibt einen Ausblick auf die weiteren Schritte in der Datensimulation.