Get best of the week

Prognostizieren Sie Finanzkrisen mit Python

Ab dem 9. März 2020 haben wir einen starken Rückgang der US-Märkte, beginnend mit einem historischen Hoch am 20. Februar 2020, das derzeit bei etwa -16% liegt. Die Nachrichten waren voller Schlagzeilen über die bevorstehende Rezession aufgrund des Coronavirus. Russland zog sich aus dem Opec + -Deal zurück, der die Ölpreise traf (-20% pro Tag), und morgen (10. März 2020) wird der MICEX-Markt voraussichtlich ebenfalls um 20% zurückgehen Notierungen unserer Aktien in westlichen Märkten.


Wird uns eine globale Rezession erwarten? In diesem Artikel werden wir versuchen herauszufinden, wie Sie die Signale des Beginns der Rezession mit Python im Voraus sehen können.

Um diese Frage zu beantworten, werden wir versuchen, die Rendite für Anleihen, Aktien und technische Analysen zu verwenden. Wir werden historische Daten vom US-Finanzmarkt als ersten größten Aktienmarkt der Welt verwenden. Wenn eine Rezession in den Vereinigten Staaten beginnt, wird sie weltweit beginnen (wie 2008). Für uns ist es auch praktisch, dass es seit Jahrzehnten Daten für den US-Markt gibt, die es uns ermöglichen, über einen bedeutenden historischen Zeitraum zu analysieren.

Wir werden historische Daten von Yahoo Finance mithilfe der yfinance- Bibliothek von der Fed-Website abrufen . US-Reserve über die Fredapi- Bibliothek und von der Quandl-Website mit verschiedenen Finanzinformationen über pandas_datareader. Bitte beachten Sie, dass Sie sich für Fed und Quandl registrieren müssen, um einen API-Schlüssel zu erhalten (dieser ist kostenlos).

Alle Finanzkrisen in den USA werden wir in Grauzonen direkt in den Charts markieren.

Bibliotheken importieren
from fredapi import Fred
import pandas as pd
import os
import pandas_datareader.data as web
import pandas_datareader as pdr
%matplotlib inline
from matplotlib import pyplot as plt
from datetime import date
import yfinance
import numpy as np

api = 'YOUR API HERE'
os.environ["QUANDL_API_KEY"] = 'YOUR API HERE'
os.environ["TIINGO_API_KEY"] = 'YOUR API HERE'

fred = Fred(api_key=api)


Wir erhalten historische Daten für S & P500 mit Yahoo, Spreads für Anleiherenditen mit FRED und den kumulierten Renditeindex für Anleihen mit FRED:

GSPC_h = yfinance.download("^GSPC", start="1962-01-01", end="2020-03-09") #SNP500
T10YFF = fred.get_series('T10YFF', observation_start='1962-01-01', observation_end='2020-03-09') #10YB-FFR
T10Y2Y = fred.get_series('T10Y2Y', observation_start='1976-06-01', observation_end='2020-03-09') #10YB-2YB
# ICE BofA US Corp 10-15yr Total Return Index Value
BAMLCC7A01015YTRIV = fred.get_series('BAMLCC7A01015YTRIV', observation_start='1962-01-01', observation_end='2020-03-09')

Risikoprämie


Die Risikoprämie ist ein Indikator, der die zusätzliche Rentabilität widerspiegelt, die ein Anleger durch die Übernahme eines erhöhten Risikos erhält.

So funktionieren die Finanzmärkte - je höher die Kapitalrendite, desto höher das Risiko.

Zur Berechnung der Risikoprämie ist es erforderlich, die risikofreie Rendite von der erwarteten Rendite des riskanten Vermögenswerts abzuziehen.

Für den US-Markt ist die risikofreie Rendite der US-Notenbankreservesatz (ein Analogon zu unserem Leitzins) - FED.

Die Risikoprämie für Aktien und Anleihen wird unterschiedlich betrachtet.
Für Anleihen: Anleiherendite (Rendite) minus FED.
Für Aktien: Gewinn- / Preisindikator (E / P) minus FED,
wobei Gewinn der Jahresgewinn des Unternehmens ist, Preis der Aktienkurs zum Zeitpunkt der Berechnung des Indikators.

Zur Berechnung der Rentabilität einer Aktie nehmen wir nicht die gezahlten Dividenden als Rentabilität, sondern den vom Unternehmen erzielten Gewinn, da Dividenden nur einen Teil des Gewinns ausmachen, den das Unternehmen an die Aktionäre zahlt. Wenn wir durch den Kauf seiner Aktien Eigentümer des Unternehmens werden, ist das Endergebnis für uns genau der Gewinn, der zum Zeitpunkt der Liquidation des Unternehmens vollständig unter den Aktionären ausgeschüttet wird.

Wir erhalten E / P für S & P500 (SP500_EARNINGS_YIELD_MONTH), risikofreien Zinssatz (FED Funds Rate) und eine breite Marktrendite für Unternehmensanleihen (Baa Bonds Yield):

# E/P
symbol = 'MULTPL/SP500_EARNINGS_YIELD_MONTH'
SP500_EARNINGS_YIELD_MONTH = web.DataReader(symbol, 'quandl', '1962-01-01', '2020-03-09')
# FED Funds Rate
FEDFUNDS = fred.get_series('FEDFUNDS', observation_start='1962-01-01', observation_end='2020-03-09')
# Baa Bonds Yield
BAA = fred.get_series('BAA', observation_start='1962-01-01', observation_end='2020-03-09')

Wir berechnen die Risikoprämie als Gewinn abzüglich des risikofreien Zinssatzes:

#     
risk_premium = pd.concat([SP500_EARNINGS_YIELD_MONTH, FEDFUNDS],axis=1).fillna(method='bfill')
risk_premium['premium'] = risk_premium['Value'] - risk_premium[0]

#     
risk_premium_b = pd.concat([BAA, FEDFUNDS],axis=1).fillna(method='bfill')
risk_premium_b.columns = ['BAA', 'FEDFUNDS']
risk_premium_b['premium_b'] = risk_premium_b['BAA'] - risk_premium_b['FEDFUNDS']

Mal sehen, was für Aktien und Anleihen getrennt passiert ist.

Für Aktien:

Grafikcode
fig, ax = plt.subplots(figsize=(17,6))

line1, = ax.plot(risk_premium['premium'],linewidth=1)
line1.set_label('risk_premium_stocks')

line2, = ax.plot(SP500_EARNINGS_YIELD_MONTH,linewidth=1)
line2.set_label('SP500_EARNINGS_YIELD_MONTH')
ax.legend(loc='upper left')

par1 = ax.twinx()
line3, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line3.set_label('S&P500')
par1.legend(loc='upper left', bbox_to_anchor=(0, 0, 1, 0.88))

plt.xlim(left=date(1962, 1, 1), right=date(2020, 3, 9))
ax.axhline(linewidth=2, color='black', alpha=0.7)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()



Für Anleihen:

Grafikcode
fig, ax = plt.subplots(figsize=(17,6))

line1, = ax.plot(risk_premium_b['premium_b'][date(1987, 12, 1):],linewidth=1, color='k')
line1.set_label('risk_premium_bonds')
ax.legend(loc='upper left', bbox_to_anchor=(0, 0, 1, 0.95))

par1 = ax.twinx()
line2, = par1.plot(np.log(BAMLCC7A01015YTRIV),linewidth=0.7, color='green')
line2.set_label('Log ICE BofA US Corp 10-15yr Total Return Index Value')
par1.legend(loc='upper left')
plt.xlim(left=date(1987, 12, 1), right=date(2020, 3, 9))

ax.axhline(y=1.5, linewidth=2, color='red', ls='--', alpha=0.7)

ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axhline(linewidth=2, color='black', alpha=0.7)

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  BofA')

plt.show()




Wie wir sehen können, sind Vorkrisenperioden Bereiche mit einer negativen Risikoprämie für Aktien und einer reduzierten Risikoprämie für Anleihen.

Gleichzeitig ist bei Anleihen nicht immer eine reduzierte Risikoprämie ein Signal für eine Krise am Rentenmarkt (der Bof-Index ist erst 2008 gesunken), aber eine reduzierte Prämie am Aktienmarkt ist fast immer (mit Ausnahme der Zeit nach der Krise in den frühen 1980er Jahren, als eine negative Prämie wurde lange gehalten) führt zu einer Wertminderung der Aktien.

Was bedeutet eine negative Risikoprämie für Aktien?

Beim Kauf einer Aktie erzielen wir eine Rendite unter dem risikofreien Kurs am Markt. Gleichzeitig die volle Verantwortung für das Risiko von Kursschwankungen und potenziellen Verlusten übernehmen. Dies ist keine Standardsituation, Anleger verstehen, dass die Risikoprämie nicht negativ sein kann, wodurch die Märkte zu der Erkenntnis kommen, dass der aktuelle Wert der Aktien zu hoch ist und der Verkauf beginnt. Der Rückgang verschärft sich, nachdem Anleger einer breiten Palette (normale Menschen, keine institutionellen Anleger) in Panik geraten, ihre Portfolios verkaufen und den Rückgang verschärfen. Somit ist die Reaktion der Märkte schnell und stark.
Es ist anzumerken, dass der Marktrückgang nicht auf das vorherige Niveau der Risikoprämie geht, sondern immer viel stärker erfolgt, was die Risikoprämie erheblich erhöht und die Attraktivität von Wertpapieren für Anleger erneut erhöht.

Wenn wir uns außerdem die Risikoprämien für Aktien und Anleihen auf einem Chart ansehen, werden wir feststellen, dass die Risikoprämie für Anleihen traditionell höher war als für Aktien. In den letzten 5 Jahren haben sie sich jedoch synchronisiert und beide tendieren allmählich zu Null:

Grafikcode
fig, ax = plt.subplots(figsize=(17,6))

line1, = ax.plot(risk_premium['premium'],linewidth=1)
line1.set_label('risk_premium_stocks')

par1 = ax.twinx()
line3, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line3.set_label('S&P500')
par1.legend(loc='upper left', bbox_to_anchor=(0, 0, 1, 0.88))

line2, = ax.plot(risk_premium_b['premium_b'],linewidth=1, color='k')
line2.set_label('risk_premium_bonds')
ax.legend(loc='upper left')
plt.xlim(left=date(1968, 1, 1), right=date(2020, 3, 9))

ax.axhline(linewidth=2, color='black', alpha=0.7)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()




Bis zum 9. März 2020 sind die Aktienrenditen trotz eines starken und starken Rückgangs des US-Aktienmarktes immer noch weit von der negativen Zone entfernt, was ein ermutigendes Signal gibt.

Die Renditen für Staatsanleihen breiten sich aus


Ein alternativer Indikator für die Marktsituation vor der Krise ist die Differenz zwischen den Renditen langfristiger und kurzfristiger Staatsanleihen.

Am wenigsten laut und am praktischsten ist der Spread zwischen den Renditen von 10-jährigen und 2-jährigen Staatsanleihen:

Grafikcode
fig, ax = plt.subplots(figsize=(17,6))
par1 = ax.twinx()
line, = ax.plot(pd.DataFrame(T10Y2Y),linewidth=0.4)
line.set_label('10YB-2YB')
ax.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.1))

line1, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line1.set_label('S&P500')
par1.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.18))
plt.xlim(left=date(1976, 1, 1), right=date(2020, 3, 9))
plt.ylim(bottom=4)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 10, 1), date(1970, 11, 1), alpha=0.3, color='grey')
ax.axhline(linewidth=2, color='black', alpha=0.7)
plt.scatter(date(2019, 9, 1), 6., color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2007, 1, 1), 6., color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2000, 1, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1998, 8, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1989, 4, 1), 5.8, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1981, 1, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1978, 11, 1), 5.9, color='orange', s=500, marker='o', alpha=0.5)

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()




Dieser Indikator ist aus historischer Sicht der wahrste und prognostiziert die letzten 7 Finanzkrisen.

Der Spread zwischen den Anleiherenditen spiegelt in diesem Fall die Stimmung der Anleger wider. Wenn sie glauben, dass sich die Wirtschaft bald verschlechtern wird, beginnen sie, Geld von kurzfristigen Anleihen (mit einer Laufzeit von 2 Jahren) auf langfristige Instrumente (mit einer Laufzeit von 10 Jahren) mit fester Rendite zu übertragen Der zuverlässigste Emittent ist das US-Finanzministerium.

Der Kauf langfristiger Anleihen wirkt sich auf deren Rendite aus, da der Kauf von Anleihen für erhebliche Geldbeträge zu einem Anstieg der Kosten der Anleihe führt. Wenn der Kupon ein fester Wert ist, führt die Aufwertung des Anleihekörpers zu einer Verringerung seiner Rendite.
Bei kurzfristigen Anleihen, die in diesem Fall verkauft werden, ist die Situation umgekehrt: Der Körper wird billiger, bei einem festen Kupon beginnt die Rendite zu wachsen.

FRED liefert jedoch keine weiteren Informationen als 1976 zu diesem Spread. Daher können wir zur Veranschaulichung die Rendite von 10-jährigen Staatsanleihen abzüglich des FED-Satzes (anstelle von kurzfristigen 2-jährigen Anleihen) heranziehen, um zu sehen, was seit 1962 geschehen ist und 2 weitere Krisen abgedeckt hat ::

Grafikcode
fig, ax = plt.subplots(figsize=(17,6))
par1 = ax.twinx()
line, = ax.plot(pd.DataFrame(T10YFF),linewidth=0.4)
line.set_label('10-Year Treasury Constant Maturity Minus Federal Funds Rate')
ax.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.1))

line1, = par1.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')
line1.set_label('S&P500')
par1.legend(loc='best', bbox_to_anchor=(0.5, 0., 0.5, 0.18))
plt.xlim(left=date(1962, 1, 1), right=date(2020, 3, 9))
plt.ylim(bottom=4)
ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')
ax.axhline(linewidth=2, color='black', alpha=0.7)
plt.scatter(date(2019, 9, 1), 6.7, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2007, 1, 1), 6.7, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(2000, 11, 1), 6.7, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1998, 11, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1989, 6, 1), 6.4, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1973, 6, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1981, 3, 1), 6.3, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1979, 3, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1969, 3, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)
plt.scatter(date(1967, 1, 1), 6.6, color='orange', s=500, marker='o', alpha=0.5)

ax.set_xlabel('')
ax.set_ylabel('  , %')
par1.set_ylabel('Log  S&P500')

plt.show()




Trotz des allgemeinen Rauschens dieses Spreads (vergleiche mit dem Spread von 10 bis 2 Jahren) wurden die Krisen von 73 und 69 auch durch Reduzierung des Spread auf die negative Zone umgesetzt.

Was im Moment?
Die Dinge sind nicht sehr - der Indikator zeigte bereits 2019 eine negative Zone.
Institutionelle Anleger erwarten, dass in naher Zukunft ernsthafte Schocks auf uns warten und sie daher auf langfristige festverzinsliche Instrumente übertragen werden.

Wie viel bleibt vor der Krise übrig?
Wie aus dem Spread-Chart hervorgeht, erwartet die invertierte Rendite Krisen für ein oder zwei Jahre.
Angesichts der Tatsache, dass die Inversion Ende 2019 erfolgte und die US-Märkte aufgrund der Erwartung einer künftigen Rezession aufgrund des COVID-19-Virus bereits zu fallen begonnen haben, nähert sich die Krise derzeit.

Ab dem 9. März 2020 fiel die Rendite 10-jähriger US-Staatsanleihen auf 0,318% - der niedrigste Wert aller Zeiten!
Es scheint, dass etwas Großes auf uns wartet und es bereits begonnen hat.

aktueller Wert T10YFF: -0,17
aktueller Wert T10Y2Y: 0,25

Vergangene Preise sagen keine Krise voraus


Als Beispiel für die Hilflosigkeit der technischen Analyse in dieser Ausgabe nehmen wir den RSI-Indikator.
Der RSI - Relative Strength Index zeigt theoretisch den "überkauften" und "überverkauften" Markt.
Überkaufter Markt - Dies ist der Zustand, in dem sich die Preise anpassen müssen, dh eine Krise am Aktienmarkt.

Link zum Wiki mit einer Beschreibung des Indikators

Wir können diesen Indikator mit Python berechnen. Für die Berechnung nehmen wir den Zeitraum - 244 Handelssitzungen (1 Kalenderjahr):

SP500_returns = GSPC_h['Close'].pct_change()
delta = GSPC_h['Close'].diff()
window_length = 500

# Make the positive gains (up) and negative gains (down) Series
up, down = delta.copy(), delta.copy()
up[up < 0] = 0
down[down > 0] = 0

# Calculate the EWMA
roll_up1 = up.ewm(span=window_length).mean()
roll_down1 = down.abs().ewm(span=window_length).mean()

# Calculate the RSI based on EWMA
RS1 = roll_up1 / roll_down1
RSI1 = 100.0 - (100.0 / (1.0 + RS1))

Grafikcode
# Compare graphically
fig, ax = plt.subplots(figsize=(20,4))
plt.xlim(left=date(1968, 1, 1), right=date(2020, 3, 9))
line, = ax.plot(np.log(GSPC_h['Close']),linewidth=0.7, color='red')

line.set_label('SNP500')
ax.legend(loc='upper left')

fig1, ax1 = plt.subplots(figsize=(20,4))
plt.xlim(left=date(1968, 1, 1), right=date(2020, 3, 9))
line1, = ax1.plot(RSI1[80:],linewidth=1)

line1.set_label('RSI (1Y)')
ax1.legend(loc='upper left')

ax.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')
ax1.axhline(y=57, linewidth=2, color='black', alpha=0.7)
ax1.axhline(y=45, linewidth=2, color='black', alpha=0.7)

ax.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')

ax1.axvspan(date(1990, 8, 1), date(1991, 2, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1981, 7, 1), date(1982, 11, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1980, 1, 1), date(1980, 7, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1973, 12, 1), date(1975, 2, 1), alpha=0.3, color='grey')
ax1.axvspan(date(1969, 12, 1), date(1970, 11, 1), alpha=0.3, color='grey')
ax1.axvspan(date(2007, 12, 1), date(2009, 6, 1), alpha=0.3, color='grey')
ax1.axvspan(date(2001, 3, 1), date(2001, 11, 1), alpha=0.3, color='grey')

ax1.set_xlabel('')
ax.set_xlabel('')
ax1.set_ylabel(' RSI')
ax.set_ylabel('Log  S&P500')

plt.show()




Was sehen wir auf dem RSI-Chart?

Viele Zonen des „Überkaufens“, die zu viel Markt signalisieren könnten, und es ist Zeit, sich anzupassen. Aber es stieg weiter an (zum Beispiel seit 1995 seit langem zeigt der Indikator „überkauft“ an, aber vor Beginn der Krise von 2001 kehrt es in seine gewohnte Zone zurück und signalisiert nicht „überkauft“, was jedoch mit der Krise endet).

Mit anderen Worten, die Verwendung von Oszillatoren zur Vorhersage einer Krise ist eine äußerst kontroverse Übung.

Vor Krisen wächst der Markt reibungslos, ohne im Gegensatz zu Stürzen eine hohe Aufwärtsvolatilität aufzuweisen - sie sind immer scharf und schnell. Wir sehen dies in der Nähe des unteren Randes des Oszillators - sein Schnittpunkt zeigte fast immer genau, wann die Krise kam und der Grund des Sturzes nahe war. Signal kaufen?

Ergebnisse


Im Moment sieht die Situation alarmierend aus, es gibt direkte Indikatoren für eine mögliche Rezession. Zusätzlich zu den überprüften gibt es auch einen Index für die Industrieproduktion (der für Wirtschaftskrisen (nicht für Finanzkrisen!) Führend ist). Man könnte sich auch mit makroökonomischen Statistiken befassen und die Zahlungsbilanz, das BIP und dergleichen in die Analyse einbeziehen. Institutionelle Anleger haben dies jedoch bereits für uns getan - ihre Reaktion spiegelt sich in der Renditestreuung von langfristigen und kurzfristigen Anleihen wider. Es bleibt zu entspannen und die Show zu sehen, wenn Sie keine finanziellen Investitionen haben. Und wenn ja - denken Sie über eine mögliche Absicherung Ihrer Positionen nach oder gehen Sie bis zu besseren Zeiten in den Cache.

More articles:


All Articles