Zum Inhalt

Was der Kalender wirklich weiß — Saisonalität und Marktbreite unter Prüfung

Kalendereffekte und Breitenindikatoren teilen eine Eigenschaft, die sie im Wiki zusammengehören lässt: Beide sind Signale, die nicht aus dem Preis kommen — das eine aus der Zeit, das andere aus der internen Verfassung des Marktes. Und beide sind aus demselben Grund verdächtig: Sie wurden an derselben Historie entdeckt, an der sie belegt werden.

Diese Synthese fragt nicht, ob die Muster existieren. Sie fragt, welche von ihnen eine Prüfung überstehen, die man auf jede andere Strategie anwenden würde.

Der Befund: Die Muster sind alt und gut dokumentiert

norman_fosback hat 1976 beides systematisch nachgewiesen — Kalendermuster und Breitenindikatoren, im selben Buch, mit derselben Methodik. Das ist bemerkenswert früh und erklärt, warum beide Felder bis heute dieselbe Sprache sprechen.

Auf der Kalenderseite führt jeffrey_hirsch die Tradition mit über einem Jahrhundert US-Historie fort: Best Six Months, Präsidentschaftszyklus, January Barometer. Auf der Breitenseite ist Fosbacks High Low Logic Index bis heute der originellste Beitrag — nicht die Zahl neuer Hochs oder Tiefs, sondern der Fall, dass beide gleichzeitig hoch sind: ein intern gespaltener Markt.

Die Muster sind also nicht erfunden. Sie sind in den Daten. Die Frage ist, was das wert ist.

Die Prüfung: Kaeppels unbequeme Trennung

jay_kaeppel ist die wichtigste Quelle dieses Clusters, weil er als Einziger den Mut hat, das Feld gegen sich selbst zu prüfen. Er testet saisonale Muster mit Win-Rate, Durchschnittsgewinn und maximalem Drawdown — und kommt zu dem Ergebnis, das die Marketingliteratur des Feldes vermeidet:

Einige Muster sind statistisch signifikant. Andere sind Lärm.

Das ist keine Schwäche seines Buchs, sondern sein Wert. Und es benennt exakt das strukturelle Problem des Feldes:

  • Zwölf Monate, fünf Wochentage, vier Jahre im politischen Zyklus, Monatswechsel, Feiertage — der Suchraum ist groß genug, dass Auffälligkeiten garantiert entstehen, auch in Zufallsdaten.
  • Die Stichprobe ist winzig. Hundert Jahre Historie bedeuten hundert Januare. Für eine Aussage über Monatsrenditen ist das eine extrem dünne Basis — und Statistik über hundert Beobachtungen mit hoher Varianz kann eine 60-Prozent-Trefferquote kaum von einer Münze unterscheiden.
  • Eine echte Out-of-Sample-Prüfung ist unmöglich, weil die Historie endlich und bereits verbraucht ist.
  • Bekannte Effekte werden weggehandelt. Der Januar-Effekt ist seit seiner Publikation deutlich schwächer.

robert_carver liefert den allgemeinen Rahmen dazu: Je mehr Freiheitsgrade optimiert werden, desto sicherer beschreibt das Ergebnis die Vergangenheit statt der Zukunft. nate_silver fügt die Diagnose hinzu, warum das so schwer zu sehen ist — im Big-Data-Zeitalter sinkt das Signal-Rausch-Verhältnis, weil die Zahl prüfbarer Hypothesen schneller wächst als die Zahl der Beobachtungen. Siehe system_testing_overfitting.

Was übrig bleibt

Legt man einen konsistenten Maßstab an — ökonomische Begründung, die vor der Beobachtung plausibel war; Stabilität über Teilperioden; Wirksamkeit nach Kosten —, sortiert sich das Feld:

Überlebt eher:

  • Best Six Months. Nicht wegen der Rendite, sondern weil Hirschs Befund vor allem den Drawdown senkt — eine robustere Größe als der Mittelwert. Und die Begründung ist unabhängig plausibel (Liquiditäts- und Allokationszyklen institutioneller Anleger).
  • Präsidentschaftszyklus. Über 80+ Jahre auffällig, mit einer ökonomischen Begründung, die nicht nachträglich konstruiert wurde: Stimuluspolitik vor Wahlen ist ein beobachtbarer Mechanismus, kein Kalenderaberglaube.
  • Steuerlich begründete Effekte wie der Jahresendverkauf. Sie haben eine institutionelle Ursache, die man unabhängig von den Kursdaten belegen kann.
  • Advance/Decline-Divergenz. Der Mechanismus ist trivial und braucht keine Statistik: Wenn ein Index steigt, während die Mehrheit seiner Titel fällt, wird die Bewegung von immer weniger Werten getragen. Das ist eine Tatsachenaussage, keine Regelmäßigkeit.

Überlebt eher nicht:

  • Wochentagseffekte und die feineren Monatswechsel-Muster — kleinster Effekt, größter Suchraum, am schnellsten von Kosten aufgezehrt.
  • Der January Barometer als Jahresprognose — eine Beobachtung pro Jahr, also eine Stichprobe von rund hundert bei sehr hoher Varianz.
  • Die meisten der dutzenden Breitenindikatoren jenseits von A/D-Linie und Neuen Hochs/Tiefs, die an derselben Historie kalibriert wurden.

Die gemeinsame Rolle: Filter, nicht Signal

Kaeppels eigene Schlussfolgerung deckt sich exakt mit der Rolle, die Breite in der Praxis spielt: ergänzender Filter, nicht Strategie. Am stärksten wirkt Saisonalität, wenn sie mit einer Trendbestätigung kombiniert wird.

Bei der Breite ist es dieselbe Struktur aus einem anderen Grund: Divergenzen sind als Frühindikator zu früh, um sie zu handeln, und zu treffsicher, um sie zu ignorieren. Der Vorlauf ist variabel und in beide Richtungen dehnbar.

Beide gehören damit auf dieselbe Ebene der Entscheidungshierarchie: Regime und Gewichtung, nicht Entry. Sie beantworten die Frage „wie viel Vertrauen verdient meine bestehende These gerade", nicht die Frage „kaufe ich jetzt".

Was sich daraus für die Praxis ergibt

  1. Vom Muster eine Vorab-Begründung verlangen. Wer den Mechanismus nicht vor der Beobachtung nennen kann, hat eine Korrelation gefunden, keinen Effekt.
  2. Nach Teilperioden aufteilen. Ein Muster, das in drei von vier Jahrzehnten wirkt, ist etwas anderes als eines, das seinen gesamten Vorsprung aus den 1970ern zieht.
  3. Effektgröße gegen Kosten halten. Die meisten Kalendereffekte sind nach Transaktionskosten und Steuern verschwunden — was sie nicht falsch macht, aber unhandelbar.
  4. Als Gewichtung einsetzen, nicht als Auslöser. Eine ohnehin geplante Position im günstigen Saisonfenster etwas größer und im ungünstigen etwas kleiner — das nutzt den schwachen Effekt, ohne sich auf ihn zu verlassen.
  5. Breite auf der Regime-Ebene lesen. Eine A/D-Divergenz ist ein Grund, Risiko zu reduzieren, kein Grund zu shorten.
  6. Die Grundgesamtheit prüfen. Breitenmaße für einen von wenigen Titeln dominierten Index sagen etwas anderes als für einen gleichgewichteten.

Offene Kante

Der Bestand enthält kein Buch, das Kalendereffekte außerhalb der USA systematisch prüft. Sämtliche Muster hier — Best Six Months, Präsidentschaftszyklus, January Barometer — sind an US-Daten entwickelt. Ob sie in Europa oder Asien gelten, ist im Wiki nicht belegt, und die naheliegende Vermutung, dass ein an einem einzigen Markt entdecktes Muster dort auch am ehesten überangepasst ist, bleibt ungeprüft.

Zweitens fehlt eine ehrliche Multiple-Testing-Korrektur. Kaeppel prüft einzelne Muster sauber, aber keine Quelle im Bestand fragt, wie viele Muster insgesamt getestet wurden, bevor die veröffentlichten übrig blieben. Ohne diese Zahl ist jede einzelne Signifikanzaussage überschätzt — das ist genau der Punkt, an dem deflated_sharpe_ratio ansetzt, ein Konzept, das im Wiki existiert, aber mit diesem Feld noch nicht verbunden war.