Soutěžní práce SVOČ Kategorie: bakalářská
Přístupy k předvídání cen aktiv na kapitálových trzích
Autor:
Zdeněk Vala
[email protected]
Školitel:
Ing. Michal Kovářík
SVOČ 2009
Přístupy k předvídání cen aktiv na kapitálových trzích Zdeněk Vala
Abstrakt Kapitálový trh byl vždy středem zájmu mnohých ekonomů. Také díky krizi se ale letos dostal trh s akciemi do středu zájmu celé veřejnosti, která čeká na náznak konce krize. Právě kvůli krizi se navíc zvýšila nedůvěra stálých účastníků k akciovému trhu, a lze v blízké době očekávat vstup nových účastníků. Právě proto se má práce bude zabývat hypotézami, které by mohly začínající investory v souvislosti s akciemi napadnout a metodami, které by začínající investoři mohli v rámci technické analýzy využít.
Klíčová slova Technická analýza, indexy, kapitálový trh, korelace.
Úvod To, že kapitálové trhy vládnout světové ekonomice je již známý fakt, v poslední době navíc potvrzen světovou ekonomickou krizí. Stejně jako v jiných oblastech, kde hraje významnou roli lidský faktor, se i zde objevuje mnoho domněnek a předpokladů, které nemusí být za všech okolností úplně spolehlivé a byla by chyba vstupovat na tento trh, aniž bychom si je předem nevyjasnili. V této práci se nejprve pokusím některé z domněnek a předpokladů potvrdit či vyvrátit pomocí určených hypotéz a v závěru nastíním metody technické analýzy a doporučím jejich použití na základě zkušenosti z predikce pro dané období. Celkový účel práce není určit co je nejlepší metodou ale spíše předat potenciálním zájemcům o technickou analýzu určité poznatky do začátku a dát jim jakýsi základ pro rozhodování o tom, jaké metody by mohly být pro ně nejvýhodnější. Podrobnější popis těchto metod je předmětem teoretické části mé bakalářské práce. Podrobné výsledky zkoumání jsou uvedeny v přílohách.
Cíle a metodika A. Potvrdit či vyvrátit hypotézy 1. Změna na jednom indexu v rámci jednoho dne má přímý a předvídatelný vliv na změnu jiného indexu v následujícím obchodovacím dnu a tento vliv lze využít k predikci stejně, jako jiné nástroje technické analýzy.
1
1.1 Evropský DAX následuje v rámci celodenních změn Americký Dow Jones Industrial Average (dále jen DJ) 2. V rámci globální ekonomické krize se budou korelační koeficienty zvyšovat – v globální krizi budou mezi trhy vyšší a navíc přímá závislost. 3. Předpokládaný konec krize je odůvodnitelný i pomocí cyklů v DJ. B. Analyzovat na příkladech indexů v současnosti používané metody technické a psychologické analýzy, jejich hodnocení a doporučení výběru metod a softwaru pro začínající investory.
Ad A. Verifikace hypotéz Metodika postupu pro hypotézu 1. a 1.1. -
„Změna na jednom indexu v rámci jednoho dne má přímý a předvídatelný vliv na změnu jiného indexu v následujícím obchodovacím dni a tento vliv lze využít k predikci stejně, jako jiné nástroje technické analýzy.“
-
„Evropský DAX následuje v rámci celodenních změn Americký DJ.“
Základním předpokladem bylo, že mnozí lidé, se orientují na budoucí vývoj na určitém indexu pomocí toho, jak se vyvíjel jiný index v předchozím dni. (Př.: DJ šel včera nahoru, dnes to čeká DAX....) Proto jsem v rámci 2 let vybral na jednotlivých indexech všechny dny, které po sobě přímo následovaly a provedl mezi nimi ve vybraném programu korelační analýzu. Pro větší přesnost jsem neanalyzoval hodnoty indexů, nýbrž jejich změny oproti předchozímu dni. Daná metoda se zdála být vhodnější také proto, že byly názornější determinační koeficienty pro možnou predikci podle spočítané funkce.
Postup
1.
Shromáždění dat: K tomuto jsem použil stránku Yahoo – finance [8], kde jsou hodnoty indexů volně dostupné, U DAX od roku 1990, u Nikkei 1984 a u DJ již od roku 1969.
2.
Výběr vhodného softwaru pro analýzu. Pro mou analýzu jsem si vybral program statview, zejména pro jeho jednoduchost.
3.
Seřazení dat: V rámci mé první hypotézy bylo nezbytné seřadit dny tak, jak po sobě následovaly, tudíž vyřadit dny, kdy se na jednom z trhů neobchodovalo. Tím jsem dostal 480 vzájemně na sebe navazujících dní, ze kterých jsem pak určoval korelační a determinační koeficient a funkci pro predikci.
4.
Z výsledků, ke kterým jsem došel, jsem sestavil tabulku hodnot závislostí.
5.
Interpretace výsledků a výběr jednotlivých indexů a rovnic pro pozdější predikci. 2
Výsledky hypotézy 1. a 1.1. Výsledky korelační analýzy ukazuje tabulka 1. a graf 1. Z těch je možno vyčíst, že největší závislost byla u indexu Nikkei na změně DJ, a poté DJ na změně DAX. Ať už jsem zvolil korelační funkci jakkoli, vždy mi vyšly rozdíly minimální nebo nulové, tudíž nejvhodnější, a to i pro co nejjednodušší pozdější predikci, bylo využít lineární závislost. Vzhledem k daným výsledkům lze prohlásit, že v rámci denních změn nenásleduje evropský DAX americký DJ, tudíž lze pokládat hypotézu 1. 1. za vyvrácenou. Tato hypotéza ovšem nebyla zpracována v rámci intradenního obchodování, kdy může být pořád nalezen vliv!! (př.: Evropský DAX otevírá dříve než americký DJ, a obchodníci na DAXU často čekají, až se otevře DJ a udá trend.) Tuto hypotézu by mohl naznačovat i determinační koeficient závislosti DJ na DAXU, protože tuto závislost jsme pozorovali v rámci jednoho dne. Tím se nám nabízí otázku pro další zkoumání, kterou by mohlo být, jak rychle reaguje evropský DAX na změnu DJ. Tab. 1. Determinační korelační koeficienty DJ x x 0,364 0,672 0,052 0,512
DJ DAX NÍKKEI 225
DAX 0,075 0,638 x x 0,278 0,663
NIKKEI 225 0,384 0,672 0,278 0,663 x x
závislé - determinační koeficient (dále jen det. koef.) - det. koef, 10 denní klouzavý průměru. - determinační koeficient - det. koef, 10 denní klouzavý průměru. - determinační koeficient - det. koef, 10 denní klouzavý průměru.
nezávislé
Zdroj: vlastní výpočty
Determinační koeficienty
Determinační koeficient
0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 DJ na DAXU
Nikkei na DJ
Nikkei na DAXU
DAX na Nikkei
DAX na DJ
DJ na Nikkei
dvojice indexů determinační koeficient denní
determinační koeficient 10 denní klouzavé průměry
Graf. 1. Jednotlivé determinační koeficienty Zdroj: vlastní tvorba
3
Vzhledem k velmi velkým rozdílů mezi hodnotami determinačních koeficientů zatím nemůžeme potvrdit ani vyvrátit hypotézu 1.1. Korelaci tedy dále podrobím zkoumání v rámci určitých časových intervalů a v poslední části této práce ji aplikuji přímo při predikci hodnot vybraných indexů. V rámci klouzavého průměru jsem zjistil korelační koeficienty ve velmi těsné blízkosti, což může napovídat o podobném vývoji při očistění od sezónních složek. Tento vliv je vysvětlitelný tím, že ekonomika je globální a ve výsledku se v střednědobém až dlouhodobém vývoji všechny indexy pohybují v podobném trendu, tudíž zde nemusí být ani tak vzájemný vliv pouze mezi těmito indexy ale vliv celosvětové ekonomiky, která působí na všechny indexy zároveň. Metodika postupu pro hypotézu 2. „V rámci globální ekonomické krize se budou regresní koeficienty zvyšovat – v globální krizi budou trhy vzájemně citlivější.“ Po zjištění korelačních koeficientů zbývá určit, jak moc jsou tyto koeficienty proměnlivé v čase. K tomu jsem použil běžně používaný program Microsoft Excel, a z grafů dál vyčetl, kde je přibližný bod, od kterého se průměrná korelace mezi všemi indexy zvýšila. Tento bod je pro nás klíčový, protože značí, že se na celosvětových kapitálových trzích stalo něco, co z globálního hlediska působí na všechny uvedené indexy a že se na kapitálových trzích změnilo i něco v chování investorů. Korelační koeficient se počítá z následujících 20 dní, tudíž pokud bychom chtěli vědět, kdy byl den, ke kterému byl korelační koeficient z minulých dní roven našemu výsledku, museli bychom jej posunout o 20 dní dopředu.
Postup
1. Shromáždění dat. 2. Výběr softwaru – pro výpočet jednotlivých korelací se jeví nejlepší možnou alternativou program Microsoft Excel 3. Seřazení dat 4. Provedení korelace v rámci 30 denních intervalů 5. Analýza výstupu a vytvoření spojnicových grafů 6. Nalezení přibližného dne, od kterého se zvyšuje korelace mezi jednotlivými indexy. 7. Rozdělení časové řady na dobu před vybraným dnem a po vybraném dnu. 8. Interpretace výsledků
4
Výsledky pro hypotézu 2. Pro potvrzení či vyvrácení hypotéz jsem určil 20denní korelační koeficienty (přibližně 20 obchodovacích dní má 1 měsíc) mezi jednotlivými indexy. Tento krok jsem nejprve provedl, abych určil, jak se korelace vyvíjí v čase. Při bližším zkoumání jsem si ale všiml velmi patrného růstu od určitého data, a to u všech porovnávaných dvojic. Tento vývoj je patrný i z tabulky 2. a grafu 2. Pro lepší pochopení záměru, nebo případné další ověření této hypotézy přikládám v příloze v části 3. i ostatní grafy vývoje dvacetidenních korelačních koeficientů. Tab. 2. Průměrná hodnota korelace mezi Nikkei a DJ ve sledovaných obdobích průměrná korelace
před 17. červnem 2008
po 17. červnu 2008
0,553983707
0,632734653
Zdroj: vlastní výpočty
Graf 2. Vývoj korelačních koeficientů Nikkei na DJ za poslední 2 roky (červená značka označuje 17. červen) Zdroj: vlastní tvorba
Pro celkové potvrzení hypotézy 2. udávám tabulku 3. V té můžeme vidět korelační koeficienty před a po 19. červnu 2008 a jejich procentuální rozdíl. Můžeme si všimnout, že se korelační koeficienty ve všech případech zvýšily, což potvrzuje naši hypotézu, že indexy jsou vůči sobě v dobách krize vzájemně citlivější.
5
Z pohledu psychologie je tento fenomén logický, protože v dobách krize je vyšší možnost ztráty, což vyvolává v lidech více strachu a větší míru pochybnosti o svých schopnostech a tudíž i větší přiklánění se k názoru „globálního davu“. Tab. 3. Rozdíl mezi korelačními koeficienty vybraných období průměrná korelace před 17. červnem
po 17. červnu
změna
změna %
DJ na Nikkei 225
0,060
0,177
0,117
195,242
DAX na Nikkei 225
0,335
0,511
0,175
52,255
DJ na DAX
0,512
0,645
0,133
25,933
DAX na DJ
0,208
0,261
0,054
25,818
Nikkei 225 na DJ
0,554
0,633
0,109
19,675
Zdroj dat: vlastní výpočty
Metodika pro hypotézu 3. „ Předpokládaný konec krize je odůvodnitelný i pomocí cyklů v Dow Jones industrial Average indexu.“ Existuje velké množství důkazů, které jsou podpořeny výzkumy mnoha jiných, že jeden z dominantních cyklů v Dow Jones Industrial Average indexu průměrně trvá asi 11 let. Pro znázornění této hypotézy přikládám v příloze v části 1 ostatní grafy cyklů v DJ z použité literatury [1]. Poslední cyklus skončil v listopadu 2001. Jestliže se podíváme na vývoj těchto cyklů, je patrné, že se neustále zkracují. Nejkratší cyklus byl zaznamenán v období mezi zářím 1981 až listopadem 1990, právě v letech, kdy se odehrála poslední větší krize. Právě proto mám důvod domnívat se, že pokud by se nám podařilo zjistit, v jaké fázi cyklu se právě teď DJ nachází, dalo by se i teoreticky předpovědět, kdy krize doopravdy skončí. Tento přístup nebere v potaz, zda, kdy a jaké řešení krize budou aplikovány v rámci politiky, avšak přistupuje ke krizi jako k přírodnímu fenoménu, jehož řešení se dříve nebo později tak či onak objeví. Pro výběr DJ máme několik základních důvodů. Za prvé to, že informace o historických cenách DJ jsou volně dostupné, aniž bych se musel registrovat popř. platit poplatek. Za druhé se jedná o fakt, že cykly v DJ jsou uznávány jakožto potvrzený fenomén. Za třetí proto, že světovou ekonomikou hýbou stále ještě zejména USA. A na konec to byl fakt, že krize začala právě v USA, a tudíž je nutné hledat právě tam první signály jejího konce.
6
Postup
1. Studium minulých cyklů v DJ 2. Sběr dat pro sestavení grafu šestiměsíčních procentuálních změn. 3. Sestavení optimálního cyklu v DJ, dle knihy Tonyho Plummera 4. Analýza současného cyklu a predikce jeho dalšího pokračování.
Graf 3. Přibližně jedenáctiletý cyklus v DJ Zdroj: vlastní tvorba, literatura [1]
Důležitou otázkou je, co lze brát jako konec krize. Zda se jedná o období, kdy se začnou vzpamatovávat kapitálové trhy, či období, kdy se toto „vzpamatování“ projeví na ekonomikách jednotlivých států, respektive na jejich HDP, pro názornou ukázku vzájemného vlivu akciového trhu a HDP uvádím níže obr.1., popisujícího propojení ekonomiky a kapitálového trhu. Vzhledem k aktuálnímu vývoji v březnu 2009 si dovoluji tvrdit, že se průběh výše uvedeného cyklu stále více potvrzuje. Pokud bychom ještě porovnali nynější cyklus s ostatními cykly, kdy došlo k významnému poklesu (například krach 1987), je patrné, že oproti idealizovanému cyklu se po hlubokém propadu začíná DJ index zvedat velice rychlým tempem. Proto si také dovoluji předpokládat, že šestiměsíční změna překročí hranici nulové půlroční změny dříve, než uvádí idealizovaný cyklus, tedy za cca 17 měsíců. 7
Obr. 1. Vzájemné propojení ekonomiky a akciových trhů Zdroj: literatura [1]
Z výše uvedeného obrázku je patrné, že HDP reaguje na trh se zpožděním a že kapitálový trh je jakýmsi prorokem HDP. Pokud jsem tedy správně odhadl cyklus v DJ, tedy hodnoty akcií už nebudou klesat tak velkou rychlostí jako doposud. Nejprve se ale musí cyklus dostat nad nulovou šestiměsíční změnu, což bych osobně s jistou dávkou optimismu odhadoval na dobu 6 – 9 měsíců. Poté tedy bude ještě, jak ukazuje obrázek 1, nějakou dobu trvat, než začne ekonomika opět zase růst. Ad B. Analyzovat na příkladech indexů v současnosti používané metody technické analýzy, jejich hodnocení a doporučení výběru metod a softwaru pro začínající investory. V této části jsem si dal za úkol prozkoumat vybrané metody technické analýzy a jejich úspěšnost při predikci vývoje hodnot indexů DJ, DAX a Nikkei 225. Vybrané metody jsou japonské candlesicks, analýza Pivot pointu, lineárním trendem a korelační analýza.
8
elliotovy vlny, exponenciální vyrovnávání
Schéma návrhu komplexní technické analýzy
Predikce hodnot indexů Krátkodobá analýza změn trendu Pivot point
Candlesticks
Dlouhodobá analýza změn trendu Elliotovy vlny
Analýza pomocí cyklů v indexu DJ
Predikce vývoje
Statistické metody
Exponenciální vyrovnávání lineárním trendem
Analýza pomocí korelace
Analýza vztahu mezi jednotlivými indexy
Aplikace navržených modelů predikce
Psychologickostatistické metody
Elliotovy vlny
Teoretický vývoj
Candlesticks + pivot point
Empirický vývoj
Funkčnost navržených modelů v praxi
Schéma 1. Komplexní přístup k predikci hodnot indexů Zdroj: vlastní tvorba
Postup
1. Výběr a studium metod technické analýzy – Metody, které jsem si vybral jsou jak statistické, tak statisticko psychologické. Jedná se o exponenciální vyrovnávání lineárním trendem, korelační analýzu, candlesicks, analýzu Pivot pointu a elliotových vln. 2. Výběr zkoumaného období. – V této části vzhledem k omezené časové kapacitě nebylo mnoho možností, proto jsem se rozhodl pro období 1. – 23. února 2009, tzn. 15 obchodních dní. 3. Sestavení predikcí – na každý následující den obchodování ve vybraném období, pomocí vybraných metod. 4. Srovnání predikcí se skutečností. – každodenní kontrola predikce z minulého dne a jeho odchylky od skutečnosti. 5. Hodnocení spolehlivosti jednotlivých metod a jejich doporučení pro indexy – Sestavení tabulky výsledků odchylek použití jednotlivých metod. 6. Celkové hodnocení jednotlivých metod – hodnocení pomocí tabulky, ve které jsem určil 4 nejdůležitější vlastnosti každé analýzy: spolehlivost, časová náročnost, náročnost na použití, čitelnost, mezi tyto metody byly rozděleny různé váhy. 9
Výsledky Z výzkumu vyplynulo, že jestliže bychom porovnávali na jednotlivých indexech pouze vybrané statistické metody, predikce by byly velmi nespolehlivé, navíc by nebyla jedna metoda ideální pro všechny indexy, ale na DJ a Nikkei 225 by bylo přesnější použít korelační analýzu, zatímco na index DAX bychom se přiblížili přesnější predikci, pokud bychom použili exponenciální vyrovnávání. Fakt, že byla analýza pomocí korelací přesnější částečně potvrzuje hypotézu 1.1. tedy že metoda může být označena za použitelnou v stejné míře, jako jiné nástroje technické analýzy. Vzhledem k velkým odchylkám predikce a skutečnosti jsem se pokusil zapojit do daných statistických metod i metody psychologické analýzy. Tedy metody nezkoumající samotné vztahy mezi čísly, ale i jejich vliv na vývoj nálady na určitém trhu. Tyto metody je velmi vhodné použít k nalezení bodu, kdy se mění trend. Pokud bychom použili kombinaci těchto metod s exponenciálním vyrovnáváním (tato metoda je velmi nepřesná při změnách trendu), dostali bychom se k výraznému zlepšení a to zejména v aplikaci na index DJ, kdy se odchylka naší predikce snížila více než o polovinu. I v ostatních případech se jednalo o razantní zlepšení a vůči regresní analýze jsme na každém indexu dosáhli menší odchylky predikce od skutečnosti, viz tabulka 4. a graf 4. Tab. 4. celková odchylka jednotlivých metod od predikce v procentech DJ DAX Nikkei 225 1,44% 2,22% 1,98% Regresní analýza 2,61% 1,49% 2,28% Exponenciální vyrovnávání 1,06% 1,17% 1,46% Expon. Vyrovnávání s korekcí
rozpětí 1,44 - 2,22 1,49 - 2,61 1,06 - 1,46
Zdroj: vlastní tvorba
odchylka od skutečnosti v%
Odchylky metod od predikce 3 2,5 2 1,5 1 0,5 0 DJ
DAX
Nikkei 225
Index Regresní analýza
Exponenciální vyrovnávání
Expon. Vyrovnávání s korekcí
Graf 4. Odchylky od predikcí jednotlivých indexů v procentech Zdroj: vlastní tvorba
10
Výsledky potvrzují, že jsou metody psychologické analýzy trhu cenným a plnohodnotným nástrojem pro rozhodování. Samozřejmě jsou tyto metody značně subjektivní, proto je třeba mít určité zkušenosti s jejich používáním. V tabulce 5 a grafu 5. můžete vidět hodnocení spolehlivosti použití jednotlivých metod dle indexů, na které jsme je aplikovali. Bodování jsem prováděl následující metodou: při každé predikci jsem určil na další den předpokládaný pohyb. Pokud byl impuls slabý, použil jsem hodnotu 0,5, pokud silný hodnotu 1. Při potvrzení pohybu jsem udělil 1 nebo 0,5 bodu, při chybné analýze jsem danou hodnotu odečetl. Nutno podotknout že ve velké části predikcí nám obě metody daly stejný výsledek. Tab. 5. Body za spolehlivost pro dané metody aplikované na vybrané indexy DJ
DAX
Nikkei 225
Body pro elliotovy vlny
5,5
4
4,5
Body pro candlesticks a pivot point
3,5
6,5
6
Zdroj: Vlastní tvorba
počet bodů za 15 dní
Body psychologických metod za spolehlivost 7 6 5 4 3 2 1 0 DJ
DAX
Nikkei 225
Index Body pro Elliotovy vlny
Body pro Candlesticks a pivot point
Graf 5. graf spolehlivosti použitých metod a jednotlivé indexy Zdroj: vlastní tvorba
Po celkové analýze spolehlivosti již zbývá pouze doporučení jednotlivých metod podle vybraných kritérií. Tab. 6. Celkové hodnocení užitečnosti metod
pivot point + candlesticks Exponenciální vyrovnávání Korelační analýza elliotovy vlny – bez sw váha
spolehlivost 8 5 6 7 0,3
čitelnost 8 9 9 6 0,3
Zdroj: vlastní tvorba
11
časová náročnost – použití 9 6 5 5 0,15
náročnost – osvojení si 8 8 7 5 0,25
celkem 8,15 7,1 7 5,9
Těmito kritérii se stala spolehlivost metody, její čitelnost, tedy jak moc je pro začínající obchodníky složité správně určit signál, časová náročnost na použití a náročnost na osvojení si, u korelační analýzy je snížená zejména proto, že musíme neustále aktualizovat korelaci a dopočítávat rovnici závislosti, u Elliotových vln zase kvůli tomu, že určení veškerých právě probíhajících vln je bez vhodného softwaru velmi problematické. Rád bych podotkl, že hodnocení těchto metod je značně subjektivní, stejně jako jejich používání. Navíc zde byla analýza elliotových vln mírně podhodnocena, protože její použití je značně závislé na softwaru.
Diskuse o výsledcích Prvotní účel, analyzovat současnou situaci na trhu pomocí korelací a cyklů, podle mého názoru práce splnila. Bez pochyby můžeme potvrdit vzájemný vliv mezi indexy, kerý v dobách krize stoupá, i to, že jsou cykly plnohodnotným nástrojem dlouhodobé analýzy trhu a že se s jejich pomocí může dobrý analytik vyhnout velmi nepříjemným ztrátám. Druhá část, zaměřená na predikci určitých hodnot již byla problematičtější. Původním skrytým cílem, který jsem si vytyčil, bylo sestavit takovou kombinaci metod, která bude mít průměrnou odchylku menší než 1%, tomu jsem se velmi přiblížil exponenciálním vyrovnáváním v kombinaci s psychologickými metodami, avšak pod danou hranici jsem se nedostal. Vinu nekladu jen jednotlivým metodám určení hodnot ale spíše mému nedostatku praktické zkušenosti v obchodování a počáteční časové náročnosi použití těchto metod. Dalších směrů, kterýma bych se vydal rozvíjet tuto práci, je hned několik. Prvním je, jak již bylo zmíněno, pokračovat ve vzájemné analýze korelací mezi indexy a zjistit, jak rychle na své změny tyto indexy reagují. Dalším směrem, kterým se pravděpodobně v rámci mé práce vydám, protože je při praktickém obchodování použitelnější, je aplikace daných metod na indexy a akcie různých společností a hledání nejvýhodnější kombinace metod, zejména tedy metody pro určení hodnoty. Posledním, asi nedosažitelným směrem, by bylo určení pravdivosti následující hypotézy: „nejspolehlivější metoda bude ta, která je na daném trhu nejvíce používána.“
Závěr Původním záměrem mé práce bylo analyzovat psychologické metody na kapitálových trzích, „bohužel“ se ale krátce po jejím definování objevila ekonomická krize, a proto bylo nutné mírně pozměnit a přizpůsobit celý koncept aktuálnímu dění. Cílem mé práce se tedy stalo
12
zmapovat současné dění na burze jak v rámci korelací mezi indexy, tak v rámci dlouhodobých cyklů, pokusit se nastínit, jaké metody by nejen v této atypické době mohly pomoci při predikci vývoje trhů a vytvořit určité schéma pro rozhodování a vyzkoušet jej při aplikaci (schéma 1). Hlavní přínos práce bude pravděpodobně zejména pro začínající investory, kteří ještě nejsou rozhodnuti, popřípadě nemají příliš času na hledání nejvhodnějších metod popřípadě jejich kombinací. Základními problémy byl za prvé nedostatek dostupných historických dat na internetu, kvůli kterému nebylo možné pokusit se analyzovat cykly i na dalších 2 indexech. A za druhé fakt, že software pro predikci kapitálových trhů pomocí metody elliotových vln není volně dostupný, což tuto analýzu činí velmi složitou a značně snižuje její přesnost a zvyšuje subjektivitu v rozhodování.
Seznam zdrojů Monografie [1] PLUMMER, T. Prognóza finančních trhů: Psychologie úspěšného investování. 1. vyd. Brno: Computer Press, a.s., 2008. 375 s. ISBN 978–80-251–1997-6. [2] PERSON, J. Candlestick and Pivot Point Trading Triggers : Setups for Stock, Forex, and Futures Markets. [s. l.] : [s. n.], 2007. 335 s. ISBN 13 978-0–471-9802. [3] HINDLS, R., KAŇOKOVÁ, J., NOVÁK, I. Metody statistické analýzy pro ekonomy. 1. vyd. Praha : Management Press, 1997. 250 s. ISBN 80–85943-44–1. [4] PERSON, J. A Complete Guide to Technical Trading Tactics : How to Profit Using Pivot Points, Candlesticks & Other Indicators. [s. l.] : [s. n.], 2004. 287 s. ISBN 0–471-58455X. [5] FANTA, J. Psychologie, algoritmy a umělá inteligence na kapitálových trzích. Praha: Grada Publishing, 2001. 168 s. 1. ISBN 80–247-0024–7. Webové stránky [6] OBEŠLO, P. Obchodujeme Elliotovy vlny. Finančník [online]. 2006 [cit. 2009-03-15]. Dostupný z WWW:
. [7] TUREK, L. John Person - Pivot points a svíčkové grafy [online]. 2007 [cit. 2009-03-15]. Dostupný z WWW: . [8] Yahoo!. Yahoo!Finance [online]. 1994 [cit. 2009-03-15]. Dostupný z WWW: .
13
Přílohy
14
1) Cykly v Dow Jones Industrial Average zdroj: Prognóza finančních trhů [1]
Graf. 1. Dow index, listopad 43 – únor 57, zdroj: Prognóza finančních trhů [1]
Graf 2.Dow index, únor 57 – červen 1970, zdroj: Prognóza finančních trhů [1]
15
Graf 3. Dow index, červen 1970 – září 1981, zdroj: Prognóza finančních trhů [1]
Graf 4. Dow index, červen září 1981 – listopad 1990, zdroj: Prognóza finančních trhů [1]
16
Graf 5. Dow index, listopad 1990 – říjen 2001, zdroj: Prognóza finančních trhů [1]
Tabulka 1. časování cyklů u Dow Jones, zdroj: Prognóza finančních trhů [1]
17
2) Korelace mezi indexy: rovnice a grafy závislostí 2.1. Závislost změny DAX na změně DJ Graphe de régression ,12 ,1 ,08 ,06 DAX
,04 ,02 0 -,02 -,04 -,06 -,08 -,1 -,08 -,06 -,04 -,02
0
,02 ,04 ,06 Dj Y = -4,017E-4 + ,275 * X; R^2 = ,075
,08
,1
,12
Graf. 6. Závislost změny DAX na DJ - denní, zdroj: vlastní tvorba (program statview) . Graphe de régression ,02 ,015 ,01 ,005 DAX
0 -,005 -,01 -,015 -,02 -,025 -,03 -,03 -,025 -,02 -,015 -,01 -,005 0 Dj Y = 4,95E-5 + ,935 * X; R^2 = ,638
,005 ,01 ,015 ,02
Graf. 7. Závislost změny DAX na DJ – 10 denní klouzavý průměr, zdroj: vlastní tvorba (program statview)
18
2.2. Závislost změny DJ na změně DAX
Graphe de régression ,12 ,1 ,08 ,06
Dj
,04 ,02 0 -,02 -,04 -,06 -,08 -,1 -,08 -,06 -,04 -,02
0
,02 ,04 DAX x Y = -2,889E-4 + ,6 * X; R^2 = ,364
,06
,08
,1
,12
Graf. 8. Závislost změny DJ na DAX - denní, zdroj: vlastní tvorba (program statview)
,02 ,015 ,01 ,005 Dj
0 -,005 -,01 -,015 -,02
Y = -2,855E-4 + ,703 * X; R^2 = ,672
-,025 -,03 -,03 -,025 -,02 -,015 -,01 -,005 DAX
0
,005 ,01 ,015 ,02
Graf. 9. Závislost změny DJ na DAX – 10 denní klouzavý průměr, zdroj: vlastní tvorba (program statview)
19
2.3, Závislost změny DJ na NIKKEI
Graphe de régression ,12 ,1 ,08 ,06
Dj
,04 ,02 0 -,02 -,04 -,06 -,08 -,1 -,15
-,1
-,05
0 Nikkei
,05
,1
,15
Y = -4,184E-4 + ,185 * X; R^2 = ,052
Graf. 10. Závislost změny DJ na Nikkei - denní, zdroj: vlastní tvorba (program statview)
Graphe de régression ,02 ,015 ,01 ,005 Dj
0 -,005 -,01 -,015 -,02 -,025 -,03 -,04
-,03
-,02
-,01 0 N225 Y = 2,59E-5 + ,53 * X; R^2 = ,512
,01
,02
,03
Graf. 11. Závislost změny DJ na Nikkei – 10 denní klouzavý průměr, zdroj: vlastní tvorba (program statview)
20
2.4, Závislost změny NIKKEI na DJ Graphe de régression ,15 ,1
N225
,05 0 -,05 -,1 -,15 -,1 -,08 -,06 -,04 -,02
0
,02 ,04 ,06 Dj Y = -,001 + ,753 * X; R^2 = ,384
,08
,1
,12
Graf. 12. Závislost změny Nikkei na DJ - denní, zdroj: vlastní tvorba (program statview)
Graf. 13. Závislost změny Nikkei na DJ – 10 denní klouzavý průměr, zdroj: vlastní tvorba (program statview)
21
2.5. Závislost změn Nikkei na DAX a DAX na Nikkei
Graf. 14,15. Závislost změny Nikkei na DAX a DAX na Nikkei - denní, zdroj: vlastní tvorba (program statview)
22
Graf. 16,17. Závislost změny Nikkei na DAX a DAX na Nikkei – 10 denní klouzavý průměr, zdroj: vlastní tvorba (program statview)
23
3) 20denní korelační koeficienty. DJ na DAX
Graf 18. Vývoj korelačního koeficientu DJ na DAX, zdroj: vlastní tvorba DJ na Nikkei
Graf 19. Vývoj korelačního koeficientu DJ na Nikkei, zdroj: vlastní tvorba
24
Nikkei na DJ
Graf 20. Vývoj korelačního koeficientu Nikkei na DJ, zdroj: vlastní tvorba DAX na Nikkei
Graf 21. Vývoj korelačního koeficientu Dax na Nikkei zdroj: vlastní tvorba
25
Dj na DAX
Graf 22. Vývoj korelačního koeficientu Nikkei na DJ, zdroj: vlastní tvorba
26
