Stär­kere Han­dels­nei­gung

Die Han­dels­nei­gung mes­sen wir per Umsatz­quote, ermit­telt im Ver­hält­nis zum Volu­men unse­res für den News­let­ter auf­be­rei­te­ten Depo­t­aus­schnitt. Diese Quote klet­terte in der 29. Woche mit 2,43 Pro­zent über den lang­fris­ti­gen Durch­schnitts­wert von 2 Pro­zent (Vor­wo­che: 1,63 Pro­zent). Aller­dings waren die Assets under Manage­ment in unse­rem Aus­schnitt mit 61,20 Mio. Euro gerin­ger als in der Vor­wo­che und so blieb auch der Umsatz der 29. Berichts­wo­che in Höhe von 1,49 Mio. Euro deut­lich unter dem Wert der Woche 28. Die seit Jah­res­be­ginn kumu­lierte Quote lag am Frei­tag­abend der Berichts­wo­che bei 52,04 Pro­zent.

Höhere Anla­ge­phy­sik

Asse­tal­lo­ka­tion wird immer aus­ge­klü­gel­ter. Bei­spiel­haft dafür ist eine auf dem Physiker-​​Portal arXiv ver­öf­fent­lichte Stu­die von Jin­hui Li, Wen­jia Xie und Luis Seco („Dyna­mic Invest­ment Stra­te­gies Through Mar­ket Clas­si­fi­ca­tion and Vola­ti­lity: A Machine Learning Approach“), die einen dyna­mi­schen Anla­ge­rah­men für das Port­fo­lio­ma­nage­ment in vola­ti­len Märk­ten vor­stellt. Der Markt wird in zehn vola­ti­li­täts­ba­sierte Zustände seg­men­tiert, wobei die Über­gänge durch ein „Baye­sia­ni­sches Markov-​​Switching-​​Modell unter Ver­wen­dung von Dirichlet-​​Prior– und Gibbs-​​Sampling“ pro­gnos­ti­ziert wer­den. Das soll Anpas­sun­gen der Asset-​​Allokation in Echt­zeit ermög­li­chen und zu deut­lich höhe­ren risi­ko­ad­jus­tier­ten Ren­di­ten füh­ren als klas­si­sche sta­ti­sche Tech­ni­ken.