Bitte beachten Sie, dass, sobald Sie Ihre Auswahl treffen, es gilt für alle zukünftigen Besuche der NASDAQ gelten. Wenn Sie zu einem beliebigen Zeitpunkt daran interessiert sind, auf die Standardeinstellungen zurückzukehren, wählen Sie bitte die Standardeinstellung oben. Wenn Sie Fragen haben oder Probleme beim Ändern Ihrer Standardeinstellungen haben, senden Sie bitte eine E-Mail an isfeedbacknasdaq. Bitte bestätigen Sie Ihre Auswahl: Sie haben ausgewählt, Ihre Standardeinstellung für die Angebotssuche zu ändern. Dies ist nun Ihre Standardzielseite, wenn Sie Ihre Konfiguration nicht erneut ändern oder Cookies löschen. Sind Sie sicher, dass Sie Ihre Einstellungen ändern möchten, haben wir einen Gefallen zu bitten Bitte deaktivieren Sie Ihren Anzeigenblocker (oder aktualisieren Sie Ihre Einstellungen, um sicherzustellen, dass Javascript und Cookies aktiviert sind), damit wir Ihnen weiterhin die erstklassigen Marktnachrichten liefern können Und Daten, die Sie von uns erwarten. Sampling-Überlegungen 13 Stichprobengröße Eine zunehmende Stichprobengröße profitiert von einer Forschungsstudie, die das Vertrauen und die Zuverlässigkeit des Konfidenzintervalls erhöht und damit die Präzision, mit der der Bevölkerungsparameter abgeschätzt werden kann. Andere Entscheidungen beeinflussen, wie breit oder wie eng ein Konfidenzintervall sein wird: Wahl der Statistik, wobei t breiter konservativer als z ist, sowie Grad des Vertrauens, mit geringeren Graden wie 90, die in weiter konservativen Intervallen als 99 resultiert Hat die Stichprobengröße aufgrund der Formel für Standardfehler (dh des Verhältnisses der Standardabweichung der Stichprobengröße 12) einen noch bedeutungsvolleren Effekt, was dazu führt, dass der Standardfehler umgekehrt mit der Probengröße variiert. Infolgedessen verbessern mehr Beobachtungen in der Stichprobe (alle anderen Faktoren gleich) die Qualität einer Forschungsstudie. Zur gleichen Zeit tendieren zwei andere Faktoren dazu, grßere Probengrßen weniger wünschenswert zu machen. Die erste Betrachtung, die sich vor allem auf Zeitreihendaten auswirkt, ist, dass die Populationsparameter eine Tendenz haben, sich mit der Zeit zu verändern. Wenn wir zum Beispiel einen Investmentfonds studieren und fünf Jahre lang vierteljährliche Renditen in unserer Analyse verwenden (d. h. Stichprobengröße 20, 5 Jahre x 4 Quartale pro Jahr). Das sich daraus ergebende Konfidenzintervall erscheint zu weit, um die Präzision zu erhöhen, verwenden wir 20 Jahre Daten (80 Beobachtungen). Allerdings, wenn wir zurück in die 1980er Jahre, um diesen Fonds zu studieren, hatte es einen anderen Fondsmanager, plus es kaufte mehr Small-Cap-Wert Unternehmen, während heute ist es eine Mischung aus Wachstum und Wert, mit mittleren bis großen Marktkapitalisierung. Darüber hinaus sind die Faktoren, die heutigen Aktienmarkt (und Investmentfondsrenditen) viel anders als in den 1980er Jahren. Kurz gesagt, die Populationsparameter haben sich im Laufe der Zeit verändert, und Daten von vor 20 Jahren sollten nicht mit Daten aus den letzten fünf Jahren gemischt werden. Die andere Überlegung ist, dass zunehmende Stichprobengröße zusätzliche Ausgaben mit sich bringen kann. Nehmen Sie das Beispiel der Erforschung von Mietplänen bei SampP 500 Unternehmen (Querschnittsforschung). Eine Stichprobengröße von 25 wurde vorgeschlagen, die die Kontaktaufnahme mit der Personalabteilung von 25 Firmen beinhalten würde. Durch die Erhöhung der Stichprobengröße auf 100 oder 200 oder höher erreichen wir bei unseren Schlussfolgerungen eine stärkere Präzision, aber zu welchen Kosten. In vielen Querschnittsstudien, vor allem in der realen Welt, wo jede Probe Zeit und Kosten kostet Ausreichend, um die Probengröße auf einem bestimmten niedrigeren Niveau zu belassen, da die zusätzliche Präzision nicht die zusätzlichen Kosten wert ist. Data Mining Bias Data Mining ist die Praxis der Suche durch historische Daten in dem Bemühen, bedeutende Muster, mit denen Forscher können ein Modell zu bauen und Schlussfolgerungen, wie diese Bevölkerung wird sich in der Zukunft. Zum Beispiel ist der sogenannte Januar-Effekt, bei dem die Börsenrenditen im Monat Januar stärker werden, ein Produkt des Data Mining: Monatsrenditen auf Indizes von 50 bis 70 Jahren wurden sortiert und miteinander verglichen Wurden die Muster für den Monat Januar notiert. Eine weitere bekannte Schlussfolgerung aus dem Data-Mining ist die "Dogs of the Dow-Strategie": Jeden Januar kaufen unter den 30 Unternehmen der Dow-Industrie die zehn mit den höchsten Dividendenrenditen. Eine solche Strategie übertrifft den Markt langfristig. Bücherregale werden mit Hunderten solcher Modelle gefüllt, die eine gewinnende Anlagestrategie garantieren. Natürlich, um eine gemeinsame Industrie Phrase leihen, vergangene Performance nicht garantieren künftige Ergebnisse. Data-Mining-Bias bezieht sich auf die Fehler, die sich aus der zu stark auf Data-Mining-Praktiken. Mit anderen Worten, während einige Muster, die im Data Mining entdeckt werden, potenziell nützlich sind, können viele andere nur zufällig sein und sind wahrscheinlich nicht in der Zukunft wiederholt werden - vor allem in einem effizienten Markt. Zum Beispiel können wir nicht weiter vom Januar-Effekt profitieren, wenn wir dieses Phänomen so weit erkennen. Infolgedessen werden die Aktien im November und Dezember von den Marktteilnehmern erwar - tet, die den Januar-Effekt antizipieren, so dass ab Anfang Januar der Effekt in Aktien festgesetzt wird und man das Modell nicht mehr nutzen kann. Der intergenerative Datenbergbau bezieht sich auf die fortgesetzte Nutzung von Informationen, die bereits in der vorangegangenen Finanzforschung als Leitfaden für die Prüfung der gleichen Muster und Überbewertung der gleichen Schlussfolgerungen. Die Unterscheidung zwischen gültigen Modellen und gültigen Schlussfolgerungen und den rein zufälligen Ideen und dem Produkt des Data Mining stellt eine große Herausforderung dar, da das Data Mining oft nicht einfach zu entdecken ist. Ein guter Anfang, um für seine Anwesenheit zu untersuchen ist die Durchführung eines Out-of-Sample-Test - mit anderen Worten, erforscht, ob das Modell tatsächlich funktioniert für Zeiträume, die nicht überlappen den Zeitrahmen der Studie. Ein gültiges Modell sollte auch dann statistisch signifikant sein, wenn Out-of-Model-Tests durchgeführt werden. Für Forschung, die das Produkt des Data Mining ist, kann ein Test außerhalb des Modells Zeitrahmen oft zeigen, seine wahre Natur. Andere Warnzeichen betreffen die Anzahl der in der Forschung untersuchten Muster oder Variablen - das heißt, diese Studie suchte einfach genug Variablen, bis etwas (irgendetwas) schließlich entdeckt wurde. Die meisten akademischen Forschungen zeigen nicht die Anzahl der Variablen oder Muster, die in der Studie getestet wurden Oft gibt es verbale Hinweise, die die Anwesenheit von übermäßigem Data Mining aufdecken können. Vor allem hilft es, wenn es eine ökonomische Begründung zu erklären, warum ein Muster existiert, im Gegensatz zu einfach darauf hinweisen, dass ein Muster gibt. Zum Beispiel, vor Jahren eine Forschungsstudie entdeckt, dass der Markt tendenziell positive Renditen in Jahren haben, dass die NFC gewinnt die Super Bowl, aber es würde relativ schlecht, wenn der AFC-Vertreter triumphiert. Allerdings gibt es keine ökonomischen Gründe für die Erklärung, warum dieses Muster existiert - die Menschen mehr ausgeben, oder Unternehmen mehr zu bauen, oder Investoren mehr investieren, basierend auf der Gewinner eines Fußballspiels Doch die Geschichte ist da draußen jede Super Bowl Woche. Muster, die als Ergebnis des Data Mining entdeckt werden, können für interessante Lesung sorgen, aber bei Entscheidungsentscheidungen muss darauf geachtet werden, dass abgebaute Muster nicht blind überbeansprucht werden. Stichprobenauswahl Bias Viele zusätzliche Verzerrungen können die Qualität und den Nutzen der Finanzforschung beeinträchtigen. Sample-Selektion Bias bezieht sich auf die Tendenz, einen bestimmten Teil der Bevölkerung auszuschließen, nur weil die Daten nicht verfügbar ist. Als Ergebnis können wir nicht festlegen, dass die gezogene Probe vollständig zufällig ist - sie ist nur innerhalb der Teilmenge zufällig, auf der historische Daten erhalten werden konnten. Survivorship Bias Eine häufige Form der Sample-Selektion Bias in Finanzdatenbanken ist Überlebenschance. Oder die Tendenz für Finanz - und Buchhaltungsdatenbanken, Informationen über Unternehmen, Investmentfonds usw. auszuschließen, die nicht mehr existieren. Infolgedessen können bestimmte Schlussfolgerungen gezogen werden, die in der Tat übertrieben werden können, um diese Vorurteile zu beseitigen und alle Mitglieder der Bevölkerung zu umfassen. Zum Beispiel haben viele Studien die Tendenz von Unternehmen mit niedrigen Preis-zu-Buch-Wert-Verhältnissen gezeigt, um diese Unternehmen mit höheren PBVs zu übertreffen. Allerdings sind diese Studien am ehesten arent gehen, um diejenigen Unternehmen, die so Daten nicht vorhanden sind enthalten und es gibt Sample-Selektion Bias. Im Falle von niedrigen und hohen PBV, es steht zu der Begründung, dass Unternehmen in der Mitte der Rückgang und Misserfolg wahrscheinlich relativ niedrig auf der PBV-Skala noch auf der Grundlage der Forschung, würden wir geführt werden, um diese gleichen Unternehmen zu kaufen Das historische Muster. Seine wahrscheinlich, dass die Kluft zwischen Renditen auf preisgünstige (Wert) Aktien und hochpreisigen (Wachstums) Aktien wurde systematisch überschätzt als Folge der Überlebens-Bias. In der Tat hat die Investment-Industrie eine Reihe von Wachstums-und Wert-Indizes entwickelt. Allerdings, in Bezug auf die Definition für bestimmte, welche Strategie (Wachstum oder Wert) ist überlegen, die tatsächlichen Beweise gemischt wird. Die Auswahl der Stichprobe erstreckt sich auf neuere Anlageklassen wie Hedgefonds, eine heterogene Gruppe, die etwas mehr von der Regulierung entfernt ist, und wo die Offenlegung der Performance im Vergleich zu Investmentfonds oder registrierten Beratern von separat verwalteten Konten viel mehr diskretionär ist. Man vermutet, dass Hedge-Fonds nur die Daten offenlegen, die den Fonds gut aussehen lassen (Selbstauswahl-Bias), verglichen mit einer stärker entwickelten Investmentfonds-Branche, in der die Underperformer weiterhin an bestimmte Offenlegungsanforderungen gebunden sind. Look-Ahead Bias Research ist schuldig der Vorausschau Bias, wenn nutzt die Informationen, die nicht tatsächlich an einem bestimmten Tag verfügbar war, doch die Forscher davon ausgehen, es war. Lets zurück zum Beispiel der Kauf niedriger Preis-to-Buch-Wert-Unternehmen die Forschung kann davon ausgehen, dass wir unsere niedrigen PBV-Portfolio am 1. Januar eines Jahres zu kaufen, und dann (im Vergleich zu einem hohen PBV-Portfolio) halten es das ganze Jahr über . Leider ist der Buchwert des Unternehmens in der Regel nicht verfügbar, solange ein aktueller Aktienkurs verfügbar ist, bis Monate nach dem Jahresbeginn, wenn das Unternehmen seinen offiziellen 10-K-Vertrag abgibt. Um diese Vorspannung zu überwinden, könnte man PBV-Verhältnisse unter Verwendung des gegenwärtigen Preises, geteilt durch den vorherigen Buchwert, konstruieren, oder (wie es durch Russells-Indizes getan wird) bis zum Jahresende warten, um wieder auszugleichen, nachdem Daten gemeldet werden. Time-Period Bias Diese Art von Bias bezieht sich auf eine Investitionsstudie, die möglicherweise über einen bestimmten Zeitraum zu arbeiten scheint, aber möglicherweise nicht in zukünftigen Zeiträumen dauern wird. Zum Beispiel kann jede Forschung, die in den Jahren 1999 oder 2000 durchgeführt wurde, die einen Zeitraum von fünf Jahren abdeckte, die Outperformance von Strategien mit hohem Risikowachstum angekündigt haben, während sie auf die mittelmäßigen Ergebnisse konservativerer Ansätze hinwies. Wenn diese gleichen Studien heute für eine schleppende 10-Jahres-Zeitraum durchgeführt werden, können die Schlussfolgerungen ganz anders sein. Bestimmte Anomalien können für einen Zeitraum von mehreren Vierteln oder sogar Jahren bestehen bleiben, doch sollte die Forschung idealerweise in einer Anzahl von unterschiedlichen Geschäftszyklen und Marktumgebungen getestet werden, um sicherzustellen, dass die Schlussfolgerungen spezifisch für eine einzigartige Periode oder Umgebung sind.
No comments:
Post a Comment