Geldmanagement: Kelly Betting und Optimal f (Vor- und Nachteile) von Univ.-Prof. Dr. Stanislaus Maier-Paape
|
|
- Georg Pfeiffer
- vor 6 Jahren
- Abrufe
Transkript
1 Inhalt Kontakt: Geldmanagement: Kelly Betting und Optimal f (Vor- und Nachteile) von Univ.-Prof. Dr. Stanislaus Maier-Paape Inhalt: (RWTH Aachen und SMP Financial Engineering GmbH) I. Geldmanagement und Diversifikation II. Kelly betting III. Simulation Einzelanlage IV. Simulation diversifizierte Anlage V. Verallgemeinerung mit Optimal f Oktober 2013 VTAD Stuttgart Seite 1
2 Geldmanagement I. Geldmanagement und Diversifikation Viele Trader und Investoren wissen, dass ein diversifiziertes Depot gegenüber Einzelanlagen Vorteile bietet. Durch das Verteilen von Risiken auf vielen Schultern reduziert sich das Risiko des Portfolios bei gleichzeitig unveränderter Rendite. Umgekehrt lässt sich die Rendite des Portfolios maximieren bei vorgegebenem Risiko. In der Portfolio Theorie nach Markowitz wurden diese Erkenntnisse formal nachgewiesen. Literatur: [Klaus Spremann], Portfoliomanagement, (2008) Oktober 2013 VTAD Stuttgart Seite 2
3 Geldmanagement Als Nebenprodukt liefert dieser Ansatz genaue Positionsgrößen für die Einzelanlagen, um das optimale Portfolio umzusetzen. Unbeachtet bleibt bei diesem Ansatz jedoch der mögliche Drawdown, da das Risiko allein über die Standardabweichung gemessen wird. Wir wollen in diesen Vortrag deswegen zeigen, dass diversifikative Depots auch geeignet sind, mögliche Drawdowns, bzw. maximale Drawdowns zu reduzieren, ohne dabei Abstriche bei der Rendite machen zu müssen. Oktober 2013 VTAD Stuttgart Seite 3
4 Kelly Betting II. Kelly betting Kelly Wette: ein Trader darf immer wieder eine für ihn vorteilhafte Wette eingehen, bei der er entweder einen prozentualen Einsatz f (0,1] seines Kapitals verliert, oder das B fache seines Einsatzes gewinnt. Wir nehmen dabei, dass die Gewinnwahrscheinlichkeit p (0, 1) und die Verlustwahrscheinlichkeit q = 1 p ist. Dann ergibt sich für X k, das Kapital nach k Wetten, X k 1 (1+Bf) mit Wahrscheinlichkeit p X k = X k 1 (1 f) mit Wahrscheinlichkeit q. Oktober 2013 VTAD Stuttgart Seite 4
5 Kelly betting Unter der Bedingung, dass das Kapital nach k 1 Wetten X k 1 schon bekannt ist (gleich x), erhält man als Erwartungswert von X k { E (X k X k 1 = x} ) = p x(1+bf) + q x(1 f) [ = x 1+ ( Bp q ) ] f. Eine vorteilhafte Wette ergibt sich somit nur, wenn Bp > q. Eine Gewinnmaximierung für jede dieser Wetten wird erreicht, wenn man f = 1 wählt, was aber unmittelbar zum Ruin führt, sobald auch nur eine der Wetten verloren wird. Das kann natürlich nicht sinnvoll sein. Oktober 2013 VTAD Stuttgart Seite 5
6 Kelly betting Statt das Kapital selbst zu maximieren, hat Kelly deshalb versucht, den natürlichen Logarithmus des Kapitals zu maximieren. Berechnen wir daher den Erwartungswert der logarithmischen Nutzenfunktion wieder unter der Bedingung, dass X k 1 schon bekannt ist, erhält man E (log ( ) { X k X k 1 = x} ) ( = p log x ( 1+Bf )) +q log (x ( 1 f )) [ = logx+ p log ( 1+Bf ) +q log ( 1 f )]. Betrachtet man diesen Ausdruck als Funktion von f [0,1], hat dieser sein Maximum bei f opt = p q B > 0 (Kelly Formel). (1) Oktober 2013 VTAD Stuttgart Seite 6
7 Simulation Einzelanlage III. Simulation Einzelanlage Wir wollen dazu eine Simulation durchführen. Sei im Folgenden B = 2 und p = 0.4. Das optimale f nach Kelly wäre demnach f opt = p q B = = 0.1 = 10%. Das heißt, um langfristig optimales Wachstum der logarithmischen Nutzenfunktion zu gewährleisten, muss jeweils 10% des Kapitals eingesetzt werden. Oktober 2013 VTAD Stuttgart Seite 7
8 Simulation Einzelanlage Eine Simulation über Wetten ergibt bei einem Startkapital von X 0 = 1000 folgendes Ergebnis (Abb. 1): 120 Equity log scale: steps = 10000, B = 2, p = 0.4, f = Abbildung 1: Wetten mit f opt : y = log ( X k ) für k = 1,...,10000 Auf der x Achse sind die Wetten k = 1,...,10000 aufgetragen. Die gestrichelte Linie in Abbildung 1 zeigt für f=f opt = 10%, k = 1,...,10000, den Erwartungswert E ( log(x k ) ) eine Gerade mit Steigung p log ( 1+Bf ) +q log ( 1 f ) Dies wird von der Simulation in etwa realisiert. Oktober 2013 VTAD Stuttgart Seite 8
9 Simulation Einzelanlage Hier sehen wir die negativen Drawdowns ( drawdown(k), k = 1,...,10000) dieser Simulation und gestrichelt den maximalen Drawdown. 7 verteilung drawdown: steps = 10000, B = 2, p = 0.4, f = Abbildung 2: neg. Drawdown für f opt (links) und Drawdown Verteilung / ) Hierbei ist drawdown(k) = 1 (X k equitymax(k) [0,1] und equitymax(k) = max 1 j k X j. Oktober 2013 VTAD Stuttgart Seite 9
10 Simulation Einzelanlage Abbildung 2 zeigt klar, dass bei f = f opt massive Drawdowns zu erwarten sind. Die Drawdowns wären eine große psychische Belastung für jeden Trader oder Investor! Setzt man dagegen nur f = 1% von seinem Kapital, wie es viele Experten empfehlen, lassen sich derart große Drawdowns vermeiden: blood curve(neg drawdown): steps = 10000, B = 2, p = 0.4, f = verteilung drawdown: steps = 10000, B = 2, p = 0.4, f = Abbildung 3: negativer Drawdown für f = 0.01 (links) und Verteilung Oktober 2013 VTAD Stuttgart Seite 10
11 Simulation Einzelanlage Bei einem Einsatz von nur noch jeweils f = 1% von seinem Kapital leidet aber das Kapitalwachstum. Der Erwartungswert (gestrichelte Linie in Abbildung 4 (links)) und das Ergebnis der Simulation sind deutlich niedriger (rechts zum Vergleich das optimale Wachstum). 30 Equity log scale: steps = 10000, B = 2, p = 0.4, f = Equity log scale: steps = 10000, B = 2, p = 0.4, f = Abbildung 4: y = log(x k ) für f = 0.01 (links) und f opt = 0.1 (rechts) Oktober 2013 VTAD Stuttgart Seite 11
12 Simulation Einzelanlage Man sieht, dass sich die größeren Drawdowns bei suboptimalem f f opt vermeiden lassen, was aber auf Kosten der Kapitalentwicklung geht. Es bleibt die Frage, ob man beides, also optimale Kapitalentwicklung bei gleichzeitig beschränkten Drawdowns haben kann? Hier kommt die Diversifikation ins Spiel. Das Ziel der Diversifikation ist es, das Depotkapital auf mehrere Schultern (virtuelle Teildepots) zu verteilen. Hat jedes der Teildepots einen positiven Erwartungswert, erhält das Gesamtdepot ebenfalls einen positiven Erwartungswert (durch Mittelung). Oktober 2013 VTAD Stuttgart Seite 12
13 Simulation diversifizierte Anlage IV. Simulation diversifizierte Anlage Dazu betrachten wir nochmal die Kelly betting Variante mit B = 2, p = 0.4, f opt = 10%. Allerdings werden wir vor jeder Wette das Kapital auf M = 10 bzw. M = 25 virtuelle Teildepots gleichmäßig aufteilen und jedes Teildepot wettet (stochastisch unabhängig) mit einem f opt Anteil von seinem Teilkapital. Equity log scale: steps = 10000, B = 2, p = 0.4, M = 10, f = Equity log scale: steps = 10000, B = 2, p = 0.4, M = 25, f = Abbildung 5: y = log ( X k ) bei M = 10 (links) bzw. M = 25 (rechts) Teildepots mit f opt Die untere gestrichelte Linie in Abbildung 5 zeigt wie in Abbildung 1 den Erwartungswert, wenn man nur ein Depot hat. Oktober 2013 VTAD Stuttgart Seite 13
14 Simulation diversifizierte Anlage Beobachtungen: Das Kapital wächst noch schneller als bei nur einem Depot zu erwarten war. Der Drawdown (Abbildung 6 und Abbildung 7) geht merklich zurück. blood curve(neg drawdown): steps = 10000, B = 2, p = 0.4, M = 10, f = verteilung drawdown: steps = 10000, B = 2, p = 0.4, M = 10, f = Abbildung 6: M = 10 Drawdown (links) und Verteilung (rechts) Oktober 2013 VTAD Stuttgart Seite 14
15 Simulation diversifizierte Anlage In Abbildung 7 sieht man, dass für M = 25 Teildepots der Drawdown nochmal deutlich abnimmt (trotz leicht höherer Equitykurve in Abb. 5 (rechts)). blood curve(neg drawdown): steps = 10000, B = 2, p = 0.4, M = 25, f = verteilung drawdown: steps = 10000, B = 2, p = 0.4, M = 25, f = Abbildung 7: M = 25 Drawdown (links) und Verteilung (rechts) Oktober 2013 VTAD Stuttgart Seite 15
16 Simulation diversifizierte Anlage Das Kapital nach k Schritten, X k, ergibt sich demnach als Summe über die Kapitalstände der Teildepots X k = M i=1 Y k i, wobei das Teildepot i vor der k ten Wette mit X k 1 M und nach der Wette das Kapital Y k zeigt, dass ( E log(x k ) log(x) + ) {X k 1 = x} ( M j=0 M j = kapitalisiert wird i haben soll. Eine leichte Rechnung )p j( 1 p ) M j log ( 1+f [ j B +1 ]) M 1. (2) Oktober 2013 VTAD Stuttgart Seite 16
17 Simulation diversifizierte Anlage Bemerkung: Für M = 1 erhält man die alte Formel aus (1). ( E log ( ) { X k Xk 1 = x }) = log(x)+p log(1+bf)+(1 p) log(1 f). Insbesondere ist f = f opt vermutlich nicht mehr optimal bezüglich der Maximierung der log Nutzenfunktion aus (2). Trotzdem ergibt sich eine Art Win Win Situation: Vorteile: Man bekommt jetzt den Drawdown in den Griff. Der erwartete Gewinn wächst gegenüber dem Einzeldepot enorm an. Oktober 2013 VTAD Stuttgart Seite 17
18 Simulation diversifizierte Anlage Allerdings sollen auch die Nachteile nicht unerwähnt bleiben: Nachteile: Man braucht mehr Signale (möglichst stochastisch unabhängig bzw. wenig korreliert) Die Gebühren nehmen zu. Die Nachteile erscheinen eher von technischer Art, sind aber tatsächlich einschränkend, bzw. schwer zu realisieren. Die Annahme, dass die Investments der Einzeldepots stochastisch unabhängig möglich sind, ist bei den heutigen globalen Finanzmärkten vermutlich nicht realisierbar. Als Abschwächung dieser Voraussetzung könnte man annehmen, dass die Korrelation zwischen den Renditen der Einzeldepots gleich Null, oder zumindest betragsmäßig klein, ist. Das lässt sich sicher über übliche Korrelationsschätzer realisieren. Literatur: [Wied], TU Dortmund, statistische Tests ob sich die Korrelation geändert hat Oktober 2013 VTAD Stuttgart Seite 18
19 Optimal f V. Verallgemeinerung mit Optimal f Um für reale Investments anwendbar zu sein, müsste man das einfache Kelly betting Beispiel durch eine realistische Renditeverteilung ersetzen und mit optimal f von Ralph Vince a in den Teildepots arbeiten, was aber wahrscheinlich zu ähnlichen Ergebnissen führen würde. Eine eigene Drawdown Kontrolle, wie im Leverage Space Trading Modell in Vinceb vorgeschlagen, wäre gar nicht nötig. a [Vince], The Mathematics of Money Management, Risk Analysis Techniques for Traders, (1992). b [Vince],TheLeverageSpaceTradingModel:ReconcilingPortfolioManagement Strategies and Economic Theory, (2009). Oktober 2013 VTAD Stuttgart Seite 19
20 Optimal f Vince Situation: Seien t 1,t 2,..., t N R eine Serie von N historischen Trading Resultaten. Wir nehmen an, dass es wenigstens einen Verlusttrade gibt. Setze ˆt := max { t i : t i < 0 } > 0 (den betragsmäßig größten Verlusttrade). Sei HPR i (f) := 1+f ti ˆt 0, f [0,1] (holding period return). (3) Dies ist der Faktor um den sich das Vermögen verändert, wenn der Einsatz für den i ten Trade ein fester Bruchteil f [0,1] des verfügbaren Vermögens ist (fixed fraction trading). Oktober 2013 VTAD Stuttgart Seite 20
21 Optimal f Ist z.b. t i0 = ˆt < 0 eine Realisierung des größten Verlusts, ergibt sich HPR i0 (f) = 1+f t i 0 = 1 f. D.h. im schlimmsten Fall verliert ˆt man den Bruchteil f des verfügbaren Kapitals. Mit TWR(f) := N i=1 HPR i (f) (terminal wealth relative) (4) erhält man den Quotienten aus neuem und altem Kapital nach den N Trades, wenn man immer den festen Bruchteil f (0,1] wettet. Oktober 2013 VTAD Stuttgart Seite 21
22 Optimal f Nach Vince ist der optimale Bruchteil f = f opt dadurch zu erreichen, dass man den TWR maximiert TWR(f)! = max, f [0,1]. (5) Bemerkung: Bei N = 2 Trading Resultaten ist das äquivalent zur Maximierung von (1) mit p = q = 1 2 (Kelly betting mit Gewinn WS = Verlust WS). Beispiel: Excel Tabelle, optimal f Berechnung Literatur: [Maier Paape], Existence Theorems for optimal fractional trading, Preprint, Institut für Mathematik, RWTH Aachen, (2013) [Maier Paape], Optimal f and diversification, Preprint, Institut für Mathematik, RWTH Aachen, (2013) aachen.de/preprints/home Oktober 2013 VTAD Stuttgart Seite 22
23 Fazit Fazit Mit Hilfe von Monte Carlo Simulationen war es möglich nachzuweisen, dass der Einsatz von optimal f Positionsgrößen in Zusammenhang mit diversifizierenden Teildepots eine deutliche Reduzierung des maximalen Drawdowns gegenüber Einzelanlagen zulässt, und das bei gleichzeitiger Steigerung der Gewinnerwartung. Suboptimale fractional trading Ansätze werden geradezu deklassifiziert. Eine Schwierigkeit bei der Anwendung der Methode ist es, viele unkorrelierte Investitionsmöglichkeiten bereitzustellen. Die konsequente Umsetzung einer solchen Strategie führt zu einer win win Situation und macht einmal mehr deutlich, warum seit langem viele Profis die Diversifikation als einzigen free lunch an der Wall Street bezeichnen. Oktober 2013 VTAD Stuttgart Seite 23
neue Formen der Portfoliotheorie; Allokation für Portfolios von Univ.-Prof. Dr. Stanislaus Maier-Paape Mitarbeit von René Brenner und Andreas Platen
S. Maier-Paape: Allokation für Portfolios VTAD München, 20.09.2017 Inhalt: neue Formen der Portfoliotheorie; Allokation für Portfolios von Univ.-Prof. Dr. Stanislaus Maier-Paape Mitarbeit von René Brenner
Mehrdes erfolgreichen Die Kunst FBV So werden Sie zum Master Trader! BIRGER SCHÄFERMEIER
BIRGER SCHÄFERMEIER Die Kunst des erfolgreichen Tradens So werden Sie zum Master Trader! FBV des Titels»Die Kunst des Titels des»die erfolgreichen Kunst des Tradens«erfolgreichen (ISBN Tradens«Print 978-3-89879-672-9)
MehrSigmaDeWe Risikomanagement
Sie haben für Ihren liquiden Vermögensteil Ihren persönlichen risikoreichen Anteil bestimmt und sind aufgrund der Marktsignale derzeit im Markt. Dennoch haben Sie Zweifel, dass mittelfristig der Markt
MehrElemente der Stochastik (SoSe 2016) 10. Übungsblatt
Dr. M. Weimar 3.06.206 Elemente der Stochastik (SoSe 206) 0. Übungsblatt Aufgabe (2+2+2+2+3= Punkte) Zur zweimaligen Drehung des nebenstehenden Glücksrads (mit angenommener Gleichverteilung bei jeder Drehung)
MehrPortfoliotheorie. Von Meihua Peng
Portfoliotheorie Von Meihua Peng Inhalt Allgemeines Annahmen Rendite, Volatilität Diversifikation Kovarianz Minimum-Varianz-Modell Kritisch Würdigung der Portfoliotheorie Literatur Finanzwirtscaft Ⅵ. Portfoliotheorie
MehrTradersWissen Compact. Risiko - & Money Management
TradersWissen Compact Coaching Risiko - & Money Management by Mike C. Kock 2009 Es ist schwieriger, eine vorgefasste Meinung zu zertrümmern - als ein Atom. Albert Einstein Mike C. Kock Index 1 Grundlagen...2
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrAsset Allocation. Wann betreibt man aktives und wann passives Portfoliomanagement?
Asset Allocation Wann betreibt man aktives und wann passives Portfoliomanagement? Kathrin Scholl, SS 2006 Gliederung 1. Asset Allocation 2. Reserviertes und freies Vermögen 3. Shortfall-Risiko 4. Aktives
MehrS. Maier-Paape: Regelbasierter langfristiger Trendhandel 1. Frankfurter Quant-Konferenz,
S. Maier-Paape: Regelbasierter langfristiger Trendhandel 1. Frankfurter Quant-Konferenz, 09.05.2016 Kontakt: Regelbasierter langfristiger Trendhandel Eine statistische Analyse von Univ.-Prof. Dr. Stanislaus
MehrDie drei Kernpunkte der modernen Portfoliotheorie
Die drei Kernpunkte der modernen Portfoliotheorie 1. Der Zusammenhang zwischen Risiko und Rendite Das Risiko einer Anlage ist die als Varianz oder Standardabweichung gemessene Schwankungsbreite der Erträge
MehrBegleitmaterial des Softwarepakets Markttechnik für den Nanotrader/Futurestation
SMP Financial Engineering GmbH Begleitmaterial des Softwarepakets Markttechnik für den Nanotrader/Futurestation Beschreibung des Bewegungshandels mit und ohne TrendPhasen Filter (mittels der Express Programme
MehrDie Kunst des erfolgreichen Tradens
Birger Schäfermeier Die Kunst des erfolgreichen Tradens So werden Sie zum Master-Trader Inhalt Inhalt Danksagung 10 Vorwort 11 1: Was ein Trader wirklich will und wie er es erreicht 17 Finden Sie heraus,
MehrHistorische Renditen, Experteninterviews, Analyse von Marktpreisen
1 Portfoliotheorie 1.1 Grundlagen der Portfoliotheorie 1.1.1 Welche vier grundsätzlichen Anlageziele werden von Investoren verfolgt? Minimales Risiko Liquidation wenn nötig Hohe Rendite Gewinnmaximierung
MehrExecutive Summary. Bachelorarbeit Universität Zürich 2012
I Executive Summary Die Verhaltensökonomie entdeckte in den letzten Jahren vermehrt verzerrte Verhaltensweisen, die dazu beitragen, dass sich Menschen auf Finanzmärkten teilweise irrational verhalten.
MehrPortfoliotheorie. Von Sebastian Harder
Portfoliotheorie Von Sebastian Harder Inhalt - Begriffserläuterung - Allgemeines zur Portfoliotheorie - Volatilität - Diversifikation - Kovarianz - Betafaktor - Korrelationskoeffizient - Betafaktor und
MehrSMP Financial Engineering GmbH Begleitmaterial zum Softwarepaket CheckForTrend des Nanotraders bzw. der Futurestation
SMP Financial Engineering GmbH Begleitmaterial zum Softwarepaket CheckForTrend des Nanotraders bzw. der Futurestation Dies ist keine Empfehlung zum Kauf oder Verkauf von Aktien, Aktienderivaten, Futures
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
Mehr9. VTAD Frühjahrskonferenz. Frankfurt, 23. März 2013
9. VTAD Frühjahrskonferenz Frankfurt, 23. März 2013 9. VTAD Frühjahrskonferenz Frankfurt, 23. März 2013 Portfoliomanagement für Privatanleger Ein Vorgehensmodell Benjamin Bruch Benjamin Bruch 26 Jahre,
MehrEinführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie
Einführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie Jung Kyu Canci Universität Basel HS2015 1 / 15 Literatur Kapitel 6 Statistik in Cartoons : Kapitel 8 Krengel : 6 und 14 Storrer
MehrEinführung in automatische Handelssysteme und Implementierung in Metatrader 4
Einführung in automatische Handelssysteme und Implementierung in Metatrader 4 Sebastian Dingler s.dingler@gmail.com 04.12.2013 Sebastian Dingler (s.dingler@gmail.com) Einführung in automatische Handelssysteme
MehrEinführung in das Kreditportfoliorisiko TEIL II. 12. September 2007 Verena Arendt
Einführung in das Kreditportfoliorisiko TEIL II 12. September 2007 Verena Arendt 1 1. Einführung 2. Modelle 3. Parameter a. Expected Loss b. Unexpected Loss c. Loss Distribution 4. Basel II 5. Conclusion
MehrRenditequellen der Anlagemärkte
Renditequellen der Anlagemärkte Analyse von Risikoprämien empirische Erkenntnisse PPCmetrics AG Dr. Diego Liechti, Senior Consultant Zürich, 13. Dezember 2013 Inhalt Einführung Aktienrisikoprämie Weitere
Mehr1. Beschreibung Die Idee des Systems und Umfelds, am Anfang der Entwicklung, kurz Beschreiben.
Handelssysteme Checkliste Ziel ist es die Schritte zur Handelssystem- Definition, Entwicklung, Optimierung, Auswertung und dem Testen zu beschreiben. Die Schritte sollen Allgemeingültig sein und am Ende
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2010/2011)
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 010/011 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrErläuterung des Vermögensplaners Stand: 3. Juni 2016
Erläuterung des Vermögensplaners 1 Allgemeines 1.1. Der Vermögensplaner stellt die mögliche Verteilung der Wertentwicklungen des Anlagebetrags dar. Diese verschiedenen Werte bilden im Rahmen einer bildlichen
MehrSigmaDeWe Risikomanagement
Sie haben für Ihren liquiden Vermögensteil Ihren persönlichen risikoreichen Anteil bestimmt und sind aufgrund der Marktsignale mit Aktien oder ETFs in einem Markt investiert, der aktuell einen positiven
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrÜbungsaufgaben zur Portfolio-Selection-Theorie:
Übungsaufgaben zur Portfolio-Selection-Theorie: Aufgabe 1 Nachfolgend finden Sie die umweltzustandsabhängigen Renditen der Aktien A und B: S 1 S 2 S 3 S 4 S 5 WK 0,2 0,2 0,2 0,2 0,2 r A 0,18 0,05 0,12
MehrMartin Stampfli Leiter Reserving Nichtleben Generali Allgemeine Versicherungen AG
Martin Stampfli Leiter Reserving Nichtleben Generali Allgemeine Versicherungen AG Chancen und Risiken moderner Solvenzmodelle in der Nichtlebenversicherung Chancen und Risiken moderner Solvenzmodelle Inhalt
MehrWie Financial Modeling den Finanzmarkt verändert
Wie Financial Modeling den Finanzmarkt verändert Neue Ansätze der Kapitalanlage Status quo Aktuelle Situation an den Finanzmärkten Passives Management Passives Management Eigene Strategien Passives Management
MehrKG FUNDS. world-of-futures.com GmbH & Co. III. Eupherie Handelssystem KG. world-of-futures.com
KG FUNDS world-of-futures.com GmbH & Co. III. Eupherie Handelssystem KG world-of-futures.com Was ist ein Handelssystem? Handelssysteme berechnen die wahrscheinliche Richtung einer Preisentwicklung, indem
MehrRisikozerlegung und Risikoattribution
Risikozerlegung und Risikoattribution Stephen Wehner Senior Consultant Agenda 1. Risikomaße und deren Eigenschaften. Risikomodell von Markowitz 3. Risikoattribution 4. Zuordnungsproblem von Covarianzrisiko
MehrPortfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra
Portfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra Lucia Del Chicca Markus Hohenwarter Seminar Mathematech, JKU 14 Mai 2015 Die Problemstellung Es ist allgemein bekannt, dass wenn wir ein bestimmtes
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrStatistiken von Breakouts mit dem Nanotrader
von Breakouts mit dem Nanotrader Univ.-Prof. Dr. Stanislaus Maier-Paape, Yasemin Hafizogullari und Andreas Platen RWTH Aachen und SMP Financial Engineering GmbH Kontakt: www.smp-fe.de maier@smp-fe.de 13.
MehrInternational Finance. Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2!
Kursprüfung International Finance Schwerpunktmodul Finanzmärkte 6 Kreditpunkte, Bearbeitungsdauer: 90 Minuten WS 2012/13, 13.2.2013 Prof. Dr. Lutz Arnold Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.:
MehrSWISS PRIVATE BROKER MANAGED FUTURES, ASSET MANAGEMENT UND BROKERAGE
MANAGED FUTURES, ASSET MANAGEMENT UND BROKERAGE DAS UNTERNEHMEN Die Swiss Private Broker AG mit Sitz in Zürich bietet unabhängige und massgeschneiderte externe Vermögensverwaltung und -beratung in alternativen
MehrIndividuelle Vermögensbildung und Altersvorsorge
Individuelle Vermögensbildung und Altersvorsorge Mehr Sicherheit für Ihr Vermögen: Die Rolle geschlossener Fonds im Portfolio von Kapitalgesellschaften Aktuelle Gestaltungsmöglichkeiten für Gesellschafter-Geschäftsführer
MehrWS 2010/11. Risikomanagement II. Übung zum Thema: Value at Risk. (Lösung)
Risikomanagement II Übung zum Thema: Value at Risk (Lösung) 1 Aufgabe 1 Erläutern Sie die Struktur der Value at Risk Risikobemessung! 2 Grundlagen: Value at Risk (VaR) Zentrales Messkonzept zur Quantifizierung
MehrLineare Regression in der Technischen Analyse Das zu unrecht ungeliebte Kind der Techniker?!
VTAD Award 2011 Lineare Regression in der Technischen Analyse Das zu unrecht ungeliebte Kind der Techniker?! Bergstr. 63 35418 Buseck Telefon (06408) 6029965 backtesting@gmx.de 1 Lineare Regression in
MehrBerechnen und Darstellen von Wahrscheinlichkeiten
Schule Bundesgymnasiu um für Berufstätige Salzburg Modul Thema Mathematik 8 Arbeitsblatt A 8-: Berechnen und Darstellen von Wahrscheinlichkeiten & Binomialverteilung Berechnen und Darstellen von Wahrscheinlichkeiten
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrPassives versus aktives Portfoliomanagement (I)
1 Passives versus aktives Portfoliomanagement (I) Aktives Portfoliomanagement: Konstruktion von Portfolios beinhaltet Auswahl einzelner Wertpapiere und deren Gewichtung: Aktien, festverzinsliche Wertpapiere,
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrIndividuelle Vermögensbildung und Altersvorsorge
Individuelle Vermögensbildung und Altersvorsorge Mehr Sicherheit für Ihr Vermögen: Die Rolle geschlossener Fonds im Portfolio privater Anleger und Unternehmen Aktuelle Gestaltungsmöglichkeiten für Gesellschafter-Geschäftsführer
MehrInvestition und Finanzierung
- Zusatzfolien zur Portfoliotheorie und CAPM- Portfoliotheorie Die Portfoliotheorie geht auf Harry Markowitz zurück. Sie gibt Anlegern Empfehlungen, wie sie ihr Vermögen auf verschiedenen Anlagemöglichkeiten
MehrDas Gewinnrisiko von Krankenhäusern: Eine Analyse auf Grundlage der Verweildauerstruktur in Sachsen-Anhalt
Das Gewinnrisiko von Krankenhäusern: Eine Analyse auf Grundlage der Verweildauerstruktur in Sachsen-Anhalt Stefan Felder, Daniel Horvath und Thomas Mayrhofer, Tagung der Arbeitsgruppe Health Care Management,
MehrLehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm
Lehrstuhl für Finanzierung Universitätsprofessor Dr. Jochen Wilhelm A b s c h l u s s k l a u s u r z u r V o r l e s u n g K a p i t a l m a r k t t h e o r i e W i n t e r s e m e s t e r 1 9 9 9 / 2
MehrTitel: Einsatzmöglichkeiten von Hedge-Funds bei einer Pensionskasse
Abstract Titel: Einsatzmöglichkeiten von Hedge-Funds bei einer Pensionskasse Kurzzusammenfassung: Momentan beschäftigen die tiefen Renditen die Pensionskassen in der Schweiz. Deshalb rücken immer mehr
MehrEndklausur Entscheidungstheorie WS 2009/2010 (A) S. 1 von 10. W2263 Entscheidungstheorie Endklausur
Endklausur Entscheidungstheorie WS 2009/2010 (A) S. 1 von 10 Zwischenklausur Fach: Prüfer: Veranstaltung: Finanzierung und Investition Prof. Dr. Dr. A. Löffler W2263 Entscheidungstheorie Endklausur Name
MehrDas Würfelspiel auf dem Jahrmarkt
eine Aufgabe von Swen Lünig, Petershagen b. Berlin 24. Juni 200 Nachdem Daniela auf dem in ihrem Heimatort stattfindenden Jahrmarkt die schwindelerregenden Attraktionen probiert hat, steht ihr der Sinn
MehrComputational Finance
Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude
MehrNicht-kooperative Spiele
Kapitel 1 Nicht-kooperative Spiele 1.1 Zwei-Personen-Spiele Definition 1: Ein Zwei-Personen-Spiel Γ besteht aus einem Paar nichtleerer Mengen S T zwei reellwertigen Funktionen φ 1 φ 2 auf dem kartesischen
Mehr1 Grundlagen des Portfolio Managements Mathematische Grundlagen im Portfolio Management Grundlagen der modernen Portfoliotheorie 203
Inhaltsübersicht 1 Grundlagen des Portfolio Managements 17 2 Mathematische Grundlagen im Portfolio Management 123 3 Grundlagen der modernen Portfoliotheorie 203 4 Die Anwendung des aktiven Portfolio Managements
MehrEinsatz Risikobewertung, Entscheidungsfindung und Simulation
Einsatz von @Risk: Risikobewertung, Entscheidungsfindung und Simulation Case Study Insolvenzwahrscheinlichkeit eines Unternehmens Risikoregister 1 Case Study: Insolvenzwahrscheinlichkeit eines Unternehmens
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrMathematik verstehen Beispiele aus der Stochastik
Mathematik verstehen Beispiele aus der Stochastik Wilhelm Stannat Fachbereich Mathematik TU Darmstadt February 1, 2007 Stochastik = Wahrscheinlichkeitstheorie + Statistik Wahrscheinlichkeitstheorie = Mathematische
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrDatenanalyse mit Python. Dr. Wolfram Schroers <Wolfram.Schroers - at - Field-theory.org>
Datenanalyse mit Python Dr. Wolfram Schroers Problem Beobachtungen Modell (Annahmen, Vereinfachungen) Vorhersagen Vergleich Python: Stärken und Schwächen Anwendung:
MehrKapitel 9: Rendite und Risiko Risiko = Chance. Die Rendite-Risiko Formel.
Kapitel 9: Rendite und Risiko Risiko = Chance. Die Rendite-Risiko Formel. Das Grundgesetz der Finanzanlage lautet: Je größer die Rendite, desto größer das Risiko. Der Grund besteht darin, dass der Investor
MehrRoulette und Zahlenlotto 18
1 7 Miniroulette mit 9 Zahlen Spielregeln Bei Gewinn wird der Wetteinsatz verdoppelt, wenn auf «gerade», «ungerade», «rot» oder «schwarz» gesetzt wurde. vervierfacht, wenn auf (1, 2), (3, 4), (5, 6) oder
MehrSeminar: Randomisierte Algorithmen Auswerten von Spielbäumen Nele Küsener
Seminar: Randomisierte Algorithmen Auswerten von Sielbäumen Nele Küsener In diesem Vortrag wird die Laufzeit von Las-Vegas-Algorithmen analysiert. Das Ergebnis ist eine obere und eine untere Schranke für
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
MehrMikeC.Kock. Gold und Silber Handelssysteme. Gold - Tageschart
MikeC.Kock Gold und Silber Handelssysteme Wie ich ja gestern schon im Crude Oil zeigte, erfolgen meine Entry s in den Markt immer durch Automatische Handelssignale. Diese basieren zu 90 Prozent aus Patternformationen
MehrDer Bestimmtheitssatz
2. Spielbäume und Intelligente Spiele Der Minimax-Algorithmus Der Bestimmtheitssatz Satz 2.1. Gegeben sei ein Spiel, das die folgenden Eigenschaften hat: 1. Das Spiel wird von zwei Personen gespielt. 2.
MehrQuantitative Ideen der technischen Intermarketanalyse
Quantitative Ideen der technischen Intermarketanalyse Vortrag Preisverleihung der VTAD März 2007, Bad Soden Technische Intermarket Analyse John Murphy (1991) ist der Ausgangspunkt Einteilung der Finanzmärkte
MehrWahrscheinlichkeit und Zufall
Wahrscheinlichkeit und Zufall Klassische Probleme der Wahrscheinlichkeitsrechnung 23. Juni 2009 Dr. Katja Krüger Universität Paderborn Inhalt Die Wetten des Chevalier de Méréé Warten auf die erste Sechs
MehrKapitel 5: Entscheidung unter Unsicherheit
Kapitel 5: Entscheidung unter Unsicherheit Hauptidee: Die Konsequenzen einer Entscheidung sind oft unsicher. Wenn jeder möglichen Konsequenz eine Wahrscheinlichkeit zugeordnet wird, dann kann eine rationale
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrMonte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
MehrWie lang dauert ein Tennisspiel? (Angewandte Stochastik)
Wie lang dauert ein Tennisspiel? (Angewandte Stochastik) F. Rendl, Universität Klagenfurt, Institut für Mathematik 28. Mai 2003 1 Elementare Wahrscheinlichkeiten Bei einfachen Zufallsprozessen geht man
MehrPositionstrading. Webinarbeginn um 19:00 Uhr
Positionstrading Webinarbeginn um 19:00 Uhr 16.1.2012 1 Agenda für das Webinar (Einführung Teil 2) am 16.1.2012 (1): Whd. aus Teil 1: Erwartungshaltung Methodik: Wie wird getradet? Betrachtete Zeitebenen
MehrAllgemeine Pensionskasse der SAirGroup Berechnung des Fortführungsinteresses durch ALM-Projektion. 11. Dezember 2003
Allgemeine Pensionskasse der SAirGroup Berechnung des Fortführungsinteresses durch ALM-Projektion W W W. W A T S O N W Y A T T. C O M 11. Dezember 2003 2 Grundlagen Versichertenbestand per 1.1.2003 (von
MehrZu Thema 18: Beispiele für Aktien mit unterschiedlichen Betas
Zu Thema 18: Beispiele für Aktien mit unterschiedlichen Betas Theorie und Praxis Theoretischer Teil: Auswirkungen unterschiedlicher Betas auf das Schwingungsverhalten einer Aktie zum Index unter idealtypischen
MehrJürgen Fuchs Private Equity Fluch oder Segen?
Jürgen Fuchs Private Equity Fluch oder Segen? IGEL Verlag Jürgen Fuchs Private Equity Fluch oder Segen? 1.Auflage 2008 ISBN: 978 3 86815 959 2 IGEL Verlag GmbH, 2008. Alle Rechte vorbehalten. Dieses ebook
MehrKapitel 5: Entscheidung unter Unsicherheit
Kapitel 5: Entscheidung unter Unsicherheit Hauptidee: Die Konsequenzen einer Entscheidung sind oft unsicher. Wenn jeder möglichen Konsequenz eine Wahrscheinlichkeit zugeordnet wird, dann kann eine rationale
MehrDer Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige
MehrRisiko und Stochastische Dominanz
Risiko und Stochastische Dominanz DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung der Würde eines Doktors der Wirtschaftswissenschaften
Mehr2.5 Komplexe Wurzeln. Mathematik für Naturwissenschaftler I 2.5
Mathematik für Naturwissenschaftler I 2.5 Die Periodizität von e z ist der Grund, warum im Komplexen Logarithmen etwas schwieriger zu behandeln sind als im Reellen: Der natürliche Logarithmus ist die Umkehrung
MehrTU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)
TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrHedge Funds. Kategorien und Eigenschaften, theoretische Grundlagen und Umsetzung. von Prof. Dr. Martin Janssen
Hedge Funds Kategorien und Eigenschaften, theoretische Grundlagen und Umsetzung von Prof. Dr. Martin Janssen Luncheon für Rechtsanwälte der UBS AG, 30. Oktober 2003 Was ist ein Hedge Fund? Anlagevehikel,
MehrUnser exklusives Software-Tool für Sie: Der Portfolio Builder
Unser exklusives Software-Tool für Sie: Der Portfolio Builder zeitsparend effizient kundenoptimiert Die wichtigsten Funktionen im Überblick Erreichen Sie das gewünschte Ziel durch unterschiedliche Optimierungsverfahren
Mehr[AEGIS COMPONENT SYSTEM]
[AEGIS COMPONENT SYSTEM] Das AECOS-Programm ist ein schneller und einfacher Weg für Investoren, ein Portfolio zu entwickeln, das genau auf sie zugeschnitten ist. Hier sind einige allgemeine Hinweise, wie
MehrKapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen
Kapitel 8 Erwarteter Nutzen Josef Leydold c 2006 Mathematische Methoden VIII Erwarteter Nutzen / 27 Lernziele Nutzenfunktion zur Risikobewertung Erwarteter Nutzen Maße für Risikoaversion Indifferenzkurven
MehrKombinatorische Spiele mit Zufallselementen
Kombinatorische Spiele mit Zufallselementen Die Realität ist nicht so streng determiniert wie rein kombinatorische Spiele. In vielen Situationen spielt der Zufall (Risko) eine nicht zu vernachlässigende
MehrEV = (0, 2)(125) + (0, 3)(100) + (0, 5)(50) = 80.
Mikroökonomie I Übungsaufgaben Erwartungsnutzen 1. Warum ist die Varianz ein besseres Maß der Variabilität als die Spannweite? Die Spannweite ist der Unterschied zwischen dem höchsten möglichen Ergebnis
MehrThema 14: Risikodiversifikation
Thema 14: Risikodiversifikation Einleitung Jede Finanz- oder Realinvestition birgt Unsicherheiten in sich. Wie kann man Sie vermindern, ohne den Ertrag zu reduzieren? Wie kann man den Ertrag erhöhen, ohne
MehrWährungsmanagement in einer Pensionskasse: To hedge or not to hedge?
Währungsmanagement in einer Pensionskasse: To hedge or not to hedge? Pension Fund Forum Switzerland Dr. Andreas Reichlin, Partner PPCmetrics AG Financial Consulting, Controlling & Research www.ppcmetrics.ch
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrBearbeiten Sie vier der fünf Aufgaben A1-A5 und zwei der drei Aufgaben B1-B3!
Modulprüfung Kapitalmarkttheorie 2 Studienschwerpunkt Finanzmarkttheorie 8 Kreditpunkte Bearbeitungsdauer: 90 Minuten WS 2009/10 8.3.2010 Prof. Dr. Lutz Arnold Bitte gut leserlich ausfüllen: Name: Vorname:
MehrHerzlich Willkommen. Thema des Webinars: Was zeichnet einen Profi aus? Referent: Lothar Albert
Herzlich Willkommen Thema des Webinars: Was zeichnet einen Profi aus? Referent: Lothar Albert Was zeichnet den Profi-Trader aus? Profi-Trader Privater-Trader Ausbildung Erfahrung Handwerkszeug Risiko-Kontrolle
MehrModernes Portfoliomanagement. Klaus-Dieter Hoffmann 2008, Alle Rechte vorbehalten. 1
Modernes Portfoliomanagement Klaus-Dieter Hoffmann 2008, Alle Rechte vorbehalten. 1 Worauf es ankommt Nach der modernen Portfoliotheorie bestimmt die strategische Asset Allocation, d.h. langfristige Aufteilung
MehrPhilipp Kahler. Handelssysteme. Handelssysteme. Entwicklung, Test, Performance & Einsatz. kahler@quanttrader.at
Entwicklung, Test, Performance & Einsatz Werdegang eines Systemhändlers Technische Universität Point&Figure Charts Chartanalysesoftware Quant. Analyst / Händler selbstständiger Händler Autor Trading Seminare
Mehr