Teknisk analyse, eller den statistiske analyse af tidligere kursændringer med det formål at forudsige fremtidige prisændringer, har været et diskutabelt emne mødt med skepsis i mange finansielle kredse. De fleste handlende og investorer falder ind i en af ​​tre lejre: De, der tror, ​​det er en videnskab, der virker, de insisterer på, at det er en selvopfyldende profeti, og de overbeviste om, at det er værdiløst som et forudsigelsesværktøj.
TUTORIAL: Teknisk analyse: Introduktion

Dagens tekniske analyse er langt fra det, der eksisterede tidligere. Udviklingen af ​​neurale netværk, genetiske algoritmer og lignende teknologier har dramatisk forbedret nøjagtigheden i forudsigelser og kan markere et skift i branchen. I denne artikel tager vi et kig på nogle empiriske beviser for endelig at stille dette spørgsmål til hvile med et specifikt fokus på valutamarkedet (forex). (For at vide mere om genetiske algoritmer, læs: Brug af genetiske algoritmer til prognose for finansielle markeder .)

Fungerer Teknisk Analyse virkelig? Forskere har været skeptiske over for teknisk analyse, lige siden Eugene Fama og Marshall Blume fandt buy-and-hold at foretrække for enhver filtreringsteknik i "Filter Rules and Stock-Market Trading." Men forskningen fokuseret på valutamarkeder har vist usædvanligt store overskud drevet af teknisk analyse, der har udfordret den effektive markedshypotese.

I 1995 offentliggjorde Blake LeBaron en undersøgelse kaldet "Teknisk handelsregels rentabilitet og valutaintervention", som foreslog en mulig grund til, at teknisk analyse var så effektiv på valutamarkederne. Rapporten fandt ud af, at forudsigeligheden i vid udstrækning er reduceret, hvis ikke elimineret, når man diskonterede dage, som Federal Reserve var aktivt indblandet.

Den underliggende årsag til effektiviteten af ​​teknisk analyse på valutamarkederne kan derfor være, at prioriteterne varierer mellem store aktører. I modsætning til uforudsigelige aktiemarkeder har centralbankerne et stærkt incitament til at holde valutapriserne på visse niveauer, hvilket kan gøre prisbevægelserne mere forudsigelige, især når de går ind for. (For at få viden om teknisk analysepraksis læser: Pionerer af teknisk analyse .)

Neurale netværk og teknisk analyse Med deres evne til at identificere uklare mønstre i data har neurale netværksmodeller vokset i popularitet. Modellerne kan tilnærme enhver ikke-lineær funktion til en vilkårlig grad af nøjagtighed, hvilket gør dem ideelle til prognoser i mange forskellige indstillinger. Desuden har moderne software gjort disse netværk tilgængelige for selvstændige erhvervsdrivende og investorer.

Nylige undersøgelser har været fokuseret på at bruge neurale netværk til at identificere underliggende tekniske handelsregler.I "En casestudie om brug af neurale netværk til at udføre teknisk prognose for Forex" fandt Jingtao Yao og Chew Lim Tan, at buy-and-hold-strategier kan være bedre end trend-following, men neurale netværksmodeller overgik begge, selv når man bare bruger enkle indikatorer som glidende gennemsnit.

En anden undersøgelse kaldet "Brug af tilbagevendende neurale netværk til prognoser for forex" giver mere empiriske beviser for, at neurale netværk kan tilvejebringe statistisk pålidelig forudsigelse af valutakurser. Modellen anvendt i undersøgelsen opnåede angiveligt 80% nøjagtighed i forudsigelse, hvilket bekræfter at neurale netværk kan være meget effektive til at fremstille valutaresikringer. (For at vide mere om neurale netværk, skal du tjekke: Neural Networks: Forecasting Profits .)

Komponenter af et effektivt system Der er flere nøglehensyn, der skal tages i betragtning ved udviklingen af ​​en teknisk analyse- baseret handelssystem for valutamarkederne, ifølge de ovennævnte undersøgelser om emnet. Her er et par vigtige punkter at huske på, når du udvikler et system:

• Hold dig til den schweiziske franc og japanske yen. Flere undersøgelser har fundet ud af, at CHF og JPY er de to valutaer, der er lettest at forudsige. Den fremherskende teori bag dette fænomen synes at være den kendsgerning, at disse valutaer er mest tilbøjelige til at intervenere, hvilket sandsynligvis skyldes, at de begge er sikre valutaer for internationale investorer.
• Brug neurale netværk til optimering af systemer . Neurale netværk har evnen til at identificere uklare mønstre i data, hvilket gør dem perfekte til valutamarkeder. Som et resultat er størstedelen af ​​den aktuelle forskning om emnet centreret omkring neurale netværk.
• Flydende gennemsnit og logaritmiske returneringer . Mindst en undersøgelse foreslog, at glidende gennemsnit og logaritmiske afkast er de to bedste input til valutahandelsmodeller, især når man analyserer CHF eller JPY.

Et ord fra oppositionen Effektiviteten af ​​tekniske analysebaserede handelssystemer er stadig bestridt af mange forskere. Ved at bruge mistænkte testdata prøver eller overdrevent tilpassede handelssystemer, mener disse forskere, at resultaterne fra disse undersøgelser kan være vildledende. I sidste ende er det svært at fortælle uden at anvende systemet til nye datasæt, men erhvervsdrivende bør være opmærksomme på bekymringerne.

De to vigtigste bekymringer er:

• Data Dredging . Nogle undersøgelser kan have brugt data mining teknikker til at identificere vildledende relationer i data. I dette tilfælde kan udførelsen af ​​et testsystem være gyldigt inden for sine testdata, men det ville ikke have nogen statistisk betydning i en bredere befolkningsprøve.
• Kurvemontering . Nogle undersøgelser kan have brugt kurvepasningsteknikker, der kan give pålidelige resultater for et datasæt, men igen, ikke for en bredere befolkningsprøve.

Bundlinjen Teknisk analyse kan ikke bevises at fungere på aktiemarkederne, men der er stigende tegn på effektiviteten i forexmarkederne.Succesen er i høj grad blevet tilskrevet forudsigeligheden af ​​interventioner, der stort set ses i centralbankernes trygge valutaer. Men nogle forskere forbliver skeptiske, da der er potentialet for mindst to typer vildledende analyseteknikker.