Die serielle Korrelation, auch Autokorrelation genannt, beschreibt die Beziehung zwischen Beobachtungen an derselben Variablen über verschiedene Zeiträume hinweg. Dies unterscheidet sich von der traditionellen Korrelation, bei der mehrere Variablen über einen Zeitraum verglichen werden. Technische Analysten und Investoren verwenden serielle Korrelation, um zu messen, wie gut frühere Kursbewegungen zukünftige Bewegungen für denselben Vermögenswert vorhersagen können - ein entscheidendes Konzept in der technischen Aktienmarktanalyse. Da die serielle Korrelation weitgehend vom verwendeten Zeitintervall abhängt, sind häufige Beispiele für serielle Korrelationen schwer zu qualifizieren. Eine bekannte serielle Korrelation zwischen Händlern wird jedoch als "Januar-Effekt" bezeichnet, wobei die Renditen im Januar tendenziell größer sind als in jedem anderen Monat des Jahres.
Serielle Korrelation ist eine Funktion von Mittelwert und Varianz; es kann niemals absolut sein und stützt sich stark auf Umstand und Interpretation. Selbst wenn eine positive Korrelation von 100% oder eine mittlere Aversion oder eine negative Korrelation von 100% zwischen der Preisaktion eines Vermögenswerts im Zeitverlauf besteht, gibt es noch kein Gesetz, das eine solche Korrelation diktiert. Unzählige Studien wurden von Finanzanalysten und Ökonometrikern durchgeführt, um eine serielle Korrelation zwischen Preisänderungen in Märkten, Aktien oder Portfolios zu entdecken, aber diese haben im Allgemeinen unbedeutende Erkenntnisse geliefert.
Die serielle Korrelation legt nahe, dass die über die Beobachtungen verteilten Erträge nicht streng zufällig sind. Selbst wenn die Vorstellung, dass Preisänderungen in Periode A den Händlern etwas über Preisänderungen in Periode B sagen, im Rahmen der technischen Analyse tief verwurzelt ist, wird die tatsächliche Existenz und Art einer solchen Korrelation von seriösen Statistikern diskutiert.
Berühmte Studien, die von Fama (1965), Jennergren und Korsvold (1974) und Cootner (1961) durchgeführt wurden, betrachteten Aktien und Rohstoffe über die Zeit und fanden sehr niedrige oder unbedeutende serielle Korrelationen. Langfristige Studien über ganze Märkte legen jedoch eine erhebliche negative serielle Korrelation nahe, was darauf hindeutet, dass sich die Märkte über lange Zeiträume hinweg umkehren. Die erste große Arbeit auf diesem Gebiet wurde 1988 von Fama und Franzosen berichtet.
Was sind typische Beispiele für schlechte Entscheidungen, die aufgrund des versunkenen Kostenfehlers getroffen wurden?
Erfahren Sie mehr darüber, wie einige Unternehmen eine korrekte Analyse zugunsten des versunkenen Kostenirrtums ablehnen und Wege finden, um zu vermeiden, dass sich dies auf Geschäftsentscheidungen auswirkt.
Was sind einige Beispiele für eine positive Korrelation in der Wirtschaft?
Erlernen die gängigsten Beispiele für eine positive Korrelation zwischen Mikroökonomie und Mikroökonomie, einschließlich Nachfrage und Preis, sowie Konsumausgaben und BIP.
Wer sind echte Beispiele für "Tauben" in der Finanzwelt?
Erfahren Sie mehr über einige Beispiele von "Tauben" aus der Finanzwelt. Tauben sind bereit, höhere Inflationsraten zu tolerieren, um die Beschäftigung zu erhöhen.