Jag försöker bygga alla mina studier utifrån ett beteende som finns på börsen. För att ni som läsare skall kunna förstå hur jag tänker har jag inkluderat en teoridel i mina studier där jag förklarar hur många tror börsen fungerar men även varför dessa beteenden finns på börsen. Är du inte intresserad eller är i tidsbrist kan du hoppa direkt till resultatet.
I varje studie har jag även inkluderat hur jag har gått tillväga för att utföra studien. Jag tar även upp vilka aktier och under vilken tidsperiod som studien är på. Likt ovan, är detta inte av intresse går det bra att hoppa över detta.
Innehållsförteckning
Inledning
Bakgrund
Problem
Syfte och mål
Avgränsningar
Metod
Urval
Datainsamling
Bearbetning utav data
Val av tidsperiod
Val av aktier
Tillvägagångssätt
Validitet och reliabilitet
Metodkritik
Teori
Effektiva marknadshypotesen
Behavioral finance
Relative Strength Index
Tidigare studier
Resultat
Vinsttest utav setupkärnan
Test utav delar utav setupkärnan
Test i olika marknadsfaser
Tillägg enskilda filter
Kombo av enskilda filter
Slutsats
Inledning
Bakgrund
Jämviktspendling är ett utav de mest använda beteende som börsen har. Det som har fallit mycket har en tendens att gå upp igen. En av de vanligaste indikatorerna för att signalera jämviktspendling är Relative Strength Index (RSI) med ett kort parametervärde. Det vanligaste är ett parameter värde på 2 perioder. Därför tycker jag det är väldigt intressant att undersöka hur bra RSI är på indikera jämviktspendling och om detta för med sig någon edge.
Problem
De frågor jag vill att studien skall ge svar på är:
Hur bra är RSI(2) på att indikera jämviktspendling?
Fungerar indikatorn lika bra idag som förr?
Finns det situationer då indikatorn fungerar sämre/bättre?
Är indikatorn lika bra på att indikera jämviktspendling för uppgång som för nedgång?
Syfte och mål
Syftet med studien är att öka förståelsen för hur Relative Strength Index indikatorn kan användas för att indikera jämviktspendling och om detta för med sig någon edge. Även öka förståelsen för om indikatorn fungerar lika bra idag som den gjorde stora delar under 2010-talet.
Målet är att få kvantitativ data som beskriver den edge som RSI(2) kan föra med sig och när indikatorn fungerar sämre/bättre.
Avgränsning
Jag har valt att göra avgränsningar när det kommer till tidsperiod och aktieurval. Studien kommer att behandla tidsperioden från 2005 till idag. De aktier som studien är på är de som befinner sig på Stockholm OMX 30, lista över dessa aktier finner du längre ner i studien.
Metod
Nedan beskrivs hur jag har gått tillväga för att utföra studien, men även varför jag har valt att göra på just detta sätt.
Urval
Urvalet har gjort utifrån de aktier som tillhör OMX Stockholm 30 (OMXS30). Anledningen till detta är eftersom de flesta utav bolagen på OMXS30 har varit börsnoterade en längre tid vilket möjliggör ett större utbud på data. Dessa aktier har även en hög omsättning vilket gör att det är enklare att handla dessa aktier, då man inte riskerar att bli fast i en aktie utan säljare eller köpare.
Datainsamling
Den data som studien kommer att hantera är sekundärdata, detta innebär data som är given och lagrad i olika databaser. Anledningen till detta är då den är enklare att få tag på och betydligt billigare än primärdata.
Den data studien behandlar tillhandahålls av aktieanalys programmet Autostock. De får i sin tur sin data i från nätbanken Nordnet.
Den data som behandlas i denna studie är end of day data. Det är alltså stängningskursen för respektive aktie.
Bearbetning utav data
Bearbetningen av data har i första hand gjorts i analysprogrammet Autostock. Jag har i Autostock programmerat olika script som hanterar de olika köp och sälj signalerna som studien behandlar. Därefter har programmet gått igenom all data och exporterar listor med alla affärer.
Därefter har jag behandlat dessa listor i ett program som jag själv har programmerat i python. Diagram framställs med mitt egna program och tabeller framställs med hjälp utav Microsoft Excel.
Val av tidsperiod
Studien sträcker sig från år 2005-01-01 fram till 2018-12-02. Anledningen till detta är eftersom jag anser att den data jag har för denna tidsperioden är tillförlitlig. Jag anser även att det är en tillräckligt lång tidsperiod då den sträcker sig nästan över 14 år. Under denna period har vi även minst tre olika bearmarkets. Detta anser jag vara viktigt eftersom aktierna på OMXS30 beter sig olika i en bear respektive bullmarket.
Val av aktier
Studien kommer att behandla aktierna på OMXS30. Anledningen till detta är redan förklarad. Eftersom Atlas Copco finns med som både A och B aktie har valets gjort att plocka bort Atlas Copco B från studien. Varför just B aktien har valts att plockas bort beror på att den har mindre omsättning än A aktien. Aktierna som ingår i studien är:
ABB Ltd
Alfa Laval
Autoliv SDB
ASSA ABLOY B
Atlas Copco A
AstraZeneca
Boliden
Electrolux B
Ericsson B
Essity B
Getinge B
Hexagon B
Hennes & Mauritz B
Investor B
Kinnevik B
Nordea Bank Abp
Sandvik
SCA B
SEB A
Securitas B
Sv. Handelsbanken A
Skanska B
SKF B
SSAB A
Swedbank A
Swedish Match
Tele2 B
Telia Company
Volvo B
Tillvägagångssätt
Hela studien baseras på en kvantitativ studie med datainsamling och bearbetning av data. För att få fram de affärerna i studien har Autostock använts. Därefter har dessa affärer analyserats med hjälp utav ett program som författaren själv har skapat.
Valet av aktier och tidsperiod har en stor betydelse då detta har stor inverkan på resultatet. Värt att nämna är att de resultat som studien kommer fram gäller endast historisk data och säger inget om framtiden. Det är inte säkert att historiska resultat kommer att spegla framtiden. Dock så är detta den utgångspunkt som de flesta tekniska analytiker använder sig utav, alltså har historien kommer att upprepa sig.
Validitet och reliabilitet
Validitet behandlar att man verkligen mäter det man avser att mäta. Jag anser att studien mäter det den är avsedd att mäta, hur bra RSI(2) är på att mäta jämviktspendling och vad detta har för betydelse för aktiers utveckling. Även hur detta har ändrats under tidsperioden och när RSI(2) fungerar bättre eller sämre på att mäta jämviktspendling.
Reliabilitet behandlar graden av tillförlitlighet i själva mätinstrumentet. Det vill säga om någon annan gör om samma studie kommer de då komma fram till samma resultat. Kommer studien att göras på samma data och i samma analysprogram, Autostock, är reliabiliteten hög. Dock så finns det ett problem om data från en annan utgivare än Nordnet eller om ett annat analysprogram används.
Anledningen till detta är att det alltid finns en risk att datafel har smugit sig in och framförallt om gratis data används för att återskapa studien. Eftersom alla analysprogram inte fungerar exakt likadant och beräknar inte alla indikatorer på samma sätt finns det en risk för att vissa analysprogram kommer att göra en affär när ett annat program inte har gjort det.
Metodkritik
Nedan kommer jag att diskutera möjliga felkällor. Detta tas till hänsyn och reflekteras för att underlätta resultatet och slutsatsen, då eventuella fel kan påverka undersökningen.
Tidsperiod
Eftersom utvecklingen av aktier varierar över tid leder detta till att det finns en risk att vissa indikatorer fungerar bättre eller sämre under just denna period. Därför är det viktigt att inte välja en fört kort tidsperiod.
Jag anser att den valda tidsperiod är tillräcklig för att bedöma modellerna tillförlitlighet. Detta då under tidsperioden har det förekommit flera upp- och nedgångar på börsen.
Skatteeffekt
Studien tar ingen hänsyn till skatteeffekter. Detta då studien inte avser att behandla indikatorn som en strategi för att köpa eller sälja aktier. Studien avser bara att behandla indikatorns betydelse för de behandlade aktierna.
Detta gör att resultatet av studien inte kan tolkas som den avkastning en individ hade erhållit om den hade gjort samma affärer som i studien.
Blankning
Studien tar inte upp några blankningsaffärer eftersom studien inte behandlar en strategi utan endast vad indikatorn har för betydelse för utvecklingen. Det viktiga är alltså att se aktierna utveckling och därefter kan den individen själv göra valet om det verkar vara lämplig att använda indikatorn som en del i en blankningsstrategi.
Transaktionskostnader
Studien tar inte hänsyn till några transaktionskostnader. Anledningen till detta är tvåfaldig. Ena anledningen är att som jag nämnt innan skall studien inte ses som en strategi utan som en studie för att öka en förståelse för indikatorn. Den andra anledningen är att transaktionskostnaderna varierar kraftigt beroende på mäklare.
Detta gör att resultatet av studien inte kan tolkas som den avkastning en individ hade erhållit om den hade gjort samma affärer som i studien.
Teori
Effektiva marknadshypotesen
Den effektiva marknadshypotesen är en teori som används främst inom nationalekonomi.
Denna teori utgår ifrån att priset på en tillgång avspeglas alltid av all tillgänglig information på marknaden. Teorin menar även på att anpassningen av ny information är omedelbar vilket betyder att det inte finns någon möjlighet för investerare att få en riskjusterad överavkastning.
Fama, grundaren till den effektiva marknadshypotesen, beskriver att beroende på hur snabbt prissättningen på en marknad påverkas av ny information ju mer effektivare är den marknaden. Effektiviteten av en marknad är alltså direkt kopplad till tillgängligheten av information. Om alla investerare har tillgång till all information och vet hur den skall tolkas går det inte att skapa sig en överavkastning på börsen.
Enligt Fama är börsen informationseffektiv vilket alltså betyder att anpassning till ny information på börsen sker omedelbart. Alla aktörer på börsen tar del utav ny information samtidigt och ändring i prissättningen av aktier sker direkt. Aktörerna vet även hur den nya informationen skall tolkas, ny information är alltså det enda sättet en aktie kan få en ändring i pris.
För att en marknad skall kunna vara effektiv anser Fama att tre förutsättningar skall råda.
De tre förutsättningarna är följande:
1. Inga transaktionskostnader skall finnas på marknaden.
2. Aktörerna på marknaden har fri tillgång till all information på marknaden.
3. Marknadsaktörerna tolkar och värderar ny information på ett rationellt sätt.
Börsen uppfyller inte dessa tre krav då det finns transaktionskostnader, alla har inte tillgång till samma information och inte samtidigt och aktörerna på börsen tolkar information irrationellt.
Fama delar även in effektiviteten av en marknad i tre olika steg, svag, halvstark och stark effektivitet.
Om en marknad har en svag effektivitet innebär det att aktörer inte kan använda sig utav prishistorik för att skapa sig en riskjusterad överavkastning jämfört med börsen. Detta betyder alltså att vi inte kan använda oss utav teknisk analys för att skapa oss en riskjusterad överavkastning.
Halvstark effektivitet innebär att vi inte kan använda annan tillgänglig information såsom rapporter till makrosiffror för att skapa oss en överavkastning. Fama menar att detta är redan inräknat i priset och vi kan då inte använda det för att göra bättre affärer än andra aktörer på börsen. Vi kan alltså inte använda oss utav fundamental analys för att skapa oss en riskjusterad överavkastning.
Har en marknad en stark effektivitet innebär detta att alla information redan är inräknad i priset vilket gör att inte ens insider information kan användas för att skapa en riskjusterad överavkastning. Detta betyder alltså att ingen kan skapa sig en riskjusterad överavkastning då prisrörelserna är bundna till framtida information, som ingen känner till idag.
Detta är alltså den akademiska utgångspunkten att börsen är informationseffektiv och den är viktig för hur ekonomisk teori ser ut i dagsläget.
Det som är bra för oss aktörer på börsen är att detta inte alls stämmer. Aktieprisets anpassning till ny information är långt ifrån omedelbar. Det är inte heller så att alla aktörer tolkar all information vare sig relevant eller likadant.
Massor av studier bevisar att börsen inte är informationseffektiv. Det finns en hel del anomalier på börsen som vi som investerare kan utnyttja oss av för att få en riskjusterad överavkastning. Förutom den anomali som denna studie bygger på finns det även kalendereffekter, småbolagseffekter och överreaktioner med mera.
Om det nu finns så många studier som motbevisar den effektiva marknadshypotesen varför håller akademiker fortfarande fast vid denna teorin. Anledningen är att det är svårt att hitta ett alternativ som är hållbart rent akademiskt.
Behavioral finance
Behavioral finance, som är ett relativt nytt område, försöker förklara varför människor begår irrationella ekonomiska beslut. Behavioral finance tar alltså upp de tillkortakommanden som investerare besitter. Det är dessa tillkortakommanden som vi skall försöka utnyttja. Till skillnad från den effektiva marknadshypotesen erbjuder behavioral finance bra förklaringar på varför en akties pris rör sig på ett specifikt sätt.
Genom kombinationen av beteendevetenskap, kognitiv psykologi och nationalekonomi försöker behavioral finance att svara på detta. Aktörerna på börsens tankeprocesser är inte rationella utan deras tankeprocess använder sig utav genvägar och känslomässiga filter. Några utav dessa känslomässiga filter och genvägar är:
Gambler’s fallacy
Detta innebär att vi människor ofta tror att bara för att något har hänt mer gånger än i det normala fallet så är det mindre troligt att det kommer hända igen i framtiden. Bara för det har blivit rött på roulette tio gånger i rad är det inte mer troligt att det skall bli svart nästa gång. Detta beteende leder till att investerare underskattar trender.
Confirmation bias
Investerare söker ofta information som bekräftar de beslut som de redan har tagit. Var då beslutet fel från början leder det till att investerare ofta hänger kvar vid sitt beslut för länge.
Anchoring
Investerare hänger upp sig på valda referenspunkter, bara för att en aktie såldes vid 400 kr behöver den inte komma dit igen
Conservatism bias
Investerare ändrar gärna inte uppfattning vilket även leder till att analytiker gärna inte reviderar sina åsikter om bolag. Det behövs alltså ofta många eller återkommande bevis för att investerare skall byta uppfattning.
Overconfidence/optimism
De flesta människor tycker att dem är bättre bilförare än genomsnittet, rent matematiskt är detta omöjligt. Detsamma gäller för investerare, alla tror att de är bättre än genomsnittet vilket leder till att man underskattar sitt motstånd.
Prospect theory
Vi människor ogillar förluster mer än vad vi gillar vinster. Anledningen till detta är att vi lägger mer vikt vid våra förluster. Detta gör att vi väljer att realisera vinster fort medans vi håller kvar vid våra förluster.
Dessa beteenden och tillkortakommanden gör att vi kan ana när investerare kommer att göra förutsägbara fel på börsen. Detta kan vi som investerare använda oss av för att skaffa oss en riskjusterad överavkastning. Även människors känslor, rädslor och omedvetna beteenden har betydelse för hur investerare gör beslut.
Utöver detta så påverkas priserna på börsen av flockbeteende. En flock kan anses vara klok om den består utav mångfald och är oberoende. Det är inte ofta grupper är konstruerade på ett sådant vis och så är verkligen inte fallet på börsen. De flesta som rör sig inom finansmarknaden är höginkomsttagare, män, röstar borgerligt, har gått på ungefär samma skolor och studerat samma teorier om hur marknaden fungerar. Alltså en väldigt homogen grupp.
Detta leder ofta till att unika idéer och tankar ofta faller bort då det inte överensstämmer med resten av gruppen.
Hur påverkar då detta börsen? Börsen är summan av alla aktörers agerande. När en enskild aktör inte vet hur den skall agera kommer den troligtvis att titta på hur flocken har agerat och därefter göra likadant.
Detta är orsaken till varför beteendet på börsen skiljer sig från beteendet i andra ekonomiska situationer. När människor agerar rationellt tenderar dem till att köpa mer kött om priset sjunker och mindre smör om priset höjs.
På börsen fungerar det oftast precis tvärtom. Aktörer har en tendens till att köpa mer om priset går upp än om priset har gått ned. Intresset för aktier som har stigit är ofta mycket högre än för de aktier som har sjunkit.
Detta är en utav anledningarna till överreaktioner, att en aktie bara fortsätter att stiga eller att gå ner.
Alla dessa tillkortakommanden och känslomässiga filter leder till att det finns beteende på börsen som investerare kan utnyttja för att skapa en riskjusterad överavkastning. Ett utav dessa beteende, som studien riktar in sig på, är jämviktspendling. Jämviktspendling innebär att priset fluktuerar kring en tänkt medelpunkt. Om priset har stigit för mycket kommer det därefter att falla tillbaka och om priset har sjunkit för mycket kommer priset att stiga.
Studien är tänkt att se om RSI indikatorn är bra på att fånga detta beteende.
Om indikatorn
RSI är en momentum oscillator som rör sig mellan 0 och 100. Indikatorn kan användas för att peka ut potentiella trendvändningar men även som en indikator för att visa överköpta/översålda lägen vid jämviktspendling.
Relative Strength Index är ett något missvisande namn då det kan få en att tro att indikatorn jämför värdet på den aktuella aktien jämfört med en annan aktie. Så är inte fallet utan indikatorn jämför istället aktiens egna kursökningar jämfört med deras kursminskningar.
RSI visar alltså hur kraftigt eller med vilken hastighet som en aktie har stigit jämfört med hur den har sjunkit. En aktie kan alltså fortsätta stiga i värde men inte med samma kraft som innan, då kommer RSI indikatorn att visa det med ett lägre värde på RSI än tidigare. Detta kan då vara en indikation på att aktien är på väg att göra en trendvändning.
Tidigare studier
Jag är helt säker på att tidigare har gjort på detta ämne men de har inte publicerats på ett sådant sätt att jag kan få ta del utav dem. Därför anser jag att denna studien är av ännu större vikt då den delar med sig utav kunskap som inte är tillgänglig för alla.
Resultat
Testerna är uppbyggda på ett sådant vis att en fast summa satsas varje gång. Testerna tar inte hänsyn till hur stor denna summa är utan utgår ifrån att den är samma hela tiden, därefter adderas alla resultat ihop och och det är detta graferna är uppbyggda efter. Startsumman för graferna är noll och eftersom testerna endast tar hänsyn till det procentuella resultatet av affärerna är startsumman inte av någon större betydelse.
Förklaring av uttryck i tabeller:
Namn – namn på studien
Entry signal – vilken indikator som används och det kriterium den måste uppfylla för en affär skall tas.
Exit signal – vad för kriterier som måste uppfyllas för att affären skall stängas, 5D betyder att affären stängs efter fem dagar.
Stocks – vilka aktier som studien är på.
Market conditions – vad för krav uppfyller börsen som helhet, i detta faller är det OMXS30.
Edge – genomsnittsavkastning per affär.
Stdev – standardavvikelsen för resultatet av affärerna.
Hitratio – hur många procent av affärerna som har slutat med vinst.
Avg win – hur stor genomsnitts vinsten är.
Avg loss – hur stor genomsnitts förlusten är.
Max win – hur stor den största vinsten är.
Max loss – hur stor den största förlusten är.
Edge/stdev – genomsnittsavkastning dividerat med standardavvikelsen, detta är ett mått för att bedöma hur bra affärerna är. Hög avkastning med liten standardavvikelse leder till att man som trader kan satsa mer pengar i dessa affärer. Detta eftersom utfallet av affärerna har en mindre spridning.
Trades – antal affärer som signalen har genererat.
ProfitFactor – hur stora vinsterna är i förhållande till förlusterna.
TiM – står för Time in Market och berättar hur länge vi befinner oss i marknaden.
Edge/Day – visar hur står genomsnittsavkastning affären genererar per dag.
Vinsttest utav setupkärnan
Name | RSI(2) OMXS30 |
Entry signal | RSI(2) under 10 |
Exit signal | 5D |
Stocks | OMXS30 |
Market conditions | – |
Edge (%) | 0,63 |
Stdev | 4,73 |
Hitratio | 56% |
Avg win (%) | 3,54 |
Avg loss (%) | -3,14 |
Max win (%) | 37,35 |
Max loss (%) | -31,22 |
Edge/Stdev | 0,13 |
Trades | 5291 |
ProfitFactor | 1,47 |
TiM | 5 |
Edge/Day (%) | 0,13 |
Resultatet utav setupkärnan sen 2017 ser ut på detta vis.
Name | RSI(2) OMXS30 S2017 |
Entry signal | RSI(2) under 10 |
Exit signal | 5D |
Stocks | OMXS30 |
Market conditions | – |
Edge (%) | 0,17 |
Stdev | 3,56 |
Hitratio | 54% |
Avg win (%) | 2,40 |
Avg loss (%) | -2,42 |
Max win (%) | 19,33 |
Max loss (%) | -31,19 |
Edge/Stdev | 0,05 |
Trades | 755 |
ProfitFactor | 1,16 |
TiM | 5 |
Edge/Day (%) | 0,03 |
Test av delar utav setupkärnan
Entry kravet
Entry signal | RSI(2) under 10 | RSI(2) under5 | RSI(2) under 3.2 | RSI(2) under 1 |
Exit signal | 5D | 5D | 5D | 5D |
Edge (%) | 0,63 | 0,66 | 0,71 | 1,15 |
Stdev | 4,73 | 4,62 | 4,72 | 6,04 |
Hitratio (%) | 0,56 | 0,58 | 0,58 | 0,58 |
Avg win (%) | 3,54 | 3,40 | 3,40 | 4,32 |
Avg loss (%) | -3,14 | -3,15 | -3,18 | -3,28 |
Max win (%) | 37,35 | 31,44 | 32,00 | 67,57 |
Max loss (%) | -31,22 | -31,22 | -24,23 | -24,09 |
Edge/Stdev | 0,13 | 0,14 | 0,15 | 0,19 |
Trades | 5291 | 3040 | 2027 | 610 |
ProfitFactor | 1,47 | 1,51 | 1,55 | 1,85 |
TiM | 5 | 5 | 5 | 5 |
Edge/Day (%) | 0,13 | 0,13 | 0,14 | 0,23 |
Entry signal | RSI(2)>80 | RSI(2)>90 | RSI(2)>95 | RSI(2)>96.8 | RSI(2)>99 |
Exit signal | 5D | 5D | 5D | 5D | 5D |
Edge (%) | -0,05 | -0,07 | -0,15 | -0,25 | -0,15 |
Stdev | 4,14 | 3,91 | 3,72 | 3,81 | 3,46 |
Hitratio (%) | 0,50 | 0,50 | 0,49 | 0,48 | 0,50 |
Avg win (%) | 2,85 | 2,72 | 2,54 | 2,53 | 2,32 |
Avg loss (%) | -3,09 | -2,94 | -2,85 | -2,94 | -2,69 |
Max win (%) | 34,46 | 27,51 | 20,00 | 19,84 | 11,99 |
Max loss (%) | -35,11 | -33,26 | -24,03 | -28,94 | -20,00 |
Edge/Stdev | -0,01 | -0,02 | -0,04 | -0,07 | -0,04 |
Trades | 9178 | 5979 | 3588 | 2446 | 813 |
ProfitFactor | 0,97 | 0,95 | 0,90 | 0,83 | 0,89 |
TiM | 5 | 5 | 5 | 5 | 5 |
Edge/Day (%) | -0,010 | -0,014 | -0,029 | -0,050 | -0,029 |
Tidsexit
Exit signal | 1D | 2D | 3D | 4D | 5D | 6D | 7D | 8D | 9D | 10D | 11D | 12D |
Edge (%) | 0,16 | 0,26 | 0,44 | 0,54 | 0,63 | 0,58 | 0,69 | 0,72 | 0,79 | 0,75 | 0,85 | 0,85 |
Stdev | 2,35 | 3,15 | 3,80 | 4,31 | 4,73 | 5,14 | 5,50 | 5,76 | 6,01 | 6,16 | 6,34 | 6,60 |
Hitratio (%) | 0,52 | 0,54 | 0,55 | 0,56 | 0,56 | 0,55 | 0,55 | 0,56 | 0,56 | 0,55 | 0,56 | 0,55 |
Avg win (%) | 1,67 | 2,22 | 2,80 | 3,15 | 3,54 | 3,79 | 4,14 | 4,35 | 4,61 | 4,79 | 5,00 | 5,16 |
Avg loss (%) | -1,56 | -2,12 | -2,54 | -2,86 | -3,14 | -3,46 | -3,67 | -3,97 | -4,10 | -4,31 | -4,39 | -4,62 |
Max win (%) | 26,13 | 31,07 | 32,80 | 36,63 | 37,35 | 47,66 | 41,21 | 44,15 | 41,23 | 43,57 | 43,04 | 49,62 |
Max loss (%) | -19,24 | -21,66 | -26,87 | -35,81 | -31,22 | -31,59 | -31,91 | -33,87 | -30,96 | -30,61 | -34,46 | -30,78 |
Edge/Stdev | 0,07 | 0,08 | 0,11 | 0,12 | 0,13 | 0,11 | 0,13 | 0,13 | 0,13 | 0,12 | 0,13 | 0,13 |
Trades | 7763 | 7064 | 5970 | 6001 | 5291 | 4987 | 4735 | 4509 | 4308 | 4109 | 3952 | 3786 |
ProfitFactor | 1,23 | 1,28 | 1,40 | 1,44 | 1,47 | 1,38 | 1,43 | 1,42 | 1,44 | 1,39 | 1,44 | 1,42 |
TiM | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
Edge/Day (%) | 0,16 | 0,13 | 0,15 | 0,13 | 0,13 | 0,10 | 0,10 | 0,09 | 0,09 | 0,08 | 0,08 | 0,07 |
Test i olika marknadsfaser
Positiv marknadsfas
Detta testet är utfört på när OMXS30 befinner sig i en positiv marknadsfas. Jag anser att OMXS30 befinner sig i en positiv marknadsfas om indexet har gjort en månadsstängning över MA12, ett glidande 12 månaders medelvärde.
Name | RSI(2) OMXS30 |
Entry signal | RSI(2) under 10 |
Exit signal | 5D |
Stocks | OMXS30 |
Market conditions | PF |
Edge (%) | 0,68 |
Stdev | 3,79 |
Hitratio | 57% |
Avg win (%) | 3,04 |
Avg loss (%) | -2,51 |
Max win (%) | 23,04 |
Max loss (%) | -30,95 |
Edge/Stdev | 0,18 |
Trades | 3673 |
ProfitFactor | 1,64 |
TiM | 5 |
Edge/Day (%) | 0,14 |
Negativ marknadsfas
Detta testet är utfört på när OMXS30 befinner sig i en negativ marknadsfas. Jag anser att OMXS30 befinner sig i en negativ marknadsfas om indexet har gjort en månadsstängning under MA12.
Name | RSI(2) OMXS30 |
Entry signal | RSI(2) under 10 |
Exit signal | 5D |
Stocks | OMXS30 |
Market conditions | NF |
Edge (%) | 0,52 |
Stdev | 6,34 |
Hitratio | 54% |
Avg win (%) | 4,66 |
Avg loss (%) | -4,47 |
Max win (%) | 37,35 |
Max loss (%) | -31,22 |
Edge/Stdev | 0,08 |
Trades | 1643 |
ProfitFactor | 1,26 |
TiM | 5,0 |
Edge/Day (%) | 0,10 |
BBW
Dessa tester är utförda efter volatiliteten som OMXS30 har. För att mäta denna volatilitet har jag använt mig utav indikatorn Bollinger Band Width. Jag har delat in faserna i fyra olika delar, när OMXS30 har en Bollinger Band Width under 5, under 10, över 10 och över 15.
Name | RSI(2) OMXS30 | RSI(2) OMXS30 | RSI(2) OMXS30 | RSI(2) OMXS30 |
Entry signal | RSI(2) under 10 | RSI(2) under 10 | RSI(2) under 10 | RSI(2) under 10 |
Exit signal | 5D | 5D | 5D | 5D |
Stocks | OMXS30 | OMXS30 | OMXS30 | OMXS30 |
Market conditions | BBW under 5 | BBW under 10 | BBW>10 | BBW>15 |
Edge (%) | 0,16 | 0,37 | 1,39 | 2,00 |
Stdev | 3,60 | 4,03 | 6,46 | 8,07 |
Hitratio | 52% | 54% | 62% | 61% |
Avg win (%) | 2,60 | 2,98 | 5,07 | 6,78 |
Avg loss (%) | -2,52 | -2,81 | -4,69 | -5,55 |
Max win (%) | 23,04 | 31,55 | 37,35 | 37,35 |
Max loss (%) | -31,19 | -31,22 | -24,23 | -23,89 |
Edge/Stdev | 0,04 | 0,09 | 0,21 | 0,25 |
Trades | 1865 | 4208 | 1387 | 501 |
ProfitFactor | 1,13 | 1,29 | 1,79 | 1,94 |
TiM | 5 | 5 | 5 | 5 |
Edge/Day (%) | 0,03 | 0,07 | 0,28 | 0,40 |
Tillägg enskilda filter
I denna sektionen gör jag tester där jag lägger till enskilda filter för de enstaka aktier t.ex. Att aktien måste ha stängt över sitt MA200 och RSI(2)<10 för att en affär skall tas.
BBW
Name | RSI(2) OMXS30 | RSI(2) OMXS30 | RSI(2) OMXS30 | RSI(2) OMXS30 | RSI(2) OMXS30 |
Entry signal | RSI(2) under 10 BBW under 5 | RSI(2) under 10 & BBW under 10 | RSI(2) under 10 & BBW>10 | RSI(2) under 10 & BBW>15 | RSI(2) under 10 BBW>20 |
Exit signal | 5D | 5D | 5D | 5D | 5D |
Stocks | OMXS30 | OMXS30 | OMXS30 | OMXS30 | OMXS30 |
Market conditions | – | – | – | – | – |
Edge (%) | 0,35 | 0,40 | 0,89 | 1,19 | 1,24 |
Stdev | 2,94 | 3,51 | 5,62 | 6,65 | 7,63 |
Hitratio | 55% | 55% | 58% | 59% | 57% |
Avg win (%) | 2,28 | 2,73 | 4,26 | 5,09 | 5,91 |
Avg loss (%) | -2,04 | -2,47 | -3,84 | -4,60 | -5,06 |
Max win (%) | 12,27 | 23,04 | 37,35 | 37,35 | 37,35 |
Max loss (%) | -15,18 | -22,58 | -31,22 | -31,22 | -31,22 |
Edge/Stdev | 0,12 | 0,11 | 0,16 | 0,18 | 0,16 |
Trades | 627 | 2877 | 2854 | 1478 | 805 |
ProfitFactor | 1,39 | 1,36 | 1,56 | 1,65 | 1,59 |
TiM | 5 | 5 | 5 | 5 | 5 |
Edge/Day (%) | 0,07 | 0,08 | 0,18 | 0,24 | 0,25 |
MA200
Name | RSI(2) OMXS30 | RSI(2) OMXS30 |
Entry signal | RSI(2) under 10 & Close>MA200 | RSI(2) under 10 & Close under MA200 |
Exit signal | 5D | 5D |
Stocks | OMXS30 | OMXS30 |
Market conditions | – | – |
Edge (%) | 0,64 | 0,60 |
Stdev | 3,91 | 5,45 |
Hitratio | 57% | 54% |
Avg win (%) | 3,04 | 4,09 |
Avg loss (%) | -2,63 | -3,63 |
Max win (%) | 23,04 | 37,35 |
Max loss (%) | -31,19 | -31,22 |
Edge/Stdev | 0,16 | 0,11 |
Trades | 2754 | 2762 |
ProfitFactor | 1,58 | 1,37 |
TiM | 5 | 5 |
Edge/Day (%) | 0,13 | 0,12 |
Slutsats
Som vi kan se av resultaten kan RSI(2) indikatorn vara ett bra hjälpmedel för att indikera att en aktie kommer att jämviktspendla.
Dock kan man se att indikatorn har fungerat betydligt bättre innan 2017. Det är värt att tillägga att börsen som helhet har varit väldigt skakig sedan 2017.
Vi kan se historiskt att indikatorn har haft perioder som detta förr. Runt 2014 till 2016 har vi haft ett liknande utseende. Frågan är dock varför indikatorn fungerar sämre under dessa perioder.
Jag kan inte se någon jättestor skillnad på hur bra indikatorn är på att signalera jämviktspendling för uppgång om vi befinner oss i en positiv eller negativ marknadsfas. Den stora skillnaden ligger vid standardavvikelsen på avkastningen. Detta betyder då att det finns en större spridning på resultaten av varje affär. Detta är ganska karakteristisk för positiva och negativa marknadsfaser. Vid negativa marknadsfaser har vi stora nedgångar men även stora uppgångar.
Man ser dock att det är fördelaktigt att använda sig utav indikatorn när vi har en positiv marknadsfas jämfört vid en negativ marknadsfas då både avkastning, hitratio och standardavvikelsen är bättre.
Vi kan se att när OMXS30 har gjort stora rörelser innan en affär tas verkar indikatorn att fungera bättre. Alltså när OMXS30 har ett stort Bollinger Band Width (BBW) får vi en bättre avkastning per affär. Vi kan se att om BBW ligger under 5 är avkastningen väldigt liten, 0,16%, per affär jämfört med hela 2% om BBW ligger över 15. Värt att notera är att vi har fått ungefär 1500 affärer vid ett BBW under 5 medans vi har fått 500 affärer med ett BBW över 15. Det inträffar alltså inte lika ofta att BBW ligger över 15 som att den ligger under 5.
Slutsatsen jag drar av detta är att RSI(2) fungerar bättre om vi har haft hög volatilitet på marknaden innan vi agerar.
Denna tes styrks ytterligare när vi tittar på BBW som ett enskilt filter för aktierna. Detta betyder alltså att aktien måste uppfylla både att RSI(2) under 10 och att BBW värdet uppfyller ett visst kriterium. Det man kan se att vid låga BBW värden har vi en sämre avkastning och hitratio jämfört vid högre värden på BBW.
Detta får mig att undra om RSI(2)<10 är en för tidig indikation på att en aktie kommer att jämviktspendla. Har vi högre BBW värden har aktien eller index redan gjort stora rörelser och då kanske det räcker med ett RSI(2) värde på under 10. Har dock aktien konsoliderat ett tag blir detta en för tidig signal på att aktien kommer att jämviktspendla uppåt.
Detta kan vara ett direkt resultat av hur indikatorn är uppbyggd, indikatorn tittar på hur stor nedgången eller uppgången är relativ tidigare rörelser i aktien. Har aktien gjort väldigt små rörelser kommer indikatorn väldigt tidigt att uppnå ett lågt eller högt värde. Vill du veta mer om hur RSI indikatorn fungerar, beräknas eller hur man kan använda den är du välkommen att läsa mer om indikatorn här.
Vi kan även se att indikatorn fungerar lite bättre om aktien befinner sig över sitt 200 dagars glidande medelvärde. Skillnaden är inte jättestor men både avkastningen och hitration är bättre. Standardavvikelsen är lägre om aktien befinner sig över MA200 vilket betyder mindre spridning på resultatet av varje affär.
Indikatorn är bättre på att indikera jämviktspendling för uppgång jämfört med för nedgång. Vi kan tydligt se att genomsnitts avkastningen ökar stadigt ju längre ner RSI(2) ligger när en affär tas. Det motsatta gäller dock inte för nedgång, avkastningen minskar tydligt tills vi har ett RSI(2) värde som ligger över 99, där ser vi att avkastningen blir lite högre än vid RSI(2) över 96.8.
Anledningen till detta kan vara en utav dessa tillkortakommanden som vi investerare har. Vi har en tendens till att köpa det som redan har stigit kraftigt. Detta kan leda till att aktier som har stigit kraftigt kommer att fortsätta stiga ett tag till innan det vänder och därför är RSI(2) indikatorn inte bra på att indikera jämviktspendling för nedgång.
Det verkar även som att om indikatorn ger en signal för att köpa är det bäst att hålla affären kring fem dagar. Avkastningen stiger dock om man håller affären längre men inte speciellt mycket och man kan tydligt se att avkastningen per dag som affären hålls sjunker kraftigt om man håller affären betydligt längre än fem dagar.
Som jag ser det finns det två saker som påverkar hur väl indikatorn fungerar, driften på börsen och hur mycket aktien eller index har rört sig innan en signal fås.
Om det finns en drift uppåt på börsen och i aktien är det lite mer förlåtande att ta affärer. Detta eftersom det finns en större chans att driften kommer att göra att aktien står högre om fem dagar än om driften hade varit nedåt.
Det andra gäller hur mycket aktien eller index har rört sig innan en signal fås, har aktien konsoliderat ett tag och en signal för RSI(2)<10 fås är det troligt att detta är för tidigt som vi tar affären. Aktien har troligtvis fortfarande en väldigt stor fallrisk innan den kommer att jämviktspendla uppåt. Jag har lagt märke till att detta varierar mellan de olika aktierna på OMXS30, detta är dock ett ämne för en hel studie och därför kommer jag inte att ta upp det här.
Som avslutning är det värt att nämna att dessa siffror endast gäller för OMXS30 aktier och för tidsperioden 2005-01-01 till 2018-12-08 och det betyder inte att indikatorn kommer fortsätta att producera lika bra affärer.
Pingback: Stop loss - Vad är en stop loss och hur fungerar den? - Nineambell
Pingback: Förbättra ditt trading resultat 2019 - Del 2 - Nineambell
Pingback: Förbättra ditt trading resultat 2019 - Del 3 - Nineambell
Pingback: Hur du kan tjäna pengar på OMXS30 med Connors RSI - Nineambell
Pingback: När i månaden skall du köpa aktier - kring vilket datum | Nineambell
Pingback: Blanka med volatilitets explosioner | Nineambell
Pingback: Hitta Kursvinnare - Nyckeltal - en illustrerad guide | Nineambell
Pingback: RSI i den bättre delen av månaden på det bättre halvåret | Nineambell
Pingback: Slå börsen med RSI Impulser - Strategi | Nineambell
Pingback: Fungerar jämviktspendling lika bra på alla aktier? | Nineambell
Pingback: Kunskap från en RSI(2)-studie | En riktigt bra strategi | Nineambell