Dieses Forum nutzt Cookies
Dieses Forum verwendet Cookies, um deine Login-Informationen zu speichern, wenn du registriert bist, und deinen letzten Besuch, wenn du es nicht bist. Cookies sind kleine Textdokumente, die auf deinem Computer gespeichert sind; Die von diesem Forum gesetzten Cookies düfen nur auf dieser Website verwendet werden und stellen kein Sicherheitsrisiko dar. Cookies auf diesem Forum speichern auch die spezifischen Themen, die du gelesen hast und wann du zum letzten Mal gelesen hast. Bitte bestätige, ob du diese Cookies akzeptierst oder ablehnst.

Ein Cookie wird in deinem Browser unabhängig von der Wahl gespeichert, um zu verhindern, dass dir diese Frage erneut gestellt wird. Du kannst deine Cookie-Einstellungen jederzeit über den Link in der Fußzeile ändern.

Interesting Research
#31

RE: Interesting Research

In dem Papier stehen nur Teile der Faktoren. Aber ich finde die Vorgehensweise absolut interessant.

So etwas auf Algo trading zu übertragen dürfte aber alles andere als leicht werden. Bin schon am Grübeln wie man das am besten von der Architektur am besten umsetzt.
#32
Notiz 

RE: Interesting Research

Dir Prozesse, die die Beobachtungen erzeugen, sind halt fundamental unterschiedlich. 

Ich befürchte, das im kurzfristigeren Handelsansätzen, mehr an Variablen nicht viel helfen wird. Es gibt ein physisches/biologisches  Modell. Temperatur und Anreiseweg des Pferdes machen ja schon intuitiv Sinn. Bei Märkten ist das nicht so einfach.  

Bei fundamentaleren und langfristigeren Investitionsentscheidungen und der Bewertung von Einzelunternehmen sehe ich das anders. Ich denke book to market, Dividenden, Cash Flow, EBIT etc. sind interessant und relevant, aber liefern keinen Edge mehr. 

Ich denke Daten und Modelle müssten/könnten da anders sein. Viel spezifischer. Zum Teil wird das ja auch unter dem Stichwort "alternative data" (klingt wie "alternative facts", ist aber schon älter Wink ) schon eingesetzt. Mit nicht zwingend viel Erfolg wie ich so höre.  


Lass mich mal spinnen:

Ein Bewertungsmodell einer Firma müsste IMO aus mehreren Komponenten/Modellen bestehen. Ein Ensemble an Modellen und eventuell Expertenmeinungen, die in ein Meta Modell eingehen, das dann die finale Bewertung vornimmt. Sagen wir mal wir betrachten  Nike und Raython.

1) Klassische, firmenspezifische fundamental-Daten. Die üblichen Verdächtigen..... 

2) Eine Modellierung/Simulation des "Marktumfeld" der Firma. Also ein Modell das Potential und Risiken des Absatzmarktes und Produktion wiederspiegelt?
(Im Falle von Raython, Defence Budgets ehemaliger Kundenstaaten? Anzahl und Volumen offener Ausschreibungen für Rüstungsprojekte? => Nike: Kaufkraftentwicklung der demographischen Zielgruppe, sportlicher Erfolg der Werbestars?  Volumen der Werbeverträge? Social Media (Machine Learning: Bilderkennung, Sentiment Analyse von tweets, posts....)..Währungsrisiken der Absatzmärkte? Lohnkosten? Kosten für Energie und Rohstoffe? Eventuell nur die Sensitivität für die genannten Faktoren, die auch für die Konkurrenz gilt (wie Währungsrisiken, Kaufkraft der Absatzmärkte, Energie und Rohstoffkosten)? 


3) (Agenten)- Modellierung des Kapitalmarktumfeldes: welche Rolle spielt die Aktie bei unterschiedlichen Investoren?  Welche Investoren sind drin? Wird sie zum Hedgen und Replizieren eines Index benutzt, ist sie ein Kandidat um Teil eines Factor Models bei Investoren zu sein? Volumen Derivate auf die Aktie?  Bleibt die Firma in Indizes? Wie groß ist der Free Float? Hat die Aktie Potential von einem großen Agenten gekauft oder verkauft zu werden?         

4) Technische Modelle (das übliche)... 

Das ist wahrscheinlich nix was man mit supervised learning machen kann, sondern eher semi-supervised....
Und am Ende bleiben Marktpreis und KGV, Cash Flow etc immer noch der bessere predictor.
Wenn ich irgendwo Zeit reinstecken würde dann wahrscheinlich in 1) , 3) und 4).

__________________
Forum-Besserwisser und Wissenschafts-Faschist
#33
Notiz 

RE: Interesting Research

(17.05.2019, 11:42)Lancelot schrieb: Dir Prozesse, die die Beobachtungen erzeugen, sind halt fundamental unterschiedlich. 

Ich befürchte, das im kurzfristigeren Handelsansätzen, mehr an Variablen nicht viel helfen wird. Es gibt ein physisches/biologisches  Modell. Temperatur und Anreiseweg des Pferdes machen ja schon intuitiv Sinn. Bei Märkten ist das nicht so einfach.  

Bei fundamentaleren und langfristigeren Investitionsentscheidungen und der Bewertung von Einzelunternehmen sehe ich das anders. Ich denke book to market, Dividenden, Cash Flow, EBIT etc. sind interessant und relevant, aber liefern keinen Edge mehr. 

Ich denke Daten und Modelle müssten/könnten da anders sein. Viel spezifischer. Zum Teil wird das ja auch unter dem Stichwort "alternative data" (klingt wie "alternative facts", ist aber schon älter Wink ) schon eingesetzt. Mit nicht zwingend viel Erfolg wie ich so höre.  


Lass mich mal spinnen:

Ein Bewertungsmodell einer Firma müsste IMO aus mehreren Komponenten/Modellen bestehen. Ein Ensemble an Modellen und eventuell Expertenmeinungen, die in ein Meta Modell eingehen, das dann die finale Bewertung vornimmt. Sagen wir mal wir betrachten  Nike und Raython.

1) Klassische, firmenspezifische fundamental-Daten. Die üblichen Verdächtigen..... 

2) Eine Modellierung/Simulation des "Marktumfeld" der Firma. Also ein Modell das Potential und Risiken des Absatzmarktes und Produktion wiederspiegelt?
(Im Falle von Raython, Defence Budgets ehemaliger Kundenstaaten? Anzahl und Volumen offener Ausschreibungen für Rüstungsprojekte? => Nike: Kaufkraftentwicklung der demographischen Zielgruppe, sportlicher Erfolg der Werbestars?  Volumen der Werbeverträge? Social Media (Machine Learning: Bilderkennung, Sentiment Analyse von tweets, posts....)..Währungsrisiken der Absatzmärkte? Lohnkosten? Kosten für Energie und Rohstoffe? Eventuell nur die Sensitivität für die genannten Faktoren, die auch für die Konkurrenz gilt (wie Währungsrisiken, Kaufkraft der Absatzmärkte, Energie und Rohstoffkosten)? 


3) (Agenten)- Modellierung des Kapitalmarktumfeldes: welche Rolle spielt die Aktie bei unterschiedlichen Investoren?  Welche Investoren sind drin? Wird sie zum Hedgen und Replizieren eines Index benutzt, ist sie ein Kandidat um Teil eines Factor Models bei Investoren zu sein? Volumen Derivate auf die Aktie?  Bleibt die Firma in Indizes? Wie groß ist der Free Float? Hat die Aktie Potential von einem großen Agenten gekauft oder verkauft zu werden?         

4) Technische Modelle (das übliche)... 

Das ist wahrscheinlich nix was man mit supervised learning machen kann, sondern eher semi-supervised....
Und am Ende bleiben Marktpreis und KGV, Cash Flow etc immer noch der bessere predictor.
Wenn ich irgendwo Zeit reinstecken würde dann wahrscheinlich in 1) , 3) und 4).

Na fürs Kurzfristige hätte ich es auch nicht gedacht, dazu haben viele Einflussfaktoren eh eine längere Wirkung gerade bei den Fundi Daten.

Man muss sich einer Liste an Variablen einfallen lassen die man global auf Aktien anwenden könnte, dein Beispiel mit Raython wäre wider eine Brachen Geschichte was an sich auch nicht schlecht ist. Würde aber er global anfangen würden. Brachen Variablen würde ich dann er als Zusatz Variablen einfließen lassen.

Irgendwo muss man ja halt anfangen Wink


Wie gesagt zur Architektur einer solchen Nummer bin ich noch schwer am grübel muss sich aber deutlich von allem bisherigen unterscheiden. Vermutlich ist eine Mikrokernel ähnliche Architektur am besten aber wie gesagt noch kein Plan.

Und sicher sowas wird lange dauern das ist kein Weekend Job Biggrin
#34

RE: Interesting Research

Das Schöne an den Wetten ist, dass oft die Mikrodynamik relativ klar ist. Am besten natürlich beim Black Jack. Da kann man den Effekt des Kartenzählens genauestens ausrechnen.
Das geht an der Börse nicht und deshalb tummeln sich da die Alchimisten.
#35
Notiz 

RE: Interesting Research

Ja, außerhalb des üblichen Stacks zu arbeiten heißt halt auch alles neu bauen....Software, Daten......inklusive der eigenen Philosophie im Gehirn. 

Alleine das Datenverständnis aufzubauen würde dauern (was bedeuten die Daten genau...etc).  

Aber wahrscheinlich liegt da halt auch der Mehrwert. Was finden, was nicht jeder schon durchgenudelt hat! Könnte sein, dass es gerade im Branchen spezifischen liegt. Da liegt eventuell kleines Geld, für das sich keiner bückt.

Ob das dann aber die Überrenditen erzeugt, die man will um den Aufwand zu rechtfertigen? 

Es wäre spannend, aber mein Bauchgefühl ist es, dass es sich mehr lohnt an anderen Sachen zu arbeiten.

__________________
Forum-Besserwisser und Wissenschafts-Faschist
#36
Notiz 

RE: Interesting Research

(17.05.2019, 12:29)Guhu schrieb: Das Schöne an den Wetten ist, dass oft die Mikrodynamik relativ klar ist. Am besten natürlich beim Black Jack. Da kann man den Effekt des Kartenzählens genauestens ausrechnen.
Das geht an der Börse nicht und deshalb tummeln sich da die Alchimisten.

Agree. 

Deshalb reden Atze und ich gerade eher über die dicken und längeren Dinger, ohne Micro Structure.

__________________
Forum-Besserwisser und Wissenschafts-Faschist
#37
Notiz 

RE: Interesting Research

(17.05.2019, 11:12)Päda schrieb:
(17.05.2019, 10:17)atze2000 schrieb: Einmal von Bill Benter Persönlich

https://www.gwern.net/docs/statistics/de...benter.pdf

(17.05.2019, 10:28)Lancelot schrieb: Für mich habe ich festgestellt das der Ansatz und die Denkweise in Büchern und Publikationen rund um Sportwetten und Glücksspiel deutlich näher an dem sind, was ich bei der Arbeit gemacht habe, als in einem absoluten Großteil der Trading Literatur. 


Witzig. Mit Pferdewetten habe ich mich (zu unrecht?) noch nicht beschäftigt.
Interessant ist die Adaption der Faktoren auf den Aktienberreich.

In dem Artikel steht folgendes:
"Zur Jahrtausendwende konnte er die Gewinnchance anhand von über 120 Faktoren errechnen. Sein Rechenmodell veröffentlichte er 1995 in einem Paper, das lange als Bibel für sämtliche Hightech-Spieler galt."
Quelle

Hat jemand diese 120 Faktoren irgendwo (frei verfügbar) gefunden?

Auf jedenfall regt Benter zum nachdenken an, welche Faktoren man berücksichtigen könnte. Tup 

Anbei mal erste Gedanken:

Naja, ich finde, da sind schon gravierende Unterschiede und man kann so ein Modell, auch von der Struktur her, nicht übertragen.
Beim Pferderennen kannst Du genau analysieren, welchen Einfluss welcher Parameter hat. Da sind die Kausalitäten auch immanent. Z. B wird ein uralter Gaul Rennen irgendwann mal nicht mehr gewinnen, das ist der Zahn der Zeit. Ein Unternehmen, dass 100 Jahre Dividende gezahlt hat, kann aber genausogut pleite gehen. Oder eben auch nicht.
#38
Notiz 

RE: Interesting Research

Keine Frage, das Kapitalmärkte das "härtere Problem" sind. 

Wie du sagst, wir haben kein physikalisches oder biologisches Modell (außer ein bisschen bei commodities)...

Die Fragestellung ist IMO auch eher verwand mit Ansätzen zum Handel mit Derivaten. Der Ansatz ist ja misspriced assets zu finden. Du suchst nicht das Pferd (oder Ereignis) mit der höchsten Gewinnwahrscheinlichkeit. Das Pferd kennt wahrscheinlich jeder. 

Es geht darum:
 => finde möglichst viele, möglichst unabhängige fehlbepreiste(zu hohen oder zu niedrige Quoten) Wetten, bestimme den optimalen Wetteinsatz und bilde daraus ein breit diversifiziertes Portfolio an Wetten (Strategien), die in der Summe einen Edge geben! 

Es kann z.B. sein dass du massenweise Wetten auf "Aussenseiter" im Mittelfeld machst die relativ zu ihrer Gewinnwahrscheinlichkeit zu hohe Quoten haben....

__________________
Forum-Besserwisser und Wissenschafts-Faschist
#39
Notiz 

RE: Interesting Research

(17.05.2019, 13:09)Guhu schrieb:
(17.05.2019, 11:12)Päda schrieb:
(17.05.2019, 10:17)atze2000 schrieb: Einmal von Bill Benter Persönlich

https://www.gwern.net/docs/statistics/de...benter.pdf

(17.05.2019, 10:28)Lancelot schrieb: Für mich habe ich festgestellt das der Ansatz und die Denkweise in Büchern und Publikationen rund um Sportwetten und Glücksspiel deutlich näher an dem sind, was ich bei der Arbeit gemacht habe, als in einem absoluten Großteil der Trading Literatur. 


Witzig. Mit Pferdewetten habe ich mich (zu unrecht?) noch nicht beschäftigt.
Interessant ist die Adaption der Faktoren auf den Aktienberreich.

In dem Artikel steht folgendes:
"Zur Jahrtausendwende konnte er die Gewinnchance anhand von über 120 Faktoren errechnen. Sein Rechenmodell veröffentlichte er 1995 in einem Paper, das lange als Bibel für sämtliche Hightech-Spieler galt."
Quelle

Hat jemand diese 120 Faktoren irgendwo (frei verfügbar) gefunden?

Auf jedenfall regt Benter zum nachdenken an, welche Faktoren man berücksichtigen könnte. Tup 

Anbei mal erste Gedanken:

Naja, ich finde, da sind schon gravierende Unterschiede und man kann so ein Modell, auch von der Struktur her, nicht übertragen.
Beim Pferderennen kannst Du genau analysieren, welchen Einfluss welcher Parameter hat. Da sind die Kausalitäten auch immanent. Z. B wird ein uralter Gaul Rennen irgendwann mal nicht mehr gewinnen, das ist der Zahn der Zeit. Ein Unternehmen, dass 100 Jahre Dividende gezahlt hat, kann aber genausogut pleite gehen. Oder eben auch nicht.

Eins zu eins kann man es natürlich nicht übernehmen. Aber auch an der Börse kann man den Auswirkungen ganz gut analysieren nur ist es denke ich anspruchsvoller.

Mikrokernel ähnliche Struktur warum.

Wenn man viele Variabelen nutzen möchte auch diejenigen die er weniger oft benutzt werden können getrennt Entwickelt und auch Analysiert werden, und ohne allzu großen aufwand eingebunden werden.

Fundamental Daten aus der DB zu holen ist ja nicht das Problem, aber News, Analysen Bad Word Well Word etc ist eine ganz andere nummer.

So bliebe das ganze übersichtlich und man kann von Variable zu Variable Sauber getrennt Arbeiten. 

Aber das sind nur halbgare Ideen.
#40

RE: Interesting Research

mal was anderes, Thema BTC:

https://medium.com/@100trillionUSD/model...fa0fc03e25


Gehe zu:


Benutzer, die gerade dieses Thema anschauen: 1 Gast/Gäste