Teknisk analyse, eller den statistiske analysen av tidligere prisendringer med sikte på å prognostisere fremtidige prisendringer, har vært et diskutert tema møtt med skepsis i mange økonomiske kretser. De fleste handelsmenn og investorer faller inn i en av tre leirer: De som tror at det er en vitenskap som fungerer, de insisterer på at det er en selvoppfyllende profeti, og de overbevist om at det er verdiløst som et verktøy for prediksjon.
TUTORIAL: Teknisk analyse: Introduksjon

Dagens tekniske analyse er langt fra det som eksisterte tidligere. Utviklingen av nevrale nettverk, genetiske algoritmer og lignende teknologier har dramatisk forbedret nøyaktighet i predikter og kan markere et skifte i bransjen. I denne artikkelen vil vi se på noen empiriske bevis for endelig å stille dette spørsmålet til hvile, med et spesielt fokus på valutamarkedet (valutamarkedet). (For å vite mer om genetiske algoritmer, les: Bruke genetiske algoritmer til å prognose finansielle markeder .)

Fungerer teknisk analyse virkelig? Forskere har vært skeptiske til teknisk analyse siden Eugene Fama og Marshall Blume fant buy-and-hold foretrukket for noen filtreringsteknikker i "Filter Rules and Stock-Market Trading." Forskningsfokusert på valutamarkeder har imidlertid vist uvanlig store overskudd drevet av teknisk analyse, som har utfordret den effektive markedshypotesen.

I 1995 publiserte Blake LeBaron en studie med tittelen "Teknisk handelsregels lønnsomhet og valutamarkedsintervensjon", som foreslo en mulig grunn til at teknisk analyse var så effektiv på valutamarkeder. Rapporten fant at forutsigbarheten i stor grad er redusert, hvis ikke eliminert, når man diskonterer dager som Federal Reserve var aktivt innblandet.

Den underliggende årsaken til effektiviteten av teknisk analyse på valutamarkeder kan derfor være at prioriteringene varierer mellom store aktører. I motsetning til uforutsigbare aksjemarkeder har sentralbankene et sterkt incitament til å holde valutaprisen på visse nivåer, noe som kan gjøre prisbevegelsene mer forutsigbare, spesielt når de griper inn. (For å få kunnskap om teknisk analysepraktiser, les: Pionerer av teknisk analyse .)

Neurale nettverk og teknisk analyse Med deres evne til å identifisere uklare mønstre i data har nevrale nettverksmodeller har vokst i popularitet. Modellene kan tilnærme en hvilken som helst ikke-lineær funksjon til en vilkårlig grad av nøyaktighet, noe som gjør dem ideelle for prognoser i mange forskjellige innstillinger. Videre har moderne programvare gjort disse nettverkene tilgjengelige for selv individuelle forhandlere og investorer.

Nylige studier har vært fokusert på bruk av nevrale nettverk for å identifisere underliggende tekniske handelsregler.I en case studie om bruk av nevrale nettverk for å utføre teknisk prognose av Forex, fant Jingtao Yao og Chew Lim Tan at kjøp og hold strategier kan være bedre enn trend-følge, men neurale nettverksmodeller overgikk begge, selv når de bare bruker enkle indikatorer som glidende gjennomsnitt.

En annen studie kalt "Bruk av tilbakevendende neurale nettverk til prognose av forex", gir mer empiriske bevis for at nevrale nettverk kan gi statistisk pålitelig prediksjon av valutakurser. Modellen som ble brukt i studien oppnådde oppnådd 80% nøyaktighet i prediksjon, og bekrefter at nevrale nettverk kan være svært effektive når det gjelder prognoser for utenlandsk valuta. Komponenter av et effektivt system Det er flere viktige hensyn å ta hensyn til når man utvikler en teknisk analyse- basert handelssystem for valutamarkedene, i henhold til de nevnte studiene om emnet. Her er noen viktige punkter å huske på når du utvikler et system:

Hold deg til den sveitsiske francen og japanske yenen. Flere studier har funnet ut at CHF og JPY er de to valutaene som er enklest å forutsi. Den rådende teorien bak dette fenomenet ser ut til å være det faktum at disse valutaene er mest utsatt for intervensjon, noe som sannsynligvis er fordi de begge er trygge valutaer for internasjonale investorer.

• Bruk nevrale nettverk for å optimalisere systemer . Nevrale nettverk har evne til å identifisere uklare mønstre i data, noe som gjør dem perfekte for valutamarkeder. Som et resultat er det mest sentrale av dagens forskning om emnet sentre rundt nevrale nettverk.
• Flytte gjennomsnitt og logaritmisk retur . Minst en studie foreslo at glidende gjennomsnitt og logaritmisk avkastning er de to beste inngangene for valutamarkedet, spesielt når man analyserer CHF eller JPY.
• Et ord fra opposisjonen Effektiviteten av tekniske analysebaserte handelssystemer er fortsatt bestrøket av mange forskere. Ved å bruke mistenkelige testdata-prøver eller altfor tilpassede handelssystemer, tror disse forskerne at resultatene fra disse studiene kan være misvisende. Til slutt er dette vanskelig å fortelle uten å bruke systemet til nye datasett, men handelsmenn bør være oppmerksomme på bekymringene.

De to hovedproblemene inkluderer: Data Dredging

. Noen studier kan ha brukt data mining teknikker for å identifisere villedende forhold i data. I dette tilfellet kan ytelsen til et testsystem være gyldig innenfor testdataene, men det ville ikke ha noen statistisk betydning i en større befolkningsprøve.

• Kurvmontering . Noen studier kan ha brukt kurvepasseteknikker som kan gi pålitelige resultater for ett datasett, men igjen, ikke for en bredere befolkningsprøve.
• Bunnlinjen Teknisk analyse kan ikke bevises å fungere i aksjemarkedene, men det er økende bevis på effektiviteten i forexmarkeder.Suksessen har i stor grad blitt tilskrevet forutsigbarheten av tiltak som i stor grad settes i sentrale bankers trygge valutaer. Noen forskere forblir imidlertid skeptiske, gitt potensialet for minst to typer misvisende analyse teknikker.