Korrelationer mellan aktier

[Bertil]

Jag är intresserad av hur olika aktier korrelerar med varandra. Hur tighta är tex bankaktier? Hur stor är fördröjningen vid hög korrelation? Om Nordea släpper en bra kvartalsrapport och snabbt går upp 1 % hur påverkar det Swedbank? Troligt är ju då att även Swedbank går upp men hur mycket och med hur stor fördröjning efter Nordea?
Jag gillar ju snabba ryck och fördröjning i min värld är 1-30 minuter, korrelation är hur kurserna följs åt under 2 timmar.

Finns det någon som scriptat något användbart så att jag slipper att uppfinna hjulet igen?

Saknar en fast funktion där man kan ta in två dataserier (den ena med cmpref) och få ett mått på hur kursrörelserna överensstämmer samt att kunna förskjuta den ena dataserien för att se om överenstämmelsen ökar.

Man kan loopa med olika värden på aref på den ena dataserien och multiplicera de två dataserierna samt addera resultatet för alla värden som ingår i produkten och se med vilken aref som överenstämmelsen blir högst.

Har någon redan scriptat detta??

mvh
Bertil


Edit1: Man kan ju följa kvartalsrapportering mm manuellt men jag är ute efter att automatisera det hela. En kraftig break out på en aktie rör sig vidare som ringar på vattnet till andra aktier i samma bransch som strax påverkar index. Det jag är ute efter i slutändan är alltså att kunna prediktera indexrörelser efter kraftig break out på enskild aktie.

Edit2: För att förenkla det hela kan man ju bara titta på break out på enskild aktie och hur det påverkar index, dvs index skall påverkas mer än vad aktiens viktning är.

[Rikard Nilsson]

Det riktigt intressanta vore ju att hitta aktier som korrelerar mot varandra, då kan man bygga en "hedge"-strategi som i princip aldrig behöver förlora något (teoretiskt i alla fall).

[Bertil]

Det riktigt intressanta vore ju att hitta aktier som korrelerar mot varandra, då kan man bygga en "hedge"-strategi som i princip aldrig behöver förlora något (teoretiskt i alla fall).

Just, vi måste bara tillverka ett script som ser sådana korrelationer!
mvh
Bertil

[Rikard Nilsson]

Scriptet är nog det minsta problemet, att hitta korrelationen är det största. Men man kanske kan använda Kalkylforskaren på något sätt där?

[Bertil]

Jag tittar ju på break out på alla 30 i OMXS30 ingående aktierna och väger ihop med aktuell viktning i index. Då jag tidigare hade en gammal inaktuell viktning så fick jag bättre resultat. Av detta drar jag slutsatsen att vissa aktier är så obetydliga att en break out inte påverkar index mer än den egna viktningen dvs aktien drar inte med sig andra aktier upp eller ner. Andra aktier med större viktning eller som ingår i en bransch t.ex bank eller verkstad med många andra aktier i indexet har lättare för att smitta sina kursändringar.

Får se om jag kommer på något bra sätt i helgen att få indikation på korrelationer som kan omsättas i en fiffigare viktning av break out.

mvh
Bertil

Edit1: Är inne på om man skall kvadrera viktningen på något sätt så att större aktier får mer inflytande vid break out...
Edit2: Kvadrering är nog inte så smart. Skall testa med ny viktning B och korrekt viktning är A där B=A/(1-xA) där x är ett lämpligt tal.
Stay tuned...

[Filipb]

Hej,

Jag testat att screena fram aktierna med högst korrelation jämt emot OMXS30 i kalkylforskaren, men jag får ej ut något vettigt ur det hela. Får ut tal långt mycket större än spannet -1 -> 1 som korrelationskoefficienten rör sig mellan. Någon som ser vad jag gjort för fel?

omx=cmpref(c,0,a)

{Medelvärde 3000 senaste perioderna}

Aktieaverage=div(sum(c,3000),3000)
daverage=div(sum(omx,3000),3000)


{summan av de 3000 senaste stängnigskurserna}

times=mult(c,omx)
xy=sum(times,3000)

{n*medelvärde1*medelvärde2}

bar=mult(mult(aktieaverage,daverage),3000)

{standardavikelserna}

SA=stdev(c,3000)
SDO=stdev(omx,3000)

{covaraiance}

cov=sub(xy,bar)

{sd1*sd2}

under=mult(sa,sdo)

{korrelationen}

korr=div(cov,under)


{@A(0,OMX Stock )}

[esan]

...
{covaraiance}

cov=sub(xy,bar)

{sd1*sd2}
...

Hej,
Om tråden fortfarande är aktiv...det som saknas är väl att dividera med (n-1) när du räknar ut covarians, borde vara något så här:

cov=div(sub(xy,bar),3000-1))

/ES

[Henric]

Det kan påverka, men mycket lite då det är 3000 perioder. Jag tror formlen för standardavikelsen inte använder n-1. Ska då den andra beräkningen använda n-1?

Edit: Jag tror han i en annan tråd rättade sin egen kod. Däremot tror jag aref för sum-funktionen på extraobjekt inte fungerar? Jag har skrivit om detta i en annan tråd om korrelation. Vore bra om någon annan kunde bekräfta eller motbevisa så den kan blir rättad eller i framtiden lägga till en sum för extraobjekt.

[esan]

Jag hade inte sett att det redan var löst i den andra tråden.

Du har nog kanske rätt i att det borde vara (n) och inte (n-1), beror ju på om STDEV som det är implementerat är för population eller urval.
Men, som du skriver gör (n) eller (n-1) ingen större skillnad med så stora perioder som här. Att inte dividera med något alls gör däremot skillnad.

/ES