Ihre Daten

Passwort vergessen?

Ihre Daten

×

Quantenphysik & Schwarmintelligenz

Über aktien-prognose.com

Wir entwickeln neuartige Aktien-Tools, die im Wesentlichen auf unseren Forschungsergebnissen aus der Quantenphysik basieren. Wir berechnen zum Beispiel Fourierspektren von Aktienkursen, analysieren Korrelationen zwischen Kursschwankungen und Volatilitäten und generieren daraus Risikoeinschätzungen und Prognosen für den Privatanleger. Darüber hinaus werten wir die von unseren Nutzern abgegebenen Erwartungen zu den Aktienkursen aus und entwickeln daraus eine Schwarmintelligenz, die die Prognosen weiter verbessern.

Unsere selbst entwickelten Modelle sind das Destillat mehrjähriger Forschung in der Quantenphysik.

Dezidierte Risikoanalyse-Tools und Prognosemodelle, die auf Quantenphysik basieren, finden auf den Trade-Floors großer Investmentbanken bereits jeden Tag ihre Anwendung; diese Tools und Modelle werden jedoch von den Banken nicht veröffentlicht — der Privatanleger bleibt außen vor.

Prognosen basierend auf Quantenphysik

Das Ising Modell ist eines der am meisten untersuchten Modelle in der statistischen Physik. Es wird verwendet um den Magnetismus innerhalb von Festkörpern zu beschreiben. Dafür wird angenommen, dass Atome oder Ionen in einem regelmäßigen Gitter angeordnet sind und einen Spin besitzen, der die Ausrichtung des magnetischen Momentes beschreibt. Die Orientierung des Spins, der im Modell nur die diskreten Werte +1 und -1 annehmen kann, hängt von der Ausrichtung der ihn umgebenden Spins, und dem, sofern vorhanden, äußeren Magnetfeld ab. Mit diesem einfachen Modell lässt sich nun die kritische Temperatur, die den Phasen-Übergang eines ferromagnetischen Festkörpers zu einem paramagnetischen berechnen. Ein solcher Kollaps besitzt mehrere Parallelen zu Crashs am Aktienmarkt.

Für den Finanzmarkt wird dieses Modell jetzt abgewandelt und uminterpretiert, um das Marktverhalten an der Börse näherungsweise zu beschreiben. Ein wichtiger Aspekt stellt das teilweise irrationale Verhalten von Aktienteilnehmern dar, das in Zeiten von Börsencrashs entsteht. Die sich aus dem Kursverfall ergebenden Verluste führen bei vielen Anlegern zur Panik, so dass sie ihr gesamtes Portfolio verkaufen. Die Verkaufswelle zieht wiederum einen weiteren Kursverfall nach sich. Diese selbstverstärkenden Effekte brechen nach einiger Zeit zusammen. In dem Modell wird versucht dieses Verhalten nachzuvollziehen, um so realistisches Anlegerverhalten als “Quanten-Herdentrieb” zu simulieren.

Die Perkolationstheorie beschreibt die Bildung von zusammenhängenden Netzwerken (Clustern) in zufällige Netzwerkstrukturen. Die entscheidende Größe ist hierbei die Wahrscheinlichkeit mit der zwei Teilnehmer miteinander verbunden sind.
Hierbei gibt es zwei fundamental unterschiedliche Phasen. Die unter-kritische Phase in der sich viele kleine, voneinander unabhängige Cluster ausbilden und die über-kritische globale Phase, in der es ein Gesamtnetzwerk gibt und praktisch keine eigenständigen Einheiten.
In Agenten-basierten Modellen des Finanzmarktes beschreibt dieser Phasenübergang den Übergang von der normalen Marktsituation, in der einzelne Agenten unabhängig oder in kleinen Gruppen agieren, zu den kollektive Extremsituationen, in der der Markt von teils unbegründeten kollektiven Ängsten bzw. von euphorischem Optimismus getrieben wird und praktisch alle Agenten als eine einzelne Einheit handeln. Das frühzeitige Erkennen eines solchen Perkolations-Verhaltens ist von entscheidender Bedeutung, um Crash Situationen frühzeitig zu erkennen und analysieren zu können. In physikalischen Systemen beschreibt dieser Phasenübergang z.B. den Übergang von (supra)leitenden Materialien zum Normalzustand. In der Quanten-Statistik sind solche Systeme ausgiebig untersucht und eine Vielzahl von Analysewerkzeugen basierend auf Quantenkorrelationen entwickelt worden.

Bei der Modellierung der Finanzmarktmodelle mittels quanten-statistischer Methoden ergeben sich weitere Möglichkeiten Phasenübergänge festzustellen, indem man zusätzlich zu den klassischen Korrelationen noch die Quantenkorrelationen (Verschränktheit) des Systems beobachtet. Die Modelle müssen hierzu mittels numerischer Methoden der Quantenphysik untersucht und mit den Marktdaten verglichen werden, um so mögliche Crash-Situation oder Blasen-Bildung frühzeitig erkennen zu können. Die Methoden aus der Quantenstatistik und der Quanteninformationstheorie werden zur Simulation und Analyse dieser Systeme eingesetzt.

Prognosen basierend auf Schwarmintelligenz

Eine Lehre aus der weltweiten Finanzkrise ist das kollektive Versagen der Experten und Banken bei der Risikoeinschätzung, z.B. der Immobilienblase in den USA. Ein Grund hierfür ist die starke Vernetzung der Experten, so dass sich keine unabhängigen Meinungen bilden können. Im Zuge dessen konnte sich lange Zeit eine Expertenmeinung, z.B. in Ratingagenturen, halten, die fernab von realen Bezügen nur durch die Netzwerkbildung der Experten unter einander stabilisiert wurde. Die Schwarm-Intelligenz soll diese Netzwerkbildung vermeiden indem eine Vielzahl unabhängiger Quellen objektiv ausgewertet wird, um eine reale Einschätzung der Marktsituation zu erhalten.
Das Internet bietet hier die Möglichkeit auf eine Vielzahl von möglichen Quellen zuzugreifen. Auf unserer Website kann der User seine Erwartung zu einem zukünftigen Kurs angeben, nachdem er mit den relevanten Daten, die ihm auf der Seite übersichtlich zur Verfügung gestellt werden, versorgt wurde. Da die Prognosegenauigkeit jedes einzelnen Users gespeichert wird, lässt sich die Expertise jedes Users dynamisch gewichten, um besser informierten Usern ein höheres Gewicht zu geben. Schwarmintelligenz macht sich den Umstand zu Nutze, dass statistische Fehler bei großen Stichproben verschwinden. Wenn das Wissen der einzelnen Person auch nur minimal ist, so summiert sich das Wissen bei großen Stichproben auf, solange die Fehler unabhängig voneinander sind.
Aus diesem Grund möchten wir unsere Nutzer dazu animieren, eigene Prognosen abzugeben und damit zur kollektiven Schwarmintelligenz beizutragen, damit wir in Zukunft noch genauere Prognosen zur Verfügung stellen können.

Schwarmintelligenz aus User Ratings

Jeder User kann auf Aktienprognose eigene Aktien Ratings verfassen. Dabei kann der Prognose-Horizont der Ratings eingestellt werden. Unsere Algorithmen überprüfen nach dem eingestellten Zeitraum die Validität der Prognosen und weisen so jedem User eine Prognosegüte zu, die sich aus der mittleren Güte der abgegebenen Ratings ergibt. Aus der Gesamtzahl der Ratings generieren wir Schwarmintelligenz, die in unser Prognosemodell miteinfließt.

Schwarmintelligenz aus Analysten Ratings

Wir sammeln Aktien Ratings von Banken und anderen Finanz-Analysten. Nicht jedes Aktien Rating ist verlässlich. Daher haben wir Algorithmen erstellt, die regelmäßig die Aktien Ratings auf ihre Validität überprüfen. Wir weisen im Laufe der Zeit somit jedem Analysten eine Prognosegüte zu, die sich aus der mittleren Qualität der abgegebenen Ratings ergibt. Aus der Gesamtzahl der Ratings generieren wir Schwarmintelligenz, die in unser Prognosemodell miteinfließt. Dabei werden Ratings von Analysten mit hoher Prognosegüte stärker gewichtet.