Die Rolle des Volumens bei der Aktienkursprognose unter besonderer Berücksichtigung der AVAS-Transformation

پیش‌بینی قیمت سهام یکی از مهم‌ترین بخش‌های فرآیند تخصیص دارایی و بهینه‌سازی ریسک در مدیریت سرمایه‌گذاری مدرن است. در دهه‌های اخیر، تحقیقات علمی تعداد زیادی رویکردهای مختلف را برای مدل‌سازی و پیش‌بینی سری‌های زمانی قیمت سهام (مانند مدل‌های ARCH، GARCH یا ARIMA) توسعه داده‌اند. با این حال، در نهایت، هیچ ابزار پیش‌بینی دقیق و کافی نمی‌توان از این مدل‌ها استخراج کرد که تصادفی بودن نسبتاً بالای قیمت سهام مسئول آن است.

رضا داریوش منتسر بررسی می کند که تا چه اندازه می توان با افزودن حجم معاملات به عنوان اندازه فیلتر، تصادفی بودن را کاهش داد. او با استفاده از فیلتر AVAS که توسعه داد، توانست کاراکتر تصادفی را به میزان قابل توجهی کاهش دهد. با کمک دو روش مختلف تحلیل تکنیکال، او سپس کیفیت پیش آگهی این شکل از تحلیل را با استفاده از سری های زمانی اولیه و سری های تبدیل شده با AVAS در یک روش آزمایشی شامل چندین میلیون مجموعه داده بررسی می کند. علاوه بر این، او یک مبنای نظری برای تحلیل تکنیکال (کارایی اطلاعات پویا)، روشی جدید برای طبقه‌بندی تصادفی (انحراف آلفا) و یک معیار ریسک جدید (واگرایی سیگما) تدوین می‌کند.

Die Prognose von Aktienkursen gehört zu den wichtigsten Bestandteilen des Asset-Allocation- sowie des Risiko-Optimierungsprozesses im modernen Anlagemanagement. In den letzten Jahrzehnten wurden in der wissenschaftlichen Forschung eine Vielzahl von unterschiedlichen Ansätzen zur Modellierung und Prognose von Aktienkurszeitreihen (z.B. ARCH-, GARCH- oder ARIMA-Modelle) entwickelt. Doch konnte letztlich kein hinreichend akkurates Prognoseinstrument aus diesen Modellen abgeleitet werden, wofür insgesamt der relativ hohe Zufallscharakter von Aktienkursen verantwortlich gemacht wird.

Reza Darius Montassér untersucht, in wie weit der Zufallscharakter durch Hinzunahme des Handelsvolumens als Filtergröße verringert werden kann. Unter Verwendung des von ihm entwickelten AVAS-Filters gelingt ihm eine signifikante Verringerung des Zufallscharakters. Mit Hilfe zweier unterschiedlicher Methoden der Technischen Analyse überprüft er dann in einem mehrere Millionen Datensätze umfassenden Testverfahren die Prognosequalität dieser Analyseform anhand der Ausgangszeitreihe sowie der AVAS-transformierten Reihe. Daneben formuliert er ein theoretisches Fundament für die Technische Analyse (dynamische Informationseffizienz), eine neue Methode zur Klassifizierung des Zufallscharakters (Alpha-Abweichung) und entwickelt ein neues Risikomaß (Sigma-Divergenz).