Zum Inhalt

Evidence-Based Technical Analysis

Autor: David R. Aronson | Jahr: 2006 | Verlag: John Wiley & Sons

Das Buch, das die technische Analyse mit ihren eigenen Daten konfrontiert — und dabei zu einem Ergebnis kommt, das die Branche bis heute nicht verarbeitet hat. Aronson prüft 6.402 Handelsregeln über 25 Jahre S&P 500 mit statistischen Verfahren, die für Data-Mining-Verzerrung korrigieren. Keine einzige besteht.

Die zentrale Unterscheidung

Aronson trennt technische Analyse in zwei Kategorien, und alles Weitere folgt daraus:

  • Objektive TA — Regeln, die so formuliert sind, dass zwei Personen unabhängig zum selben Signal kommen. Nur sie sind überhaupt prüfbar.
  • Subjektive TA — Chartinterpretation, die von der Person abhängt. Sie lässt sich nicht widerlegen und damit auch nicht belegen.

Daraus folgt sein schärfster Satz, und er ist berufsethisch gemeint: „It is the ethical and legal responsibility of all analysts […] to make recommendations that have a reasonable basis and not to make unwarranted claims. The only reasonable basis for asserting an analysis method has value is objective evidence. Subjective TA methods cannot meet this standard."

Der empirische Kern

Teil zwei ist die Fallstudie: 6.402 binäre Kauf-/Verkaufsregeln, 25 Jahre S&P-500-Historie, geprüft mit White's Reality Check und der Monte-Carlo-Permutationsmethode.

„No rules with statistically significant returns were found. Specifically, none of the 6,402 rules had a back-tested mean return that was high enough to warrant a rejection of the null hypothesis, at a significance level of 0.05."

Die beste Regel erzielte 10,25 Prozent annualisiert — und war trotzdem wertlos: Ihr p-Wert lag bei 0,8164. Anders gesagt: Aus 6.402 wertlosen Regeln würde man in vier von fünf Fällen zufällig eine finden, die mindestens so gut aussieht.

Das ist die eigentliche Lehre. Nicht „10 Prozent sind wenig", sondern: Bei 6.402 Versuchen ist ein Spitzenergebnis von 10 Prozent genau das, was Zufall produziert.

Warum das die Backtest-Praxis trifft

Der Befund richtet sich nicht gegen einzelne Regeln, sondern gegen die Suchprozedur. Wer viele Varianten durchprobiert und die beste behält, hat nicht die beste Regel gefunden, sondern die glücklichste Stichprobe — und die Standardstatistik, die eine einzelne Hypothese prüft, erkennt das nicht. Siehe data_mining_bias.

Aronsons zweiter Beitrag hierzu ist begrifflich: Data-Snooping-Bias, den er treffender „prior-research-snooping bias" nennen würde — die Verzerrung, die entsteht, wenn man nur Regeln testet, die andere zuvor als erfolgreich veröffentlicht haben. Die Vorauswahl ist dann selbst schon ein unsichtbarer Data-Mining-Durchgang.

Aufbau

Teil I — Grundlagen (Kap. 1–7): objektive Regeln und ihre Bewertung; die illusorische Gültigkeit subjektiver TA; wissenschaftliche Methode und TA; statistische Analyse; Hypothesentests und Konfidenzintervalle; Data-Mining-Bias als „Fool's Gold" der objektiven TA; Theorien nichtzufälliger Preisbewegung.

Teil II — Fallstudie (Kap. 8–9): Regel-Data-Mining für den S&P 500, Ergebnisse und Zukunft der TA.

Kapitel 2 ist der psychologische Teil: Warum Analysten an Methoden glauben, die nicht funktionieren — Überkonfidenz, Rückschaufehler, illusorische Korrelation. „In general people are too confident."

Bewertung

Für wen: Jeder, der Regeln backtestet. Und als Pflichtlektüre für jeden, der veröffentlichte Handelsregeln übernimmt.

Stärken: Aronson macht das, was die gesamte übrige Chartliteratur schuldig bleibt — er prüft, statt zu illustrieren, und er prüft mit Verfahren, die dem Suchprozess Rechnung tragen. Die Trennung von objektiver und subjektiver TA ist die klarste im Bestand. Und er ist konsequent genug, sein eigenes Fach mit dem Ergebnis leben zu lassen.

Schwächen: Die Fallstudie testet einfache binäre Regeln auf einem einzigen Index über einen Zeitraum. Daraus folgt nicht, dass TA insgesamt wertlos ist — nur, dass diese Regelfamilie auf diesen Daten nichts hergab. Aronson sagt das selbst, es wird aber regelmäßig überdehnt zitiert. Der Statistikteil ist umfangreich und für Leser ohne Vorkenntnisse fordernd. Und die Verfahren von 2006 sind inzwischen weiterentwickelt — siehe deflated_sharpe_ratio.

Zur Textfassung: OCR eines Scans (544 Seiten, englisch). Die Qualität ist gut; Zahlen und Zitate wurden gegen den Kontext geprüft.