A részvényekkel való kereskedés a korrelációs együttható használatával. Összefüggés a Forex és a tőzsdei befektetésekben. Főbb világindexek
A részvényárfolyamok viselkedése sok paramétertől függ. Az elemzés szempontjából a legvonzóbb egyszerűsége miatt az árak vagy indexek következetes viselkedése. Az ilyenfajta konzisztencia jelenléte a viselkedésben nem tagadható, és számos példában megnyilvánul. Így sok orosz cég árfolyama más részvények viselkedésére „figyelve” változik. Például a jelentős dinamikabeli különbségek ellenére könnyen észrevehetők a konzisztencia elemei a Gazprom és a Sberbank – az orosz részvénypiac leglikvidebb értékpapírjai – részvényeinek viselkedésében. Ez a fajta következetes magatartás nem tűnik furcsának, tekintve, hogy a részvények részt vesznek a tőzsdére irányuló pénzügyi áramlások dinamikájában. Bár egyetlen vállalat pénzügyeinek elemzése szempontjából úgy tűnhet, hogy a gazdaság különböző ágazataihoz tartozó vállalatok részvényárfolyamának dinamikája független kell, hogy legyen. Rizs. 2, 3 Hosszú távon mutatkozik meg legvilágosabban a részvényárak és az indexek viselkedésének következetessége. A különböző görbék viselkedése közötti konzisztencia mértéke a korrelációs együttható segítségével értékelhető. A Sberbank részvényárfolyamok és a MICEX index éves intervallumban meghatározott korrelációs együtthatói idővel változnak, gyakran megközelítik az egységet, amelynél a két görbe viselkedése közel áll a teljes konzisztenciához. A Sberbank részvényárak és a MICEX index esetében könnyen lehet magyarázatot találni egy ilyen összefüggésre. Más esetekben az összefüggés nem ilyen nyilvánvaló, még akkor sem, ha az empirikusan meghatározott korrelációs együtthatók szisztematikusan meghaladják a független változópárok esetében elérhető értékeket. A korrelációs együttható használatával megkísérelheti regressziós függőségek felépítését és az eszközök dinamikájának értékelését az egyéb kapcsolódó mennyiségek értéke és változásai alapján. Az ilyen értékelések azonban számos komoly nehézséggel járnak, amelyek néha téves következtetésekhez vezetnek az ilyen típusú kapcsolódások haszontalanságáról. A korrelációs együtthatók használata azonban hasznos lehet a részvényárfolyamok és indexek dinamikájának elemzéséhez. Sőt, ezek az oddsok a kereskedési rendszerek lényeges elemei lehetnek, de használatuk során fontos emlékezni a legfontosabb korlátokra.
1. A korrelációs együttható sok paraméternek csak egy jellemzője, és nem szükséges túlbecsülni az értékeit
A tőzsdei terminálokról érkező árinformáció-folyamok egyrészt kaotikus véletlenszerű összetevő jelenlétét jelzik az árak viselkedésében, másrészt pedig bizonyos konzisztenciát más eszközök áraival. A matematikai statisztika lehetővé teszi, hogy azonosítsuk a koherencia elemeit az idősorok viselkedésében. Ehhez Fourier-analízist vagy más paramétereket lehet becsülni. A legkényelmesebb és legegyszerűbb a K regressziós (korrelációs) együttható. Gyakran használják két idősor közötti kapcsolat mértékének elemzésére. Ez az együttható meghatározható az Xi és Yi változók bármely két halmazára (beleértve a véletlenszerűeket is), ahol i 1 és n között van. Egy n hosszúságú minta segítségével meghatározhatja az empirikus korrelációs együtthatót, amelyet a következő képlet határoz meg:
K= , ahol Mx és Mu az (X) és (Y) valószínűségi változók matematikai elvárásainak becslései, és ezek szórásának értékei. K értéke (-1, 1) belül változik.
A korrelációs együttható egyenlőnek bizonyul két X(ti) és Y(ti) mennyiségből álló halmazok esetén, amelyek értékei az idővel fázisban változnak, mint például a 4. ábrán az A és B jelű szinuszok. az 5. ábra sorozata, ezek az X(ti ) és Y(ti) függőségi halmazok (X és Y) koordinátákban vannak bemutatva. Az antifázisú oszcillációknál (A és D görbék) a korrelációs együttható -1. Amikor az egyik folyamat fázisa eltolódik, a korrelációs együttható nulla közelébe csökken a sin(t) és cos(t) ortogonális rezgések esetén (A és C görbék). Hasonlóképpen nulla korrelációt fogunk találni a sin(t) sin(2t) rezgési periódusú rezgéseknél, amelyek kétszeresére különböznek egymástól (A és F görbe). A korrelációs együttható két különböző folyamat rezgésének „zajossága” miatt is csökken. Így a szinkron oszcilláló G és H görbéknél, amelyekben véletlenszerű zaj van, a számított korrelációs együttható egységnél kisebbnek bizonyul. Gyakrabban éppen ez a zajos viselkedés figyelhető meg a különböző eszközök árainál. A tisztán véletlenszerű Yi számok halmazának korrelációja bármilyen X(ti) függőséggel a minta növekedésével nullára hajlik, és az X(ti) és Yi számpárok „grafikonja” még csak utalást sem ad a függőségre. , ahogy az Xi és Yi számpárok „függőségei” utolsó grafikonján látható, ahol Xi-t az A felső szinuszos görbéből vettük, Yi-t pedig az I. görbéből, amely egyenletes eloszlású véletlen számok halmaza.
2. Emlékeztetni kell a korreláció meghatározásának lehetséges pontosságára
A piaci függőségekben a viselkedésük gyakran megfigyelt koherenciájához vezető determinisztikus komponenseken kívül más kifejezések is léteznek, amelyek „véletlen számokként” értelmezhetők. A véletlenszerű tagok szintén hozzájárulnak a meghatározott K korrelációs együtthatóhoz. Így, ha kiszámítjuk a K értéket egy N méretű véges mintára a valószínűségi változók két Xi és Yi halmaza között, egyenletesen elosztva a (0-1) intervallumban, az eredmények szintén nem lesznek -nulla jelentése. A Kj(250) értéke (250 páros mintaméret esetén) magának a mintának a számától függ. A K korrelációs együttható egy valószínűségi változó lesz, amelynek Kj realizációi a nagy számok törvénye szerint a normál törvény szerint eloszlónak bizonyulnak. A bemutatott ábrán láthatjuk, hogy a Kj(250) korrelációs együtthatók hogyan változtak a 250 pár valószínűségi változóból álló minták között több ezer implementáció esetén (j=1,2,3...1000). Szórás?? A K(250) valószínűségi változó közel 0,062, ami azt jelenti, hogy az esetek 77%-ában a Kj(250) korrelációs együttható tapasztalati értéke 250 valószínűségi változópár esetén ±2??-n belül lesz. (A ±0,124 vonalak az ábrán láthatók). És 3*-on túl?? (±0,186) a Kj(250) valószínűségi változó csak az esetek 1,35%-ában jelenik meg. Így a K(250) értéke egy 250 számpárból álló, nagyobb modulo 0,2 esetén valószínűleg nem társítható véletlenszerű körülményekhez, és a K>0,2 idősoroknál el kell vetnünk a véletlenszerűség gondolatát. változást, és kereshetjük a korrelált viselkedésük lehetséges okait. A normál eloszlásra Kj(N) az érték?? fordítottan arányos az N mintaméret négyzetgyökével. Ezért 1000 véletlenszámpárból álló mintaméret esetén?? felére csökken a 250 véletlenszámpárból álló mintához képest, és egy négyszer kisebb, 62 pontpárból álló mintához képest, éppen ellenkezőleg, megduplázódik. Ha feltételezzük, hogy a részvény árfolyama adott determinisztikus komponenssel és véletlen taggal rendelkezik, akkor a minta méretének növelésével csökkenthetjük a véletlen tag miatt fellépő korrelációs együtthatóhoz való hozzáadást. Idősor esetén a véletlen komponensek hozzájárulásának csökkentése érdekében növelni kell azt az időszakot, amelyből a felhasznált pontokat veszik. A vizsgálati periódus túlzott növelése sem lehetséges, mivel hosszú időintervallumban a görbék konzisztenciájának jellege megváltozhat. Nyilvánvaló, hogy a korrelációs együttható használatával csak az időszak átlagos korrelációs értékét becsüljük meg. Ezért tanulmányi ablakként leggyakrabban egy éves intervallumot használnak, amely a hétvégéket és a munkaszüneti napokat figyelembe véve körülbelül 250 napi záróárat ad. Az éves intervallum kiválasztásakor figyelembe kell venni, hogy a véletlenszerű árösszetevők hozzájárulhatnak a kapott K(250) korrelációs együtthatóhoz, amelynek értéke egy 250 pontos mintán könnyen ±0,1, és néhányban (bár ritka) ) esetek akár ±0,2-t is elérnek. Ezért a valóságban a korrelációs együttható éves intervallumon történő kiszámításakor célszerű csak egy szignifikáns számjegyet tartani a tizedesvessző után, és minden máshoz statisztikai hiba társulhat. Ha a K(250) korrelációs együttható 10%-nál kisebbnek bizonyul, akkor jobb, ha nem gondolunk a kezdeti értékek közötti összefüggésre. (Nincs értelme nem véletlenszerű dolgokat keresni, ahol a véletlenszerűség dominál).
3. Index összefüggések
A pontosság fenti értékelését figyelembe véve lehetséges az RTS-index potenciálisan legjelentősebb mennyiségeinek korrelációs együtthatóinak kiszámítása. Az alábbi ábra az RTS index, az amerikai S&P 500 index, a japán Nikkei225 és a francia CAC40 relatív változásait mutatja. Kiderült, hogy az elmúlt évben az RTS index és a feltüntetett indexek korrelációs együtthatója negatív volt. (A fenti indexekkel rendelkező RTS-ek K értékeit az ábra görbéinek feliratai tartalmazzák). A korreláció negatívvá válik az indexek hosszú ideig tartó többirányú mozgása miatt. Így az RTS index az év első felében csökkent, miközben ezen országok indexei növekedést mutattak. Különösen erőteljesen nőtt az N225 index, ami magas negatív K együtthatót adott. A korrelációs együttható (az adott görbékből) csak a Brent olajárak esetében bizonyult pozitívnak. Bár a K koefficiens +0,6 olajjal nem olyan magas, mint azt várnánk, figyelembe véve gazdaságunk e nyersanyag árától való függését.
A páronkénti összefüggések 1. táblázatából láthatjuk, hogy ezek az eszközök két csoportra oszthatók. Az egyik a fejlett országok indexeit tartalmazza, amelyek egymás között meglehetősen magas pozitív páronkénti korrelációs értékekkel rendelkeznek. Így az S&P 500 index és a CAC 40 index korrelációs együtthatója nagyon magas és +0,9-et tesz ki. Míg a BRICS-országok indexeivel a korrelációs együtthatók negatívnak bizonyulnak számukra.
A BRICS-országok indexei egy másik csoportba tartoznak. Az indexek relatív változásainak együttes grafikonja jól mutatja azok következetes viselkedését. Az RTS korrelációs együtthatója Kína és Brazília indexeivel még valamivel nagyobbnak bizonyul, mint az RTS index olajár-függősége. Ez azt jelzi, hogy a BRICS-országok indexeinek viselkedése meglehetősen magas fokú koherenciát mutat. A két ábrán látható görbékből és e görbék és az RTS index közötti korrelációs együtthatókból feltételezhetjük, hogy az éves horizonton az orosz, brazil és kínai tőzsdére történő befektetésről szóló döntést a fő befektetők csoportja, meghatározta az indexek dinamikáját hasonló szempontok alapján készült. Ugyanez vonatkozik az amerikai, japán és francia piacokon történő befektetési döntésekre is.
4. Az árnövekedés összefüggései
Fontos még egy fontos tulajdonságra figyelni. Egy spekuláns számára nem a részvényárfolyamok korrelációja a fontosabb, hanem a napi árfolyamváltozások korrelációja. És ez egyáltalán nem ugyanaz. A 9. ábra három modellgrafikont mutat. Mindegyik egy hosszú periódusú szinusz (éves változások) összegét reprezentálja a megfelelő összeadással. De a három grafikon összeadása más. Az A ütemterv esetében ez egy „heti” szinusz 5 napos periódussal. A B és C grafikonoknál a heti szinusz negatív előjelű, tehát az A grafikonon ellenfázisban van a B és C grafikonon lévő összeadással. A C grafikonon ráadásul véletlenszerű összeadás is előfordul. Az összes adalék amplitúdóját úgy választjuk meg, hogy egyenlő legyen a főrezgés amplitúdójának egyötödével. A görbék páronkénti korrelációs együtthatói az összeadások ellenére egységhez közeliek és egyenlők KA-B=+0,92; KA-S=+0,9; KB-C= + 0,9.
De a második diagramon látható „napi árnövekedés” esetében teljesen más a kép. ábra A, B, C görbéinek pontjai. A 10. ábrát a 9. ábra görbéin lévő időszekvenciális értékek különbségeinek kiszámítása eredményeként kaptuk: 10. ábra = 9(t)-A ábra 9(t-?t) ábra. Amint látjuk, a napi áremelkedések sokkal kevésbé függnek az éves trendektől, hanem nagyrészt rövid, több napos ingadozások határozzák meg. A feltüntetett különbségi görbéknél (10. ábra) a korrelációs együtthatók teljesen eltérő értékűek KA-B = -1,0; KA-C= -0,7; KB-C= + 0,7. A korrelációs együtthatókat 250 páros minták felhasználásával számítottuk ki. (Az előző pontot figyelembe véve egy tizedesjegyre korlátozzuk magunkat a véletlen komponenst tartalmazó görbéknél).
Ugyanezt megteheti a fent használt indexekkel, és napi növekménykészleteket képezhet belőlük. A kapott relatív növekménysorozathoz kiszámítottuk a korrelációs együtthatók értékeit. Amint az alábbi 2. táblázatból látható, a korrelációs együtthatók értékei alapvetően eltérnek az 1. táblázatban megadott értékektől.
A fő különbség az ilyen együtthatók nagyobb stabilitása. Ráadásul az inkrementumok összefüggései többnyire pozitívak. A kivétel az olajár-növekedés és a japán Nikkei 225 index növekedése közötti negatív korreláció volt, azonban a korrelációs együtthatók abszolút értékei a növekményeknél általában észrevehetően kisebbek, mint az értékeknél. önmagukat, és a legtöbb esetben csak kis mértékben haladják meg a tisztán valószínűségi változók halmazainak lehetséges értékeit.
A korrelációs együttható stabilitásának mértéke az időfüggésükkel mutatható ki. Mint már említettük, a korrelációs együttható az időtől függ. Így az orosz piac két leglikvidebb értékpapírja, a Sberbank és a Gazprom árfolyama esetében a korrelációs együttható (az előző 250 napra számítva - hozzávetőleges éves intervallum) idővel nagymértékben változik. Például 2008 végén a korrelációs együttható közel +1 volt. Ez azt jelenti, hogy 2008-ban az összehangolt komponens dominált a részvényárfolyamok dinamikájában. Voltak azonban időszakok, amikor a korrelációs együttható a negatív tartományba esett. Ez azt jelenti, hogy a kudarcokat megelőző egy évben a Gazprom és a Sberbank korrelációs értékei, árfolyamai több irányba változtak. Ez a fajta többirányúság meglehetősen gyakori jelenség a mi piacunkon. Oly gyakran a Surgutneftegaz, a Norilsk Nickel vagy más részvények részvényei ellenmozgást mutattak a piac felé. Ez vagy konkrét vállalati okok miatt történt, vagy amikor a piacon a befektetők bizonyos részvényeket választottak védőeszközként. A részvényárfolyamok rövid távú változásai azonban még átlagosan sem annyira konzisztensek, de a korrelációs együttható nagyobb stabilitását mutatják különböző időszakokban. Ez a különbség jól látható a Sberbank és a Gazprom részvényárfolyama (12. ábra) és azok változásának (13. ábra) korrelációjának viselkedésének összehasonlításával. 14. ábra Érdemes megjegyezni, hogy egyes részvények árfolyamnövekedésének „függősége” más részvények árfolyamának növekedésétől még a magas korrelációs periódusokban sem tűnik dinamikus görbének. Ennek ellenére a nagy K-nél a lineáris regressziós kapcsolat meglehetősen nagy valószínűséggel működik. Ennek eredményeként például megbecsülhető a Gazprom-részvények árfolyamának növekedése a Sberbank-részvények növekedésével (és fordítva). Ezzel a függéssel azonban az a probléma, hogy ezeknek a részvényeknek az árfolyamnövekedése egy időintervallum alatt történik. A Sberbank-részvények árfolyamának egy adott napon történő növekedésének valószínűségét pedig csak a Gazprom-részvények ugyanazon nap végén lehet felmérni.
A különböző adatsorok közötti korrelációs együtthatók meghatározása lehetővé teszi a legegyszerűbb függőségek gyors azonosítását, és olyan eszközök megtalálását, amelyek korrelálnak a vizsgálttal. Így a külpiaci indexek vagy termékcsoportok árainak változása alapján becsléseket lehet készíteni a piacunkon az indexek aktuális változásának valószínűségére. De a legfontosabb dologgal - a már megtörtént eseményekre vonatkozó valószínűségi előrejelzések lehetőségével - minden egy kicsit rosszabb. De éppen az ilyen előrejelzéseknek van a legnagyobb értéke. Ehhez meg kell vizsgálni a mai indexnövekedés összefüggéseit más piaci indexek múltbeli növekedésével vagy az árucsoportok árnövekedésével. Valójában azonban kiderül, hogy a múltra vonatkozó információk idővel meglehetősen gyorsan leértékelődnek. A technikai elemzés jól ismert „maximuma” „az ártörténet minden információt tartalmaz a piacról” nagy fenntartással és az on-line történések figyelembevételével működik. Valójában a múltbeli árak csak korlátozott mértékben határozzák meg a jövőbeli dinamikát. Annak meghatározásához, hogy melyik múlt a legjelentősebben befolyásolja a jelent, a kezdeti elemzéshez megpróbálhatja felépíteni a jelenlegi növekedések korrelációját az indexértékek és a részvényárak korábbi időpontokban bekövetkezett változásaival. Valójában kiderült, hogy a különböző időintervallumokból származó növekmény korrelációs szintjei általában meglehetősen alacsonyak.
Ezt a MICEX indexnövekmény autokorrelációs függvényének példájával szemléltethetjük. A korrelációt a MICEX index napi változásainak két egymást követő sorozatára vesszük. És ha az aktuális nap MICEX indexének napi növekményét Xi értéknek vesszük, akkor az előző napi indexnövekedést veszik Yi értéknek. A 15. ábrán látható grafikonon látható, hogy egyrészt az autokorreláció értéke nem haladja meg nagymértékben a tisztán véletlen számpárok korrelációs együtthatójának értékét. Másodszor, a K jelet válthat. És mégis, a korrelációs együttható előjel-biztonságának hosszú periódusai alatt, használatával pénzt lehet keresni a piacon. Ehhez pozitív K mellett elegendő az indexet a kereskedés zárásakor megvenni azokon a napokon, amikor az pozitív inkreménnyel zár, és azokon a napokon eladni, amikor az index negatív növekményt mutat. Ennek eredményeként a K pozitív bizonyosság időszakában statisztikailag szignifikáns pozitív növekményt lehet elérni a számlálásban. A negatív K időszakokban az elmúlt nap változásaival szembeni trendellenes technika működőképes lesz.
Összegzésként megjegyezzük, hogy a vizsgált vagyonnal a legnagyobb korrelációt mutató adatsorokból lehet kiválasztani azokat a halmazokat, amelyeknek nagyságrendileg a legnagyobb a korrelációs együtthatója. Ekkor (például K értékével arányosan mérlegelve) olyan szintetikus eszközöket építhetünk, amelyek potenciálisan mélyebb kapcsolatban állnak az általunk érdekelt vagyonnal, és magasabb korrelációs együtthatóval rendelkeznek. ábrán. A 16. ábra az előző évre számított korrelációs együtthatókat mutatja az RTS-index és a Bovespa-index, a Shanghai Com. és a Brent olajárak növekményei között. Azt látjuk, hogy mindhárom együttható 0,3 körül változott az elmúlt évben. Egy hipotetikus eszköz kialakítása után, amelynek változásai megegyeznek a három jelzett érték változásának átlagos értékével, az eredményül kapott eszköz napi növekményeinek korrelációs együtthatója is kiszámítható. Az RTS-index és a megadott szintetikus eszköz növekményeinek korrelációs együtthatójának értékei, amelyeket ugyanazon szabályok szerint számítanak ki, az ábra mutatja. 16 vastag vonal. Látjuk, hogy az újonnan képzett eszköz korrelációs szintjei szisztematikusan magasabbnak bizonyultak, mint a benne szereplő komponensek esetében. Ezen az úton más eszközöket is létrehozhat, magasabb korrelációs együtthatók értéket érve el. A legnyilvánvalóbb gyakorlati érték a már történelemmé vált adatsorokból származó szintetikus eszközök kombinációja. Tehát a Xi - az RTS-index változásaival párosulva például három értékből összeállíthat egy Yi eszközt: az olajárak és a Bovespa index előző napi változásaiból, valamint a Shanghai Comp. index értékéből, de az aktuális kereskedési napon, amely Kína sokkal korábban ér véget, mint a moszkvai kereskedés. Az előző esethez hasonlóan az RTS-index növekedésének korrelációs együtthatója egy ilyen szintetikus változóval magasabb, mint a páronkénti korrelációk mindegyikével külön-külön. Így a korrelációs együttható segít megtalálni az RTS index változásaihoz szorosabban kapcsolódó változót, amelynek értékei időben korábban jelennek meg, mint az RTS index zárási ideje. Ugyanezt megtéve kiválaszthatja az ilyen változók halmazait, kiválasztva belőlük az érdeklődési körhöz leginkább társított párt.
(Fokozatos munkára kell felkészülni az előzetes adattisztításnál, az ünnepnapok elszámolásánál, a hétvégi kereskedésnél, ahogy ez a Brent olajnál történik, stb.). És még egy dolog: helyesebb nem a bemeneti mennyiségek átlagértékét venni, hanem azok súlyozott értékét a korrelációs együttható átlagos értékének megfelelően. Érdemes megváltoztatható paramétereket bevezetni, amelyek kiválasztásával jobb eredményeket érhet el. Azonban jobb, ha nem a korrelációs együttható értékével optimalizálunk, hanem az egyik vagy másik kereskedési technikával elérhető potenciális nyereséggel. A neurális hálózatok használata már a kiindulási adatok kiválasztásának szakaszában lehetséges, amikor a képzési szakaszban az optimalizáló rendszer maga választja ki a legmegfelelőbb együtthatókat. De mindez valószínűleg egy kereskedési rendszer létrehozásához kapcsolódik. Ez a szöveg bemutatja, hogyan használhatók a korrelációs együtthatók.
A pénzügyek a magas kamatlábak felé haladnak, mert a devizabefektetők nagyobb megtérülést várnak el a készpénzes befektetésektől. A devizaáramlás attól is függ, hogy a világ lakossága hogyan költi el a pénzét.
A részvények iránti kereslet, valamint az olyan áruk iránti kereslet, mint az arany vagy az olaj, megváltoztatja a valuta árfolyamát. Miért? Az arany vásárlásához a termelő ország pénznemére van szükség. Ezért helyi valutát kell vásárolnia.
Ha Dél-Afrikáról beszélünk, először meg kell vásárolnia a dél-afrikai randot (ZAR), majd azzal fizetnie kell az aranybányák tulajdonosainak. Amikor rohanni kezdenek az aranyért, és a tranzakciók széles körben elterjednek, a dél-afrikai valuta és az arany ára a kereslettel együtt emelkedik.
Ez a függőség minden árura vonatkozik. Tervezi a német tőzsdén forgalmazott részvények vásárlását? Először eurót kell vásárolnia. Ennek van logikája. De a nyersanyagárak emelkedését vagy esését figyelve világosan meg kell értenie, hogy pontosan mit kell vásárolni és mit kell eladni. Ebben segíthet a nyersanyagárak és a valuták értéke közötti összefüggés tanulmányozása. A különböző kategóriájú pénzügyi eszközök egymásra gyakorolt hatásának elemzését piacközi elemzésnek nevezzük. Ezután megtudhatja, hogy mely valutákkal kell dolgoznia az olaj-, arany- és tőzsdepiacon bekövetkező komoly mozgások esetén.
Korreláció(a latin correlatio „korreláció, kapcsolat” szóból) vagy a korrelációs függőség két vagy több valószínűségi változó (vagy bizonyos elfogadható pontossággal annak tekinthető érték) közötti statisztikai kapcsolat. Ebben az esetben ezen mennyiségek egy vagy több értékének változását egy másik vagy más mennyiség értékeinek szisztematikus változása kíséri.
Összefüggés az olajjal
A modern világban a globális gazdaság fő mozgatórugója a folyékony szénhidrogének és szerves kén- és nitrogénvegyületek természetes keveréke. Ezt a keveréket nyersolajnak is nevezik. A megtermelt olaj nagy része benzingyártásba kerül. Kevesen tudják, hogy az olajból aszfaltot, műanyagot, textíliát is gyártanak, házak fűtésére stb.
Az olaj, mint nyersanyag sokoldalúsága és felhasználási területeinek sokrétűsége a fő oka annak, hogy a növekvő gazdaságok nagy keresletet mutatnak rá. Az indiai és kínai ipar gyors fejlődése a fekete arany iránti kereslet globális egyensúlyának éles változásához vezetett.
A Forex kereskedő profitot termelhet, ha figyeli az olajpiac mozgását és az olajjal korrelált devizapárokat.
Ez egyesek számára meglepő lehet, de az olajjal leginkább korrelált valuta a kanadai dollár. Statikailag az USDCAD devizapár mozgásainak 84%-a az olajárak változásától függ. Amikor az olajpiac felfelé megy, az USDCAD pár hajlamos esni, ami azt jelenti, hogy a kanadai dollár értéke nő az amerikai dollárhoz képest.
Ezt a függőséget Kanada magas pozíciója magyarázza az olajtermelés világában, amely szó szerint hatalmas olajtartalékokon nyugszik. Ugyanez a nemzeti valuta olajárfolyamtól való függése látható más vezető országok példáján is a fekete arany termelésében. Például Oroszország lakosai nem tudták nem észrevenni, hogyan esett a rubel árfolyama a dollárhoz képest, amikor az olajárak 2014-2016-ban estek.
Vegyük észre, hogy nem az olajpiac az egyetlen oka a függő valuták, például a kanadai dollár árfolyamának változásának, de ami fontos, az az, hogy ez a két változó párhuzamosan mozog.
Az alábbi ábra az USDCAD és az olajárfolyamokat mutatja egymásra vetítve. Feljegyzik azokat a sorsokat, ahol van összefüggés, és ahol nincs. A szakaszok teljes hosszának aránya hozzávetőleg 50:50, ami azt jelenti, hogy a tiszta korrelációs kereskedés nem a szent grál, hanem jó kiegészítője lehet egy meglévő kereskedési stratégiának, vagy egyszerűen segíthet meghatározni a kereskedés nyitásának irányát ellentmondásos pillanat.
Korreláció a Brent olaj és az USDCAD között 
A cikk alján letölthet egy mutatót az egyik pénzügyi eszköz diagramjának átfedésére a másikra. Az olajárjegyzéseket tartalmazó grafikonok a bróker terminálján tekinthetők meg: "Új chart" - CFD Futures - BRN (Brent) vagy WTI. Írja meg kommentben, hogy talált-e olyan devizapárokat, amelyek erősebben korrelálnak az olajjal, mint az USDCAD, és használja-e ezt a korrelációt a Forex kereskedésében?
Összefüggés az arannyal
Általános szabály, hogy az arany iránti kereslet jelentősen meghaladja a világpiaci kínálatot. A közelmúltban az aranybányászok tartózkodtak attól, hogy új bányák feltárásába és fejlesztésébe fektessenek be. Az ékszerek és a befektetések iránti kereslet azonban növekszik, különösen az indiai és kínai gazdasági fellendülés közepette.
Az arany kiváló elektromos vezetőképessége, alakíthatósága és korrózióállósága miatt a sárga fém nélkülözhetetlenné vált a különböző elektronikai iparágakban használt alkatrészek gyártásában, beleértve a számítógépeket, a cellás kommunikációt és a háztartási készülékeket. Mivel az arany biológiailag inert anyag, nélkülözhetetlen az orvosi kutatásokban, sőt ízületi gyulladások és más nehezen kezelhető betegségek kezelésére is használják. Az ékszerészek mellett a fogorvosok is igényelnek aranyat. Évente körülbelül 70 tonna aranyat fogyasztanak el a fogászati klinikákon.
Ezenkívül a piaci szereplők régóta úgy vélik, hogy az arany a befektetés biztonságos menedéke, ami pozitív hatással van ennek az árucikknek a piaci kilátásaira.
Ausztrália, mint a világ harmadik legnagyobb aranytermelője, profitál ennek értékéből. Az AUDUSD pár és az arany ára közötti korrelációs együttható körülbelül 0,78, ami azt jelenti, hogy az árfolyamok 78%-ban megegyeznek. Az arany árának növekedése általában az ausztrál dollár amerikai dollárral szembeni értékének növekedésével jár együtt. Az AUD árfolyam esését pedig gyakran a sárga fém árának csökkenése előzi meg.
Az AUDUSD árfolyama kis késéssel szinte teljesen követi az arany árfolyamának mozgását 
Összefüggés a tőzsdével
Bár a részvények önmagukban nem áruk, erősen korrelálnak a devizapiacokkal.
De ebben az esetben nem szabad nyomon követni a valuták és az egyes értékpapírok közötti korrelációt - túl sok van belőlük, könnyebb követni a legnagyobb részvényindexeket, amelyek egy értékpapír-kosár árfolyammozgását tükrözik. A brit FTSE, az amerikai S&P 500, a japán Nikkei, a német DAX rendkívül fontos a devizapiac számára, a tapasztalt kereskedők világszerte figyelik ezeket az indexeket a devizákkal együtt.
A részvényindex a tőzsdén kereskedett részvényekből álló nagy kosár. A piac általános emelkedése vonzza az indexekben szereplő részvények vásárlóit, árfolyamuk az indexek értékével együtt mozog. A külföldi pénz érkezését megelőzi annak helyi valutára történő átváltása. Amikor a piac esik, a befektetők elhagyják, és visszaadják „natív” devizájukat. Így a részvénypiacok közvetlen hatással vannak a valuták értékére.
Ez azt jelenti, hogy amikor a DAX emelkedik, meg kell venni az eurót, és amikor a Nikkei csökken, akkor el kell adni a japán jent? Talán, de nem lenne jobb, ha minden alkalomra van egy recept? Valódi. Közvetett kölcsönös függőségről beszélünk, de a statisztikák a technika hatékonyságát jelzik.
Az EURJPY pár kereskedése a világ kereskedőinek kockázattűrő képességének felmérésének alapja. Az e keresztárfolyam mentén történő mozgás szorosan összefügg a legnagyobb részvényindexek értékének változásával, nem azért, mert a valuták egyik tőzsdéről a másikra áramlanak, hanem a kereskedők piacra lépési hajlandósága miatt általában.
Emiatt, ha a befektetők biztosak abban, hogy a globális piacok emelkedőben vannak, akkor nagyvonalúbbak lesznek az alapjaikkal, kifejezve készséget arra, hogy pénzt helyezzenek a tűzvonalba. Ilyen esetekben az EURJPY árfolyama általában emelkedik. A zuhanó részvénypiacok negatív hatással vannak erre a devizapárra. Nem mindig, de a legtöbb esetben.
Az EURJPY árfolyam szinte teljes mértékben követi az S&P 500 index árfolyamát 
következtetéseket
Ezt megtanultuk devizapárok korrelációja a Forexen két vagy több pénzügyi eszköz közötti kapcsolat, amelyek lehetnek áruk: arany, olaj, részvények vagy más devizapárok. Ha egy devizapár korrelál egy másik pénzügyi eszközzel, akkor ennek az eszköznek az árfolyamának változásával a függő devizapár árfolyama is megváltozik.
Az USDCAD devizapár az olajárfolyamtól, az AUDUSD pedig az arany árfolyamától függ. Az aranyat a Forex piacon GOLD vagy XAUUSD néven jelölik. Az EURJPY pár szorosan követi az S&P 500 részvényindex mögött, ami megmutathatja, hogy ez a pár hogyan fog viselkedni a közeljövőben.
Ha úgy dönt, hogy korreláció alapján kezdi meg a kereskedést, akkor egyszerűen szüksége van erre az eszközre:
Töltse le a Forex devizapár korrelációs mutatóját:
Ezzel a mutatóval kiválaszthatja az egymástól leginkább függő pénzügyi eszközöket, és elkezdheti velük kereskedni, mert nem csak a CAD függ az olajtól és nem csak az AUD függ az aranytól. Több korrelált devizapár egyidejű kereskedésével jó és stabil profitot érhet el.
Kérjük, írja meg kommentben az összefüggésekkel kapcsolatos kereskedési tapasztalatait, mindenkit nagyon érdekelne. Vagy esetleg szokatlan vagy váratlan pénzügyi eszközöket talált, amelyek egymástól függenek? - Mindenképpen írj.
A kereskedési eszközök értékváltozásai közötti kapcsolat, olyan helyzet, amikor az egyik eszköz árának változása egy másik eszköz értékének változásához vezet.
A korreláció mérésére a részvényárak viselkedésének elemzésének gyakorlatában a megfelelő mutatót használják - a Pearson-korrelációs együtthatót, amelyet a következő képlet határoz meg:
- rxy – x és y készletértékek korrelációs együtthatója;
- dx az x sorozat egy bizonyos értékének eltérése a sorozat átlagértékétől;
- dy az y sorozat egy bizonyos értékének eltérése a sorozat átlagértékétől.
Sőt, ha a számított Pearson-együttható értéke plusz egy, akkor az elemzett részvényárak közötti kapcsolat közvetlen funkcionális jellegű.
Ha a korrelációs együttható értéke abszolút értékben meghaladja a 0,7-et, akkor két részvény árfolyama közötti kapcsolat markáns jellegű.
Ha a Pearson korrelációs együttható modulus értéke 0,4 és 0,7 között van, akkor a részvényárfolyamok értékei közötti kapcsolat átlagos. Kevesebb, mint a 0,4-es szint - gyengén kifejezett kapcsolat a részvényárak között.
Ha ennek az együtthatónak az értéke mínusz 1, akkor a részvényárak közötti kapcsolat fordított funkcionális jellegű.
Minél több két részvény értékének értéke szerepel a mintában, annál alacsonyabb a korrelációs együttható abszolút értéke a korreláció jelenlétéről.
A részvényárak közötti Pearson-korrelációs együttható számításának analitikai értéke lehetővé teszi, hogy a tőzsdei kereskedés során objektív döntéshez szükséges alapvető adatokhoz jusson.
Például a tőzsde reagál a főbb eszközök (olaj, arany, ipari indexek, államkötvényhozamok) árfolyammozgásairól szóló hírek megjelenésére. Ennek eredményeként a társasági részvények árfolyama megváltozik. A piaci eszközök közötti kapcsolat dinamikájának és az árszínvonal-változások közötti ok-okozati összefüggések gondos figyelemmel kísérésével hatékonyan és gyorsan módosíthatja befektetési taktikáját és kereskedési tervét. Ugyanakkor a korrelációelemzést szükségszerűen alkalmazzák a befektetési portfólió kialakításánál a kockázatkezelés alapfogalmai keretein belül.
A két részvény közötti korrelációs szint ismeretében csökkenthető a befektetési portfólió kialakulásának kockázata.
Tegyük fel, hogy portfóliónk két eszközt tartalmaz, amelyek árának viselkedése a szinusztörvény szerint időfüggő. Ha a korrelációs együttható egyenlő plusz 1-gyel, akkor a szinuszhullámok teljes szuperpozícióját kapjuk, és mindkét részvény megvásárlásával megduplázzuk pozícióinkat mindegyikben. A Pearson-korrelációs együttható mínusz 1 értéke éppen ellenkezőleg, lehetővé teszi a részvények nyereségének és veszteségének kölcsönös kompenzálását. A hatékonyan kiválasztott részvénykészletek egy portfólióban idővel növekednek. Ezután, amikor az egyik részvény árfolyama csökken, egy másik részvény növekedése kompenzálja a portfólió teljes lehívását, és minimalizálja az általános kockázatot. A portfólió-kiegyensúlyozás folyamata lehetővé teszi, hogy bevételt generáljon az egyes eszközök portfóliószerkezetében való részesedésének gyors megváltoztatásával.
Tegyük fel, hogy az A és B részvényekből álló portfóliónk kezdeti összetétele mínusz egy fordított korrelációt mutat. Az arány pedig egy az egyhez (50/50). A portfólió összértéke 1 millió dollár. Hat hónap leforgása alatt az A részvények értéke 10%-ot esett, ára pedig az eredeti 500 ezer dollárról csökkent. 450 ezer dollárig Ezzel szemben a B eszköz 10%-kal nőtt, árfolyama pedig 550 ezer dollárra emelkedett. A teljes portfólió értéke nem változott, és eléri az 1 millió dollárt. Most a B részvények felét (550/2 = 275 ezer dollár) átruházzuk A-ra, és ennek költsége most 725 ezer dollár lesz. A B részvény - 275 ezer dollár.
Az év következő felében fordított folyamat következik be – a részvények visszatérnek korábbi árfolyamszintjükre. Most osztja A helyett 725 ezer dollárt. ára 797,5 ezer dollár, a B eszköz pedig 275 ezer dollár helyett. 247,5 ezer dollár A portfólió összértéke most 797,5 + 247,5 = 1045 ezer dollár lesz. Így jövedelmezősége kiegyenlítés után 4,5% évente. Újraegyensúlyozás nélkül a portfólió értéke nulla százalék lenne. A gyakorlatban minden sokkal bonyolultabb, hiszen a legtöbb részvény korrelációs szintje a plusz 0,5 és mínusz 0,5 közötti tartományban van.
Ebből arra következtethetünk, hogy minél alacsonyabb a Pearson-koefficiens értéke, annál nagyobb a portfólió valószínű hozama azonos kockázati szint mellett, vagy annál alacsonyabb a kockázati szint azonos hozamérték mellett. A korrelációs együttható számítását azonban óvatosan kell alkalmazni.
Ugyanabban az irányban mozognak? Például az NZD/USD pár a legtöbb esetben az AUD/USD pár pályáját követi. Ezt a jelenséget " korreláció».
Így, valutakorreláció – két devizapár kölcsönös függésének mértéke . A korrelációs együttható decimális formátumban jelenik meg +1,0 és -1,0 között.
- +1 korreláció (pozitív, közvetlen) azt jelenti, hogy két devizapár az idő 100%-ában ugyanabba az irányba mozog.
- Korreláció -1 (negatív, inverz), éppen ellenkezőleg, azt jelenti, hogy a két pár az idő 100%-ában ellentétes irányba mozog.
- A nulla korreláció azt jelenti hogy a két pár semmilyen módon nem függ egymástól.
A közvetlen korrelációt mutató párok legszembetűnőbb példái az EUR/USD és a GBP/USD, az AUD/USD és az NZD/USD, az USD/CHF és az USD/JPY.
Jó példa a fordítottan korrelált párokra: EUR/USD és USD/CHF, GBP/USD és USD/JPY, USD/CAD és AUD/USD, USD/JPY és AUD/USD.
Hogyan használjuk a devizakorrelációt a kereskedésben?
Az árfolyam-korrelációk megértése lehetővé teszi, hogy elkerülje a veszélyes hibákat a kereskedési döntések meghozatalakor. A korrelációs érték különösen magas a közép- és hosszú távú kereskedésben.
Például meg kell értenie, hogy a pozitívan korrelált párok egyirányú pozíciói növelik a potenciális veszteségek nagyságát. Például tudjuk, hogy az EUR/USD és a GBP/USD hagyományosan erős közvetlen korrelációt mutat. Ez azt jelenti, hogy az EUR/USD és a GBP/USD egyidejű vásárlása hatékonyan megduplázza a kockázatot. Ha a várakozásai nem teljesülnek, és az euró olcsóbbá válik az amerikai dollárral szemben, akkor a font nagy valószínűséggel követni fogja az eurót lefelé.
Hasonló helyzet áll elő, amikor többirányú pozíciókat nyitunk két páron, fordított korrelációval (például EUR/USD egyidejű vásárlása és USD/CHF eladása).
Ezenkívül nincs sok értelme az egyidejű többirányú kereskedésnek két korrelált páron - valójában nincs pozíciója. Például az EUR/USD vásárlás és a GBP/USD egyidejű eladása kontraproduktív. Bármilyen piaci mozgás növeli a profitot az egyik páron, de csökkenti a másikon. Előfordulhat, hogy a pip értékek különbsége miatt veszteségesen zár. Ugyanez vonatkozik a fordítottan korrelált párok egyirányú pozícióira (például EUR/USD és USD/CHF egyidejű vásárlása).
Képzeljük el, hogy az EUR/USD pár egy fontosat tesztel. Mielőtt kitörésre vásárolna eurót, javasoljuk, hogy nézze meg, hogyan viselkednek más dollárpárok ebben az időben. Ha a dollár gyengül a legtöbb főbb devizával szemben, akkor feltételezhetjük, hogy az euró jelenlegi kitörése nem hamis.
A devizák és a nyersanyagárak korrelációja
A devizapiac szoros kölcsönhatásban áll más pénzügyi piacokkal. Ha nyersanyag-exportáló országok valutáival kereskedik, alaposan tanulmányozza át az ország „alapanyagának” árát befolyásoló tényezőket, és próbáljon meg saját előrejelzéseket készíteni rá.
Nézzük az ausztrál dollár (AUD) példáját. Ausztrália legfontosabb exportcikkei a vasérc, a tejtermékek és az arany, így a gazdaság helyzete és a nemzeti valuta közvetlenül függ ezen áruk piaci áraitól. erősödik, amikor ezeknek az áruknak az ára emelkedik, és fordítva, csökken, amikor az árak csökkennek.
Ahogy a grafikonokon is látszik, valóban van hosszú távú pozitív korreláció az arany ára és az AUD/USD pár között. Rövid távon azonban a korreláció csökkenhet. Például az amerikai részvénypiac éles eladási hulláma, ahogy az igaz, gyengíti az AUD/USD árfolyam aranyhoz kötöttségét.
Egy másik jó példa a valuták és a nyersanyagok közötti korrelációra a kanadai dollár (CAD) és az olaj. Kanada az Egyesült Államok legnagyobb olajszállítója, így az olaj világpiaci árának emelkedése mellett érdemes a kanadai valuta hosszú távú vásárlásán is gondolkodni.
Az árfolyamok és a tőzsde összefüggése
A tőzsde növekedése általában a nemzeti valuta erősödésével jár, de vannak speciális esetek is. Például, Az S&P500 és az amerikai dollár (USD) közötti korreláció nem állandó. Az olcsó dollár egyrészt pozitív tényező az amerikai tőzsdére nézve: nő az amerikai áruk versenyképessége a világpiacon, ami a vállalatok profitjának és ennek megfelelően részvényeinek növekedéséhez vezet. Emiatt a tőzsdeindexek rekordmagasságba kerültek a kvantitatív lazítás (QE) program amerikai indulása miatt. Az amerikai részvények dinamikáját azonban az árfolyamon kívül számos egyéb, lokális és globális tényező is befolyásolja. A dollár árfolyama és az amerikai részvényindexek általában a mögöttes gazdasági folyamatokat tükrözik.
Az amerikai jegybank 2013 decemberében bejelentette a QE programból való fokozatos kilépést, valamint egy esetleges kamatemelést 2015 elején. Félő, hogy a monetáris politika szigorítása összeomlást okozhat a tőzsdén, mivel az olcsó likviditás mennyisége a piacon csökkenni fog. Eközben az amerikai dollár erősödhet. Ennek ellenére sok közgazdász nem hajlandó egyértelműen negatív tényezőnek tekinteni a QE felszámolását és a kamatemelést. A monetáris ösztönzők volumenének csökkenése azt jelzi, hogy a világ legnagyobb gazdasága kilábal a válságból, és ezért pozitív jelzés a tőkepiacok számára. Emellett az amerikai hatóságok fokozatosan megszüntetik a QE-t, döntéseiket a gazdasági mutatók dinamikája alapján hozzák meg. Nagy a valószínűsége annak, hogy ez a következő hónapokban is folytatódni fog. gyenge pozitív korreláció a dollár és a részvényindexek között.
A japán jen és a Nikkei 225 részvényindex egy másik érdekes példa a változó korrelációra. 2005-ig a jen és a Nikkei pozitív korrelációt tartott fenn, de aztán negatívra változott. Ezt a paradoxont az magyarázza, hogy a 2005-2007. Japánban kivételesen alacsony kamatlábak voltak, ami a jent tette a fő finanszírozási valutává a "" tranzakciókban (az alacsony kamatlábat megállapító állam pénznemében történő hitelfelvétel, a magas kamatlábat megállapító államok pénznemébe történő átváltás és befektetés ). A jen az ilyen műveletek bősége közepette csökkent (azaz az USD/JPY pár erősödött). Az olcsó nemzeti valuta jót tett a japán exportőröknek – ennek eredményeként a Nikkei index is nőtt.
Ez a helyzet egészen a 2008-as gazdasági világválság kezdetéig tartott. Ebben a feszült időszakban a befektetők elkezdtek megszabadulni a kockázatos eszközöktől, és „megbízható” jent vásároltak. Ennek eredményeként a JPY emelkedett, ami negatívan befolyásolta a japán exportőrök profitját és ennek megfelelően a Nikkei indexet.
A Bank of Japan 2012-ben a defláció elleni aktív leküzdés stratégiáját választotta, amely a nemzeti valuta értékének csökkenésére épül. A jen meredek esése a japán tőzsdék emelkedéséhez vezetett. Így azt látjuk, hogy a jen és a Nikkei közötti fordított kapcsolat ma is fennáll.
A JPY és a Nikkei 225 korrelációja
A statisztikákban korrelációs együttható (angol Korrelációs együttható) a két valószínűségi változó közötti kapcsolat fennállására vonatkozó hipotézis tesztelésére szolgál, és lehetővé teszi annak erősségének értékelését is. A portfólióelméletben ezt a mutatót általában arra használják, hogy meghatározzák az értékpapír (eszköz) hozama és a portfólió hozama közötti kapcsolat jellegét és erősségét. Ha ezeknek a változóknak az eloszlása normális vagy a normálishoz közeli, akkor érdemes használni Pearson korrelációs együttható, amelyet a következő képlettel számítanak ki:
Az A társaság részvényeinek hozamának szórása 0,6398, a B társasági részvényeké 0,5241, a portfólióé pedig 0,5668 lesz. ( A szórás kiszámításáról olvashat)
Az A társaság részvényeinek hozama és a portfólióhozam közötti korrelációs együttható -0,864, a B társasági részvényeké pedig 0,816 lesz.
RA = -0,313/(0,6389*0,5668) = -0,864
R B = 0,242/(0,5241*0,5668) = 0,816
Megállapíthatjuk, hogy meglehetősen erős kapcsolat van a portfólió hozama és az A és B társaság részvényeinek hozama között. Ugyanakkor az A társaság részvényeinek hozama többirányú mozgást mutat a részvények hozamával. portfólió, a B társaság részvényeinek hozama pedig egyirányú mozgást mutat.