Johannes Gomolka

Algorithmic Trading
Analyse von computergesteuerten Prozessen
im Wertpapierhandel unter Verwendung
der Multifaktorenregression
Un i v e r s i t t Po t s d a m
Universittsverlag Potsdam

Algorithmic Trading














Johannes Gomolka

Algorithmic Trading

Analyse von computergesteuerten Prozessen
im Wertpapierhandel unter Verwendung
der Multifaktorenregression
















Universittsverlag Potsdam
Bibliografische Information der Deutschen Nationalbibliothek
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der
Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind
im Internet ber [Link] abrufbar.















Universittsverlag Potsdam 2011
[Link]

Am Neuen Palais 10, 14469 Potsdam
Tel.: +49 (0)331 977 4623 / Fax: 3474
E-Mail: verlag@[Link]

Zugl.: Potsdam, Univ., Diss., 2011

Das Manuskript ist urheberrechtlich geschtzt.
Umschlagfotos:
(1) Logenhaus der Berliner Brse um 1952
Mit freundlicher Genehmigung der Berliner Brse.
(2) Handelssaal der Berliner Brse um 2003
Mit freundlicher Genehmigung der Berliner Brse.
(3) Computer-Festplatte [Quelle: Autor]

Online verffentlicht auf dem Publikationsserver der
Universitt Potsdam:
URL [Link]
URN urn:nbn:de:kobv:517-opus-51009
[Link]

Zugleich gedruckt erschienen im Universittsverlag Potsdam:
ISBN 978-3-86956-125-7
Besonderen Dank an meine Eltern
fr die Untersttzung
whrend der Dissertation.
Vorwort
Die vorliegende Arbeit entstand im Zeitraum von April 2008 bis
August 2010 als externer Doktorand am Lehrstuhl fr Corporate
Governance und E-Commerce der Universitt Potsdam. Mein Be-
treuer, Professor Dr. Christoph Lattemann, gab mir die Mglichkeit,
zur selbststndigen Forschung und stand mir whrend dieses Zeit-
raums immer beratend zur Seite. Ziel dieser Dissertation war es,
mehr Transparenz im Bereich des computergesteuerten Wertpapier-
handels (Algorithmic Trading) zu schaffen. Es gibt nur wenige Lite-
ratur ber Algorithmic Trading und bei Banken und Hedgefonds
herrscht eine Kultur der Geheimhaltung. Die Auseinandersetzung
mit dem Thema fhrte zu der Frage, ob man diese Kultur der Ge-
heimhaltung umgehen und die Eigenschaften von Algorithmic Tra-
ding in den Renditen (z.B. von Hedgefonds) empirisch nachweisen
kann. Dazu mussten zuerst diese Eigenschaften erforscht werden
und danach Renditen ermittelt werden, an denen man diese Eigen-
schaften berprfen konnte. Eine weitere Schwierigkeit dieser Ar-
beit bestand darin, eine geeignete Methode zu finden, um diese Ei-
genschaften berprfen zu knnen. Fr diese Dissertation wurde
die Software des Consulting Unternehmens Tempelhove genutzt,
welches im Rahmen des Frderprogramms EXIST von Juni 2008
bis Juni 2009 vom Bundesministeriums fr Wirtschaft und Techno-
logie gefrdert wurde.
V
Ich danke Professor Christoph Lattemann fr die langjhrige Unter-
sttzung whrend der Dissertation. Er hat mit seiner konstruktiven
Kritik zur stetigen Verbesserung dieser Arbeit beigetragen und mei-
ne wissenschaftliche Arbeit, auch unter schwierigsten Bedingun-
gen, angeleitet. Mein Dank geht auch an Professor Jan Annaert von
der Universitt Antwerpen, der mich bei der Themensuche und der
Literaturrecherche ber Multifaktorenmodelle untersttzte. Ich dan-
ke Dr. Sren Kupke und Dr. Dirk Reuter fr ihre Untersttzung. Ich
danke Herrn Heinrich Heuser, der mich zur wissenschaftlichen Ar-
beit anleitete und mich die wichtigsten Grundlagen lehrte. Ganz be-
sonderer Dank gilt meinen Eltern und Freunden, die mich bei der
Dissertation untersttzten, und Susanne Grassl, deren unermdliche
Untersttzung mir half, die Arbeit zu einem Abschluss zu bringen.
Potsdam, 14. Januar 2011
VI
Inhaltsverzeichnis
1 Einfhrung.............................................................................................1
1.1 Problemstellung..............................................................................1
1.2 Abgrenzung des Themas................................................................3
1.3 Begriffsabgrenzung........................................................................4
1.3.1 Algorithmic Trading...............................................................4
1.3.2 Buy-Side und Sell-Side..........................................................9
1.3.3 Funktionale Definition von Algorithmic Trading.................16
1.3.4 Zusammenfassung................................................................19
1.4 Einordnung in die Literatur..........................................................19
1.4.1 berblick..............................................................................19
1.4.2 Sell-Side in der Literatur .....................................................21
1.4.3 Buy-Side in der Literatur......................................................26
1.4.4 Literatur ber Hedgefonds....................................................30
1.4.5 Forschungsfrage....................................................................32
1.4.6 Begrenzung der Aussagen....................................................33
1.4.7 Gang der Untersuchung........................................................35
2 Basis fr Algorithmic Trading..............................................................38
2.1 Marktmikrostrukturtheorie...........................................................38
2.1.1 Grundlagen des Algorithmic Trading...................................38
2.1.2 Abbildung von Transaktionsprozessen in Marktdaten .........39
2.1.3 Informationsphase................................................................51
2.1.4 Orderroutingphase................................................................62
2.1.5 Zusammenfassung................................................................68
2.2 Elektronische Handelssysteme.....................................................69
2.2.1 Begriffsabgrenzung..............................................................69
2.2.2 Einordnung in die Transaktionsprozesse..............................71
2.2.3 Quelle von Marktdaten.........................................................73
2.2.4 Ort der Orderausfhrung......................................................87
2.2.5 Zusammenfassung................................................................95
2.3 Software-Agenten.........................................................................96
2.3.1 berblick..............................................................................96
2.3.2 Begriffsabgrenzung von Software-Agenten.........................98
2.3.3 Eigenschaften von Software-Agenten..................................99
2.3.4 Software-Agenten im Algorithmic Trading........................101
VII
2.3.5 System-Umgebung.............................................................105
2.3.6 Zusammenfassung .............................................................108
3 Sell-Side Algorithmic Trading...........................................................109
3.1 Einordnung in die Transaktionsprozesse....................................109
3.2 berblick....................................................................................110
3.3 Begriffsabgrenzung von Sell-Side Algorithmic Trading............111
3.4 Formulierung von Orders...........................................................114
3.4.1 berblick ber die Teilprozesse.........................................114
3.4.2 Transaktionskosten.............................................................116
3.4.3 Benchmarks........................................................................125
3.4.4 Orientierung an Marktmodellen.........................................135
3.5 Weiterleitung von Orders...........................................................144
3.5.1 berblick ber die Teilprozesse.........................................144
3.5.2 Handelsstrategien................................................................146
3.6 Zusammenfassung......................................................................169
4 Buy-Side Algorithmic Trading...........................................................172
4.1 Einordnung in die Transaktionsprozesse....................................172
4.2 Initiatoren von Algorithmic Trading..........................................174
4.3 Technik der Algorithmic Trading Software................................178
4.3.1 Technische Konzepte fr Algorithmic Trading...................178
4.3.2 Interpretation als Software-Agenten...................................190
4.4 Prozesse innerhalb der Software................................................197
4.4.1 Informationsbeschaffung und -bereitstellung.....................197
4.4.2 Informationsauswertung.....................................................199
4.4.3 Handelsstrategien................................................................204
4.5 Ergebnisse der Buy-Side Untersuchung.....................................228
5 Renditen mit Algorithmic Trading.....................................................233
5.1 Algorithmic Trading in Hedgefonds-Datenbanken....................233
5.1.1 Bezug zur Forschungsfrage................................................233
5.1.2 Definition von Hedgefonds................................................234
5.1.3 Hedgefonds Datenbanken ..................................................239
5.2 Zwischenfazit.............................................................................263
6 Multifaktorenanalyse.........................................................................265
6.1 Gang der weiteren Untersuchung...............................................265
6.2 Simulation der Renditen.............................................................266
6.2.1 Vorgehensweise..................................................................266
VIII
6.2.2 Vereinfachung der Untersuchung ......................................268
6.2.3 Beschreibung der einfachen Strategie................................269
6.2.4 Beschreibung der komplexen Strategie .............................270
6.2.5 Simulationsergebnisse........................................................275
6.2.6 Test auf Normalverteilung..................................................278
6.3 Vergleich der Renditen...............................................................280
6.3.1 Auswahl der Methode.........................................................280
6.3.2 Style-Analyse......................................................................281
6.3.3 Durchfhrung des Vergleichs ............................................296
6.3.4 Zusammenfassung des Vergleiches....................................315
7 Zusammenfassung und Ausblick.......................................................317
7.1 Algorithmic Trading im Multifaktorenmodell............................317
7.2 Fazit und Ausblick......................................................................320
8 Literaturlisten.....................................................................................325
Journals & Working Papers...............................................................325
Internetquellen...................................................................................365
Gesetzestexte.....................................................................................369
EU und Deutschland.....................................................................369
USA..............................................................................................369
Anhang...................................................................................................371
A1. Objektorientierte Programmierung der Tempelhove-Software. .371
A2. Ethik von Algorithmic Trading...................................................377
A3. Rohdaten: Renditen der komplexen und einfachen Strategien. .379
IX
Abkrzungsverzeichnis
ABS Asset Based Style Factors
ACE Agent-Based Computation Economics
AES Advanced Execution Services
AI Alternative Investments
AIMA Alternative Investment Management Association
ARCA Archipelago Stock Exchange
ASA Adaptive Stimulative Annealing
ATP Algorithmic Trading Program (Kundenprogramm der
Deutschen Brse AG)
ATS Alternative Trading Systems
AP Arrival Price
API Application Program Interface
APT Arbitrage Pricing Theory
BAFIN Bundesanstalt fr Finanzdienstleistungsaufsicht
BMWI Bundesministerium fr Wirtschaft und Technologie
(Deutschland)
BrsG Brsengesetz
BVI British Virgin Islands
CAPM Capital Asset Pricing Model
CBS Computerbrsensysteme
CEP Complex Event Processing
CD Computer Driven
CFTC Commodity Futures Trading Commission
CHS Computerhandelssysteme
CIMA Cayman Island Monetary Authority
CISDM Center for International Securities and Derivatives
Markets
CMI Canonical Momenta Indicators
CN Crossing Networks
XI
CTA Commodity Trading Advisors
CTP Commodity Trading Pools
CUHS Computeruntersttzte Handelssysteme
CUPHS Computeruntersttzte Parketthandelssysteme
DCF Discounted Cash Flow Model
DMA Direct Market Access
DDE Dynamic Data Exchange
ECN Electronic Crossing Network
EHS Elektronische Handelssysteme (Brsen)
EMA Exponential Moving Average
EMS Execution Management System (System zur
Orderausfhrung)
ETF Exchange Traded Funds
FIS Fuzzy Inference System
FIX Financial Information Exchange Protocol
FOK Fill or Kill
FSA Financial Service Authority (Grobritannien)
FSC Financial Services Commission (British Virgin Islands)
FWB Frankfurter Wertpapierbrse
FX Foreign Exchange Markets
GMT Greenwich Mean Time
GOOG Aktiensymbol an der Nasdaq fr Google
HFR Hedge Fund Research
HMM Hidden Markov Models
HNWI's High Net Worth Individuals
ICA Investment Company Act of 1940
INSTINET Institutional Networks Corporation
ITG Investment Technology Group (US amerikanisches
Consulting Unternehmen)
IOC Immediate or Cancel
JAVA Aktiensymbol an der Nasdaq fr Sun Microsystems
XII
KGV Kurs-Gewinn-Verhltnis
LGC Lipper Global Classification
LSE London Stock Exchange
LTCM Longterm Capital Management
MA Managed Account
MAR Managed Account Research
MBA Midpoint of Bid and Ask
Mifid Markets in Financial Instruments Directive
MSCI Morgan Stanley Capital International
MSFT Aktiensymbol an der Nasdaq fr Microsoft
MTF Multilateral Trading Facilities
NAV Net Asset Value (Nettoinventarwert eines Fonds)
NN Neuronale Netze
NYSE New York Stock Exchange
NASDAQ National Association of Securities Dealers Automated
Quotations
NBBO National Bid Best Offer
OMS Order-Management-System (System zur intelligenten
Orderweiterleitung)
OTC Over the Counter
PLAT Penn-Lehmann Automatic Trading Competition
PMTS Primitive Market Timing Strategy
PTFS Primitive Trend Following Strategy
PTS Proprietary Trading Systems
Reg-NMS Regulation New-Market-Systems
RBS Return Based Style Factors
SC-LC Small Cap minus Large Cap (Spread)
SEC U.S. Securities and Exchange Commission
SOFM Self Organizing Feature Map
SOR Smart Order Routing
SUE Standardized Unexpected Earnings
XIII
Statarb Statistische Arbitrage
STP Straight Through Processing
SVN Support Vector Machine
TASS Trading Advisors Selection System
TCA Transaction Cost Analysis
TWAP Time Weighted Average Price
VB Visual Basic
VWAP Volume Weighted Average Price
WpHG Wertpapierhandelsgesetz
XETRA Exchange Electronic Trading (Handelssystem der
Deutschen Brse AG)
XIV
Symbolverzeichnis
Kapitel 1-6
t Allgemein: Beliebiger Zeitpunkt whrend einer Periode
t =1,... ,T
P
t
Allgemein: Transaktionspreis zum Zeitpunkt t
c Allgemein: Standardabweichung
c
2
Allgemein: Varianz
n Allgemein: Anzahl Preise pro Periode t , n=1,... , N
P
Ask
Allgemein: Bester Briefkurs im Orderbuch (Ask)
P
Bid
Allgemein: Bester Geldkurs im Orderbuch (Bid)
P
Level1
Allgemein: Die jeweils besten Geld- und Briefkurse im
Orderbuch (
P
Bid
,
P
Ask
)
R
t
Allgemein: Rendite eines Aktien-Portfolios zum Zeitpunkt
t
Kapitel 3
Cost TCA: Market Impact Kosten in Abbildung 3.6, S. 123
\ TCA: Ma fr die Risikoaversion
TCA: Handels- und Ausfhrungsrate
TCA: Benchmark-Kosten
L TCA: Kumulierte Transaktionskosten
1 TCA: Timing Risk
IS Benchmarks: Implementation Shortfall
Q
t
Benchmarks: Transaktionsvolumen zum Zeitpunkt t
P
TWAP
Benchmarks: Time Weighted Average Price (TWAP)
P
VWAP
Benchmarks: Volume Weighted Average Price (VWAP)
P
MBA
Benchmarks: Midpoint of Bid und Ask
P
Execute
Benchmarks: Transaktionspreis aus der Post-Trade
Analyse
P
Decide
Benchmarks: Entscheidungspreis aus der Pre-Trade
Analyse
XV
Kapitel 4
A
t
Pairs Trading Modell: Kurs einer Aktie A zum
Zeitpunkt t
B
t
Pairs Trading Modell: Kurs einer Aktie B zum
Zeitpunkt t

B
Pairs Trading Modell: Korrelation der Aktie B mit den
Marktfaktoren
I Pairs Trading Modell: Nicht stationrer Prozess
u Pairs Trading Modell: Preisdrift
DIV
t
Dividendendiskontierungsmodell: Dividende einer Aktie
zum Zeitpunkt t
r Dividendendiskontierungsmodell: Zinssatz zur
Diskontierung
g Dividendendiskontierungsmodell: Wachstumsrate der
Dividenden
W
0
Dividendendiskontierungsmodell: Wahrer Wert einer
Aktie/Unternehmens
r
WACC
Durchschnittliche Kosten des Kapitals
S
t
Chart-Analyse: Status-Variable
P
t
Chart-Analyse: Transaktionspreis zum Zeitpunkt t
n Chart-Analyse: Transformationsvariable
e
t
Chart-Analyse: Strgerusche (Noise) zum Zeitpunkt t
t Econophysics: Betrachtungshorizont
r (log) Econophysics: Logarithmierte Rendite
XVI
Kapitel 6
o Style-Analyse: Konstanter Faktor im Regressionsmodell
(wird auch als Management Skill interpretiert)

k
Style-Analyse: Faktorladung des Style-Faktors
SF
k
SF Style-Analyse: Allgemeine Bezeichnung der Style-
Faktoren nach Fung, Hsieh (1997)
c Style-Analyse: Fehler-Residuum
F
k,t
Style-Analyse: Systemischer Marktfaktor k zum
Zeitpunkt t

k
Style-Analyse: Faktorladungen systemischer
Marktfaktoren
F
k
r
jt
Style-Analyse: Zinssatz einer Aktie j zum Zeitpunkt
t
w Style-Analyse: Gewichtungsfaktor von Wertpapieren in
einem Portfolio
j Style-Analyse: Anzahl der Wertpapiere in einem Portfolio
k Style-Analyse: Anzahl der Marktfaktoren, k=1,... , K
P
b
Style-Analyse: Theoretischer Benchmark-Preis
V
Bid
Style-Analyse: Volumen aller Quotierungen auf der Bid-
Seite des Orderbuches
V
Ask
Style-Analyse: Volumen aller Quotierungen auf der Ask-
Seite des Orderbuches

R Regressionsmodell: Erklrbare Streuung

e Regressionsmodell: Nicht erklrbare Streuung im
Regressionsmodell
R
2
Regressionsmodell: Bestimmtheitsma der
Regressionsanalyse
R
adjustiert
2
Regressionsmodell: Adjustiertes Bestimmtheitsma
o
jensen
CAPM: Jensens's Alpha

CAPM
CAPM: Systemisches Risiko
R
f
CAPM: Risikoloser Zins
R
H
CAPM: Rendite eines Fonds
R
m
CAPM: Marktrendite
XVII
Abbildungsverzeichnis
Abbildung 1.1: Zusammenhang zwischen Buy-Side und Sell-Side......10
Abbildung 1.2: Einteilung der Buy-Side nach Harris (2003)................12
Abbildung 1.3: Algorithmic Trading auf der Buy-Side und Sell-Side...13
Abbildung 1.4: Kombinationsmglichkeiten zwischen Buy-Side und
Sell-Side........................................................................15
Abbildung 1.5: Prozessorientierte Sicht von Algorithmic Trading........16
Abbildung 1.6: Gliederung der Algorithmic Trading Literatur..............20
Abbildung 1.7: Ebenenmodell fr Algorithmic Trading........................34
Abbildung 2.1: Marktmikrostruktur beim Algorithmic Trading............38
Abbildung 2.2: Phasen der Handelsprozesse, in Anlehnung an Picot,
Bortenlnger, Rhrl (1996)...........................................47
Abbildung 2.3: Teilprozesse und deren Aufgaben beim Algorithmic
Trading in der Informationsphase.................................51
Abbildung 2.4: Schnappschuss eines Orderbuches................................54
Abbildung 2.5: Gliederung der Teilprozesse der Informationsphase.....58
Abbildung 2.6: Anlageprozesse nach Lscher-Marty (2008)................60
Abbildung 2.7: Teilprozesse in der Orderroutingphase.........................62
Abbildung 2.8: Aufgaben der Teilprozesse im Sell-Side Algorithmic
Trading..........................................................................67
Abbildung 2.9: Einordnung elektronischer Handelssysteme in die
Transaktionsprozesse....................................................71
Abbildung 2.10: Bedeutung elektronischer Handelssysteme fr
Algorithmic Trading.....................................................72
Abbildung 2.11: Klassifikation von proprietren Handelssystemen........77
Abbildung 2.12: Hypothese vernetzter Mrkte........................................82
Abbildung 2.13: Hypothese zur Vernetzung der Mrkte durch Quote
Machines.......................................................................85
Abbildung 2.14: Entwicklungsstufen elektronischer Handelssysteme
nach Gomber (2000).....................................................88
Abbildung 2.15: Strukturdarstellung einer voll integrierten
Computerbrse..............................................................90
Abbildung 2.16: System-Architektur beim Algorithmic Trading..........105
Abbildung 3.1: Einordnung von Sell-Side Algorithmic Trading in die
Phasen der Handelsprozesse.......................................109
XIX
Abbildung 3.2: Aufteilung einer Order auf der Sell-Side....................110
Abbildung 3.3: Aufgaben zur Orderformulierung in der
Orderroutingphase......................................................114
Abbildung 3.4: Formulierung von Orders............................................115
Abbildung 3.5: Temporrer und permanenter Market Impact.............119
Abbildung 3.6: Market Impact Kosten und Timing Risk.....................123
Abbildung 3.7: Orderkette aus 4 Elementen........................................143
Abbildung 3.8: Aufgaben zur Orderweiterleitung in der
Orderroutingphase......................................................144
Abbildung 3.9: Algorithmic Trading Strategien bei der
Orderausfhrung ........................................................145
Abbildung 3.10: Abgrenzung zwischen Smart Order Routing (SMO)
sowie Algorithmic Trading.........................................146
Abbildung 3.11: Beschreibung von illegalem Frontrunning beim
Algorithmic Trading...................................................164
Abbildung 3.12: Schematische Darstellung der Prozesse bei der
Orderausfhrung im Algorithmic Trading..................169
Abbildung 4.1: Einordnung von Buy-Side Algorithmic Trading in
Transaktionsprozesse..................................................172
Abbildung 4.2: Analyse von Buy-Side Algorithmic Trading mittels
Stufenmodell...............................................................173
Abbildung 4.3: Gliederung der Akteure im Algorithmic Trading........175
Abbildung 4.4: Initiatoren im Buy-Side Algorithmic Trading.............176
Abbildung 4.5: Workflow in der Runtime und Post-Trade Phase von
einer typischen High Frequency Strategie .................179
Abbildung 4.6: Mglicher Einsatz von CEP-Systemen zur
Ordererzeugung im Algorithmic Trading...................181
Abbildung 4.7: Schematische Darstellung einer quantitativen
Handelsstrategie einer Black Box...............................183
Abbildung 4.8: Beispiel fr ein Supervised NN..................................187
Abbildung 4.9: Entwicklungsstufen von Software-Agenten beim
Algorithmic Trading auf der Buy-Side ......................191
Abbildung 4.10: Einfluss der Handelsstrategien auf die
Informationsbeschaffung............................................197
Abbildung 4.11: Aufgaben von Algorithmic Trading in der
Informationsauswertung.............................................199
XX
Abbildung 4.12: Entwicklungsstufen bei der Auswertung von
Textnachrichten im Algorithmic Trading....................216
Abbildung 4.13: Ergebnisse einer Umfrage von FINalternatives..........225
Abbildung 4.14: Evolution des Algorithmic Trading.............................226
Abbildung 4.15: Schematische Darstellung der Prozesse im Buy-Side
Algorithmic Trading...................................................228
Abbildung 5.1: Schematische Darstellung eines Hedgefonds ............236
Abbildung 5.2: berschneidungen in Hedgefonds-Datenbanken........241
Abbildung 5.3: berblick zu den erluterten Transaktionsprozessen..263
Abbildung 6.1: Schematischer berblick ber den Aufbau der
Tempelhove-Software, als CEP-System.....................271
Abbildung 6.2: Vergleich der Renditen komplexen und einfachen
Strategie nach Brsentagen.........................................277
Abbildung A1: Zuordnung der Klassen objektorientierten
Programmierung zu den Teilaufgaben im
Transaktionsprozess der Informationsphase...............373
XXI
Tabellenverzeichnis
Tabelle 1: Ausgewhlte Definitionen zum Algorithmic Trading.............8
Tabelle 2: Zusammenfassung endogener und exogener Marktdaten in
der Informationsphase...........................................................53
Tabelle 3: Beispiel fr Order-Grundtypen im elektronischen
Handelssystem XETRA.........................................................64
Tabelle 4: Orderzustze der Orderarten im XETRA Handelssystem.....65
Tabelle 5: Marktmikrostruktur von Algorithmic Trading......................68
Tabelle 6: Gliederung von Brsenformen entsprechend ihrer
Marktorganisation nach Gomber (2000)...............................74
Tabelle 7: Direct Market Access im Handelssystem XETRA...............94
Tabelle 8: Zuordnung der Eigenschaften von Software-Agenten auf
Algorithmic Trading............................................................102
Tabelle 9: Definitionen speziell zu Sell-Side Algorithmic Trading.....111
Tabelle 10: Klassifikation der Transaktionskosten.................................117
Tabelle 11: bersicht weit verbreiteter Benchmarks beim Algorithmic
Trading.................................................................................125
Tabelle 12: VWAP Varianten nach Madhavan (2002)...........................127
Tabelle 13: Realisierung des VWAP......................................................129
Tabelle 14: Schematischer berblick zu Benchmarks im Algorithmic
Trading.................................................................................133
Tabelle 15: Kategorisierung der Handelsstrategien (Sell-Side).............148
Tabelle 16: Gliederung von Handelsstrategien beim Sell-Side
Algorithmic Trading............................................................152
Tabelle 17: bersicht technischer Konzepte zur Beschreibung von
Algorithmic Trading............................................................178
Tabelle 18: Eigenschaften von Software-Agenten und Zuordnung im
Algorithmic Trading (Buy Side)..........................................192
Tabelle 19: Einfluss der Handelsstrategien auf die Prozesse beim
Algorithmic Trading............................................................204
Tabelle 20: Gliederung der Handelsstrategien nach Aldridge...............206
Tabelle 21: Hedgefonds-Strategien in der Mar/Hedge Datenbank........247
Tabelle 22: Einteilung der Hedgefonds-Klassen in der Lipper (TASS)
Datenbank............................................................................249
XXIII
Tabelle 23: Klassifikation von Hedgefonds-Strategien in der HFR-
Datenbank............................................................................255
Tabelle 24: Kategorisierung von Hedgefonds-Strategien durch eine
Analyse von Renditen..........................................................259
Tabelle 25: Deskriptive Statistiken der komplexen Strategie mit
Algorithmic Trading und einer Buy-Hold Strategie ohne
Algorithmic Trading............................................................275
Tabelle 26: Ergebnisse des Kolmogorov Smirnov Tests zur
Normalverteilung.................................................................279
Tabelle 27: Gliederung der Style-Faktoren von Hedge Fonds...............286
Tabelle 28: Style-Analyse der Renditen einer komplexen und einer
einfachen Strategie unter Verwendung der
Regressionsfaktoren von Fung, Hsieh (2004a)....................300
Tabelle 29: Style-Analyse der simulierten Renditen mit zustzlichen
Regressionsfaktoren.............................................................306
Tabelle 30: Regressionsanalyse mit Volumen als Regressionsfaktor.....309
Tabelle 31: Vereinfachte Auswahl objektorientierten Klassen der
Tempelhove-Software..........................................................374
Tabelle 32: Rohdaten der Simulation der komplexen Strategie
(Algorithmus D01b4) und der einfachen Strategie (Buy-
Hold)....................................................................................382
XXIV
1 Einfhrung
1 Einfhrung
1.1 Problemstellung
Im September 2008 fhrte u.a. die Immobilienkrise (Subprime Mortgage
Crisis) in den USA zum Zusammenbruch der renommierten Investment-
bank Lehman Brothers. Der Zusammenbruch sendete Schockwellen ber
die internationalen Finanzmrkte. In den Folgemonaten intervenierten
viele Zentralbanken und Regierungen weltweit, um einen Zusammen-
bruch weiterer Banken (z.B. Hypo Real Estate in Deutschland) oder gan-
zer Staaten (z.B. Island) zu verhindern. Als Urheber dieser jngsten Fi-
nanzkrise wurde in der Presse oft der computergesteuerte Brsenhandel
(Algorithmic Trading) von Hedgefonds und Investmentbanken ausge-
macht, bei dem komplexe Investmentstrategien mit Hilfe von Software-
Programme umgesetzt und Transaktionen in Millisekunden durchgefhrt
werden.
Die vielen negativen Medienberichte und die allgemeine Skepsis gegen-
ber dem Thema zeigen, wie unverstndlich dieser Bereich der Bankwelt
fr die ffentlichkeit geworden ist. Es herrscht Unkenntnis ber die Me-
thoden und Techniken, die im Algorithmic Trading angewendet werden.
Diesem Bereich werden gerne alle Anomalien zuordnet, die auf den Fi-
nanzmrkten auftreten. Das Problem besteht in der Intransparenz des Al-
gorithmic Trading, die dazu fhrt, dass keinerlei Informationen aus den
Banken nach auen getragen werden. Stattdessen wird das Wissen um die
Strategien geheim gehalten (Black Boxes) und als Geschftsgeheimnis
gehtet.
1
Diese Kultur der Geheimhaltung macht es fast unmglich,
1 Ein Beispiel dafr ist der Fall von Sergeij Aleynikov, einem frheren Mitarbeiter
der US-Investmentbank Goldman Sachs. Aleynikov wurde am 3. Juli 2009 am
Flughafen von New Jersey durch das FBI festgenommen, nachdem man ihm Vor-
warf einen geheimen Computercode der Bank gestohlen und auf einen Webserver
nach Deutschland berspielt zu haben. Nach Angaben der Bank bot dieses Compu-
terprogramm die Mglichkeit, die Mrkte in unfairer Weise zu manipulieren und
stellte ein potentielles Risiko fr die Finanzmrkte dar. Aleynikov hatte zuvor ein
1
1 Einfhrung
festzustellen, in welchem Ausma Algorithmic Trading angewendet wird
und wie die Strategien im Inneren der Software aussehen. Dadurch lassen
sich auch die Vor- und Nachteile des Algorithmic Trading nur schwer be-
stimmen, und Chancen und Risiken dieser Technologie bleiben im Dun-
keln.
Die wissenschaftliche Literatur ber Algorithmic Trading ist zweigeteilt
und beschftigt sich mit der Orderausfhrung (Transaktionsdurchfh-
rung) einerseits und der Ordererzeugung (Investmentstrategien) anderer-
seits. Die Orderausfhrung dominiert die noch junge Literatur, die Order-
erzeugung spielt bisher noch keine Rolle. Aber gerade in diesem Bereich
werden die Investmententscheidungen getroffen, Kufe und Verkufe
veranlasst. Hier entstehen die Risiken.
Diese Arbeit verfolgt die Idee, die Kultur der Geheimhaltung zu umge-
hen, und Algorithmic Trading indirekt ber die Analyse der Renditen
(z.B. von Hedgefonds) nachzuweisen. Die Untersuchung konzentriert
sich dabei auf die Ordererzeugung und soll darstellen, welche Strategien
es im computergesteuerten Handel gibt und wie sich diese erkennen las-
sen. Schon die Beantwortung dieser einfachen Frage birgt groe Schwie-
rigkeiten in sich, weil nicht eindeutig bestimmbar ist, wo das menschli-
che Handeln aufhrt und wo Algorithmic Trading beginnt. Diese Arbeit
greift das Identifikationsproblem auf und verfolgt die Forschungsfrage,
welche Aussagen sich ber Algorithmic Trading aus der Analyse von
(Fonds-)Renditen ziehen lassen.
Der Autor verfolgt einen experimentellen Ansatz zur Beantwortung der
Forschungsfrage. Zuerst werden die qualitativen Eigenschaften des Algo-
rithmic Trading untersucht. Danach werden diese Eigenschaften quanti-
tativen Daten gegenber gestellt, die mit einer eigenen Algorithmic Tra-
ding Software simuliert wurden. Anders als in der geschlossenen Bank-
Job-Angebot des mit Goldman Sachs konkurrierenden Consulting-Unternehmens
Teza Technologies LLC angenommen, die von einem ehemaligen Mitarbeiter des
US-Hedgefonds Citadel gegrndet wurde. Vgl. Weil (2009).
2
1 Einfhrung
welt, sind in der Simulation smtliche Entscheidungsparameter (Algo-
rithmen) bekannt. Mit der Methode der Multifaktorenregression von
FUNG UND HSIEH erfolgt abschlieend ein Vergleich der simulierten mit ei-
ner einfachen Strategie, um auf die empirischen Eigenschaften des Algo-
rithmic Trading zu schlieen.
2
Damit wird eine Basis fr die Identifikati-
on von Algorithmic Trading in weiteren Untersuchungen geschaffen.
1.2 Abgrenzung des Themas
Die Erforschung von Algorithmic Trading ist so umfangreich, dass nicht
alle Teilaspekte gleichermaen bercksichtigt werden knnen. Algorith-
mic Trading wird hier nicht auf bestimmte Wertpapiermrkte (z.B. FWB,
XETRA) beschrnkt, sondern aus Sicht eines Investors betrachtet, der
ber Lndergrenzen und Handelssysteme hinweg investiert. Die Litera-
tur zum Thema ist sprlich, viele Publikationen wenden sich an Praktiker
und Laien. Die Fragestellung wird im Laufe der Untersuchung deshalb
auf Hedgefonds eingegrenzt, die ber eine umfangreiche Literatur verf-
gen. Die Rolle des Algorithmic Trading in der Subprime Mortgage Crisis,
die (operationellen
3
) Risiken oder die historische Entwicklung von Algo-
rithmic Trading
4
sind fr die Beantwortung der Forschungsfrage irrele-
vant und finden keine Beachtung. Die Auswirkungen von Algorithmic
Trading im Bereich der Transaktionsabwicklung (Clearing und Settle-
ment)
5
bersteigen den Rahmen dieser Arbeit und werden deshalb ver-
nachlssigt. Die Regulierung von Algorithmic Trading durch Finanzauf-
sichtsbehrden und Brsen (z.B. Circuit Breakers
6
) ist fr die For-
schungsfrage auch nicht relevant.
2 Vgl. Fung und Hsieh (1997).
3 Fr eine Erklrung operationeller Risiken vgl. Alexander (2003).
4 Der interessierte Leser wird auf Derman (2004) verwiesen.
5 Fr eine Erluterung der sogenannten Trade Facilitators. siehe dazu auch Harris
(2003), S. 34ff.
6 Vgl. Nabben (1996).
3
1 Einfhrung
1.3 Begriffsabgrenzung
1.3.1 Algorithmic Trading
Eine Order ist ein formelles Kauf- oder Verkaufsgebot eines Investors,
das an Finanzintermedire
7
bermittelt wird.
8
Der Begriff der Orderer-
zeugung beschreibt die Prozesse beim Investor, bei denen Investmentent-
scheidungen getroffen und Orders formuliert werden. Der Begriff der Or-
derausfhrung beschreibt alle Prozesse beim Finanzintermedir, die der
Realisierung der Kauf- und Verkaufsgebot in einer Transaktion dienen.
Unter einer Transaktion versteht man die erfolgreiche Zusammenfhrung
von kompatiblen Kauf- und Verkaufsorders.
9
Der Begriff Algorithmic Trading (kurz: Algo Trading) bedeutet bersetzt:
(Brsen-)Handel mit Algorithmen. Bisherige Definitionen von Algo-
rithmic Trading haben widersprchliche Bedeutungen. GROSSMANN defi-
niert Algorithmic Trading beispielsweise ausschlielich mit der Funktion
der Orderausfhrung, ohne die Prozesse zur Ordererzeugung zu beach-
ten.
10
Er schreibt, Algorithmic Trading sei die:
... automated computer-based execution of equity orders via
direct market-access channels, usually with the goal of meeting a
particular benchmark .
11
7 Zur Existenz von Finanzintermediren siehe Hartmann-Wendels, Pfingsten, Weber
(2004), S. 108f.
8 Vgl. Gomber (2000), S. 11 Funote 8.
9 Vgl. Gomber (2000), S. 11 Funote 8.
10 Vgl. Grossmann (2005).
11 Domowitz, Yegerman (2005a), S. 1 zitiert nach Grossmann (2005).
4
1 Einfhrung
Liquiditt ist die Bereitschaft eines Brsenteilnehmers, die Gegenseite in
einer Transaktion zu bilden und ein existierendes Angebot bzw. eine
Nachfrage des Kontrahenten anzunehmen.
12
Ein elektronisches Handels-
system dient dazu, die Kauf- und Verkaufsinteressen an einem Ort zu
konzentrieren.
13

GOMBER UND GSELL definieren Algorithmic Trading als die automatisierte
Aufteilung einer groen Wertpapierorder in Orders mit kleineren Stck-
zahlen.
14
Die dabei entstandenen Teilorders werden bei Vorhandensein
von entsprechender Liquiditt in das elektronische Handelssystem einer
12 In der Literatur gibt es einen Konsens hinsichtlich der Definitionen fr Liquiditt.
HARRIS fasst die bisherigen Erkenntnisse zur Liquiditt zusammen und definiert sie
als die Fhigkeit, eine Transaktion mit hohem Ordervolumen zu jedem beliebigen
Zeitpunkt ausfhren zu knnen, wenn der Wunsch dazu besteht. Sie kann als das
Ergebnis einer bilateralen Suche interpretiert werden, bei der Kufer nach Ver-
kufern und umgekehrt suchen. Fr HARRIS ist Liquiditt das wichtigste Kriterium,
um die Funktionsweise eines Handelssystem zu beurteilen, den sie zeigt an, wie ef-
fektiv die Zusammenfhrung von Kufern und Verkufern an einer Brse funktio-
niert. Vgl. Harris (2003), S. 394. Liquiditt kann man nach drei Dimensionen unter-
teilen: Sofortigkeit (Immediacy), Marktbreite (Market Width) und Markttiefe
(Market Depth). Die Beschreibungen der Dimensionen sind der Literatur ist aber
oft nicht konsistent. Immediacy beschreibt die Zeit, die bentigt wird, um eine
Transaktion mit einem vorgegebenen Volumen zu festgelegten Transaktionskosten
durchfhren zu knnen. Von Marktbreite spricht man, wenn Kufer und Verkufer,
groe Volumina handeln knnen, ohne erhebliche Kursbewegungen zu verursachen.
Markttiefe ist gegeben, wenn Transaktionen in der Nhe eines theoretischen Gleich-
gewichtskurses durchgefhrt werden knnen. Vgl. Gomber (2000), S. 13. In Anleh-
nung an viele andere Forschungsarbeiten definiert KAUL den (unbekannten) Gleich-
gewichtskurs als Mittelpunkt zwischen hchstem Verkaufskurs und niedrigstem
Kaufkurs ( Spread). Kufer (Verkufer) zahlen in Relation zu diesem Gleichge-
wichtspreis immer auch einen Aufschlag (Abschlag).Vgl. Kaul (2001), S. 30f.
Markterneuerungskraft (Market Resilience) ist die Fhigkeit des Marktes kurz-
fristige Orderungleichgewichte, die zu Abweichungen vom Gleichgewichtskurs ge-
fhrt haben, wieder auszugleichen. Vgl. Harris (2003), S. 400.
13 Eine ausfhrliche Definition der elektronischen Handelssysteme erfolgt in
Abschnitt 2.2 , S. 69 dieser Arbeit.
14 Vgl. Gomber, Gsell (2006), S. 5.
5
1 Einfhrung
Brse geleitet.
15
Diese Definition der Autoren bezieht sich ebenfalls nur
auf die Prozesse zur Orderausfhrung, ohne die Ordererzeugung zu be-
achten.
Im Gegensatz zu den zwei genannten Autoren definiert LE BRETON Algo-
rithmic Trading nicht ausschlielich mit der Funktion der Orderausfh-
rung, sondern fgt der Definition auch die Funktion der Ordererzeugung
hinzu.
16
Seine Definition beschreibt Algorithmic Trading aus einer tech-
nischen Perspektive, ohne die finanzwirtschaftlichen Begriffe einzubezie-
hen. Die Orderausfhrung erfolgt danach mit Algorithmen und autono-
men Agenten, die strategisch gewhlten Parameter folgen.
17
Die Orderer-
zeugung beschreibt er z.B. mit dem Einsatz von Computergrafiken.
18

...aujourd'hui trading algorithmique se compose de deux activi-
ts : les oprations de bourse assistes par des algorithmes qui
anticipent et favorisent les opportunits de bnfices (en infor-
mant le trader par des graphiques, des alertes et des traitements
automatiques), et le trading automatis qui utilise des automates
comme agents autonomes effectuant des transactions selon des
algorithmes et des stratgies paramtres.
19
Die Funktion der Ordererzeugung (Orderauslsung) wird auch von der
Definition der DEUTSCHEN BRSE AG aufgegriffen.
20
Sie definiert Algo-
rithmic Trading als zunehmenden Einsatz von vollstndig rechnerge-
sttzten Handelsstrategien oder allgemein als algorithmischen Han-
del.
21
Unter algorithmischem Handel versteht sie dann wiederum eine:
15 Vgl. Gomber, Gsell (2006), S. 5.
16 Vgl. Le Breton (2007).
17 Vgl. Le Breton (2007), S. 1.
18 Vgl. Le Breton (2007), S. 1.
19 Le Breton (2007), S. 1.
20 Vgl. Deutsche Brse AG (2009a), S. 110.
21 Die DEUTSCHE BRSE AG sieht im algorithmischen Handel das grte Wachstums-
segment fr den Brsenumsatz auf dem elektronischen Handelssystem XETRA. So
6
1 Einfhrung
Handelstechnik bei der die Systeme der Teilnehmer Kauf- und
Verkaufsauftrge generieren, die von zuvor bestimmten mathema
tischen Bedingungen, den Algorithmen, ausgelst wurden.
22
Tabelle 1, S. 8, fasst die widersprchlichen Definitionen zum Algorith-
mic Trading noch einmal zusammen. Die Tabelle zeigt, dass sich in den
Definitionen zwei grundlegende Prozesse wiederfinden, die immer wie-
der aus unterschiedlichen Perspektiven betrachtet werden. Dies ist erstens
die Ordererzeugung, bei der Computersoftware den Investor bei der
Kauf- und Verkaufsentscheidungen untersttzt (Entscheidungsunterstt-
zung), und zweitens die Orderausfhrung, bei der ein Computer den Fi-
nanzintermedir bei der Weiterleitung und Ausfhrung einer Order unter-
sttzt (Transaktionsuntersttzung). Zur Herleitung einer funktionalen De-
finition von Algorithmic Trading werden diese beiden Funktionen im fol-
genden Abschnitt den Rollen einzelner Finanzintermedire zugeordnet,
die man nach Buy-Side und Sell-Side unterscheiden kann.
stieg der Anteil des algorithmischen Handels im Jahresdurchschnitt 2008 auf ca.
43%, gemessen am gesamten Handelsvolumens auf XETRA. Ein Anstieg von 4%
im Vergleich zum Vorjahr. Vgl. Deutsche Brse AG (2009a), S. 110.
22 Deutsche Brse AG (2009a), S. 239.
7
1 Einfhrung
Autor Definition von
Algorithmic Trading
Perspektive Funktions-
Zuordnung
DOMOWITZ UND
YEGERMAN
(2005A)
Algorithmic Trading is the ...
automated computer-based ex-
ecution of equity orders via dir-
ect market-access channels,
usually with the goal of meet-
ing a particular benchmark .
23
Finanz-
wirtschaftlich
Orderausfhrung
GOMBER UND
GSELL (2006)
Algorithmic Trading... emu-
lates a brokers core compet-
ency of slicing a big order into
a multiplicity of smaller orders
and of timing these orders to
minimise market impact via
electronic means.
24

Finanz-
wirtschaftlich
Orderausfhrung
LE BRETON
(2007)
...aujourd'hui trading algorith-
mique se compose de deux ac-
tivits: les oprations de
bourse assistes par des algo-
rithmes qui anticipent et favo-
risent les opportunits de b-
nfices (en informant le trader
par des graphiques, des
alertes et des traitements auto-
matiques), et le trading auto-
matis qui utilise des auto-
mates comme agents auto-
nomes effectuant des transac-
tions selon des algorithmes et
des stratgies paramtres.
25
Technisch Ordererzeugung &
Orderausfhrung
DEUTSCHE
BRSE AG
(2009A)
Vollstndig rechnergesttzten
Handelsstrategien
26
Technisch Ordererzeugung
Tabelle 1: Ausgewhlte Definitionen zum Algorithmic Trading
23 Domowitz, Yegerman (2005a), S. 1 zitiert nach Grossmann (2005).
24 Gomber, Gsell (2006), S. 5.
25 Le Breton (2007), S. 1.
26 Deutsche Brse AG (2009a), S. 110.
8
1 Einfhrung
1.3.2 Buy-Side und Sell-Side
[Link] berblick
STORKENMAIER, MLLER UND WEINHARD unterscheiden beim Algorithmic
Trading zwei grundlegende Formen: das Agency Trading (die Automati-
sierung der Wertpapierausfhrung beim Broker im Auftrag des Kunden)
und das Proprietary Trading (den Eigenhandel mit Handelsstrategien zur
Mustererkennung oder dem Hochfrequenzhandel).
27
Fr diese Kategori-
sierung von Algorithmic Trading kann man in der Literatur weitere, un-
tersttzende Belege finden. Hier erfolgt eine generelle Unterscheidung
von Investmentbanken
28
nach der Buy-Side und der Sell-Side. Wie die fol-
genden Abschnitte zeigen, kann man die Unterscheidung von Buy-Side
und Sell-Side auf das Algorithmic Trading bertragen, und damit die zwei
grundlegenden Funktionen erklren.
Unter der Sell-Side versteht man allgemein die Anbieter von Waren oder
Dienstleistungen. Die Buy-Side besteht aus deren Nachfragern. Wie
FLEURIET darstellt, lassen sich die Investmentbanken, je nachdem, welche
Rolle sie dabei einnehmen, der Buy-Side oder Sell-Side zuordnen.
29
Diese
Zuordnung ist universell und nicht auf das Trennbankensystem oder das
Universalbankensystem beschrnkt. HARRIS definiert das Begriffspaar aus
Sicht der internationalen Finanzmrkte. Dabei besteht die Buy-Side aus
Hndlern, die Transaktions-Dienstleistungen (z.B. Exchange Services)
27 Vgl. Storkenmaier, Mller, Weinhard (2010), S. 371.
28 Investmentbanken knnen als Finanzintermedire betrachtet werden, welche den
erstmaligen Verkauf neu emittierter Wertpapiere an Investoren auf dem Primr-
markt organisieren, oder den Kauf oder Verkauf von bereits im Umlauf befindli-
chen Wertpapiere auf dem Sekundrmarkt zwischen Investoren vermitteln. Vgl. u.a.
Wellons, Germidis, Glavanis (1986), S. 93ff. Unter dem Primrmarkt versteht man
Mrkte die Unternehmen, Regierungen oder Haushalte der erstmaligen Kapitalbe-
schaffung dienen. Unter dem Sekundrmarkt versteht man Mrkte, auf denen In-
vestoren die Rechte an diesem Kapital handeln. Vgl. z.B. Dabous, Rabhi (2008), S.
30.
29 Vgl. Fleuriet (2008), S. 35.
9
1 Einfhrung
kaufen.
30
Eine notwendige Voraussetzung dafr ist das Vorhandensein
von Liquiditt. Die Hndler der Sell-Side verkaufen diese Liquiditt an
die Hndler der Buy-Side.
31

[Link] Sell-Side Banken
Die Sell-Side bietet ihren Service den Buy-Side Institutionen an, um de-
ren Transaktionswnsche zu erfllen.
32
Sie existiert nur deshalb weil die
Buy-Side bereit ist, fr Liquiditt zu bezahlen.
33
HARRIS unterteilt die
Sell-Side in Broker und Dealer, die sich nach ihrer Kundenbeziehung un-
terscheiden.
34
Einen berblick dazu bietet Abbildung Nr. 1.1, S. 10.
30 Vgl. Harris (2003).
31 Vgl. Harris (2003), S. 32.
32 Vgl. Harris (2003), S. 33f.
33 Vgl. Harris (2003), S. 34.
34 Vgl. Harris (2003), S. 33f.
10
Abbildung 1.1: Zusammenhang zwischen Buy-Side und Sell-Side
Buy-Side
Buy-Side
Broker
(Sell-Side)
Broker
(Sell-Side)
Dealer
(Sell-Side)
Dealer
(Sell-Side)
Financial
Markets
Financial
Markets
1 Einfhrung
Dealer wenden sich direkt an die Finanzinstitute der Buy-Side, die Wert-
papiere kaufen oder verkaufen wollen.
35
Sie versuchen, die Wertpapiere
selbst niedrig zu kaufen und teuer zu verkaufen.
36
In dieser Funktion sind
sie oft auch Marktmacher (engl.: Market Maker), das heit, sie stellen
einen Kauf- und Verkaufskurs an einer Brse. Der Dealer finanziert sei-
nen Unterhalt aus dem Unterschiedsbetrag der Kauf- und Verkaufskurse
(Spread).
37
Im Gegensatz dazu stehen nach HARRIS die Broker, die auf
Kommissionsbasis arbeiten.
38
Die Broker helfen ihren Kunden, einen an-
deren Vertragspartner zu finden, ohne selbst in die Transaktion einzutre-
ten. Dafr erhalten sie eine Provision, abhngig vom Transaktionsvolu-
men. Eine Mischform stellen Broker-Dealer dar, die beide Funktionen
miteinander verbinden, das heit, sie treten sowohl direkt als Vertrags-
partner in einer Transaktion auf (Dealer) als auch als Vermittler einer
Transaktion (Broker).
39
Sell-Side Banken sind demnach Finanzinstitute,
die im Kundenauftrag und auf Kommissionsbasis Aktien kaufen oder
verkaufen.
40
Beispiele fr Sell-Side Banken sind z.B. Marktmacher, Bro-
kerages, Brsenhndler, Retail-Broker oder Discount Broker.
41
35 Vgl. Harris (2003), S. 33f.
36 Vgl. Harris (2003), S. 33f.
37 Vgl. Harris (2003), S. 33f.
38 Vgl. Harris (2003), S. 33f.
39 Harris (2003), S. 33f.
40 GROYSBERG, HEALY, CHAPMAN, SHANTIKUMAR UND GUI verfeinern diese Begriffsdefi-
nition aus der Perspektive eines Analysten. Sell-Side Analysten arbeiten fr Invest-
mentbanken, Dealer, Brokerages oder Research Boutiques. Ihre Investment-Analy-
sen werden an private und institutionelle Anleger verkauft und sind an die ffent-
lichkeit gerichtet. Diese Investmentanalysen der Sell-Side werden oft von Fernseh-
moderatoren fr die Erklrung von Marktbewegungen in Einzelaktien herangezo-
gen. Vgl. Groysberg, Healy, Chapman, Shantikumar, Gui (2007), S. 1.
41 Vgl. dazu Harris (2003), S. 34.
11
1 Einfhrung
[Link] Buy-Side Banken
Nach HARRIS investieren Buy-Side Institute die Gelder ihrer Investoren
(Beneficiaries).
42
Buy-Side Institutionen werden daher auch Invest-
ment-Sponsors genannt.
43
Der Investment-Sponsor vertraut das Fonds-
management und die Verwaltung seiner Fonds dem Investment-Advisor
(auch bekannt als Investment-Counsellor, Investment-Manager oder
Portfolio-Manager) an.
44
Die Handelsentscheidungen des Investment-Ad-
visors werden oft durch den Hndler (Buy-Side Trader) ausgefhrt.
45
Ab-
bildung 1.2 (S. 12 ) stellt die Buy-Side in einer bersicht dar.
Diese Definition beschrnkt die Buy-Side nicht ausschlielich auf die In-
vestoren, sondern darin werden fnf Gruppen von Brsenteilnehmern zu-
sammengefasst (Investors, Borrowers, Hedgers, Asset Exchangers, Gam-
blers).
46
Buy-Side Banken sind also Finanzinstitute, die auf eigene Rech-
nung handeln (Eigenhandel betreiben).
47
Diese Finanzinstitute werden
auch als Money Management Firms bezeichnet.
48
Diese Definition setzt
42 Vgl. dazu Harris (2003), S. 33.
43 Vgl. dazu Harris (2003), S. 33.
44 Vgl. dazu Harris (2003), S. 33.
45 Vgl. dazu Harris (2003), S. 33.
46 Vgl. dazu Harris (2003), S. 33.
47 Vgl. Groysberg et al (2007), S. 1-2.
48 Vgl. Groysberg et al (2007), S. 1-2.
12
Abbildung 1.2: Einteilung der Buy-Side nach Harris (2003), S. 33f.
Benef iciaries
Benef iciaries
Investment-
Sponsors
Investment-
Sponsors
Investment-Advisor,
Investment-Counsellor,
Portf olio-Manager
Investment-Advisor,
Investment-Counsellor,
Portf olio-Manager
Buy Side
Trader
Buy Side
Trader
1 Einfhrung
voraus, dass sie ber gengend Kapital der Beneficiaries verfgen. Bei-
spiele fr Buy-Side Banken sind z.B. Investmentfonds, Hedgefonds, Pen-
sionskassen oder University Endowments.
49
[Link] Funktionen des Algorithmic Trading
49 Vgl. Harris (2003), S. 33.
13
Abbildung 1.3: Algorithmic Trading auf der Buy-Side und Sell-Side
(Quelle: Lattemann, Gomolka (2009).
Buy Side Banken
Black Box Trading
Proprietre
Handelssysteme
Unterschiedliche
Ebenen der
Automatisierung
Im Eigenhandel:
- Hedge Fonds
- Investment-
Banken
- Investmentf onds
Buy Side Banken
Black Box Trading
Proprietre
Handelssysteme
Unterschiedliche
Ebenen der
Automatisierung
Im Eigenhandel:
- Hedge Fonds
- Investment-
Banken
- Investmentf onds
Sell Side Banken
Unterschiedliche
Ebenen der Auto-
matisierung:
- Broker
- Broker-Dealer
- Investmentbanken
Strategien sind z.B.
VWAP, TWAP
und andere
Benchmarks
Sell Side Banken
Unterschiedliche
Ebenen der Auto-
matisierung:
- Broker
- Broker-Dealer
- Investmentbanken
Strategien sind z.B.
VWAP, TWAP
und andere
Benchmarks
Traditionelle
Brsen
- NYSE
- NASDAQ
- XETRA
Traditionelle
Brsen
- NYSE
- NASDAQ
- XETRA
ECN/MTF
Dark Pools
ECN/MTF
Dark Pools
EMS/OMS
Entscheidungs-
untersttzung
Transaktions-
untersttzung
1 Einfhrung
Sell-Side Banken sind Finanzintermedire, welche die Buy-Side Banken
bei der Abwicklung ihrer Transaktionen untersttzen. Dazu gehren auch
Finanzintermedire, die sich auf die Ausfhrung von Wertpapierauftrgen
mit Hilfe von Algorithmic Trading Software spezialisiert haben. Buy-Si-
de Banken sind Finanzinstitute, die sich vorrangig mit Eigenhandel be-
schftigen. Dazu gehren auch solche Banken, die sich auf den Eigen-
handel mit Hilfe von Algorithmic Trading Software spezialisiert haben
(siehe Abbildung Nr. 1.3, S. 13).
Algorithmic Trading auf der Sell-Side dient also der Transaktionsunter-
sttzung. Die Finanzintermedire bernehmen die Weiterleitung von Or-
ders an die Brsensysteme (Orderplatzierung) und mit der Reduzierung
potentieller Marktbeeinflussung (Market Impact
50
). Die dafr eingesetz-
ten Software-Systeme zur Orderplatzierung sind meist standardisierte
Software-Programme, die ber einen Pool von mehreren (hundert) vorge-
fertigten Algorithmen verfgen knnen. Die Algorithmen werden ge-
nutzt, um eine Order in kleinere Bestandteile aufzulsen und Stck fr
Stck an die Brse zu bermitteln (z.B. in Execution und Order Manage-
ment Systemen [EMS, OMS] oder durch Smart Order Routing
51
[SMO]).
Algorithmic Trading auf der Buy-Side dient hingegen der Entscheidungs-
untersttzung. Die von den Finanzinstituten eingesetzte Software enthlt
Algorithmen, die zur Datenanalyse und Mustererkennung dienen. Je
nachdem, wie automatisch diese Software aufgebaut ist, werden dem In-
vestor nur Kauf- und Verkaufssignale geliefert, so dass dieser seine Order
(manuell) formulieren kann. Alternativ kann diese Software auch die
vollautomatische, selbststndige Erzeugung von Orders bernehmen. Un-
abhngig von ihrer Entstehung werden die erzeugten Orders an die Sell-
Side Software bergeben.
50 Fr eine Erklrung des Market Impact siehe Abschnitt [Link] , S. 118, dieser
Arbeit.
51 Die Systeme zum Smart Order Routing werden in Abschnitt [Link] , S. 146,
vorgestellt.
14
1 Einfhrung
[Link] Abgrenzungsprobleme
Die Grenzen zwischen Algorithmic Trading auf der Buy-Side und Sell-Si-
de sind flieend. Der Begriff Algorithmic Trading wird widersprchlich
verwendet, ohne ihn einer Seite zuzuordnen. Fr Branchenfremde ist der
Unterschied zwischen den Algorithmen in der Software dann nicht fass-
bar, so dass einfache Algorithmen zur Orderplatzierung (Guerilla, VWAP,
TWAP, Sniper etc.) mit Algorithmen zur Ordererzeugung gleichgesetzt
werden.
Abbildung 1.4, S. 15, macht dieses Abgrenzungsproblem aus Sicht der
DEUTSCHEN BRSE AG deutlich. Sie ist Betreiberin des elektronischen
Handelssystems XETRA. Ihre empirische Angaben zum algorithmischen
Handel knnen auf Basis eines neuen Preismodells abgeleitet werden, bei
dem die DEUTSCHE BRSE AG alle Orders von Algorithmic Trading Kun-
den mit einem speziellen Stempel kennzeichnet (ATP-Stempel).
52
Im Ge-
gensatz dazu steht der normale Handel, der aus Orderstrmen besteht,
52 Vgl. Deutsche Brse AG (2009b).
15
Abbildung 1.4: Kombinationsmglichkeiten zwischen Buy-Side und
Sell-Side
Buy-Side
(z.B. Hedgefonds)
Buy-Side
(z.B. Hedgefonds)
Buy-Side
Algo-Trading
Manuelle
Erzeugung
(z.B. Hndler)
Sell-Side
(z.B. Broker)
Sell-Side
(z.B. Broker)
Sell-Side
Algo-Trading
Manuelle
bermittlung
(z.B. Telef on)
Brse
(z.B. XETRA)
Brse
(z.B. XETRA)
Algorithmischer
Handel
Normaler
Handel
1 Einfhrung
die nicht ber dieses Preismodell abgewickelt werden. Aus Sicht der
DEUTSCHEN BRSE AG entspricht der algorithmische Handel also den mit
dem ATP-Stempel versehenen Orders, die direkt auf das elektronischen
Handelssystem XETRA treffen. Aber die DEUTSCHE BRSE AG sieht im
Orderbuch de facto nur den algorithmischen Handel der Sell-Side (siehe
Abbildung Nr. 1.3, S. 13). In deren algorithmischem Handel vermischen
sich manuell-erstellte (nicht-algorithmische) und automatisch-erstellte
(algorithmische) Orders von der Buy-Side (siehe Abbildung Nr. 1.4, S.
15). ber die genaue Herkunft einer Order kann die DEUTSCHE BRSE AG
also keine Angaben machen. Diese unscharfe Sicht auf Algorithmic Tra-
ding spiegelt sich auch in den wissenschaftlichen Beitrgen zum Algo-
rithmic Trading wider, welche sich auf XETRA-Daten sttzen.
1.3.3 Funktionale Definition von Algorithmic Trading
Eine prozessorientierte, funktionale Definition von Algorithmic Trading
muss sowohl die Ordererzeugung als auch die Orderausfhrung beinhal-
ten. Sie muss sowohl die Rolle der Algorithmen bei diesen zwei Aufga-
ben beschreiben als auch dem technischen Charakter der Software ge-
16
Abbildung 1.5: Prozessorientierte Sicht von Algorithmic Trading
Anlageprozesse
Algorithmen
Marktdaten
Mensch
Handelsprozesse
Algorithmen
Orders
Mensch
Algorithmic Trading auf der Buy-Side Algorithmic Trading auf der Sell-Side
1 Einfhrung
recht werden, die dabei zum Einsatz kommt. Diese Arbeit verfolgt eine
finanzwirtschaftliche Perspektive. Das heit, die Definition dient nicht
der Darstellung technischer Inhalte, sondern soll Algorithmic Trading aus
Sicht der Finanzmrkte definieren.
Abbildung 1.5, S. 16, zeigt die Unterschiede zwischen Algorithmic Tra-
ding auf der Buy-Side und Sell-Side aus prozessorientierter Sicht. Die Ba-
sis der Buy-Side besteht aus Marktdaten. Anlageprozesse (Asset Allocati-
on) beschreiben die systematische Diversifikation von Finanzvermgen,
die man in strategische (langfristige) und taktische (kurzfristige) Asset
Allocation gliedern kann (siehe Abschnitt [Link] , S. 58, dieser Arbeit).
53
Die Aufgabe der Algorithmen auf der Buy-Side besteht darin, die Art und
Weise der Datenauswertung mit bestimmten Verfahren zu regeln, die
durch die Menschen (z.B. Programmierer, Investoren oder Fondsmana-
ger) vorgegeben werden. Je nachdem, welche Asset Allocation verfolgt
wird, werden mit Hilfe der Software entweder nur Kurssignale abgeleitet
oder selbststndig Orders generiert.
Die Basis der Sell-Side besteht hingegen aus Orders, die von der Buy-Si-
de zur Verfgung gestellt werden. Die Handelsprozesse sind eine dyna-
mische Sichtweise der einzelnen Phasen im Wertpapierhandel (siehe Ab-
schnitt [Link] , S. 47, dieser Arbeit).
54
Die Aufgabe der Algorithmen auf
der Sell-Side besteht darin, die Handelsprozesse zu berwachen und die
Ausfhrung der empfangenen Orders mit bestimmten Verfahren dem
Marktangebot oder der -nachfrage anzupassen. Das heit, die Algorith-
men dienen dazu, den optimalen Transaktionszeitpunkt, die Ordergre
und den Orderpreis festzulegen. Der Mensch gibt diese Verfahren vor, in-
dem er die Software programmiert, die laufenden Prozesse entweder kon-
trolliert oder darin eingreift.
53 Vgl. Lscher-Marty (2008), S. 2.25.
54 Vgl. Gomber (2000), S. 11.
17
1 Einfhrung
Beide Arten von Algorithmen dienen dazu, langfristige Handlungsanwei-
sungen (Handelsstrategien) umzusetzen, die durch den Menschen vorge-
geben werden. Eine Strategie ist die langfristige Planung von Handlungs-
anweisungen und die Essenz aller Aktivitten, die sich im Vergleich zur
Konkurrenz unterscheiden.
55
Die Algorithmen stellen Lsungsverfahren
dar, die in eine Software eingebettet werden und der Auswertung von
Marktdaten oder der Ausfhrung von Orders dienen. Man kann mehrere
Lsungsverfahren gleichzeitig fr die Bewltigung einer Aufgabe einset-
zen und ihre Ergebnisse kombinieren oder gegeneinander abwgen. Die
Software bildet den technischen Rahmen fr alle diese Prozesse. Sie wird
in eine technische System-Umgebung integriert, in der sie mit anderen
Computerprogrammen kommunizieren kann (siehe Abschnitt 2.3.5 , S.
105). Daraus lsst sich die folgende allgemeine Definition von Algorith-
mic Trading ableiten, die im weiteren Verlauf der Arbeit verfolgt wird:
Algorithmic Trading ist die Ausfhrung oder Untersttzung einer
Handelsstrategie unter Zuhilfenahme von intelligenten,
elektronischen Lsungsverfahren, die miteinander kombiniert
werden knnen.
Der Vorteil dieser allgemeinen Definition ist, dass sie auch solches Algo-
rithmic Trading auf der Buy-Side oder Sell-Side erfasst, bei dem die
Grenzen zwischen Mensch und Computer flieend sind. Die folgenden
Kapitel zeigen, dass diese flieende Grenze bei der Identifikation von Al-
gorithmic Trading besondere Schwierigkeiten bereitet.
55 Vgl. Porter (1996), S. 64.
18
1 Einfhrung
1.3.4 Zusammenfassung
Algorithmic Trading auf der Buy-Side und Sell-Side bilden eine funktio-
nale Einheit. Die Sell-Side wird von der Buy-Side mit Kauf- und Ver-
kaufsauftrgen versorgt und liefert im Gegenzug Spezialwissen zur Aus-
fhrung von Orders. Die Buy-Side kann die Kauf- und Verkaufsauftrge
mit manuellen oder automatischen Methoden erzeugen und wird damit
selbst zum Initiator von Algorithmic Trading. Die Sell-Side reagiert nur
auf die Orders, die durch die Buy-Side oder durch den Menschen (manu-
ell) zur Verfgung gestellt werden. Der Kern des Algorithmic Trading
sind die Handelsstrategien, die durch den Menschen vorgegeben werden.
1.4 Einordnung in die Literatur
1.4.1 berblick
Die Literatur zum Algorithmic Trading ist zweigeteilt. Abbildung 1.6, S.
20, gibt einen berblick ber diejenigen Themenbereiche, die in der Lite-
ratur untersucht worden sind. Sie zeigt, dass der Schwerpunkt bisher in
der Untersuchung der Orderausfhrung (Sell-Side) liegt. Die Orderer-
zeugung (Buy-Side) spielt praktisch noch gar keine Rolle. Der folgende
Abschnitt gibt einen berblick dazu. Die unvollkommene, lckenhafte
Form der Abbildung macht deutlich, dass noch viele Fragen zum Algo-
rithmic Trading unbeantwortet sind. Die vorliegende Arbeit schliet eine
Lcke ber die Ordererzeugung im Algorithmic Trading und bedient sich
dafr Methoden, die aus der Literatur ber Hedgefonds
56
bekannt sind.
56 Fr eine Definition von Hedgefonds siehe Abschnitt 5.1.2 , S. 234, dieser Arbeit.
19
1 Einfhrung
20
Abbildung 1.6: Gliederung der Algorithmic Trading Literatur
Bestimmung der
optimalen
Strategie
oder Bench-mark
TCA
ACE
Bench-
marks
Algorithmic
Trading aus makro-
konomischer
Perspektiv e
High-
Frequency
Trading
Simulation
von Mrkten und
Sof tware-
Agenten
Mechanische
Handelsregeln
Hedge
Fonds
Algo-
Trading
Literatur
G
s
e
ll (2
0
0
8
),
C
h
ia
re
lla
u
n
d
Io
ri
(2
0
0
2
, 2
0
0
4
)
Domowitz und
Yegermann (2005a);
Kissel und Malamut
(2005); Engle,
Ferstenberg und
Russel (2006).
K
o
n
is
h
i (2
0
0
2
);
B
ro
w
n
le
s
s
, C
ip
o
llin
i
u
n
d
G
a
llo
(2
0
0
9
),
A
lm
g
re
n
u
n
d
L
o
re
n
z

(2
0
0
6
, 2
0
0
9
)
A
l
m
g
r
e
n

u
n
d

C
h
r
i
s
s

(
2
0
0
0
)
,

A
l
m
g
r
e
n

u
n
d

L
o
r
e
n
z

(
2
0
0
9
)
,

Y
a
n
g

u
n
d

J
i
u

(
2
0
0
6
)
,

K
i
s
s
e
l
l

(
2
0
0
7
)
,

M
o
r
r
i
s

u
n
d

K
a
n
t
o
r
-
H
e
n
d
r
i
c
k

(
2
0
0
5
)
C
h
o
r
d
i
a
,

R
o
l
l

u
n
d

S
u
b
r
a
h
m
a
n
y
a
m
(
2
0
0
8
)
,

H
e
n
d
e
r
s
h
o
t
t
,

J
o
n
e
s

u
n
d

M
e
n
k
v
e
l
d

(
2
0
0
8
)
C
h
a
b
o
u
d

e
t

a
l
.
(
2
0
0
9
)
;

P
o
p
o
v
a

u
n
d

P
o
p
o
v
a

(
2
0
0
9
)
;

B
r
e
t
n
e
y

u
n
d

C
o
b
u
r
n

(
2
0
0
8
)
;

P
a
t
n
a
i
k

u
n
d

T
h
o
m
a
s

(
2
0
0
4
)
Kat (2003)
Buy-Side
Sell-Side
Sy stematic
Trading
P
o
g
g
i
o

e
t

a
l
.

(
2
0
0
1
.
K
e
a
r
n
s

u
n
d

O
r
t
i
z
(
2
0
0
3
)
,

R
a
b
e
r
t
o

e
t

a
l
.

(
2
0
0
1
)
,

S
a
m
a
n
i
d
o
u

e
t

a
l
.

(
2
0
0
7
)
,

P
a
r
a
s
c
h
i
v

e
t

a
l
.

(
2
0
0
8
,

2
0
0
9
)

1 Einfhrung
1.4.2 Sell-Side in der Literatur
Die Literatur zum Sell-Side Algorithmic Trading (Orderausfhrung) kann
nach Ansicht des Autors in folgende fnf Gruppen eingeteilt werden. Vie-
le Arbeiten entstanden in Kooperation mit privaten Unternehmen oder
Banken, die Daten fr empirische Untersuchungen zur Verfgung stell-
ten. Daraus knnte man schlieen, dass die Verfgbarkeit von empiri-
schen Daten aus unabhngigen Quellen ein zentrales Problem darstellt.
Einige weitere Beitrge schneiden Randbereiche an, die fr das Thema
relevant sind.
57

Eine erste Gruppe von Beitrgen beschftigt sich mit agenten-basierten
Simulationen. Unter Agenten versteht man allgemein Personen, die in
fremdem Auftrag selbststndig handeln.
58
Agenten-basierte Simulationen
beschftigen sich entweder mit der Simulation von Mrkten und/oder der
Rolle von selbststndigen Software-Programmen, die in Abschnitt 2.3 ,
S. 96, dieser Arbeit ausfhrlich erlutert werden. Die Arbeiten in diesem
Bereich verfolgen experimentelle Forschungsanstze und gehren zum
Forschungsgebiet der Agent-Based Computation Economics (ACE).
59
Eine experimentelle Herangehensweise ist immer dann erforderlich,
wenn keine empirischen Daten ber das Algorithmic Trading fr die For-
schungsfrage verfgbar sind. GSELL beispielsweise erweiterte die Model-
le von CHIARELLA UND IORI, um einen knstlichen Orderstrom (Order-
flow)
60
zu simulieren.
61
Er verfolgte das Ziel, algorithmische Orders und
57 Vgl. Hendershott, Jones, Menkveld (2008), S. 3.
58 Vgl. Burkhard (1998), S. 6.
59 Vgl. Gsell (2008), S. 4.
60 Als Orderflow werden hier Orderstrme bezeichnet, die aus vielen einzelnen
Orders bestehen.
61 Vgl. Gsell (2008) und Chiarella, Iori (2002 und 2004).
21
1 Einfhrung
sogenannten Stylized Traders
62
zu unterscheiden und den Einfluss von
unterschiedlichen Ordergren und Latenzzeiten auf die Volatilitt zu un-
tersuchen.
63
Eine zweite Gruppe von Beitrgen beschftigt sich mit den Transaktions-
kosten
64
beim Algorithmic Trading, auch Transaction Cost Analysis
(TCA) genannt. Die traditionelle Einteilung in explizite und implizite
Transaktionskosten spielt hier nur eine geringe Rolle. Stattdessen werden
62 Als Stylized Trader bezeichnet man Brsenhndler mit unterschiedlicher
Motivation. Siehe dazu Harris (2003), S. 177 und Madhavan (2000).
63 Vgl. Gsell (2008), S. 5.
64 Der allgemeine Begriff der Transaktionskosten wird in der Literatur unterschiedlich
weit definiert und in explizite und implizite Transaktionskosten unterschieden.
Transaktionskosten wurden u.a. von DEMSETZ definiert. KEIM UND MADHAVAN unter-
suchen die Transaktionskosten aus Sicht institutioneller Anleger. Zu den expliziten
Transaktionskosten gehren hier Informations- und Entscheidungskosten, Brsen-
abwicklungs- und Maklergebhren, Steuern auf Brsengeschfte und Absiche-
rungskosten gegen Transaktionsrisiken. Zu den impliziten Transaktionskosten zh-
len Opportunittskosten, Kosten fr die Inanspruchnahme von Liquiditt und Preis-
effekte. Explizite Transaktionskosten sind die direkt sichtbaren Kosten eines Br-
sengeschftes. Vgl. Keim, Madhavan (1998), S. 50f und Demsetz (1968). Die In-
formations- und Entscheidungskosten beziehen sich auf die Kosten, ein passendes
Wertpapier im aktuellen Marktgeschehen auszuwhlen, den richtigen Zeitpunkt fr
Kauf- und Verkauf zu bestimmen oder die zuknftige Kursentwicklung mit einer
gewissen Wahrscheinlichkeit vorherzusagen. Die Brsenabwicklungs- und Makler-
gebhren beinhalten Provisionen und Gebhren fr die Abwicklung eines Brsen-
geschftes. Dazu zhlt auch die Hinterlegung von Sicherheiten (Margins) in Deri-
vate-Geschften. Steuern auf Brsengeschfte existieren zum derzeitigen Zeitpunkt
in Deutschland nicht. Zuletzt sind Absicherungskosten gegen Transaktionsrisiken
zu nennen. Vgl. Kaul (2001), S. 29. Die Transaktionsrisiken bestehen aus Informa-
tionsrisiken (wenn ein Wertpapier auf Basis ungenauer oder falscher Informationen
zu einem berhhten Kurs gekauft oder einem zu niedrigem Kurs verkauft wurde)
und Realisationsrisiken (wenn die Orderausfhrung zu einem ungnstigeren Kurs
erfolgte, als unter optimalen Bedingungen mglich wre). Vgl. Keim, Madhavan
(1998), S. 52f. Eine Absicherung gegen Transaktionsrisiken erfolgt durch kalkula-
torische Kosten einer Selbstversicherung. Vgl. Kaul (2001), S. 29f. Implizite Trans-
aktionskosten sind die versteckten oder nicht sichtbaren Kosten eines Brsenge-
schftes. Verluste aus einer verpassten oder nicht wahrgenommenen Handelsmg-
lichkeit werden als Opportunittskosten interpretiert. Vgl. Keim, Madhavan (1998),
S. 54. Kosten fr die Inanspruchnahme von Liquiditt treten auf, wenn man ein
Handelsgeschft sofort durchfhren mchte und dazu die Preise, Volumina und
22
1 Einfhrung
Vergleichsparameter (Benchmarks) berechnet, auf deren Basis sich die
Transaktionskosten relativ zueinander bestimmen lassen. DOMOWITZ UND
YEGERMAN beispielsweise untersuchten die Performance des computerge-
steuerten Handels im Vergleich zum traditionellen (manuellen) Broker-
Geschft.
65
Fr ihre Untersuchung nutzen sie Benchmarks wie Imple-
mentation Shortfall, Midpoint of Bid-Ask (MBA) und VWAP, die im Sp-
teren noch erlutert werden.
66
KISSELL UND MALAMUT leiten aus diesen
Benchmarks einen dreistufigen Prozess zur Bestimmung eines Rahmen-
werkes fr Algorithmic Trading ab: Erstens die Auswahl der Benchmark,
zweitens die Bestimmung der Risikoaversion und drittens die adaptive
Handelstaktik.
67
Sie legen ihrer Untersuchung ein umfassendes Transakti-
onskostenmodell zu Grunde, das in Abschnitt 3.4.2 , S. 116, erlutert
wird. ENGLE, FERSTENBERG UND RUSSEL berufen sich auf Daten der Invest-
mentbank MORGAN STANLEY und untersuchen die Ausfhrungskosten und
Transaktionsbedingungen der anderen Marktteilnehmer akzeptieren muss, weil ent-
weder keine besseren vorhanden sind oder ein Marktmachersystem vorliegt, in
welchem nur die Marktmacher Geld- und Briefkurse stellen drfen. Vgl. Kaul
(2001), S. 30 Wenn das Ordervolumen des Anlegers nicht durch die vom Marktma-
cher angebotene Quote gedeckt wird, knnen Preisverzerrungen (Preiseffekte) auf-
treten, die weitere implizite Kosten verursachen. Man spricht von positiven Preisef-
fekten, wenn sich der Spread (der Unterschiedsbetrag zwischen Geld- und Brief-
kurs) vergrert und negativen Preiseffekten wenn sich der Spread verringert. Ver-
einbarungen zwischen Marktmachern und Anlegern abseits der Quotierungen von
Marktmachern und innerhalb des Spread, verringern diese Kosten. Vgl. Keim, Ma-
dhavan (1998), S. 52.
65 Vgl. Domowitz, Yegerman (2005a), S. 7.
66 Ergebnis dieser Studie war, dass die Kosten des Algorithmic Trading unter den ma-
nueller Order lagen, sogar dann wenn die Orderausfhrung nur eingeschrnkt mg-
lich war. Die Autoren stellten auch fest, dass die Vorteile des Algorithmic Trading
von der Ordergre abhngig sind. Die Ergebnisse und Kostenvorteile schwankten
stark zwischen den Anbietern von Orderausfhrungen (Execution Services). Vgl.
Domowitz, Yegerman (2005a), S. 1-2.
67 Vgl. Kissell, Malamut (2005), S. 8ff.
23
1 Einfhrung
-risiken der bankeigenen Strategien.
68
ENGLE UND FERSTENBERG stellen
schlielich fest, dass Ausfhrungskosten und Investmentrisiken beim Al-
gorithmic Trading identisch sind.
69

Eine dritte Gruppe von Beitrgen beschftigt sich mit der Entwicklung
der Benchmarks und ihrer Umsetzung in Trading Strategien. Hier domi-
niert die VWAP-Benchmark. KONISHI beispielsweise entwickelte eine Al-
gorithmic Trading Strategie auf Basis der VWAP-Benchmark.
70
BROWNLESS, CIPOLLINI UND GALLO entwickeln ein dynamisches Modell zur
Vorhersage der tglichen Volumenschwankungen fr Algorithmic Tra-
ding Strategien, die auch auf der VWAP-Benchmark basieren.
71
COGGINS,
LIM UND LO untersuchen verschiedene Techniken zur Orderausfhrung
und leiten daraus eine Strategie ab, um die VWAP-Benchmark zu schla-
gen.
72
ALMGREN UND LORENZ konzentrieren sich auf die Verbesserung der
Benchmark Adaptive Arrival Price (auch Implementation Shortfall ge-
nannt).
73
Eine vierte Gruppe von Beitrgen beschftigt sich mit der Bestimmung
einer optimalen Strategie bzw. Auswahl einer optimalen Benchmark beim
Algorithmic Trading. ALMGREN UND CHRISS untersuchten die effiziente
Grenze der Orderausfhrung (Efficient Frontier of Optimal Trading), um
die optimale Algorithmic Trading Strategie abhngig von einer quadrati-
schen Nutzenfunktion oder Value at Risk
74
abzuleiten.
75
ALMGREN UND
LORENZ bernehmen dafr die Logik des Mean-Variance-Portfolios
76
von
MARKOWITZ.
77
Nach Meinung der Autoren ist es mglich, eine optimale
68 Vgl. Engle, Ferstenberg und Russel (2006).
69 Vgl. Engle und Ferstenberg (2006).
70 Vgl. Konishi (2002).
71 Vgl. Brownless, Cipollini, Gallo (2009).
72 Vgl. Coggins, Lim und Lo (2004).
73 Vgl. Almgren, Lorenz (2006 und 2009).
74 Fr eine Erklrung der Risikokennzahl Value at Risk siehe Jorion (2001).
75 Vgl. Almgreen und Chriss (2000).
76 Vgl. Markowitz, Todd, Sharpe (2000), S. 3ff.
77 Vgl. Almgren, Lorenz (2009) und Markowitz (1952).
24
1 Einfhrung
Computerstrategie abzuleiten, bei der die Transaktionen einerseits schnell
genug ablaufen, um die Preisvolatilitt zu reduzieren und langsam genug,
um einen Market Impact zu verhindern.
78
YANG UND JIU entwickeln ein
Rahmenwerk, um den Investor bei der Auswahl von Algorithmen zu un-
tersttzen, die z.B. von einem Broker angeboten werden.
79
KISSELL unter-
sucht, wie Algorithmic Trading Strategien mit statistischen Methoden
verglichen werden knnen.
80
MORRIS UND KANTOR-HENDRICK diskutieren,
ob Algorithmic Trading Programme selber entwickelt oder eingekauft
werden sollten.
81

Whrend sich die ersten vier Teile der Literatur um die Erklrung der
Strategien drehen, beschftigt sich eine fnfte Gruppe von Beitrgen mit
den Auswirkungen und der Verbreitung von Algorithmic Trading aus ei-
ner makrokonomischen Perspektive, ohne dabei nher auf Benchmarks,
Algorithmen oder das Innere der Strategien einzugehen. CHORDIA, ROLL
UND SUBRAHMANYAM zeigen, wie sich die Marktmikrostruktur unter dem
Einfluss von Algorithmic Trading im Laufe der Jahre gewandelt hat.
82
Die Theorie der Marktmikrostruktur dient der Beschreibung von Han-
dels- und Transaktionsprozessen und wird ausfhrlich in Abschnitt 2.1 ,
S. 38, dieser Arbeit behandelt. GIRAUD fhrte dazu eine Studie zur algo-
rithmen-gesttzten Orderausfhrung bei 68 europischen Investmentma-
nagern durch.
83
HENDERSHOTT, JONES UND MENKVELD stellen fest, dass zwi-
schen Algorithmic Trading und Liquiditt eine positive Korrelation be-
steht.
84
Die empirischen Auswirkungen des Algorithmic Trading auf den
Gesamtmarkt sind jedoch insgesamt noch unklar.
78 Vgl. Almgren, Lorenz (2009), S. 32 siehe auch Almgren, Chriss (2000).
79 Vgl. Yang und Jiu (2006).
80 Vgl. Kissell (2007).
81 Vgl. Morris, Kantor-Hendrick (2005).
82 Vgl. Chordia, Roll, Subrahmanyam (2008).
83 Vgl. Giraud (2004).
84 Vgl. Hendershott, Jones und Menkveld (2008).
25
1 Einfhrung
1.4.3 Buy-Side in der Literatur
Die Literatur zum Buy-Side Algorithmic Trading ist noch sprlicher als
ber die Sell-Side. Ein mglicher Grund dafr ist die Intransparenz der
Industrie und die Kultur der Geheimhaltung, wenn es um die Anlagepro-
zesse in den Banken geht. Die Banken verffentlichen nur wenige Infor-
mationen ber Algorithmic Trading. Auer (monatlichen) Renditen von
Hedgefonds und Marktdaten sind praktisch keine Informationsquellen
verfgbar. Ein anderer Grund fr die noch fehlende akademischen Dis-
kussion ber Algorithmic Trading knnte das frhe Entwicklungsstadium
dieser Industrie sein.
Der erste Teil der Literatur ber die Buy-Side behandelt wieder das For-
schungsgebiet der ACE. Er beschftigt sich mit der Simulation von knst-
lichen Mrkten und der Untersuchung von automatischen Software-
Agenten. Whrend die Software-Agenten der Sell-Side die Orderausfh-
rung betreiben, verfolgen die Software-Agenten der Buy-Side die Ab-
sicht, selbststndig Profite zu erwirtschaften. POGGIO, LO, LE BARON,
BLAKE UND CHAN fhren eine Computersimulation einer Double Auction
durch und untersuchen die Rolle von knstlichen Brsen-Hndlern mit
unterschiedlichen Lernfhigkeiten.
85
RABERTO, CINCOTTI, FOCARDI UND
MARCHESI untersuchten die Rolle von Software-Agenten im Preisfin-
dungsprozess an in einer knstlichen Brse.
86
KEARNS UND ORTIZ be-
schreiben die Ergebnisse der Penn-Lehman Automated Trading Competi-
tion (PLAT), einem Wettbewerb in dem Software-Agenten mit individu-
ellen Handelsstrategien unter knstlichen Bedingungen gegeneinander
antraten.
87
SAMANIDOU, ZSCHISCHANG, STAUER UND LUX geben einen ber-
blick ber die mikroskopischen, agenten-basierten Modelle der Finanz-
mrkte die bisher untersucht wurden.
88
PARASCHIV, RAGHAVENDRA
85 Vgl. Poggio, Lo, Le Baron, Chan (2001).
86 Vgl. Raberto, Cincotti, Focardi, Marchesi (2001).
87 Vgl. Kearns, Ortiz (2003).
88 Vgl. Samanidou, Zschischang, Stauer und Lux (2007).
26
1 Einfhrung
UND VASILIU untersuchen die Rolle von Software-Agenten im Algorith-
mic Trading anhand eines knstlichen Aktienmarkts und des MACD-Al-
gorithmus (Moving Average Convergence Divergence), einer fortge-
schrittenen Methode zur Durchschnittsberechnung.
89
Grundlage all dieser
Studien ist das Paradigma der Software-Agenten, das in Abschnitt 2.3 ,
S. 96, dieser Arbeit diskutiert wird.
Der zweite und grere Teil der Literatur ber die Buy-Side reduziert das
Thema auf den Hochfrequenzhandel.
90
Unter Hochfrequenzhandel (High
Frequency Trading) versteht ALDRIDGE diejenigen Anlagestrategien, die
zu einem hohen Kapitalumsatz fhren und mit Hilfe des Computers sehr
schnell (z.B. in Millisekunden) auf vernderte Marktsituationen reagieren
knnen.
91
Im Gegensatz dazu stehen Strategien mit niedriger Handelsfre-
quenz
92
(Low Frequency Trading), die in der gleichen Periode weniger
Kapital umsetzen und nicht so schnell auf vernderte Marktsituationen
reagieren.
93
ALDRIDGE sttzt ihre Zusammenfassung auf eine umfangrei-
che Anzahl Studien, die hochfrequente Orderbuch-Daten auswerten. Un-
ter hochfrequenten Orderbuchdaten (Ultra High Frequency Data) ver-
steht ENGLE Transaktionsdaten oder Tick-Daten, die mit Zeitstempeln
versehen sind, und eine auf die Sekunde genaue Zuordnung von Kur-
sen und Transaktionen mglich machen.
94
Diese hochfrequenten Order-
buchdaten bilden die Basis vieler anderer Studien zur Marktmikrostruk-
tur (z.B. Modellierung der Marktdynamik in Echtzeit, sogenannte Price
89 Vgl. Paraschiv, Raghavendra, Vasiliu (2008, 2009).
90 Fr eine Erklrung dieses Begriffes siehe Abschnitt [Link] , S. 224 dieser Arbeit.
91 Vgl. Aldridge (2009), S. 1.
92 GOMBER definiert die Handelsfrequenz ber die Kontinuitt des Preisfeststellungs-
verfahrens in der Abschlussphase. Vgl. Gomber (2000), S.21. In diesem Zusam-
menhang beschreibt die Handelsfrequenz die Hufigkeit von Transaktionen im
Portfolio eines Investors.
93 Vgl. Aldridge (2009), S. 1.
94 Vgl. Yan, Zivot (2003), S. 1 zitiert nach Engle (2000).
27
1 Einfhrung
Discovery
95
oder strategisches Verhalten von Marktteilnehmern) oder
zu den statistischen Eigenschaften von Wertpapier-Renditen (z.B. Volati-
litt).
96

Als eine der ersten Arbeiten zeigten GOODHART UND O'HARA die ganze Di-
mension der Analyse von Hochfrequenzdaten, indem sie den Einfluss der
Marktmikrostruktur auf die Verfgbarkeit der Daten darstellten.
97
Mit
Hochfrequenzdaten beschftigen sich auch die Arbeiten von WOOD,
ANDERSEN, GHYSELS, GOURIROUX, JASIAC UND LE FOL, LYONS und TSAY.
98
Sammelwerke stammen u.a. von LO UND MACKINLAY, DACAROGNA ET AL.,
CAMPBELL, LO UND MACKINLAY, POLE, CHAN UND ARNUK.
99
Im Vordergrund
dieser vielen Arbeiten stehen aber nur die empirischen Eigenschaften von
Hochfrequenzdaten. Nur vergleichsweise wenige Autoren beschftigen
sich direkt mit Anlageprozessen im Algorithmic Trading. Weil eine allge-
meine Definition von Algorithmic Trading bisher fehlt, ist zudem die Zu-
ordnung von Handels- und Anlageprozessen zu Buy-Side oder Sell-Side
Algo Trading schwierig. CHABOUD, HJALMARSSON, VEGA UND CHIQUOINE
95 Vgl. Ozenbas (2009).
96 Solche hoch-dimensionale Orderbuchdaten stehen aufgrund der Fortschritte in der
Computer und Speichertechnik seit Mitte der 90er Jahre fr wissenschaftliche Un-
tersuchungen zur Verfgung. Die groen Datenmengen, die von den Orderbchern
der Brsen produziert werden, fhrten die verfgbaren Speichersysteme lange Zeit
an die Grenzen ihrer Leistungsfhigkeit. Wissenschaftliche Analysen wurde erst
durch die Verfgbarkeit geeigneter Daten mglich. Eine der ersten Datenbank hier
war die Trades and Quotes (TAQ) der New York Stock Exchange (NYSE) fr Aktien-
mrkte. Sie enthlt alle Transaktionen und Quotes von NYSE, AMEX und NAS-
DAQ und der regionalen Brsen seit 1992. Eine weitere Datenbank war die Berke-
ley Options Database, welche Optionsdaten von 1976 bis 1996 enthielt. Fr Studi-
en der Whrungsmrkte (Foreign Exchange Markets, FX) steht die Datenbank von
Olsen Associates in der Schweiz zur Verfgung. Sie geht bis in die 80er Jahre zu-
rck und enthlt die wichtigsten gehandelten Whrungspaare, die ber das Reuters
Netzwerk gehandelt werden. Vgl. Yan, Zivot (2003), S. 1.
97 Vgl. Goodhart, O'Hara (1997), S. 73.
98 Vgl. Wood (2000), Andersen (2000), Ghysels (2000) oder Gouriroux, Jasiac und
Le Fol (2001), Lyons (2001) und Tsay (2001).
99 Vgl. Lo, MacKinlay (1999), Dacarogna et al. (2001), Campbell, Lo, MacKinlay
(1997), Pole (2007), Chan (2008) und Arnuk (2010).
28
1 Einfhrung
untersuchen beispielsweise die Rolle des Algorithmic Trading auf den in-
ternationalen Whrungsmrkten (Foreign Exchange Markets, FX).
100
POPOVA UND POPOVA untersuchen den Slippage mit Strategien der Statisti-
schen Arbitrage.
101
BRETNEY UND COBURN entwickeln eine hochfrequente
Anlagestrategie auf Basis knstlicher neuronaler Netze.
102
PATNAIK UND
THOMAS untersuchen die Profitabilitt von Anlagestrategien mit Strategi-
en der statistischen Arbitrage oder Momentum-Strategie auf dem indi-
schen Aktienmarkt.
103
Eine dritte Gruppe von Fach-Beitrgen hat zwar keinen direkten Bezug
zum Algorithmic Trading, berhrt aber deren Randbereiche. Hier werden
(natur-)wissenschaftliche Methoden diskutiert, die sich zur Untersuchung
von finanziellen Zeitreihen oder hoch-dimensionalen Brsendaten eig-
nen. Weil diese Methoden keine finanzwirtschaftliche Perspektive verfol-
gen, wurden sie auch in der Abbildung 1.6, S. 20, nicht bercksichtigt.
Diese Literatur bildet aber eine Brcke zwischen dem Bereich der Quan-
titative Finance und den Naturwissenschaften. Einen Einstieg in dieses
Thema bieten die Beitrge von FARMER sowie MANTEGNA UND STANLEY.
104
Darauf bauen eine Vielzahl sehr komplexer Untersuchungen auf. LOS UND
KARUPPIAH beispielsweise beschftigen sich mit der Anwendung der Wa-
velet Analyse
105
auf Basis von hochfrequenten Kursdaten (FX-Mrkte)
asiatischer Whrungen.
106
Die begrenzte Anzahl von Beitrgen zu diesem
Thema steht in keinem Verhltnis zu ihrer Bedeutung in der Praxis. Na-
turwissenschaftliche Analysemethoden im Algorithmic Trading werden
in Abschnitt [Link] , S. 221 dieser Arbeit diskutiert.
100 Vgl. Chaboud, Hjalmarsson, Vega und Chiquoine (2009).
101 Vgl. Popova, Popova (2010).
102 Vgl. Bretney, Coburn (2008).
103 Vgl. Patnaik, Thomas (2004).
104 Vgl. Farmer (1999), Mantegna, Stanley (1999).
105 Fr eine Erklrung der Wavelet Analyse siehe Crowley (2005).
106 Vgl. Loss und Karupiah (2000).
29
1 Einfhrung
Die bisherige Literatur zur Buy-Side lsst sich folgendermaen zusam-
menfassen: Sie konzentriert sich entweder auf die Untersuchung knstli-
cher Brsen und agenten-basierter Software-Systeme, oder sie beschf-
tigt sich ausschlielich mit dem Hochfrequenzhandel und der Auswer-
tung hochfrequenter Brsendaten. Dazwischen liegt ein grauer Bereich,
in dem Computer zur Entscheidungsuntersttzung eingesetzt werden, bei
dem aber unklar ist, wie weit Menschen durch Computer ersetzt werden.
ALDRIDGE nennt diesen Bereich Systematic Trading.
107
Die Literatur zu
den (natur-)wissenschaftlichen Methoden wirft ein kleines Licht darauf,
wie vielfltig das Algorithmic Trading in diesem Bereich aussehen kann.
Die vorliegende Arbeit strukturiert diesen undurchsichtigen Bereich.
1.4.4 Literatur ber Hedgefonds
In der Literatur ber Hedgefonds wird weder die Ordererzeugung noch
die Orderausfhrung beim Algorithmic Trading hinreichend bercksich-
tigt. KAT gibt einen berblick ber empirische Eigenschaften von mecha-
nischen Handelsregeln und stellt fest, dass die gngigen Risikomae fr
Hedgefonds den realen Risiken nicht mehr gerecht werden.
108
Mechani-
sche Handelsregeln sind Verfahrensvorschriften, die immer im Software-
code beim Algorithmic Trading Software vorhanden sein mssen und im
Anlageprozess zur Generierung von Orders oder Kauf- und Verkaufssi-
gnalen dienen.
109
ber diese Arbeit hinaus, gibt es kaum Untersuchungen
zu diesem Thema. Die existierende Literatur konzentriert sich stattdessen
auf die Untersuchung klassischer Hedgefonds-Strategien, die keinen kon-
kreten Bezug zu Algorithmic Trading haben. Einen berblick ber die
sonstige Hedgefonds-Literatur liefert GHIN.
110
107 Vgl. Aldridge (2009), S. 18.
108 Vgl. Kat (2003).
109 In Abschnitt [Link] , S. 202, dieser Arbeit werden eine Reihe von Definitionen da-
fr diskutiert.
110 Vgl. Ghin (2006).
30
1 Einfhrung
Die primren Modelle fr die empirische Untersuchung von Hedgefonds-
Strategien sind lineare Multifaktorenregressionen mit unabhngigen li-
nearen Faktoren.
111
Hedgefonds-Renditen wurden sowohl mit dem tradi-
tionellen Capital Asset Pricing Model (CAPM)
112
von SHARPE als auch
mit JENSEN'S Alpha untersucht.
113
Es besteht jedoch ein Konsens darber,
dass Regressionsmodelle mit nur einem unabhngigen Faktor ungeeignet
fr die Beschreibung der dynamischen Renditen von Hedgefonds sind,
weil mit nur einer einzigen Faktorladung die konstanten Parameter der
Regression berschtzt werden.
114
Um nicht-lineare, dynamische Hedge-
fonds Renditen zu beschreiben, haben sich stattdessen lineare Multifakto-
renmodelle mit nicht-linearen Elementen, bis hin zu Exponentialfunktio-
nen, durchgesetzt.
115
Sie werden im Abschnitt 6.3.2 , S. 281, erlutert.
Mit Multifaktorenmodellen wird der Einfluss mehrerer unabhngigen Va-
riablen (z.B. Fondsalter), auf eine abhngige Variable (z.B. Fondsrendi-
te) untersucht. Der konstante Teil der Regressionsanalyse (Alpha) und der
Strterm (Epsilon) ergnzen das Modell. Die Nichtlinearitt von Hedge-
fonds-Strategien fliet ber die Einbeziehung von beobachtbaren, nicht-
linearen Marktfaktoren in das lineare Multifaktorenmodell mit ein.
116
Diese Modelle werden ausfhrlich bei FUNG, HSIEH beschrieben und stt-
zen sich auf die Arbeiten von FAMA UND FRENCH und SHARPE.
117
Die kriti-
schen Punkte bei den Multifaktorenmodellen sind a) die Auswahl der un-
abhngigen Variablen und b) die Bestimmung einer (von der Strategie)
abhngigen Variable. Eine andere Alternative, um die dynamischen Ren-
diten abzubilden, bietet eine Erweiterung des CAPM, die hier jedoch
nicht weiter verfolgt werden soll.
118
111 Siehe dazu Ghin (2006), S. 24ff.
112 Vgl. Elton, Gruber, Brown, Goetzmann (2003), S. 292.
113 Vgl. Sharpe (1964), Jensen (1968) sowie Ghin (2006), S. 24.
114 Vgl. Ghin (2006), S. 24.
115 Vgl. Ghin (2006), S. 24.
116 Vgl. Fung, Hsieh (2002a), S. 18.
117 Vgl. Fung, Hsieh (1997), Fama und French (1993) sowie Sharpe (1992).
118 Vgl. Ghin (2006), S. 24.
31
1 Einfhrung
1.4.5 Forschungsfrage
Die dargestellte Literatur zeigt auf, dass die Strategien der Sell-Side in
der Literatur ausfhrlich dokumentiert sind, die Strategien der Buy-Side,
mit Ausnahme des Hochfrequenzhandels, berhaupt nicht. Der Fokus
dieser Studie liegt daher auf den Strategien der Buy-Side. Dabei sollen
nicht nur hochfrequente Anlagestrategien betrachtet werden, sondern alle,
bei denen selbststndige Software-Programme zur Entscheidungsunter-
sttzung eingesetzt werden (Systematic Trading).
Den Ansto zu dieser Untersuchung gab die Frage, welche Buy-Side Stra-
tegien es gibt und wie sich diese identifizieren lassen. Schon die Beant-
wortung dieser beiden Teilfragen ist schwierig, weil es bisher nicht mg-
lich ist, den menschlichen von automatischem Handel zu trennen. Weil
diese Trennung nicht mglich ist, fehlt eine empirische Basis fr weitere
Analysen von Algorithmic Trading. Die Kultur der Geheimhaltung ver-
hindert einen Informationsaustausch zwischen Banken und ffentlich-
keit, so dass auer den Eigenangaben von Fondsmanagern bei Hedge-
fonds keine objektive Mglichkeit zur Identifikation von Algorithmic
Trading Strategien besteht. Die Idee hinter dieser Arbeit ist, Algorithmic
Trading selbst dann zu identifizieren, wenn das Innere einer Strategie
(z.B. die Algorithmen) unbekannt ist. Anstatt sich fr die Identifikation
auf die Eigenangaben von Fondsmanager zu sttzen, sollen hier nur
Fondsrenditen
119
betrachtet werden, die mit oder ohne Algorithmic Tra-
ding Software erzeugt wurden. Die Forschungsfrage lautet daher:
Lassen sich Aussagen ber Algorithmic Trading aus der
Analyse von (Fonds-)Renditen ziehen?
119 Unter Renditen werden hier die Vernderungen von tglich oder monatlich festge-
stellten Preisen (Nettoinventarwerte) eines Hedgefonds , Investmentfonds oder ei-
nes anderen Sondervermgens verstanden.
32
1 Einfhrung
Als Werkzeug fr die Unterscheidung zwischen menschlichen und auto-
matischen Strategien, wird in dieser Arbeit die Methode der Multifakto-
renregression auf Fondsrenditen angewendet.
120
Diese Untersuchung soll
aufzeigen, welcher Einfluss von Algorithmic Trading auf die Renditen
messbar ist und welche Bestandteile der Regressionsgleichung Informati-
onstrger fr Algorithmic Trading sind. Damit wird eine wissenschaftli-
che Basis fr weitere Untersuchungen geschaffen, die mit Hilfe von Mul-
tifaktorenmodellen gezielt nach weiteren Eigenschaften von Algorithmic
Trading fahnden knnen. Die Arbeit fgt sich so in die Buy-Side Literatur
ein und leistet gleichzeitig einen Beitrag fr die Bercksichtigung von
Algorithmic Trading in der Hedgefonds-Literatur.
1.4.6 Begrenzung der Aussagen
Die erste Aufgabe dieser Arbeit besteht darin, festzustellen, welche Aus-
sagen ber Algorithmic Trading mglich sind. Algorithmic Trading lsst
sich dazu auf unterschiedlichen Ebenen betrachten, die in Abbildung 1.7,
S. 34, dargestellt und im Laufe dieser Arbeit schrittweise untersucht wer-
den. Im Zentrum dieses Ebenenmodells stehen die Software-Programme
zur Ordergenerierung (Buy-Side).
120 Um den Bereich mglicher Strategien einzugrenzen, werden in Abschnitt 5 , S.
233, Hedgefonds betrachtet, die in brsennotierte Wertpapiere investieren. In
Abschnitt 6 , S. 265, werden zwei individuelle Strategien untersucht.
33
1 Einfhrung
Kapitel 4 stellt dar, dass hier das Algorithmic Trading beginnt, indem
Investoren die Datenauswertung und die Entscheidung ber Kauf- und
Verkauf schrittweise an Computerprogramme bertragen. Wenn man den
weiteren Ablauf der Transaktionsprozesse betrachtet, zeigt sich, dass die
Buy-Side dabei auf Software-Systeme angewiesen ist, welche die elektro-
nischen Kauf- und Verkaufsorders an die Brse bermitteln und dort aus-
fhren (Sell-Side).
34
Abbildung 1.7: Ebenenmodell fr Algorithmic Trading
Markt-
mikrostruktur
Elektronische
Handelssysteme
Sof tw are-
Agenten
Buy Side Sell-Side
1 Einfhrung
Kapitel 3 macht deutlich, dass diese Orderbermittlung und -ausfhrung
durch die Sell-Side ein sehr komplexer Prozess werden kann, wenn die
Softwareprogramme z.B. mehrere elektronische Handelssysteme gleich-
zeitig berwachen oder eine besonders schnelle Orderbermittlung und
-ausfhrung notwendig ist. Die Software-Programme fr Buy-Side und
Sell-Side Algorithmic Trading existieren auch in physischer Form in Da-
teien oder auf Computern. Das heit sie weisen technische Eigenschaften
auf. In Abschnitt 2.3 , S. 96, werden diese technischen Eigenschaften mit
dem Paradigma der Software-Agenten beschrieben. Der gleiche Abschnitt
macht deutlich, dass die System-Umgebung, in der diese Software-Pro-
gramme eingebettet sind, aus der Infrastruktur, den Marktmodellen elek-
tronischer Handelssysteme und anderen Software-Programmen (z.B. fr
Settlement & Clearing) besteht. In Abschnitt 2.2 , S. 69, werden die un-
terschiedlichen Formen elektronischer Handelssysteme charakterisiert,
die alle ber individuelle Eigenschaften verfgen. Aufgrund der vielflti-
gen Formen elektronischer Handelssysteme ist eine bertragung von Al-
gorithmic Trading Software von einer auf die andere Brse schwierig.
Denn die Marktmodelle elektronischer Handelssysteme steuern die Ent-
stehung bzw. den Ausgleich von Marktangebot und -nachfrage auf einer
Mikro-Ebene. Zu diesem Ergebnis kann man in Abschnitt [Link] , S. 39,
kommen, wo die Marktregeln und Marktmodelle im Rahmen der Markt-
mikrostruktur erklrt werden. Die Marktmikrostrukturtheorie bildet also
das theoretische Rahmenwerk, um die Prozesse beim Algorithmic Tra-
ding zu verstehen.
1.4.7 Gang der Untersuchung
Das vorgestellte erste Kapitel stellte dar, dass die Definition von Algo-
rithmic Trading die Buy-Side und Sell-Side gleichermaen umfasst. Die
Marktmikrostrukturtheorie kann man als Fundament des Algorithmic
Trading bezeichnen. Mir ihrer Hilfe kann man das Handelsverhalten der
35
1 Einfhrung
Marktteilnehmer und ihre Anreizmechanismen erklren, die Quellen von
Marktdaten strukturieren und die Prozesse der Orderausfhrung verste-
hen. Sptere Kapitel nehmen Bezug auf die Funktionen einer Brse,
Transaktionskosten, Liquiditt, Effizienz, die Handelsprozesse oder das
Orderbuch.
Kapitel 2 beschftigt sich mit dem Aufbau und den Typen elektronischer
Handelssysteme. Wie das Kapitel zeigt, verfgt jedes elektronisches Han-
delssystem ber ein individuelles Marktmodell, dass die Entstehung von
Marktdaten beeinflusst und gleichzeitig die Grenzen der Orderausfh-
rung festlegt. Alle Aussagen ber Algorithmic Trading sind daher an die
jeweilige Form des elektronischen Handelssystems gebunden. Die Han-
delsstrategien der Buy-Side oder Sell-Side mssen in selbststndige Soft-
ware-Programme eingebettet werden, die u.a. mit den elektronischen
Handelssystemen kommunizieren. In diesem Kapitel wird also weiterhin
diskutiert, ob die sich diese Programme durch das Paradigma der Softwa-
re-Agenten aus der Wirtschaftsinformatik beschreiben lassen.
Kapitel 3 beschftigt sich mit den Handelsstrategien zur Orderplatzierung
(Sell-Side). Im Kapitel wird gezeigt, dass sie dazu dienen, den Transakti-
onszeitpunkt, die Transaktionspreise oder das Transaktionsvolumen ab-
hngig vom Marktmodell festzulegen. Das Hauptergebnis dieses Kapitels
ist, dass die Handelsstrategien der Sell-Side die Grenzen der Ordererzeu-
gung (Buy-Side) vorgeben. Das heit, sie begrenzen z.B. die Geschwin-
digkeit von Entscheidungsprozessen, deren Automatisierung oder sie er-
mglichen die Orderweiterleitung an mehrere elektronische Handelssys-
teme gleichzeitig. Auf Basis der Literatur werden diese Strategien in ihre
Bestandteile aufgelst und Benchmarks, Algorithmen, Orderarten, Trans-
aktionskosten oder die Risiken erlutert.
Nach der Untersuchung der Sell-Side fllt die Aufmerksamkeit in Kapitel
4 auf den Kern des Algorithmic Trading, die Ordererzeugung (Buy-Side).
Zuerst werden die technischen Konzepte erlutert, die bisher zur Be-
schreibung von Algorithmic Trading Software dienten. Danach werden
36
1 Einfhrung
die Prozesse innerhalb dieser Software untersucht. Dazu werden die Be-
griffe, die im Zusammenhang mit Algorithmic Trading stehen (z.B. me-
chanische Handelsregeln, Handelsstrategien, Quantitative Finance),
erstmals strukturiert und in eine prozessorientierte Reihenfolge gebracht.
Die hier gewonnenen Erkenntnisse sind die Basis, um Algorithmic Tra-
ding im folgenden Kapitel zu identifizieren. Die Forschungsfrage erfor-
dert eine Gegenberstellung von qualitativen Aussagen ber Algorithmic
Trading und Renditen. Das Grundproblem dieser Analyse liegt aber in
der Verfgbarkeit von Renditen, die tatschlich auf Algorithmic Trading
zurckzufhren sind.
Wie Kapitel 5 zeigt, ist eine richtige Identifikation von Algorithmic Tra-
ding in Hedgefonds-Datenbanken mit dem derzeitigen Erkenntnisstand
nicht mglich. Nur wenige Datenbankbetreiber sind in der Lage eine sol-
che Kategorisierung vorzunehmen und selbst diese wenigen Einteilungen
sind potentiell fehlerhaft.
Kapitel 6 lst dieses Datenproblem durch einen experimentellen Ansatz.
Hier werden zwei eigene Algorithmic Trading Strategien simuliert (ein-
mal mit und einmal ohne Algorithmic Trading), um davon Zeitreihen von
Renditen zu erhalten. Mit Hilfe der Methode der Multifaktorenanalyse
von FUNG UND HSIEH werden diese Zeitreihen miteinander verglichen.
121
Dadurch soll geklrt werden, ob man komplexe Strategien (wie hier Al-
gorithmic Trading) allein auf Basis von Zeitreihen von Renditen nach-
vollziehen kann und welche empirischen Eigenschaften daraus ablesbar
sind.
Kapitel 7 bietet eine kurze Zusammenfassung dieser Untersuchung und
bietet einen Ausblick.
121 Vgl. Fung, Hsieh (1997).
37
2 Basis fr Algorithmic Trading
2 Basis fr Algorithmic Trading
2.1 Marktmikrostrukturtheorie
2.1.1 Grundlagen des Algorithmic Trading
Die Marktmikrostrukturtheorie beschftigt sich mit der Erforschung von
Handelsmechanismen sowie Transaktionsprozessen und versucht zu kl-
ren, welchen Einfluss bestimmte Marktbedingungen auf die Ergebnisse
eines Handels ausben.
122
Das folgende Kapitel stellt dar, welche Aussa-
gen ber Algorithmic Trading aus der Marktmikrostruktur abgeleitet wer-
den knnen (siehe Abbildung 2.1, S. 38). Ausgehend von den Marktmo-
dellen, wird der Wertpapierhandel aus prozessorientierter Sicht betrachtet
und Algorithmic Trading den einzelnen Transaktionsphasen zugeordnet.
122 Vgl. O'Hara (1998), S. 1.
38
Abbildung 2.1: Marktmikrostruktur beim Algorithmic Trading
Marktmikrostruktur
Transaktionsphasen
Transaktionsphasen
Marktmodelle elektronischer Handelssysteme
Marktmodelle elektronischer Handelssysteme
Prozessorientierte Sicht
Algorithmic Trading
(Sell-Side)
Anlage-
Prozesse
Algorithmic Trading
(Buy-Side)
2 Basis fr Algorithmic Trading
Das folgende Kapitel soll zeigen, dass die Ordererzeugung (Buy-Side)
auf Marktdaten basiert, welche entweder die Handelsprozesse widerspie-
geln oder aus externen Informationsquellen stammen. Die Auswertung
dieser Marktdaten erfolgt mit bestimmten Verfahren, die durch die Strate-
gie eines Investors vorgegeben und in den Anlageprozessen umgesetzt
werden. Am Ende der Auswertung erfolgt die Entscheidung ber Kauf
oder Verkauf von Wertpapieren (der Transaktionswunsch).
Die Orderausfhrung (Sell-Side) muss sich an den Marktbedingungen
und Regeln orientieren, die von elektronischen Handelssystemen vorge-
geben werden. Das folgende Kapitel soll ebenfalls zeigen, dass die
Marktregeln das Verhalten der konkurrierenden Brsenteilnehmer im
Handelsprozess bestimmen, so dass nur eine bestimmte Strategie zum er-
folgreichen Abschluss einer Transaktion fhrt. Abschnitt 2.2 , S. 69, baut
darauf auf und zeigt, dass die Marktmodelle an jeder Brse individuell
sind, so dass sich die Strategien nicht automatisch auf andere Mrkte
bertragen lassen.
2.1.2 Abbildung von Transaktionsprozessen in Marktdaten
[Link] Marktmodelle und Marktregeln
[Link].1 Begriffsabgrenzung
Das zentrale Element einer jeden Brse, unabhngig von der eingesetzten
Informationstechnologie, ist das Marktmodell, das durch die Marktregeln
und -prozesse gestaltet wird.
123

Der Begriff des Marktmodells wird in der Literatur aus unterschiedlichen
Perspektiven unterschiedlich definiert. Hier ist nur die Perspektive des
Wertpapierhandels relevant. GERKE UND RAPP verstehen das Marktmodell
z.B. als Gesamtheit aller Faktoren auf Mikro- und Makroebene, welche
123 Vgl. Gomber (2000), S. 10.
39
2 Basis fr Algorithmic Trading
Determinanten der Prozesse im Brsenhandel darstellen.
124
Im engeren
Sinne beschreibt dieser Begriff ein aus technischen, organisatorischen,
rechtlichen und gewohnheitsrechtlichen Handelsregeln bestehendes
Strukturgerst im institutionalisierten Brsenhandel.
125
In der Literatur
hat sich auch die Definition von GOMBER durchgesetzt, fr den das
Marktmodell die statische Sichtweise des Wertpapierhandels ist.
126
Er de-
finiert den Begriff als:
...Gesamtheit der konkreten Ausprgungen der
Strukturmerkmale einer Marktstruktur im brslichen (brsliches
Marktmodell) und auerbrslichen Wertpapierhandel
(auerbrsliches Marktmodell).
127

Beide Definitionen versuchen das Marktmodell ber seine strukturellen
Eigenschaften zu definieren und kommen zu unterschiedlichen Ergebnis-
sen. Die Grundlage beider Definitionen ist aber gleich. Dies sind die
Marktregeln, die von der Brse festgelegt werden und sich an gesetzli-
chen Rahmenbedingungen, dem Geschftsmodell der Brse oder dem be-
absichtigten Kundenkreis orientieren. Der folgende Abschnitt stellt dar,
dass die Marktregeln die Anreizmechanismen der Brsenteilnehmer in
Auktions-, Hybrid- und Marktmachersystemen auf einer Mikroebene
steuern und deren Bieterverhalten erklren, indem sie die Grenzen der
Strukturmerkmale festlegen.
Strukturmerkmale sind nach dieser Definition alle Charakteristika eines
Handelssystems, mit denen die einzelnen Transaktionsphasen gestaltet
werden, und die auf ein gemeinsames Marktergebnis hinwirken.
128
Das
Marktergebnis ist die Art und Weise, wie schnell, wie gut und zu wel-
124 Vgl. Gerke, Rapp (1994), S. 7.
125 Vgl. Gerke, Rapp (1994), S. 7.
126 Vgl. Gomber (2000), S. 11.
127 Gomber (2000), S. 11.
128 Vgl. Gomber (2000), S. 18.
40
2 Basis fr Algorithmic Trading
chem Preis eine Order ausgefhrt wurde.
129
Das Marktergebnis kann auf
Basis der Transaktionskosten
130
, Effizienz
131
oder Liquiditt
132
beurteilt
werden.
133
Die Marktprozesse spiegeln die dynamischen Beziehungen in-
nerhalb eines Handelssystems wider und erlauben eine prozessorientierte
Sicht der Transaktionsphasen (siehe Abbildung Nr. 2.2, S. 47).
134
Die vor-
liegende Arbeit orientiert sich an der Definition von GOMBER fr Markt-
modelle.
135
[Link].2 Idealtypische Marktmodelle
KAUL nennt drei idealtypische Marktmodelle, mit denen sich die Definiti-
on eines Marktmodells weiter przisieren lsst: Marktmachersysteme
(Market Maker), Auktionssysteme und Hybridsysteme.
136

129 Vgl. Gomber (2000), S. 10.
130 Fr eine Definition der allgemeinen Transaktionskosten siehe Funote 64, S. 22
dieser Arbeit.
131 Hier lassen sich unterschiedliche Effizienzbegriffe anwenden. GOMBER versteht bei-
spielsweise der operativen Effizienz die Fhigkeit eines Handelssystems Kufer
und Verkufer zusammenzufhren. Er fhrt dafr die Definition von MASSIMB UND
PHELPS an, die beschreibt, wie gut und kosten-effektiv die verfgbaren Marktstruk-
turen diese Aufgabe erfllen. Brsenbetreiber haben den Auftrag, organisatorische
Manahmen einzuleiten, welche die operative Effizienz ihrer Handelssysteme ver-
bessern und Marktfriktionen vermeiden. Vgl. Gomber (2000), S. 14f und Massimb,
Phelps (1994), S. 41. Folgt man dieser Definition, wre Algorithmic Trading keine
organisatorische Manahme der Brsenbetreiber, sondern stellt eine Eigeninitiative
der Brsenteilnehmer dar, um die Transaktionsprozesse effektiver und kostengns-
tiger zu gestalten.
132 Fr eine Definition der Liquiditt siehe Funote 12, S. 5, dieser Arbeit.
133 Vgl. Gomber (2000), S. 12-15
134 Vgl. Gomber (2000), S. 11.
135 Vgl. Gomber (2000).
136 Die Funktionen einer Brse sind nach Meinung von KAUL erstens die Sicherstellung
von Liquiditt fr private und institutionelle Anleger und zweitens, die Verringe-
rung der Transaktionskosten. Fr private Brsenteilnehmer sind die Transaktions-
kosten wichtiger als die Sicherstellung von Liquiditt, bei den institutionellen Anle-
gern ist es genau umgekehrt. Kaul (2001), S. 8-9.
41
2 Basis fr Algorithmic Trading
Wenn eine Brse als Auktionssystem organisiert ist, besteht ihr Brsen-
handel aus zwei unterschiedlichen Auktionen, einer Kaufs- und einer Ver-
kaufsauktion fr ein und dasselbe Wertpapier (Double Auction).
137
Auk-
tionatoren (z.B. Skontrofhrer) untersttzen den Wettbewerb um den
niedrigsten (Verkufer-Auktion) bzw. hchsten Preis (Kufer-Auktion).
138
Die Preisangebote werden als limitierte (unlimitierte) Orders abgegeben,
je nachdem, ob der Bieter einen bestimmten Transaktionspreis mindes-
tens erreichen will (oder nicht). Es gibt eine Vielzahl anderer theoreti-
scher Auktionssysteme die jeweils unterschiedliche Preiseffekte verursa-
chen (z.B. offene Auktion, Sealed-Bid, diskriminatorische Auktion,
Double Auctions, Vickrey Auction, Uniform Price Auction).
139
Die Auk-
tionen knnen zu festen Zeitpunkten (zeitdiskret) oder kontinuierlich
(zeitstetig) stattfinden.
140
Der Preis-Unterschied zwischen den besten
Kauf- und Verkaufs-Geboten der Double Auction ist der Spread.
137 Vgl. Kaul (2001), S. 9f.
138 Vgl. Kaul (2001), S. 9f.
139 Fr einen berblick ber Auktionsformen siehe Smith (1966), Scott, Wolf (1979),
Hughart (1975), Milgrom, Weber (1982), Cammack (1991), Hendriks, Porter
(1988).
140 Zeitdiskret bedeutet, dass die Kaufs- und Verkaufsauftrge (Orders) bis zu einem
bestimmten festen Zeitpunkt gesammelt werden. Ein Beispiel fr zeitdiskrete Auk-
tionen ist die Ermittlung Kassakurses an der Brse. Dabei gilt das Meistausfh-
rungsprinzip, bei dem ein Einheitskurs ermittelt wird, der das hchste Transaktions-
volumen verspricht. So ist der Informationsgehalt im Brsenkurs am hchsten, da
mglichst viele Kauf- und Verkaufsauftrge fr die Preisermittlung bercksichtigt
werden knnen. In der Praxis hat der Kassakurs so gut wie keine Bedeutung mehr.
Anders ist es in zeitstetigen Auktionen (fortlaufender Handel). Hier werden die Or-
ders nicht bis zu einem feststehenden Zeitpunkt gesammelt, sondern sofort ausge-
fhrt wenn die Transaktionsbedingungen der Kontrahenten bereinstimmen. Die
meisten elektronischen Handelssysteme sind kontinuierlich (fortlaufender Handel)
und enthalten zeitdiskrete Elemente (z.B. Erffnungs-, Schlussauktion oder Kassa-
kurs). Im kontinuierlichen Handel werden whrend der Brsenzeit sich gegenber-
stehende, passende Orders sofort ausgefhrt. Unlimitierte Orders werden gegenein-
ander und mit den gnstigsten limitierten Angeboten der Gegenseite ausgefhrt.
Liegen mehrere limitierte Kauforders vor, wird der hchste, bei mehreren limitier-
ten Verkaufsorders der niedrigste ausgefhrt. Liquiditt ist dann gegeben, wenn
immer gengend Orders auf der Kufer- und Verkuferseite fr einen fortlaufenden
Handel vorliegen. Vgl. Kaul (2001), S.10-11.
42
2 Basis fr Algorithmic Trading
Das zweite idealtypische Marktmodell sind Marktmachersysteme (Mar-
ket Maker Systeme).
Die Kauf- und Verkaufskurse werden hier von einem zentralen Marktma-
cher (Market Maker) gestellt.
141
Die Bezeichnung der Kurse erfolgt aus
der Perspektive des Marktmachers als Geldkurs (Bid) wenn er Investoren
Wertpapier zum Kauf anbietet und als Briefkurs (Ask), wenn er Wertpa-
piere von Investoren kaufen mchte (anfragt). Geld- und Briefkurs des
Marktmachers, mit einem Transaktionsvolumen versehen, bilden zusam-
men eine Quotierung (Quote). Geld- und Briefkurs ohne Volumenangabe
stellen eine unverbindliche Kurs-Taxe dar.
142
In Marktmachersystemen
existieren keine limitierten Orders.
143
Der Marktmacher tritt in jeder
Transaktion als Kontrahent gegenber dem Investor auf.
144
Er soll da-
durch Kurskontinuitt und sogenannte informationseffiziente
145
Aktien-
141 Der Marktmacher bietet an die Wertpapiere zum Geldkurs zu kaufen oder sie mit
dem Briefkurs zu verkaufen. Die Investoren kaufen zum Briefkurs und verkaufen
zum Geldkurs. Vgl. Kaul (2001), S. 11f.
142 Vgl. Gomolka (2007), S. 21.
143 Vgl. Kaul (2001), S.11.
144 Abhngig von den Brsenrichtlinien sind die Marktmacher verpflichtet, die Kurse
von sich aus oder auf Anfrage in das Brsensystem zu stellen und fr sofortige Li-
quiditt zu sorgen. Ihre Transaktionskosten knnen die Marktmacher aus dem
Spread bestreiten. Je nach Brsenorganisation knnen ihnen auch andere Privilegi-
en gewhrt werden. Vgl. Kaul (2001), S. 11f.
145 Wie O'HARA darstellt, bringen informierte und nicht-informierte Hndler verfgba-
re Informationen indirekt in die Kursstellung mit ein, indem sie neue Informationen
schrittweise bei der Formulierung ihrer Transaktionswnsche bercksichtigen. Vgl.
O'Hara (1998), S. 153. Das Paradigma der Informationseffizienz aus der Kapital-
markttheorie versucht zu erklren, an welchen Informationen sich alle Marktteil-
nehmer orientieren und welche Informationsvorteile dadurch entstehen. FAMA unter-
scheidet hier drei Formen der Informationseffizienz. Schwache Informationseffizi-
enz liegt dann vor, wenn sich nur die historische Kursentwicklung in den Markt-
preisen widerspiegelt. Bei halb-schwacher Informationseffizienz spiegeln die
Marktpreise alle ffentlich verfgbare Informationen (wie z.B. Jahresabschlsse)
wider. Starke Informationseffizienz liegt dann vor, wenn private oder geheime In-
formationen (wie z.B. Insiderinformationen) sofort in Marktpreise umgesetzt wer-
den. Vgl. Fama (1970), S. 414.
43
2 Basis fr Algorithmic Trading
kurse garantieren, sowie kurzfristige Angebots- und Nachfrageberhnge
ausgleichen.
146
Je nach Marktmodell knnen auch mehrere Marktmacher
um die beste Quote konkurrieren.
147
Hybridsysteme besitzen die Eigenschaften von Auktions- und Marktma-
chersystemen gleichermaen.
148
Dazu werden werden limitierte Orders
aus Auktionssystemen in einem Marktmachersystem zugelassen oder die
Marktmacher treten in einem Auktionssystem auf.
149
Der Investor erhlt
sofortige Liquiditt, wenn er auf Preislimite verzichtet und entweder eine
entsprechende Quote des Marktmachers oder eines anderen Investors an-
nimmt.
150
Man knnte auch sagen, dass in einem Hybridsystem nicht nur
die Brsenteilnehmer um die gnstigsten Preise konkurrieren, sondern
die Marktmacher mit den Investoren.
151
Der Brsenhandel in einem Hy-
bridsystem erfolgt in der Regel zeitstetig, es knnen aber auch Erff-
nungs-, Tages- oder Schlussauktionen durchgefhrt werden.
152
In der Pra-
xis wird die Verantwortung fr die Kursstellung in einem Wertpapier von
der Brsengeschftsfhrung in der Regel an einen Kursmakler (in
Deutschland dem Skontrofhrer) abgegeben.
153
Die Skontrofhrer haben
die gleichen Aufgaben wie die Marktmacher.
146 Vgl. Kaul (2001), S. 12.
147 Vgl. Gomolka (2007), S. 21.
148 Vgl. Kaul (2001), S. 12.
149 Vgl. Kaul (2001), S. 12.
150 Vgl. Kaul (2001), S. 12.
151 Vgl. Kaul (2001), S. 12.
152 Vgl. Kaul (2001), S. 13-14.
153 Der Kursmakler fhrt das Orderbuch, eine Zusammenfassung aller bestehenden
Geld- und Briefkurse, und kann, je nach Marktsegment, dazu verpflichtet werden
Liquiditt in ausreichendem Mae bereit zu stellen, wenn Angebot und Nachfrage
dafr nicht ausreichen. Diese Eigengeschfte drfen aber nicht tendenzverstrkend
wirken. Vgl. Kaul (2001), S. 14.
44
2 Basis fr Algorithmic Trading
[Link].3 Capital Market Information Systems
Je nach Marktmodell kommen bestimmte Softwareprogramme (IT-Syste-
me) zur Anwendung, die sich entweder an Auktionsteilnehmer oder an
die ffentlichkeit richten. Die Systeme stellen den Informationsfluss in
den Auktionen sicher und sorgen fr effiziente Mrkte. HARRIS unter-
scheidet IT-Systeme zur Orderprsentation (Order Presentation Systems),
Marktdatensysteme (Market Data Systems), Orderbcher (Orderbooks)
und Orderroutingsysteme (Order Routing Systems).
154
Die gleiche Glie-
derung von computerbasierten Systemen fr den Wertpapierhandel wird
auch von DABOU UND RABHI aufgegriffen und weiterentwickelt.
155
Die Au-
toren bezeichnen die IT-Systeme hier als Capital Market Information
Systems und unterscheiden IT-Systeme zur Informationssammlung und
-verteilung (Information Collection an Distribution Systems), IT-Systeme
zum Ordermatching (Trading Engines), Orderroutingsysteme (Order
Routing Systems), IT-Systeme zur Orderprsentation (Order Presentation
Systems), IT-Systeme zur Orderabwicklung (Settlement and Registry Sys-
tems) sowie IT-Systeme zur berwachung (Surveillance Systems).
156

154 Orderroutingsysteme bernehmen die Weiterleitung der Orders vom Investors an
die Brse. Order Presentation Systems, sollen die Brsenhndler dabei unterstt-
zen, den berblick in den einzelnen Auktionen zu behalten. Orderbcher informie-
ren hingegen ber alle Orders die zu Transaktionen hinfhren. Market Data Sys-
tems dienen dazu, die abgeschlossenen Transaktionen oder die Quotierungen von
Marktmachern der ffentlichkeit zu prsentieren. Vgl. Harris (2003), S. 90.
155 Vgl. Dabou, Rabhi (2008).
156 Vgl. Dabou, Rabhi (2008), S. 37.
45
2 Basis fr Algorithmic Trading
Wie die Autoren feststellen, kann man jedes dieser IT-Systeme einem
oder mehreren Transaktionsprozessen im Wertpapierhandel zuordnen.
157
Diese Feststellung ist bedeutend, weil man den Wertpapierhandel so nicht
mehr aus der (statischen) Perspektive der Marktmodelle, Marktregeln
bzw. Auktionsmechanismen betrachtet, sondern weil man den Wertpa-
pierhandel als Zyklus von (dynamischen) Prozessen begreift, die z.B. mit
einem Transaktionswunsch beginnen und mit der Abwicklung einer
Transaktion enden. Die Phasen der Transaktionsprozesse werden im fol-
genden Abschnitt ausfhrlich erlutert.
Bei der Betrachtung von Auktions-, Marktmacher- und Hybridsystemen
stellt sich also die Frage, ob Algorithmic Trading nur ein (statisches) IT-
System ist (z.B. ein Information Collection an Distribution System oder
ein Order Routing System), das den Auktionsteilnehmer untersttzt, oder
157 Die IT-Systeme zur Informationssammlung und -verteilung werden eingesetzt, um
die Handelsaktivitten zu beobachten und zu dokumentieren. Die Verteilung der
Marktdaten erfolgt entweder in Echtzeit (Realtime Data) oder mit Verzgerung
(Delayed Data). Man unterscheidet Query Services, bei denen Informationen ange-
fordert werden, und Broadcast Services, bei denen Informationen kontinuierlich
ohne Anfrage bermittelt werden. Die IT-Systeme zum Ordermatching dienen dazu,
die Orders von Kufern und Verkufern in elektronischen Handelssystemen, ent-
sprechend der geltenden Marktmodelle und Marktregeln, zusammen zu fhren.
Elektronische Handelssysteme werden im Abschnitt 2.2 , S. 69, dieser Arbeit defi-
niert. Orderroutingsysteme dienen der bermittlung von Wertpapierorders bzw.
Nachrichten ber deren Status zwischen Investoren, elektronischen Handelssyste-
men, Brokern bzw. Dealern. Die Systeme werden in Abschnitt [Link] , S. 146, die-
ser Arbeit nher erlutert. IT-Systemen zur Orderprsentation sind bildschirmba-
sierte Computersysteme, mit denen man die Marktteilnehmern ber Orders oder
Quotes informiert. Broker knnen jeweils eigene Systeme zur Orderprsentation
besitzen. Mit den IT-Systemen zur Orderabwicklung werden, nach einem erfolgrei-
chen Abschluss einer Transaktion, die Daten der Kontrahenten ausgetauscht und die
Lieferung der Wertpapiere bzw. der Ausgleich der Zahlungsverpflichtungen durch-
gefhrt. Die Autoren unterscheiden hier das reine Settlement (dient dem Austausch
von Cash) bzw. das Depositary (dem Lager- bzw. Lieferort der Wertpapiere). Dem
gegenber stehen Registry Systems. Dies sind Systeme, welche die Informationen
der Transaktion duplizieren und zwischen dem Unternehmen und deren Aktionren
austauschen. Die letzte Kategorie bilden IT-Systeme zur berwachung. Diese die-
nen dazu, illegale Handelspraktiken zu entdecken, die gegen die Marktregeln oder
Gesetze verstoen. Vgl. Dabou, Rabhi (2008), S. 37-39.
46
2 Basis fr Algorithmic Trading
ob die Software nur dazu dient, besonders komplexe Aufgaben und (dy-
namische) Prozesse zu bewltigen, die sich durch den Menschen alleine
nicht mehr effizient lsen lassen. Der Begriff Algorithmic Trading wrde
dann (dynamische) Prozesse beschreiben, die sich in Teilprozesse mit
Aufgaben gliedern lassen.
[Link] Prozessorientierte Sicht
PICOT, BORTENLNGER UND RHRL verfolgen eine phasenorientierte Sicht
des Brsenhandels.
158
Sie unterteilen den Handelsprozesse in die Infor-
mations-, Orderrouting-, Abschluss- und Abwicklungsphase, die immer
wiederkehrende strukturierte Aufgabenstellungen beinhalten (Abbildung
Nr. 2.2, S. 47).
159
GOMBER baut auf dieses Schema auf und fgt dem Sche-
ma das Marktergebnis als Resultat der Transaktionsprozesse hinzu.
160
Seiner Definition fr das Marktmodell folgend, untergliedert er die ein-
zelnen Transaktionsphasen, indem er ihnen Strukturmerkmale zugeord-
158 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 16.
159 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 16.
160 Das Marktergebnis steht am Ende der Transaktionsprozesse und dient der Beurtei-
lung der Qualitt eines elektronischen Handelssystems oder der Transaktionsbedin-
gungen, z.B. durch den ausgehandelten Preis, der vereinbarten Menge oder die Zeit,
die fr eine Orderausfhrung bentigt wurde. Vgl. Gomber (2000), S. 12.
47
Abbildung 2.2: Phasen der Handelsprozesse, in Anlehnung an Picot,
Bortenlnger, Rhrl (1996)
Informations-
phase
Informations-
phase
Orderrouting-
phase
Orderrouting-
phase
Abschluss-
phase
Abschluss-
phase
Abwi ckl ungs-
phase
Abwi ckl ungs-
phase
a) Pre-Trade Phase b) Post-Trade Phase
2 Basis fr Algorithmic Trading
net, welche die transaktionsspezifischen Aufgaben widerspiegeln.
161
Die
Strukturmerkmale sind Markttransparenz (Informationsphase), Orderpa-
rameter- und Orderverbindlichkeit (Orderroutingphase), Preisermitt-
lungsverfahren und Handelsfrequenz (Abschlussphase) sowie Settlement-
frist (Abwicklungsphase). Sie geben die Grenzen vor, in denen der Wert-
papierhandel ablaufen kann.
162
Die Transaktionsphasen werden der Defi-
nition folgend im Weiteren kurz erlutert.
Die Informationsphase beinhaltet alle Aktivitten eines Investors, die auf
die Handelsentscheidung gerichtet sind, und der Informationsbeschaf-
fung, -verarbeitung, -lagerung und -bewertung dienen.
163
In dieser Phase
entscheiden Kufer und Verkufer auf Basis von Marktdaten darber, ob
sie handeln mchten. GOMBER unterscheidet hier zwischen marktexoge-
nen und marktendogenen Informationen, die (im Folgenden) auch als
Marktdaten bezeichnet werden.
164
Exogene Informationen sind allgemei-
ne Marktdaten die von Nachrichtenagenturen oder Informationsmaklern
bermittelt werden (z.B. Unternehmensnachrichten, Wertpapieranalyse,
makrokonomische Kennzahlen).
165
Endogene Marktdaten entstehen
durch das Agieren der Marktteilnehmern in der betrachteten Marktorgani-
sation selbst (z.B. Quotierungen von Marktmachern, Kurszeitreihen, Vo-
lumina oder Transaktions-Besttigungen).
166
Das Strukturmerkmal der
Markttransparenz zeigt an, wie viele (endogene) Informationen ber das
Handelsgeschehen fr die Marktteilnehmer zugnglich sind.
167

Whrend der Orderroutingphase wird der Transaktionswunsch formuliert
und als Order an die Wertpapiermrkte bermittelt.
168
Das Strukturmerk-
mal der Orderparameter soll dabei helfen, die Transaktionsinteressen ge-
161 Vgl. Gomber (2000), S. 12.
162 Vgl. Gomber (2000), S. 18.
163 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 36.
164 Vgl. Gomber (2000), S. 19.
165 Vgl. Gomber (2000), S. 19.
166 Vgl. Gomber (2000), S. 19.
167 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 23.
168 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 49f.
48
2 Basis fr Algorithmic Trading
nau zu formulieren.
169
Als Orderparameter dienen alle fr den Abschluss
der Transaktion erforderlichen Informationen, wie z.B. Wertpapierbe-
zeichnung, Volumen/Stckzahl, Bankverbindungen oder Kauf- oder Ver-
kaufslimit.
170
Das Strukturmerkmal der Orderverbindlichkeit gibt an, ob
feste Orderspezifikationen bestehen oder unverbindliche Orders nur Ver-
handlungsbereitschaft signalisieren.
171
In der Abschlussphase werden die Kaufs- und Verkaufsorders nach dem
Strukturmerkmal des Preisfeststellungsverfahrens zusammengefhrt.
172
Wie Abschnitt [Link].2 , S. 41, zeigte, fallen die Preisfeststellungsver-
fahren in Auktions-, Marktmacher- oder Hybridsystemen unterschiedlich
aus. Je nachdem, welche Form des Preisfeststellungsverfahrens (Order-
matching) Anwendung findet, mssen die Marktteilnehmer also ihr Ver-
halten in der Orderroutingphase anpassen, um im Wettbewerb der Bieter
erfolgreich zu sein. Das Strukturmerkmal der Handelsfrequenz bezieht
sich auf die Kontinuitt dieses Preisfeststellungsverfahrens, die hoch aus-
fallen kann, wenn ein fortlaufendes Ordermatching stattfindet (Marktma-
chersysteme), oder niedrig ist, wenn nur ein periodisches Preisfeststel-
lungsverfahren Anwendung findet (Auktionsprinzip).
173

In der Abwicklungsphase erfolgt schlielich das Clearing und Settlement
unter den Marktteilnehmern.
174
Diese Aufgabe bernehmen Wertpapier-
verwahrer und -abwickler (sogenannte Custodians). Unter dem Clearing
versteht man die Feststellung wechselseitiger Verpflichtungen zwischen
den Handelsparteien, die je nach Handelsorganisation ber eine zentrale
169 Vgl. Gomber (2000), S. 20.
170 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 50.
171 Vgl. Gomber (2000), S. 20.
172 Vgl. Gomber (2000), S. 21.
173 Vgl. Gomber (2000), S. 21.
174 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 71.
49
2 Basis fr Algorithmic Trading
Clearingstelle
175
abgewickelt werden kann.
176
Unter dem Settlement ver-
steht man den Ausgleich der Nettoverpflichtungen
177
ber die Konten der
Marktteilnehmer, die bertragung der Eigentumsrechte und (meist elek-
tronische) Lieferung der Wertpapiere.
178
Das Strukturmerkmal der Settle-
mentfrist gibt an, wie viel Zeit nach dem Abschluss der Transaktion fr
das Settlement zur Verfgung steht.
179
Seiner Definition folgend, definiert GOMBER alle Strukturmerkmale, die
Transaktionsphasen begleiten und mehrere Ausprgungen haben knnen,
als phasenbergreifende Strukturmerkmale: den Grad der Variabilitt
(Strukturmerkmale werden durch exogene Faktoren determiniert oder er-
geben sich aus marktendogene Faktoren), den Grad der Konsolidierung
(zentral organisiertes Brsensysteme oder Zersplitterung der Liquiditt
ber Teilmrkte) sowie den Grad der Automatisierung (bergang vom
Parketthandel durch Menschen zur voll-integrierten Computerbrse).
180
[Link] Zuordnung von Algorithmic Trading
Die phasenorientierte Sicht des Wertpapierhandels erlaubt eine funktiona-
le Gliederung von Algorithmic Trading nach Buy-Side und Sell-Side. Die
Informationsphase beinhaltet das Algorithmic Trading auf der Buy-Side,
weil hier zielgerichtet Computer-Verfahren zur Datenauswertung einge-
setzt werden, um eine Investmententscheidung herbeizufhren. Die in der
Orderroutingphase zu erfllenden Aufgaben sind deckungsgleich mit den
Aufgaben der Sell-Side im Algorithmic Trading.
175 Eine zentrale Clearingstelle (Central Counter Party, CCP) dient dazu das Ausfallri-
siko eines Kontrahenten in einer Transaktion (Counterparty Risk) abzusichern. Vgl.
Norman (2002), S. 208.
176 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 72.
177 Dies wird auch als Netting bezeichnet. Vgl. Loader (2002), S. 212.
178 Fr eine umfangreiche Darstellung von Clearing und Settlement vgl. Loader
(2002).
179 Vgl. Gomber (2000), S. 22.
180 Vgl. Gomber (2000), S. 23.
50
2 Basis fr Algorithmic Trading
Fr Algorithmic Trading ist es wichtig, die einzelnen Transaktionsphasen
im Hinblick auf den Transaktionszeitpunkt zu gliedern. Denn fr die
Sell-Side sind nur diejenigen Phasen relevant, die vor Abschluss einer
Transaktion liegen. Die Pre-Trade Phase umfasst alle Wertpapierprozes-
se, die ablaufen, bevor eine Transaktion stattfindet, die Post-Trade Phase
alle danach. Werden alle Transaktionsphasen auf elektronischem Wege
automatisch und ohne technische Friktionen (Medienbrche
181
) fehlerlos
durchlaufen, spricht man von Straight Through Processing (STP)
182
.
2.1.3 Informationsphase
[Link] bersicht ber die Teilprozesse
181 Der Begriff Medienbruch bezieht sich auf die Prozessablufe innerhalb von Soft-
ware-Architekturen (Workflow-Management). Unter Medienbrchen versteht man
hier vor allem den Zeitverlust, der entsteht, wenn sich die Daten whrend der Verar-
beitung umformatiert werden mssen (z.B. aufgrund der Verwendung unterschiedli-
cher Programmiersprachen zwischen Software-Systemen). Vgl. dazu Starke (2009),
S. 274ff.
182 Vgl. Knogler, Linsmaier (2008), S. 57f.
51
2 Basis fr Algorithmic Trading
Zur allgemeinen Beschreibung der Informationsphase nutzt GOMBER das
Strukturmerkmal der Markttransparenz, das sich entweder auf die Dar-
stellung von Transaktionswnschen (Pre-Trade Transparenz) oder abge-
schlossene Geschfte (Post-Trade Transparenz) bezieht.
183
Seine Be-
schreibung konzentriert sich darauf, welche Informationen fr den Ent-
scheidungsprozess bereitgestellt werden und in welcher Form diese an
die Marktteilnehmer bermittelt werden. PICOT, BORTENLNGER UND
RHRL hingegen beschreiben die Informationsphase durch die zu erledi-
genden Aufgaben: die Informationsbeschaffung, -verarbeitung, -bewer-
tung, -lagerung und -speicherung.
184
Ihre Perspektive konzentriert sich
auf die Art und Weise, wie ein Investor die verfgbaren Informationen
benutzt, um seine Investitionsentscheidung zu treffen.
Abbildung 2.3, S. 51, macht deutlich, dass sich die allgemeine Beschrei-
bung der Informationsphase bei beiden Autoren berschneidet. Das Kri-
terium der Markttransparenz lsst sich den Aufgaben der Informationsbe-
schaffung und -bereitstellung zuordnen. Alle anderen Aufgaben lassen
sich dadurch abgrenzen, dass sie mit den verfgbaren Informationen ar-
beiten. Insgesamt knnen mit der Bereitstellung und der Auswertung von
Informationen zwei unabhngige Teilprozesse unterschieden werden, die
sich so auch im Algorithmic Trading wiederfinden.
[Link] Bereitstellung von Informationen
[Link].1 bersicht
Wie GOMBER darstellt, kann die Informationsphase die Auswertung endo-
gener oder exogener Informationen (Marktdaten) beinhalten (siehe Ta-
belle 2, S. 53).
185
In Kapitel 4 werden die Verfahren beim Algorithmic
Trading dargestellt, mit denen diese Marktdaten ausgewertet werden.
183 Vgl. Gomber (2000), S. 19.
184 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 36-37.
185 Vgl. Gomber (2000), S. 19.
52
2 Basis fr Algorithmic Trading
Endogene Marktdaten Exogene Marktdaten
Beschreibung Spiegeln das Marktmodell und die
Handelsprozesse eines elektroni-
schen Handelssystems wieder.
Alle Informationen die im
Anlageprozess ntzlich sind.
Datenquellen Pre-Trade: Orderbuch
(Preis, Volumen, Referenz-
nummern, Lebenszeit usw.)
Post-Trade:
Transaktionsbesttigungen
und Abwicklungsdaten
(Preis, Volumen, Zeitpunkt,
Kontrahenten usw.)
Brsendaten
Vendoren
Internet Websites
interne Applikationen
Regierungen
Nachrichtenagenturen
...
Tabelle 2: Zusammenfassung endogener und exogener Marktdaten in
der Informationsphase (Quelle: Gomber (2000), S. 19)

Endogene Marktdaten entstehen durch permanente nderungen von An-
gebot und Nachfrage in einem Brsensystem und bestehen aus den ein-
zelnen Geboten (Orders) der Auktionsteilnehmer (Pre-Trade) und den
realisierten Transaktionen (Post-Trade).
186
Daraus kann man schlussfol-
gern, dass endogene Marktdaten indirekt auch alle Marktregeln, Markt-
prozesse, Liquiditts- oder Effizienzbegriffe widerspiegeln, welche ein
elektronisches Brsensystem charakterisieren. Das Orderbuch fasst alle
endogenen Marktdaten, die zu einer Transaktion hinfhren, zusammen
und bermittelt diese an die Marktteilnehmer. Die Informationsphase
kann aber auch exogene Marktdaten einbeziehen, die nicht aus dem Or-
derbuch stammen. Daraus kann man schlussfolgern, dass exogene Markt-
daten alle sonstigen, ffentlich verfgbaren oder privaten Informationen
sind, die fr die Bewertung von Finanzinstrumenten herangezogen wer-
den knnen.
186 Vgl. dazu Gomber, Lutat, Schubert (2008), S. 149.
53
2 Basis fr Algorithmic Trading
[Link].2 Endogene Informationen
Gomber versteht unter der Post-Trade Markttransparenz die Verfgbar-
keit von Informationen nach dem erfolgreichen Abschluss von Transak-
tionen.
187
Diese Informationen knnen Transaktionspreise, Volumen oder
Zeitpunkte des Abschlusses sein.
187 Vgl. Gomber (2000), S. 19.
54
Abbildung 2.4: Schnappschuss eines Orderbuches (Quelle:
[Link] (2009))
2 Basis fr Algorithmic Trading
Ein (elektronisches) Orderbuch konzentriert alle Kaufs- und Verkaufsauf-
trge eines Wertpapiers an einer Brse bevor es zur Transaktion
kommt.
188
Damit trgt das Orderbuch zur Pre-Trade Markttransparenz
bei.
189
Der Aufbau und die Dynamik des Orderbuches ist von Brse zu
Brse unterschiedlich. Das Orderbuch zeigt also in einem Augenblick das
sich permanent verndernde Angebot und die Nachfrage, whrend im
Hintergrund die Marktprozesse ablaufen.
GOMBER definiert ein Orderbuch als eine nach Prioritts-Regeln vorge-
nommene Auflistung von limitierten und unlimitierten Orders.
190
Man
unterscheidet offene und geschlossene Orderbcher, je nachdem, ob die
Marktteilnehmer Einblick in die Quotes und Taxen der Auktionen erhal-
ten.
191
Die Anzahl der im Orderbuch aufgelisteten Kauf- und Verkaufsin-
teressen (Orderbuchlnge) kann durch den Brsenbetreiber oder Vendo-
ren
192
limitiert werden.
193
Die jeweils besten Kaufs- und Verkaufsangebo-
te werden (ausgehend vom elektronischen Handelssystem NASDAQ) als
Level 1 Kurse bezeichnet.
194
Die volle Lnge des Orderbuches wird als
Level 2 Kurse bezeichnet.
195
Level 3 bezieht sich auf die Fhigkeit, aktiv
in die Gestaltung des Orderbuches einzugreifen, diese Funktion ist aber
meist Marktmachern und Skontrofhrern vorbehalten.
196
Orderbcher
sind in der Regel anonym, das bedeutet, nur der Brsenbetreiber kennt
die Identitt der einzelnen Kauf- und Verkaufsinteressen.
197
Die obige
188 Vgl. dazu Dabous, Rabhi (2008), S. 33.
189 Vgl. Gomber (2000), S. 19.
190 Gomber (2000), S. 19.
191 Vgl. Gomber (2000), S. 19.
192 Als Vendoren werden Service-Anbieter bezeichnet, die Marktdaten von
verschiedenen Brsen einsammeln, Fehler eliminieren und an Marktteilnehmer
weiterverkaufen. Vgl. Alvarez (2007), S. 3.
193 Vgl. Gomber (2000), S. 19.
194 Vgl. Loss, Seligmann (2004), S. 754f.
195 Vgl. Loss, Seligmann (2004), S. 754f.
196 Vgl. Loss, Seligmann (2004), S. 754f
197 Vgl. Gomber (2000), S. 19f.
55
2 Basis fr Algorithmic Trading
Grafik ist ein Schnappschuss des Orderbuchs des elektronischen Han-
delssystems XETRA fr die Aktie der Baader Wertpapier Holding vom
19. Juli 2007 (Abbildung Nr. 2.4, S. 54).
In Auktions-, Hybrid- und Marktmachersystemen kann ein Orderbuch aus
zwei Auktionen bestehen, die parallel zueinander verlaufen. Die Geldkur-
se sind Kaufangebote (englisch: Bid) von Marktteilnehmern, die Wertpa-
piere kaufen wollen. Die Briefkurse sind Verkaufsangebote (englisch:
Ask), auf dieser Seite der Auktion bieten alle Investoren, die Wertpapiere
verkaufen wollen. Im Normalfall ist der hchste Geldkurs (
B
Bid
) immer
niedriger als der niedrigste Briefkurs (hier
B
Ask
). Beide Orderbuchseiten
werden jeweils in absteigender Reihenfolge nach dem Preis sortiert.
Wenn mehrere Orders den gleichen Preis aufweisen, wird das Volumen
auf dem gleichen Preis kumuliert. Bei der visuellen Darstellung der Or-
derbcher sind unterschiedliche Varianten blich. In der Literatur werden
limitierte Orderbcher (Limit Order Books) u.a. bei RANALDO, PEROTTI
UND RINDI, HALL UND HAUTSCH, FRINO, GERACE UND LEPONE oder PASCUAL
UND VEREDAS untersucht.
198

[Link].3 Exogene Informationen
Exogene Marktdaten lassen sich nur schwer eingrenzen. Praktisch kom-
men dafr alle Daten in Betracht, welche in die Informationsphase ein-
flieen knnen. GSELL unterscheidet zwischen Echtzeitdaten (Real-Time)
und historischen Marktdaten (Historical Data) als Grundlage fr Algo-
rithmic Trading.
199
Er beschftigt sich aber nicht mit den Quellen der
Marktdaten.
198 Vgl. Ranaldo (2004), Perotti, Rindi (2006), Hall, Hautsch (2007), Frino, Gerace
und Lepone (2008) oder Pascual, Veredas (2010).
199 Vgl. Gsell (2006), S. 2.
56
2 Basis fr Algorithmic Trading
ALVAREZ liefert einen allgemeinen berblick ber Marktdaten, unabhn-
gig vom Algorithmic Trading. Er fasst sechs mgliche Datenquellen zu-
sammen: Brsen, Vendoren, Internet Websites, interne Applikationen (In-
House Applications), Regierungen, Nachrichtenagenturen.
200
Er schlgt
vor, diese Marktdaten nach Wertpapierklassen (Assets) und Datentypen
zu ordnen.
201
Die Assetklassen bestehen aus: Rentenpapieren (Debt), Ak-
tienmrkten (Equities), Geldmarktinstrumenten (Money Markets), Deri-
vaten, Indizes und organisierten Sondervermgen (Collective Invest-
ments, CI).
202
Die verfgbaren Datentypen reichen von einfachen Ge-
schftsinformationen (Global Business Data), ber Handelsdaten, Ra-
tings bis hin zu Kreditausknften, Steuerdaten oder Transaktionsproto-
kollen.
203
KENDALL beschreibt, wie stark und unumkehrbar der allgemeine
Trend zu Real-Time und historischen Massendaten ist und zu welchen
hohen Anforderungen diese Entwicklung an den Ausbau der Compu-
ter-Infrastruktur stellt.
204
Der Einsatz von leistungsfhigen Datenbanken
zur Verwaltung dieser vielfltigen Informationen ist zwingend notwen-
dig.
205
200 Vgl. Alvarez (2007), S. 3.
201 Vgl. Alvarez (2007), S. 10.
202 Vgl. Alvarez (2007), S. 12.
203 Vgl. Alvarez (2007), S. 6.
204 Vgl. Kendall (2007), S. 84.
205 Vgl. Alvarez (2007), S. 1-2.
57
2 Basis fr Algorithmic Trading
[Link] Auswertung von Informationen
Mit der Bereitstellung von endogenen oder exogenen Marktdaten steht
eine Datenbasis fr den Teilprozess der Informationsauswertung beim
Algorithmic Trading zur Verfgung, an dessen Ende man einen Transak-
tionswunsch ableiten kann. In Abschnitt [Link] , S. 51, wurden die Auf-
gaben in diesem Teilprozess bereits kurz genannt. Die Aufgabe der Infor-
mationsverarbeitung beschreibt, wie diese Marktdaten fr die maschinel-
le oder menschliche Verarbeitung vorbereitet oder verdichtet werden.
206
Die Aufgabe der Informationsbewertung besteht darin, die wertlosen In-
formationen, die zu Fehlentscheidungen fhren, von den ntzlichen In-
formationen zu trennen.
207
Die Aufgabe der Informationslagerung und
-speicherung bezieht sich darauf, neu geschaffene und hinzugewonnene
Informationen zu speichern, auf die man so immer wieder zurckgreifen
kann.
208
206 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 37.
207 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 37.
208 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 38.
58
Abbildung 2.5: Gliederung der Teilprozesse der Informationsphase
Inf ormationsphase
Informations-
beschaffung,
bereitstel l ung
Informati ons-
beschaffung,
bereitstel l ung
Anl age-
prozesse
Anl age-
prozesse
Informations-
Auswertung
Informati ons-
bewertung
Informations-
bewertung
2 Basis fr Algorithmic Trading
Die Informationsbewertung ist eine Schlsselaufgabe beim Algorithmic
Trading, weil dabei entschieden wird, ob wertlose oder ntzliche Infor-
mationen vorliegen. Das dafr eingesetzte Bewertungsverfahren kann zu
Anpassungen in der vorgelagerten Datenbereitstellung und der Informati-
onsverarbeitung fhren. Weder PICOT, BORTENLNGER UND RHRL noch
GOMBER gehen darauf ein, ob kurzfristige oder langfristige Marktdaten
im Bewertungsverfahren zum Einsatz kommen.
209
Die Auswahl eines
Verfahrens wird von Ihnen genauso wenig behandelt. Kapitel 4 dieser
Arbeit zeigt, dass im Algorithmic Trading die Auswahl des Bewertungs-
verfahrens, von der langfristig geplanten Strategie des Investors abhngt.
Aufgrund der Wahl der Bewertungsmethode verschmelzen in der Infor-
mationsphase langfristig orientierte Anlageprozesse und kurzfristige Auf-
gaben aus der Informationsbewertung. Die Informationslagerung und
-speicherung sind nur sekundre Aufgaben, weil sie fr die Investitions-
entscheidung irrelevant sind.
Fr die Beschreibung der Anlageprozesse gibt es in der Literatur keine
einheitliche Darstellung. LSCHER-MARTY unterscheiden im langfristigen
Asset Allocation Prozess (Anlageprozess) vier Phasen: die strategische
Asset Allocation, die taktische Asset Allocation, Anlagetransaktionen und
Anlageberwachung.
210
Diese Definition wird in Abbildung 2.6, S. 60
dargestellt.
209 Vgl. Gomber (2000) und Picot, Bortenlnger, Rhrl (1996).
210 Die strategische Asset Allocation dient der groben Strukturierung und der langfristi-
gen Ausrichtung des Portfolios, das aus unterschiedlichen Wertpapieren besteht.
Die taktische Asset Allocation bernimmt die feine Strukturierung des Portfolios,
die Diversifikation in unterschiedliche Wertpapiere, um eine Basis zur Initialisie-
rung von Orders zu schaffen. Die Umsetzung der Transaktionswnsche erfolgt in
der Phase der Anlagetransaktionen, indem Orderparameter und Zeitpunkt festgelegt
werden. n der vierten Phase erfolgt die berwachung des laufenden Portfolios, die
aus laufender Analyse, Bewertung und Berichterstattungen besteht. Vgl. Lscher-
Marty (2008), S. 2.25.
59
2 Basis fr Algorithmic Trading
HEHN gliedert den Anlageprozess hingegen in die sechs Phasen: Informa-
tionsbeschaffung, Pre-Screening, Finanzielle Analyse, Umwelt- und Sozi-
alanalyse, Qualittskontrolle und Portfolio-Bildung.
211

Fr NIGGEMANN ist die Asset Allocation ein strukturierter Prozess der Auf-
teilung von Anlagekapital auf Anlageinstrumente (Assetklassen) und lsst
sich wiederum durch vier Phasen charakterisieren: Ermittlung und Hhe
des Anlagekapitals, Erstellung Anlageprofil und Definition der Anlage-
ziele, strategische Asset Allocation sowie taktische Asset Allocation.
212
Die Anzahl der Phasen und deren Inhalt unterscheidet sich sehr stark in
diesen Definitionen. Es besteht aber ein Konsens darber, dass es in An-
lageprozessen, um die langfristige Allokation von Kapital in einem Wert-
papierportfolio geht. In welchen Schritten diese Allokation stattfindet,
wird von jedem der genannten Autoren unterschiedlich definiert. Man
kann jedoch feststellen, dass die Anlageprozesse auf Marktdaten basieren
und dazu dienen, die Allokation von Kapital in einem Portfolio vorzuneh-
211 Die Informationsbeschaffung dient der Sammlung und Aufbereitung von Marktda-
ten auf Basis von Kriterienkatalogen. Die Pre-Screening Phase beschreibt den Aus-
schluss von Informationen die fr die Kundenprferenzen irrelevant sind. Die fi-
nanzielle Analyse betrachtet quantitative und qualitative Kriterien eines Invest-
ments. Die Umwelt- und Sozialanalyse prft die Nachhaltigkeit der Investitionsent-
scheidung. Nach der Qualittskontrolle wird die Entscheidung dem Portfolio-Kon-
text angepasst. Vgl. Hehn (2002) , S. 262.
212 Vgl. Niggemann (2010), S. 325.
60
Abbildung 2.6: Anlageprozesse nach Lscher-Marty (2008)
Strategi sche
Asset
All ocati on
Strategi sche
Asset
Al locati on
Taktische
Asset
Al locati on
Takti sche
Asset
Al l ocation
Anl age-
transakti onen
Anl age-
transaktionen
Anlage-
berwachung
Anlage-
berwachung
2 Basis fr Algorithmic Trading
men. Die Investitionsentscheidung wird dabei von einer langfristigen,
strategischen Ebene auf eine kurzfristige, taktische Ebene herunter gebro-
chen.
[Link] Zusammenfassung
In Abbildung 2.5, S. 58, wird die Informationsphase beim Algorithmic
Trading in die Teilprozessen der Informationsbeschaffung und der Infor-
mationsauswertung gegliedert. Der Informationsauswertung lassen sich
wiederum Aufgaben zuordnen, die sich mit der Verarbeitung, Bewertung
und Speicherung von Marktdaten beschftigen. Anlageprozesse dienen
dazu, langfristige strategische und kurzfristige taktische Investitionsent-
scheidungen auf Basis von Marktdaten zu treffen. Sie beschreiben die Art
und Weise, wie Marktdaten in der Informationsphase bewertet werden.
Die Anlageprozesse erklren, welches Verfahren zu Informationsbewer-
tung der Investor warum ausgewhlt hat.
Die Datenbasis fr die Anlageprozesse kann entweder aus exogenen oder
endogenen Marktdaten bestehen. Endogene Daten knnen aus der Pre-
Trade oder Post-Trade Phase stammen. Sie knnen das Ergebnis von
Auktions-, Marktmacher- oder Hybridsystemen sein. Als exogene Daten
kommen alle Informationen in Betracht, die fr den Anlageprozess rele-
vant sind, aber nicht aus den Handelsprozessen der Brse stammen, wo
die Orders ausgefhrt werden. Kapitel 4 beschftigt sich damit, welche
Verfahren zur Informationsbewertung von endogenen oder exogenen
Marktdaten im Algorithmic Trading eingesetzt werden knnen.
61
2 Basis fr Algorithmic Trading
2.1.4 Orderroutingphase
[Link] bersicht ber die Teilprozesse
Um die Teilprozesse zu beschreiben, die in der Orderroutingphase statt-
finden, wendet GOMBER die Strukturmerkmale Orderparameter und Ver-
bindlichkeit an. Er konzentriert sich dabei auf die Formulierung von Or-
derspezifikationen. PICOT BORTENLNGER UND RHRL charakterisieren die
Orderroutingphase hingegen durch drei Ausprgungen der Automatisie-
rung in nicht-automatisiertes, teilautomatisiertes und vollautomatisiertes
Orderrouting die im folgenden Abschnitt erlutert werden.
213
Ihre Inter-
pretation bezieht sich weniger auf die Formulierung von Orders, sondern
auf den Prozess von deren Weiterleitung. Betrachtet man die Orderrou-
tingphase beim Algorithmic Trading aus der Perspektive der beiden Auto-
213 Vgl. Gomber (2000), 20 und Picot, Bortenlnger, Rhrl (1996), S. 51f.
62
2 Basis fr Algorithmic Trading
ren, lassen sich mit der Formulierung von Orderspezifikationen und mit
der Weiterleitung von Orders zwei unabhngige Teilprozesse unterschei-
den (siehe Abbildung 2.7. S. 62).
[Link] Formulierung von Orders
GOMBER definiert den Teilprozess der Orderformulierung durch Wahl der
Orderparameter (Volumen, Preis, Menge etc.) und deren Verbindlich-
keit.
214
Er bercksichtigt dabei jedoch nicht, dass der wichtigste Parame-
ter bei der Formulierung, die Wahl der Orderform selbst ist und dass sich
die Verbindlichkeit durch die Auswahl der Ordererweiterungen im Kon-
text der aktuellen Marktlage ergibt. Je nach Marktmodell, Art der gehan-
delten Wertpapiere und technischer Infrastruktur geben die Marktregeln
unterschiedliche Orderarten vor, die zur Auswahl stehen. Grundstzlich
lassen sich limitierte von unlimitierten Orders unterscheiden. Limitierte
Kauforders (Verkaufsorders) enthalten einen maximalen Transaktions-
preis, den der Anleger zu zahlen bereit ist (mindestens erhalten will),
whrend unlimitierte Orders nicht durch Limits spezifiziert werden (z.B.
Market Orders).
215

Darber hinaus sind keine allgemein gltigen Aussagen ber Orderarten
mglich. Denn die Ordertypen werden durch Marktregeln definiert und
sind an ein individuelles Marktmodell und Brsensystem gebunden. Ta-
belle 3, S. 64, gibt beispielsweise eine bersicht ber die Order-Typen
im elektronischen Handelssystem XETRA. Tabelle 4, S. 65, zeigt einen
berblick ber die Erweiterungsmglichkeiten dieser Ordertypen in XE-
TRA. Die Ausfhrungsbedingungen dienen dazu, die drei Grundtypen
der Orders im fortlaufenden Handel zu verfeinern. Beide Tabellen zusam-
men machen deutlich, wie schwierig die Wahl einer geeigneten Order-
form sein kann.
214 Vgl. Gomber (2000), S. 20.
215 Vgl. Gomber (2000), S. 20.
63
2 Basis fr Algorithmic Trading
Klassifizierung Orderart Funktion
Grundtypen 1. Market Order Ausfhrung des gewnschten
Volumens zum nchsten
verfgbaren Preis, ohne
Einschrnkungen.
2. Limit Order Vorgabe eines maximalen
(minimalen) Ausfhrungspreises fr
Kauf (Verkauf).
Erweiterte
Ordertypen
3. Market-to-Limit-Order Unlimiterte Order, die zum besten
Limit der gegenberliegenden Seite
ausgefhrt werden kann.
4. Stop Order Erzwungener Verkauf bei
unterschreiten eines bestimmten
Preislimits.
5. Iceberg-Order Aufteilung einer groen Order in
kleinere Teilorders, die an ein
bestimmtes Limit gebunden sind.
Tabelle 3: Beispiel fr Order-Grundtypen im elektronischen Handels-
system XETRA (Quelle: XETRA (2004))
64
2 Basis fr Algorithmic Trading
Klassifizierung
des Orderzusat-
zes
Bezeichnung Beschreibung
Ausfhrungs-
Bedingungen
Immediate-or-
Cancel-Order (IOC)
Die Order soll sofort und vollstndig (oder
soweit wie mglich) ausgefhrt [Link]-
jenigen Orderteile, die auch nicht mehr
durch Teilausfhrungen abgedeckt werden
knnen, werden sofort gelscht.
Fill-or-Kill-Orders (FOK) Order soll sofort, vollstndig oder berhaupt
nicht ausgefhrt werden. Kann die Order
selbst durch mehrere Teilausfhrungen
nicht komplett abgedeckt werden, wird sie
komplett zurckgezogen.
Beschrnkung
der Lebenszeit
Good-for-Day Orders ist nur einen einzigen Tag gltig.
Good-till-Date Orders ist bis zu einem bestimmten Tag gl-
tig sind, der bis zu 89 Tage in der Zukunft
liegt.
Good-till-Canceled Orders bleibt ohne zeitliche Beschrnkung,
die maximalen Lebenszeit lang gltig (90
Tage).
Handels-
Beschrnkun-
gen
Opening-Auction-Only Orderausfhrung ist auf die XETRA-Erff-
nungsauktion beschrnkt.
Closing-Auction-Only Orderausfhrung ist auf die XETRA-
Schlussauktion beschrnkt.
Auctions in Main
Trading Phase Only
Orderausfhrung ist auf die Auktionen wh-
rend der Haupt-Handelsphase beschrnkt.
Main Trading Phase
Only
Orderausfhrung ist auf den fortlaufenden
Handel beschrnkt.
Tabelle 4: Orderzustze der Orderarten im XETRA Handelssystem
(Quelle: XETRA (2004), S. 12)
65
2 Basis fr Algorithmic Trading
[Link] Weiterleitung von Orders
PICOT, BORTENLNGER UND RHRL definieren den Teilprozess der Order-
weiterleitung durch den Grad der Automatisierung. Beim nicht-automati-
sierten Orderrouting erfolgt eine mndliche oder schriftliche bermitt-
lung des Transaktionswunsches zwischen den Finanzintermediren.
216
Beim teil-automatisierten Orderrouting werden technische Hilfsmittel aus
der Informationstechnologie (Telefon, Fax, Computer etc.) zur bermitt-
lung verwendet.
217
Beim vollautomatischen Orderrouting benutzen die
Auftraggeber ein mit der Handelsplattform unmittelbar verbundenes
elektronisches System zur Weiterleitung der Orders.
218
Die Autoren stel-
len fest, dass die Effizienz der Orderausfhrung mit zunehmender Auto-
matisierung ansteigt und vor allem die Anbahnungskosten einer Transak-
tion gesenkt werden.
219
Die Autoren beschrnken den Teilprozess auf die Weiterleitung einer Or-
der von einem einzigen Investor an einen einzigen Markt, wobei unter-
schiedliche Ebenen der Automatisierung mglich sind. Betrachtet man
nur die hchste Ebene der Automatisierung aus der Perspektive von Al-
gorithmic Trading, so kann die Orderweiterleitung aber auch darin beste-
hen, dass eine Order automatisch in Teilstcke aufgeteilt und an mehrere
Brsen gleichzeitig weitergeleitet wird. Wie Abschnitt [Link].2 , S. 41,
verdeutlichte, kann jede dieser Brsen ein individuelles Marktmodell auf-
weisen. Weil jedes Auktions-, Marktmacher- oder Hybridsystem aber in-
dividuelle Regeln und Anreizmechanismen fr die Marktteilnehmern be-
sitzt, muss eine Order auch individuell angepasst werden, damit sich eine
Transaktionswunsch in der Preisverhandlungsphase durchsetzen kann.
Um den richtigen Zeitpunkt fr die Realisierung einer Transaktion zu be-
216 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 51.
217 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 52.
218 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 52.
219 Vgl. Picot, Bortenlnger, Rhrl (1996), S. 54.
66
2 Basis fr Algorithmic Trading
stimmen, mssen Marktangebot und -nachfrage permanent beobachtet
werden. Der richtige Zeitpunkt zur Orderausfhrung ist dann, wenn die
Wahrscheinlichkeit zur Erfllung der Transaktionswnsche am hchsten
ist. Bei der Orderweiterleitung besteht insgesamt die Herausforderung,
den berblick ber alle Aufgaben zu behalten und sie entsprechend zu
koordinieren.
[Link] Zuordnung von Algorithmic Trading
Algorithmic Trading auf der Sell-Side dient der automatischen Umset-
zung von Transaktionswnschen. Abbildung 2.8, S. 67, fgt alle Aufga-
ben der Teilprozesse zusammen, die dafr von Bedeutung sind. Die Auf-
teilung einer Order in mehrere kleinere Teilstcke schafft die Mglich-
keit, die Orderformulierung und -weiterleitung zu differenzieren. Die
67
Abbildung 2.8: Aufgaben der Teilprozesse im Sell-Side Algorithmic
Trading
Order-
verbi ndl ichkeit
Festlegung
von Order-
Parametern
Wahl des
Ordertyps
Anpassung
an i ndi vi duel l es
Marktmodel l
Vertei l ung an
Brsen-
Netzwerke
Automatische
Weiterl eitung
Auftei l ung
i n Tei l orders
Tei l prozess: Orderformul i erung
Tei l prozess: Orderwei terl ei tung
2 Basis fr Algorithmic Trading
Festlegung des Ordertyps, der Orderparameter (Volumen, Preis...) und
der Orderverbindlichkeit, werden davon abhngig gemacht, an welche
Brse eine Order geleitet wird, wie deren Marktmodell aussieht und wel-
che Marktregeln die Wahrscheinlichkeit einer erfolgreichen Orderausfh-
rung beeinflussen.
2.1.5 Zusammenfassung
Die prozessorientierte Sicht der Marktmikrostruktur von PICOT,
BORTENLNGER UND RHRL bietet eine Mglichkeit, die komplexen Ablu-
fe im Algorithmic Trading zu strukturieren.
220
Der vergangene Abschnitt
hat gezeigt, dass man Algorithmic Trading auf der Buy-Side der Informa-
tionsphase zuordnen kann, in welcher die Auswertung von Informationen
durch Anlageprozesse bestimmt wird. Algorithmic Trading auf der Sell-
Side kann man in der Orderroutingphase anwenden. Diese Phase be-
schreibt die Formulierung von Orders oder deren Weiterleitung an elek-
tronische Handelssysteme.
Informationsphase Orderroutingphase
Teilprozesse Anlageprozesse i) Formulierung von Orders
ii) Weiterleitung von Orders
Tabelle 5: Marktmikrostruktur von Algorithmic Trading
Die Betrachtung der Marktmikrostruktur fhrt noch zu einer weiteren Er-
kenntnis fr Algorithmic Trading. Wenn eine Order in kleinere Bruch-
stcke aufgeteilt und an mehrere Mrkten gleichzeitig verschickt wird,
kann jede dieser Orders am Ende in einem anderen Brsensystem an-
kommen, dass ein anderes Marktmodell aufweist (Auktions-, Marktma-
cher oder Hybridsystem). Das bedeutet, die Orderausfhrung (Sell-Side)
220 Siehe Picot, Bortenlnger, Rhrl (1996), S. 16.
68
2 Basis fr Algorithmic Trading
muss sich nicht nur an dem geltenden Angebot bzw. an der Nachfrage ei-
nes Marktes orientieren. Sie muss auch der unterschiedlichen Organisati-
on eines Brsensysteme, dem Auktionsmechanismus, den Transaktions-
kosten und der Liquiditt, die man hier vorfindet, gerecht werden.
2.2 Elektronische Handelssysteme
2.2.1 Begriffsabgrenzung
Der Begriff elektronisches Handelssystem (EHS) wird in der Literatur un-
terschiedlich definiert. GOMBER definiert ein elektronisches Handelssys-
tem beispielsweise als:
...Computersystem, das eine elektronische Orderspezifikation
und -weiterleitung sowie die elektronische Zusammenfhrung
kompatibler Orders ermglicht.
221

Diese Definition umfasst zwei Funktionen. Die Orderspezifikation und
-weiterleitung beschreibt erstens die Funktionen des Algorithmic Trading
auf der Sell-Side. Die Zusammenfhrung kompatibler Orders beschreibt
zweitens die Funktion traditioneller Brsen, einen Marktausgleich her-
beizufhren (Matching). IGNATOVICH versteht unter dem gleichen Begriff
(Trading System) hingegen nur Software-Programme, die selbststndig
ber den Kauf und Verkauf von Wertpapieren entscheiden.
222
So heit es
bei ihm:
221 Gomber (2000), S. 27.
222 Vgl. Ignatovich (2006).
69
2 Basis fr Algorithmic Trading
...A Trading System is, in turn, an environment where users
define and, through execution feedback, adjust their trading
models. An essential part of the system is the user-interface:
it must be eloquent enough to allow an ease-of-use and, at the
same time, powerful to describe most sophisticated trading
algorithms.
223
.
LEE diskutiert die unterschiedlichen Funktionen (elektronischer) Han-
delssysteme und macht deutlich, dass damit Brsensysteme gemeint sind,
auf denen der Wertpapierhandel stattfindet und Kufer und Verkufer zu-
sammengefhrt werden.
224
Die Mehrheit der Autoren versteht unter EHS
Softwaresysteme, die der Zusammenfhrung von Kufern und Verku-
fern dienen. Im Folgenden wird deshalb auch die Definition von GOMBER
fr elektronische Handelssysteme verwendet.
225
Mit elektronischen Han-
delssystemen (Electronic Trading Systems) sind ausschlielich elektro-
nisch organisierte Brsennetzwerke gemeint, auf denen der Wertpapier-
handel in Auktions-, Marktmacher- oder Hybridsystemen abluft (z.B.
XETRA, XONTRO, NASDAQ-Supermontage).
223 Vgl. Ignatovich (2006), S. 1.
224 Vgl. Lee (1998), S. 282.
225 Vgl. Gomber (2000).
70
2 Basis fr Algorithmic Trading
2.2.2 Einordnung in die Transaktionsprozesse
Der folgende Abschnitt beschftigt sich mit der Bedeutung elektronischer
Handelssysteme fr Algorithmic Trading. Dabei wird mit Dark Pools
eine neue Form von EHS vorgestellt, die zwar durch Algorithmic Trading
entstanden sind, aber noch nicht in den bestehenden Gliederungen be-
rcksichtigt wurden.
Elektronische Handelssysteme kann man in der prozessorientierten Sicht
von PICOT, BORTENLNGER UND RHRL in die Abschlussphase einordnen
(siehe Abbildung 2.9, S. 71).
226
Ein Investor, der Algorithmic Trading
Software in der Informationsphase einsetzen mchte (Buy-Side), muss
sich an den Marktdaten orientieren, die ihm von den EHS zur Verfgung
gestellt werden. Fr ihn sind die elektronischen Handelssysteme die
226 Siehe Picot, Bortenlnger, Rhrl (1996) und Abschnitt [Link] , S. 50, dieser Ar-
beit.
71
Abbildung 2.9: Einordnung elektronischer Handelssysteme in die
Transaktionsprozesse
Informati ons-
phase
Informati ons-
phase
Orderrouting-
phase
Orderrouti ng-
phase
Abschl uss-
phase
Abschl uss-
phase
Abwi ckl ungs-
phase
Abwi ckl ungs-
phase
El ektroni sche
Handel ssysteme
a) Pre-Trade Phase b) Post-Trade Phase
2 Basis fr Algorithmic Trading
Quelle der (endogenen) Marktdaten. Ein Investor, der Algorithmic Tra-
ding Software in der Orderroutingphase einsetzen mchte, muss sich an
der technischen Infrastruktur und dem Angebot und der Nachfrage orien-
tieren (Sell-Side). Fr ihn sind die EHS der Ort der Orderausfhrung. Je
nachdem, mit welcher Phase sich der Investor beschftigt, sind fr ihn
die Brsenformen elektronischer Handelssysteme, deren Markttranspa-
renz, deren technische Infrastruktur oder ein direkter Marktzugang usw.
relevant (siehe Abbildung 2.10, S. 72). Im Folgenden werden die Eigen-
schaften von EHS diskutiert, die fr Algorithmic Trading in der jeweili-
gen Phase relevant sind.
72
Abbildung 2.10: Bedeutung elektronischer Handelssysteme fr
Algorithmic Trading
Elektronische
Handelssysteme
(Quelle von Marktdaten)
(Ort der Orderausf hrung)
Elektronische
Brsenf ormen Direkter
Marktzugang?
Automatisierung
der Preis-
abschlussphase
Endogene Marktdaten
Markttransparenz
Orderroutingphase Informationsphase
Proximity
Hosting
Latenzzeit
2 Basis fr Algorithmic Trading
2.2.3 Quelle von Marktdaten
[Link] Brsenformen
HERTLE UND SCHENK definieren den Brsenbegriff
227
als besonderen, orga-
nisierten Markt, der ein eigenes Regelwerk besitzt, Angebot und Nachfra-
ge der Marktteilnehmer zusammenfhrt, die Preise festsetzt und die
Marktinformationen verteilt.
228
Weil der Brsenhandel in einem interna-
tionalen Umfeld stattfindet, erscheint eine Klassifikation der Brsenfor-
men wegen divergierender Legaldefinitionen wenig sinnvoll. Stattdessen
kann die Marktorganisation dazu dienen, die Brsenformen zu unter-
scheiden. Unter der Marktorganisation versteht man einen konstruktiven
Prozess, bei dem den Strukturmerkmalen im brslichen Wertpapierhandel
Ausprgungen zugewiesen werden.
229

227 Der Brsenbegriff war in Deutschland beispielsweise lange Zeit nicht legal defi-
niert. Stattdessen bezog man sich lange Zeit auf den Brsenbegriff im US-Amerika-
nischen Securities und Exchange Act von 1934 und setzte den Brsenbegriff hier
als bekannt voraus. Vgl. Gomber (2000), S. 16. In Deutschland beinhaltet das Br-
sengesetz (BrsG) vom 16. Juli 2007 mittlerweile eine eigene moderne Brsendefi-
nition. Das Gesetz unterscheidet Warenbrsen ( 2 Abs. 3 BrsG) und Wertpapier-
brsen ( 2 Abs. 2 BrsG). Konkret heit es in 2 Abs. 1 Brsengesetz (BrsG):
Brsen sind teilrechtsfhige Anstalten des ffentlichen Rechts, die nach Magabe
dieses Gesetzes multilaterale Systeme regeln und berwachen, welche die Interes-
sen einer Vielzahl von Personen am Kauf und Verkauf von dort zum Handel zuge-
lassenen Wirtschaftsgtern und Rechten innerhalb des Systems nach festgelegten
Bestimmungen in einer Weise zusammenbringen oder das Zusammenbringen fr-
dern, die zu einem Vertrag ber den Kauf dieser Handelsobjekte fhrt.. Diese um-
fangreiche Definition im BrsG zielt vor allem darauf ab, die Entstehung der multi-
lateralen Handelssysteme (Multilateral Trading Facilities, MTF) zu erfassen und
die Entwicklung hnlicher elektronischer Mrkte in der Zukunft vorwegzunehmen.
Mit dieser gesetzlichen Grundlage sollen auch neue Mrkte reguliert werden kn-
nen, die in Zukunft entstehen.
228 Vgl. Hertle, Schenk (1995), S. 412 fr eine Erklrung des Brsenbegriffes siehe
auch Schmidt (1988).
229 Vgl. Gomber (2000), S. 17.
73
2 Basis fr Algorithmic Trading
Brslicher Handel Auerbrslicher
Handel
Proprietre
Handelssysteme
Beschreibung Organisierter Markt
mit Marktregeln,
konsistenter
Infrastruktur und
registrierten
Teilnehmern
Bilaterale
Verhandlungen
abseits organisierter
und kontrollierter
Mrkte mit
Abwicklung ber
organisierte
Marktstrukturen
Liegen im
Grenzbereich
zwischen
organisierten und
nicht-organisierten
Mrkten, mit festen
Marktregeln,
konsistenter
Infrastruktur
Beispiele NYSE, NASDAQ,
XETRA
OTC-Mrkte INSTINET, POSIT,
Tradegate
Tabelle 6: Gliederung von Brsenformen entsprechend ihrer
Marktorganisation nach Gomber (2000)
VON ROSEN gliedert die Brsenformen in Deutschland nach Wertpapier-
klassen in Wertpapierbrsen (Aktien- und Rentenhandel), Termin und Op-
tionsbrsen (Brsentermingeschfte) sowie auerbrslichen Handel (kei-
ne Einschrnkungen).
230
Seine Arbeit ist zwar nur auf den deutschen
Markt begrenzt und zeigt aber, das die Marktorganisation das relevante
Unterscheidungskriterium ist. PICOT, BORTENLNGER UND RHRL gliedern
die Marktformen allgemein in brslichen und auerbrslichen Handel, je
nachdem, ob zur Teilnahme am Brsenhandel eine formelle Mitglied-
schaft erforderlich ist, die zur Teilnahme am Brsenhandel berechtigt.
231
GOMBER gliedert elektronische Handelssysteme (Brsen) allgemein nach
ihrem Marktmodell in brsliche, auerbrsliche und proprietre Han-
delssysteme.
232
Er unterscheidet die Brsenformen hinsichtlich ihrer
Marktorganisation und der Strukturmerkmale, die dem Handelsprozess
zugeordnet werden knnen.
230 Vgl. Von Rosen (1995), S. 334.
231 Vgl. Picot, Bortenlnger, Rhrl (1997), S. 13.
232 Vgl. Gomber (2000), S. 1-2.
74
2 Basis fr Algorithmic Trading
Bei der Betrachtung der Marktformen besteht ein Konsens darber, dass
sich der klassische Brsenhandel, der auf den organisierten Mrkten statt-
findet (z.B. XETRA, NASDAQ, NYSE), dem brslichen Handel zugeord-
net werden kann, und dass die unorganisierten Mrkte, auf denen Ge-
schfte frei ausgehandelt und abgewickelt werden (Over the Counter,
OTC), dem auerbrslichen Handel entsprechen.
233
Im Grenzbereich zwi-
schen organisierten (brslichen) und unorganisierten (auerbrslichen)
Mrkten existieren Mischformen von Brsen, die der idealen Brsendefi-
nition nicht gerecht werden und deren Zuordnung zu brslichen und au-
erbrslichen Mrkten deshalb unsicher ist.
Wie SCHENK beschreibt, versuchte man diese Lcke schon Anfang der
1990er Jahre durch Erklrung von proprietren (privaten) Handelssyste-
men (Proprietary Trading Systems, PTS) zu schlieen.
234
Diese werden
im folgenden Abschnitt erlutert.
[Link] PTS
[Link].1 Unterschiedliche Begriffsdefinitionen
PTS lassen sich von den brslichen und auerbrslichen Systemen durch
Angebote von zustzlichen Dienstleistungen oder spezielle Marktstruktu-
ren differenzieren.
235
Sie sind auch als Electronic Crossing Networks
(ECN) oder alternative Handelssysteme (Alternative Trading Systems,
ATS) bekannt.
236
In Europa wurde wurde vom Gesetzgeber der Begriff
233 An OTC-Mrkten findet entweder ein direkter bilateraler oder (z.B. ber Broker
oder Handelsplattformen) durchgefhrter multilateraler Handel zwischen institu-
tionellen Investoren unter Einsatz von konventioneller Technologie (z.B. Telefon)
statt. Die Marktteilnehmer fhren ihre Brsengeschfte abseits der organisierten
Mrkte durch, nutzen fr die Abwicklung der Transaktionen aber die bestehenden
Strukturen brslicher Handelssysteme. Vgl. Gomber (2000), S. 2 und 35.
234 Vgl. Schenk (2001), S. 378.
235 Vgl. Gomber (2000), S. 2.
236 Vgl. Schenk (2001), S. 379.
75
2 Basis fr Algorithmic Trading
multilaterales Handelssystem (Multilateral Trading Systems, MTF) ge-
schaffen, um die Entwicklung der ECN im Rahmen der Mifid
237
Richtli-
nie zu erfassen.
238
Wie GOMBER UND GSELL feststellen, sind die MTF das
europische Analog zu den US-amerikanischen ECN.
239
Die unterschiedlichen Bezeichnungen spiegeln den langjhrigen techno-
logischen Wandel und bergang von OTC-Mrkten zu PTS wider. PICOT,
BORTENLNGER UND RHRL beschreiben diesen bergang am Beispiel des
US-amerikanischen Brokers CHARLES SCHWAB, welcher Mitte der 1990er
Jahre begann, Privatanlegern einen direkten Zugang zu elektronischen
Handelssystemen anzubieten.
240
Wie der folgende Abschnitt zeigt, ist die
Entwicklung von PTS keinesfalls abgeschlossen. Ein Beispiel fr eine
neue Gruppe von elektronischen Handelssystemen, die aus den MTF ent-
standen, sind Dark Pools, die sich auf die anonymisierte Ausfhrung
groer Ordervolumen (z.B. durch Algorithmic Trading) spezialisiert ha-
ben.
237 Mifid ist die Abkrzung fr die EU-Richtlinie Markets in Financial Instruments Di-
rective zur Harmonisierung der Finanzmrkte innerhalb der EU.
238 Der Begriff des MTF stammt aus der Mifid-Richtlinie. Die EU fordert die Gesetz-
geber der europischen Nationalstaaten darin auf einer aufkommenden neuen
Generation von Systemen des organisierten Handels neben den geregelten Mrkten
Rechnung zu tragen... Mifid, Erwgung nachstehender Grnde, Abs. 5, S.1. Die
Definition eines multilateralen Handelssystems wird von der Mifid-Richtlinie in Ar-
tikel 4, Abs. 1, Nr. 15 ebenfalls vorgegeben: Multilaterales Handelssystem
(MTF): ein von einer Wertpapierfirma oder einem Marktbetreiber betriebenes mul-
tilaterales System, das die Interessen einer Vielzahl Dritter am Kauf und Verkauf
von Finanzinstrumenten innerhalb des Systems und nach nichtdiskretionren Re-
geln in einer Weise zusammenfhrt, die zu einem Vertrag gem den Bestimmungen
des Titels II fhrt. Mifid, Artikel 4, Abs.1 Nr. 15, S. 145/10.
239 Vgl. Gomber, Gsell (2006), S. 1f.
240 Vgl. Picot, Bortenlnger, Rhrl (1997), S. 99.
76
2 Basis fr Algorithmic Trading
[Link].2 Klassifikation von PTS
Fr PICOT, BORTENLNGER UND RHRL ist das wesentliche Unterschei-
dungsmerkmal von PTS ihre Erwerbsorientierung und ihre privaten Ei-
gentumsstrukturen.
241
SCHENK stellt nur die technologische Entwicklung
von PTS dar und verzichtet ganz auf eine Gliederung.
242
GOMBER hinge-
gen klassifiziert PTS aus funktionaler Sicht, nach der Art und Weise, wie
die Orderzusammenfhrung und Preisfindung organisiert ist (siehe Abbil-
dung 2.11, S. 77).
Ein kontinuierlicher Brsenhandel findet nur in Matching-Systemen statt,
deren Marktmodelle das Einstellen von anonymen Kauf- und Verkaufsor-
ders erlauben, sowie deren automatische Orderausfhrung bernehmen,
241 Vgl. Picot, Bortenlnger, Rhrl (1997), S. 99.
242 Vgl. Schenk (2001), S. 375f.
77
Abbildung 2.11: Klassifikation von proprietren
Handelssystemen PTS (Quelle: Gomber (2000), S. 69)
PTS-Klassif ikation
(identisch mit ECN/MTF)
PTS-Klassif ikation
(identisch mit ECN/MTF)
Matching-
Systeme
Matching-
Systeme
Crossing
Netw orks
Crossing
Networks
Single Price
Auction Systems
Single Price
Auction Systems
z.B. INSTINET
z.B. INSTINET
z.B. POSIT
z.B. POSIT
z.B. Arizona
Stock Exchange
z.B. Arizona
Stock Exchange
Periodischer
Handel
Periodischer
Handel
Exogener
Ref erenzpreis
Fortlauf ender
Handel
Fortlauf ender
Handel
2 Basis fr Algorithmic Trading
wenn die Parameter der wechselseitigen Orders bereinstimmen.
243
In
Crossing Networks (CN) werden die eingestellten Orders auf Basis von
Marktpreisen ausgefhrt, die ohne Anpassung von Referenzmrkten
bernommen werden (auch Parasite Pricing oder Passive Pricing ge-
nannt).
244
Wie LEE darstellt, gelten in den USA alle ECN, die mit Refe-
renzkursen eine eigene Preisabschlussphase ersetzen, nicht als eigenstn-
dige Brsen, sondern werden nur als Broker-Dealer klassifiziert.
245
Single
Price Auction Systems sammeln die eingestellten Kauf- und Verkaufsge-
bote, um sie nach einem vorher definierten Auktions- und Zeitplan nach
dem Meistausfhrungsprinzip auszufhren.
246
Stellt man die Klassifikation von GOMBER der Mifid gegenber, wird
deutlich, wie unterentwickelt die Legaldefinition von PTS in der Mifid
ist, weil keine differenzierte Unterscheidung alternativer Handelssysteme
mglich ist.
247
Eine genaue Darstellung der ECN-Landschaft findet sich
auch bei MCANDREWS UND STEFANADIS, welche die Entstehung von ECN
darstellen.
248
GOMBER UND GSELL stellen fest, dass der Erfolg europi-
scher MTF weit hinter denen amerikanischer ECN zurckblieb, was die
Autoren auf Unterschiede in den Marktmodellen, in der Liquiditt und in
der Regulierung (Mifid vs. Reg-NMS
249
) zurckfhren.
250
GRESSE unter-
sucht die Handelsaktivitt zwischen brslichen Handelssystemen (mit
Hilfe von Daten des SEAQ-Systems der London Stock Exchange) und
243 Vgl. Gomber (2000), S. 69f
244 Wie GOMBER darstellt ist durch die Verwendung von Referenzkursen der Transakti-
onspreis ex-ante bekannt, so dass keine Preisverzerrungen bei der Ausfhrung gr-
erer Orders auftreten knnen (siehe Market Impact). Vgl. Schenk (1997), S. 56
und Gomber (2000), S. 71.
245 Vgl. Lee (1998).
246 Vgl. Gomber (2000), S. 72.
247 Vgl. Gomber (2000), S. 69.
248 Vgl. McAndrews, Stefanadis (2000).
249 Die Regulation New Market Systems (Reg-NMS) ist das US-Amerikanische Pen-
dant zur Europischen Mifid.
250 Diese Feststellung ist auf ECN/MTF beschrnkt. Bei Betrachtung von traditionellen
Brsen (z.B. NYSE vs. XETRA) knnte sich ein anderes Bild ergeben. Vgl. Gom-
ber, Gsell (2006), S. 3ff.
78
2 Basis fr Algorithmic Trading
ECN (auf Basis von Daten des POSIT Netzwerks).
251
Fasst man die Bei-
trge aller bisher genannten Autoren ber PTS zusammen, wird aber
deutlich, dass neue Formen elektronischer Handelssysteme, die im Zu-
sammenhang mit Algorithmic Trading stehen, in den Gliederungen nicht
vorkommen.
Eine Form von EHS, die z.B. in der Literatur noch nicht erfasst werden,
stellen Execution Management Systeme (EMS) dar, bei denen Broker die
automatische Orderausfhrung ber Algorithmic Trading mit Passive Pri-
cing verbinden. Eine andere Entwicklung, die noch nicht in den Kontext
von PTS eingeordnet wurde, stellen Dark Pools of Liquidity dar, die im
folgenden Abschnitt erlutert werden.
[Link].3 Dark Pools of Liquidity
Beim Strukturmerkmal der Pre-Trade Markttransparenz unterscheidet
GOMBER offene und geschlossene Orderbcher, je nachdem, ob die
Marktteilnehmer Einblick in die Orderbuchlage erhalten oder nicht.
252
Der Begriff Dark Pools of Liquidity dient zur Bezeichnung von ECN, de-
ren Wertpapierhandel im Verborgenen abluft, weil nur ein geschlosse-
nes Orderbuch vorliegt und de facto keine Pre-Trade Markttransparenz
gegeben ist. Die Brsenteilnehmer bekommen keine Pre-Trade Informa-
tionen ber laufende Auktionen, ber das Angebot oder die Nachfrage
oder die Preisabschlussphase, sondern nur Post-Trade Informationen.
253
Durch ihren Mangel an Pre-Trade Markttransparenz sind Dark Pools be-
sonders fr diejenigen Hndler attraktiv, deren Handelsstrategie unbe-
merkt bleiben soll (diskretionre oder proprietre Strategien).
251 Vgl. Gresse (2006).
252 Vgl. Gomber (2000), S. 19.
253 Vgl. Degrise, Van Achter, Wuyts (2008), S. 3.
79
2 Basis fr Algorithmic Trading
Die Regulierung dieser neuartigen Mrkte ist genauso unklar, wie ihre ju-
ristische Einordnung als MTF in der Mifid oder Reg-NMS. BLUME stellt
fest, dass die Regulierung durch Reg-NMS in den USA unzureichend fr
Dark Pools ist, weil durch die groe Anzahl von PTS viele Mglichkeiten
bestehen, Finanzmarktregulierungen zu umgehen.
254

In der Literatur werden Dark Pools nur von wenigen Autoren beschrie-
ben. DEGRISE, VAN ACHTER UND WUYTS kategorisieren Dark Pools nach ih-
ren institutionellen Eigenschaften.
255
MITTAL entwickelte auf Basis dieser
institutionellen Eigenschaften fnf Typen von Dark Pools, die sich nach
ihren Eigentmerstrukturen, dem Marktzugang oder der Technologie un-
terscheiden.
256
Die Entstehung von Dark Pools ist umstritten. DEGRISE,
VAN ACHTER UND WUYTS sehen ihre Entstehung in Verbindung mit der
Zunahme des Algorithmic Trading seit 2003.
257
Sie argumentieren mit ei-
ner Studie von JOHNSON UND TABB, nach welcher der Marktanteil von
Dark Pools bis Ende 2006 sprunghaft auf ca. 10% der gesamten Umsat-
254 Vgl. Blume (2007), S.15.
255 Vgl. Degrise, Van Achter. Wuyts (2008), S.3.
256 Der erste Typ von Dark Pools sind nach der Gliederung von MITTAL ffentliche
Brsennetzwerke (Public Crossing Networks), die meist von Brokern betrieben
werden, um Kommissionen zu erwirtschaften. Die angeschlossenen institutionellen
Hndler der Buy-Side unterhalten meist permanente Breitbandverbindungen fr ih-
ren Marktzugang, ohne Umwege ber andere Marktteilnehmer (z.B. ITG Posit, Ins-
tinet, Liquidnet oder Pipeline). Der zweite Typ sind Internalisierungs-Pools (Intern-
alization Pools), die darauf abzielen Handelsvolumen, einer Bank nicht mehr ber
die traditionellen Brsen abwickeln zu mssen, sondern die dabei auftretenden
Transaktionskosten zu internalisieren. Diese Dark Pools weisen daher auch einen
hohen Anteil eigenes Handelsvolumen des Betreibers auf. Zustzlich behlt sich der
Betreiber oft vor, Handelsaktivitten von anderen (Sell-Side) Banken im eigenen
Dark Pool zu unterbinden. Die Dritte Kategorie bilden Ping-Destinationen (Ping
Destinations). Diese weisen ein besonderes Marktmodell auf, welches nur die so-
fortige Orderausfhrung oder Lschung einer Order vorsehen (Immediate or Can-
cel). In einer vierten Kategorie werden die von Brsenbetreibern gegrndeten und
registrierten Dark Pools zusammengefasst (Exchange Based Pools), Beispiele dafr
sind NYSE-Matchpoint, Nasdaq-Crossing. Die fnfte Kategorie bilden die von
Konsortien betriebenen Dark Pools (Consortium Based Pools) als Ergebnis meist
grenzberschreitender Kooperationen. Vgl. Mittal (2008), S. 4ff.
257 Vgl. Degrise, Van Achter, Wuyts (2008), S.4.
80
2 Basis fr Algorithmic Trading
zes in US-Aktien (Equities) anstieg.
258
Der Zusammenhang besteht darin,
dass Algorithmic Trading Programme die Entstehung von Dark Pools for-
cierten, indem sie anonymisierte und liquide Mrkte fr die Ausfhrung
von Teilorders favorisierten.
259
GSELL betrachtet den Zusammenhang zwi-
schen Dark Pools und Algorithmic Trading aus der Perspektive des
Blockhandels.
260
Unter Blockhandel versteht man Transaktionen mit
berdurchschnittlich groem Ordervolumen, die Einfluss auf die Brsen-
preise nehmen und zu einem Market Impact fhren knnen.
261
Beim
Blockhandel besteht fr institutionelle Investoren die Schwierigkeit,
einen Kontrahenten zu finden, der ein hnlich groes Ordervolumen han-
deln mchte (Problem des Quant Discovery).
262
Ein berdurchschnittlich
groes Ordervolumen in einem ffentlich zugnglichen Orderbuch zu ver-
ffentlichen, wrde adverse Preisbewegungen erzeugen und somit die
Transaktionskosten (z.B. Market Impact) vergrern.
263
Traditionelle
Brsen mit offenen Orderbchern haben auf dieses Problem mit der Ein-
fhrung von sogenannten Iceberg-Orders reagiert, bei der nicht das ge-
samte, beabsichtigte Ordervolumen verffentlicht wird.
264
Eine andere
Mglichkeit den Market Impact zu vermeiden, sind Handelssysteme mit
nicht-transparenten Orderbchern (wie z.B. Dark Pools).
265

258 Vgl. Degrise, Van Achter, Wuyts (2008), S. 4 zitiert nach Johnson, Tabb (2007).
259 Vgl. Degrise, Van Achter, Wuyts (2008), S. 4.
260 Vgl. Gsell (2006).
261 Der Zusammenhang zwischen Blockhandel und Market Impact wird u.a. bei Alm-
gren et al. (2005) untersucht.
262 Vgl. Gsell (2006), S. 6-7.
263 Wenn die Liquiditt des Gesamtmarktes das Ordervolumen nicht sofort absorbie-
ren kann, knnte eine berdurchschnittlich groe Kauf-Order (Verkaufs-Order) in
diesem Wertpapier zu steigenden (fallenden) Kursen fhren. Andererseits knnen
berdurchschnittlich groe Orders vom Auftraggeber auch Zugestndnisse hinsicht-
lich des gewnschten Preises fordern, um berhaupt fr eine Gegenseite interessant
zu werden. Vgl. Brownless, Cipollini, Gallo (2009), S. 2 und Gsell (2006), S. 6.
264 Vgl. Gsell (2006), S. 7.
265 Vgl. Gsell (2006), S. 7.
81
2 Basis fr Algorithmic Trading
Die Auswirkungen von Dark Pools auf die Finanzmrkte sind ebenfalls
noch wenig untersucht. Nach Meinung von DOMOWITZ, FINKELSHTEYN UND
YEGERMAN fhren Dark Pools zwar zu einer allgemeinen Verbesserung
der Liquiditt der Mrkte.
266
Die Fragmentierung der Liquiditt durch Al-
gorithmic Trading fhrt aber weder zu Verbesserungen im Blockhandel
noch zu geringeren Transaktionskosten.
267
READY und KRATZ UND
SCHNEBORN gehren zu den wenigen Arbeiten, die sich ausschlielich
auf Dark Pools konzentrieren.
268
Insgesamt zeigen die Arbeiten zu Dark
Pools eine enge Verbindung zum Algorithmic Trading. Worin diese Ver-
bindung besteht, lsst sich jedoch auf Basis der existierenden Literatur
nicht beantworten. Eine Erklrung kann jedoch in der Vernetzung der
Mrkte gefunden werden (siehe folgender Abschnitt).
[Link] Vernetzung der Mrkte
266 Vgl. Domowitz, Finkelshteyn, Yegerman (2008), S. 9.
267 Vgl. Domowitz, Finkelshteyn, Yegerman (2008), S. 9.
268 Vgl. Ready (2009) sowie von Kratz, Schneborn (2009).
82
Abbildung 2.12: Hypothese vernetzter Mrkte
Kursstellung von
Marktmachern durch
marktbergreif ende
Quote Machines
PTS
Brsliche
Mrkte
Orderrouting
an verschieden Brsen
mit Algorithmic Trading
(Sell-Side)
Dark
Pools
O
r
d
e
r
s
2 Basis fr Algorithmic Trading
Die Fhigkeiten, Orders in Teilorders zu zerteilen und ber mehrere
Mrkte zu verteilen, werden in der Literatur immer wieder als Grund-
funktionen von Algorithmic Trading genannt.
269
Diese Fhigkeiten setzen
voraus, dass zwischen traditionellen Brsen und ECN Verbindungen be-
stehen, die einen ungehinderten Orderfluss zwischen den Mrkten erlau-
ben. Die Literatur ber Algorithmic Trading, Dark Pools und ECN zeigt,
dass beinahe alle Autoren zur Beschreibung von Algorithmic Trading
Software von solchen Verbindungen ausgehen. Der freie Informations-
austausch und Orderfluss zwischen den Mrkten wird im Folgenden auch
als Vernetzung der Mrkte bezeichnet (siehe Abbildung 2.12, S. 82).
DEGRISE, VAN ACHTER UND WUYTS begrnden das rasante Wachstum von
Dark Pools damit, dass die die Ausfhrungsalgorithmen der Sell-Side
systematisch mehrere Handelspltze (Trading Venues) nach Preisen, Li-
quiditt und potentiellen Market Impact scannen, um ihre Order an das
jeweils am besten geeignete ECN zu leiten (Smart Order Routing).
270
Eine Voraussetzung fr dieses Scannen der Mrkte ist, dass identische
Wertpapiere an mehreren Brsen gehandelt werden. Fr GSELL ist Algo-
rithmic Trading nur eine weitere Mglichkeit, den Market Impact einer
Blockorder zu verringern und trotzdem in transparenten Handelspltzen
zu bleiben, indem die Blockorders ber mehrere Mrkte (inklusive Dark
Pools) verstreut werden.
271
READY versucht, die Determinanten des Han-
delsvolumens von Dark Pools herauszufinden und geht auch implizit da-
von aus, dass ein freier Orderfluss zwischen PTS und brslichen Mrkten
mglich ist, der zu interdependenten Schwankungen im Handelsvolumen
fhrt.
272
DOMOWITZ, FINKELSHTEYN UND YEGERMAN beurteilen die Kosten
von Dark Pools und stellen fest, dass man die Liquiditt nicht mehr in ei-
269 Vgl. dazu z.B. Gsell (2006), S. 2, Hendershott, Jones und Menkveld (2008), S. 1
sowie Yang, Jiu (2006), S. 7.
270 Vgl. Degrise, Van Achter, Wuyts (2008), S.4.
271 Vgl. Gsell (2006), S. 7 sowie Kakade, Kearns, Mansour und Ortiz (2004), die an ei-
nem Beispiel zeigen, wie der Blockhandel mit Algorithmic Trading funktioniert.
272 Vgl. Ready (2009).
83
2 Basis fr Algorithmic Trading
nem einzigen groen Dark Pool konzentrieren muss, sondern sie kosten-
gnstiger ber mehrere kleine Mrkte verteilt, ber die institutionelle In-
vestoren ihre Orders ebenfalls streuen knnen.
273
Beinahe alle diese Ar-
beiten gehen davon aus, dass der Orderfluss (beim Smart Order Routing)
nur in einer Richtung vom Broker zum Orderbuch mglich ist. Sie
vernachlssigen dabei jedoch, dass nicht-ausgefhrte Orders auch wieder
gelscht, zurckgezogen und in gleicher oder vernderter Form an das
nchste elektronische Handelssystem gesendet werden knnen.
Die Vernetzung von Dark Pools untereinander, mit anderen ECN und
brslichen Mrkten ist bis dato aber nur eine Hypothese. Sie wird be-
nutzt, um die Existenz von Dark Pools und/oder Algorithmic Trading zu
rechtfertigen, ist in der Literatur aber weder bewiesen noch anderweitig
belegt. Keiner der Autoren berprft, inwieweit Dark Pools und Algorith-
mic Trading zu einer Integration der der Mrkte gefhrt haben und
warum Orders von einer Brse an die Nchste weitergeleitet werden.
Stattdessen wird nur davon gesprochen, dass in Dark Pools selbst dann
noch Transaktionsmglichkeiten zur Verfgung stehen, wenn die Liquidi-
tt an anderen ECN oder im brslichen Handel schon lange erschpft ist.
Eine mgliche Erklrung sind Arbitragegeschfte.
273 Vgl. Domowitz, Finkelshteyn, Yegerman (2008), S. 2.
84
2 Basis fr Algorithmic Trading
Die Kursstellung von Wertpapieren im Orderbuch von Hybrid- und
Marktmachersystem bernehmen die Marktmacher (Skontrofhrer). Sie
setzen fr die Kursstellung im Orderbuch automatische Computerpro-
gramme (Quote Machines) ein, die Arbitragegeschfte verfolgen, indem
sie marginale Kursabweichungen marktbergreifend ausnutzen.
274
Dabei
werden Gegengeschfte gettigt, die im Orderbuch der einen Brse als
Bid und dem der anderen Brse als Ask deklariert werden (siehe Abbil-
dung 2.13, S. 85). Auf diese Weise werden die Transaktionsprozesse
mehrerer Brsen miteinander verknpft, ohne dass sie sich einer einheit-
lichen Marktorganisation unterwerfen.
274 Quote Machines selbst stellen keine Algorithmic Trading Software dar. Denn ihre
Aufgabe besteht nur darin, einen fortlaufenden Handel an den EHS in der Ab-
schlussphase zu gewhrleisten und Liquiditt im Orderbuch bereitzustellen. Fr
eine Erluterung von Quote Machines vgl. z.B. Rinker (2003), S. 33.
85
Abbildung 2.13: Hypothese zur Vernetzung der Mrkte durch Quote
Machines
Bid Ask
Brsliche Mrkte
(Hybrid und
Marktmachersysteme)
PTS (Hybrid oder
Marktmachersy steme)
Bid Ask
Lev el 1 - Orderbuch
Arbitrage-
geschf t
Arbitrage-
geschf t
Quote Machine eines Marktmachers
2 Basis fr Algorithmic Trading
Die Existenz von Dark Pools und Algorithmic Trading weist darauf hin,
dass PTS und traditionelle Brse nicht mehr isoliert in Konkurrenz zuein-
ander stehen, sondern ber Kommunikationsnetzwerke miteinander ver-
knpft sind, um eine organisatorische Einheit zu bilden. Auf der einen
Seite knnen sich Marktteilnehmer unterschiedlicher Trading Venues be-
dienen, um eine Order auszufhren. Auf der anderen Seite kann ein
Marktmacher (Skontrofhrer) an mehreren Brsen gleichzeitig ttig sein
(oder hinter einem Marktmacher stehen in Wirklichkeit die Level 1 Kurse
aus einem anderen Elektronischen Handelssystem). Eine berprfung
dieser Hypothese und eine Untersuchung der Auswirkungen dieser Ver-
netzung (z.B. auf die Liquiditt oder Stabilitt), bersteigt den Umfang
dieser Arbeit.
[Link] Zusammenfassung
EHS stellen die Quelle von endogenen Marktdaten dar, die beim Algo-
rithmic Trading in der Informationsphase ausgewertet werden. Der ver-
gangene Abschnitt hat gezeigt, welche Brsenformen als Informations-
quellen in Frage kommen und dass eine Vernetzung von EHS mglich ist.
Die Vernetzung der Mrkte ist aber nur eine Hypothese, die in der Litera-
tur nicht ausreichend diskutiert wurde. Die Transaktionsphasen knnen
beim Algorithmic Trading auch voneinander abgekoppelt werden. Es ist
beispielsweise mglich, dass die Informationsphase auf den endogenen
Marktdaten einer Brse basiert, whrend die Orderausfhrung an einer
anderen Brse stattfindet.
86
2 Basis fr Algorithmic Trading
2.2.4 Ort der Orderausfhrung
[Link] Computerbrsen
Die technologische Entwicklung vom klassischen Parketthandel an den
Prsenzbrsen hin zu vollstndig computergesteuerten Brsensystemen
ist in der Literatur unbestritten. HERTLE UND SCHENK definieren den Be-
griff Computerbrse, als vorlufigen Hhepunkt des technologischen
Wandels vom telefonbasierten Wertpapierhandel zu einem integrierten
System aus Rechnern, Netzwerk und Software.
275
SCHENK entwickelte
daraus ein vierstufiges Klassifikationsmodell, um die Automatisierung
bei elektronischen Handelssysteme zu beurteilen (siehe Abbildung 2.1, S.
38).
276
GOMBER baut auf dieses Schema auf, um das phasenbergreifende
Strukturmerkmal der Automatisierung von Brsensystemen zu untersu-
chen.
277
Das bloe Vorhandensein von Bildschirmen, Telefonen und
Computern ist dabei kein Zeichen fr eine Computerbrse.
278
Auch wenn
ber diese technischen Systeme ein Brsenhandel stattfindet, liegt eine
Computerbrse erst dann vor, wenn die Infrastruktur smtliche Markt-
funktionen und -regeln fr einen Brsenhandel abbildet.
279
275 Vgl. Hertle, Schenk (1995), S. 411.
276 Vgl. Schenk (1997), S. 81ff.
277 Vgl. Gomber (2000), S. 25ff.
278 Vgl. Hertle, Schenk (1995), S. 414.
279 Vgl. Hertle, Schenk (1995), S. 414.
87
2 Basis fr Algorithmic Trading
Die erste Evolutionsstufe bilden computeruntersttzte Parketthandels-
systeme (CUPHS), wie sie z.B. an der New York Stock Exchange
(NYSE)
280
oder der Frankfurter Wertpapierbrse (FWB) zu finden sind.
281
Bei dieser Brsenform basiert die Brsenorganisation auf dem Parkett-
und Prsenzhandel, whrend Computerprogramme alle Prozesse und
Funktionen, auer der eigentlichen Orderausfhrung untersttzen.
282

Die zweite Evolutionsstufe besteht aus computeruntersttzten Handels-
systemen, welche den physischen Prsenzhandel vollstndig ersetzen
oder eine parallele Infrastruktur unterhalten.
283
Die Verhandlung des Ge-
schftsabschlusses und der Kontraktabschluss erfolgt aber ber Telefon
(z.B. RSP an der London Stock Exchange, LSE).
284

280 Eine umfangreiche Darstellung der Marktmikrostruktur an der NYSE findet sich
u.a. bei Hasbrouk, Sofianos, Sosebee (1993).
281 Vgl. Schenk (1997), S. 83.
282 Vgl. Schenk (1997), S. 83.
283 Vgl. Schenk (1997), S. 84.
284 Vgl. Schenk (1997), S. 85.
88
Abbildung 2.14: Entwicklungsstufen elektronischer
Handelssysteme nach Gomber (2000)
Computer-
untersttzter
Parketthandel
Computer-
untersttzter
Parketthandel
Computer-
untersttzter
Handel
Computer-
untersttzter
Handel
Computer-
handelssysteme
Computer-
handelssysteme
Vollintegrierte
Computerbrse
Vollintegrierte
Computerbrse
2 Basis fr Algorithmic Trading
Die dritte Evolutionsstufe bilden Computerhandelssysteme (CHS), bei
denen alle Transaktionsprozesse automatisiert sind und die Preisbildung
innerhalb eines geschlossenen elektronischen Systems ohne Medien-
brche stattfindet (STP).
285

Die Computerbrsensysteme (CBS) stellen den (vorlufig) letzten
Evolutionsschritt dar, unterscheiden sich aber von den CHS dadurch, dass
sie auch die Phasen der Transaktionsabwicklung durch nachgelagerte
Clearing- und Settlementsysteme integriert haben.
286
Der Brsenhandel
wird hier vollstndig ber ein homogenes Netzwerk aus (unendlich mul-
tiplizierbaren) Rechnern und Software abgewickelt, welches dazu dient,
die Marktregeln abzubilden, alle Teilprozesse und Funktionen der Brse
zu integrieren, sowie Medienbrche zu verhindern.
287
Wie Abbildung
2.15, S. 90, zeigt, werden bei CBS alle Transaktionsprozesse innerhalb
eines geschlossenen Systems abgearbeitet und durch vollelektronische
Clearing-, Settlementfunktionalitt sowie elektronische Handelsberwa-
chung ergnzt.
288
Diese Darstellung umfasst auch die Entwicklung neuar-
tiger elektronischer Handelsplattformen, die vollstndig auf Transparenz
verzichten (z.B. Dark Pools).
Abbildung Nr. 2.15, S. 90, zeigt weiterhin in den hell unterlegten Fl-
chen, in welcher Beziehung Algorithmic Trading zu Computerbrsen
steht. Das Algorithmic Trading auf der Sell-Side kann dem Automated
Order Routing zugeordnet werden, weil seine Aufgabe in der Orderber-
mittlung an elektronische Handelssysteme besteht. Beim Algorithmic
Trading auf der Buy-Side benutzen Investoren Dialogsysteme, um die
Verfahren zur Informationsbewertung vorzugeben oder abzustimmen.
285 Vgl. Schenk (1997), S. 87.
286 Vgl. Schenk (1997), S. 89f.
287 Vgl. Schenk (1997), S. 89.
288 Vgl. Gomber (2000), S. 27.
89
2 Basis fr Algorithmic Trading
90
Abbildung 2.15: Strukturdarstellung einer voll integrierten
Computerbrse (Quelle: Gomber (2000), S. 27)
Auomated Order Routing
(Sell-Side Algo Trading)
Auomated Order Routi ng
(Sell-Side Algo Trading)
El ektronisches
Handel ssystem
- Automati sche
Zusammenfhrung
von Orders (Matchi ng)
- Automati sche
Transakti onsaus-
fhrung
El ektronisches
Handel ssystem
- Automati sche
Zusammenfhrung
von Orders (Matchi ng)
- Automati sche
Transakti onsaus-
fhrung
Cl eari ng- und
Settl ement-System
- Automati sches Ausglei ch
von Transakti onsver-
Pfl i chtungen
- Automati sche Abwi ckl ung
(Settl ement)
Cl earing- und
Settl ement-System
- Automatisches Ausgl ei ch
von Transaktionsver-
Pfl i chtungen
- Automatische Abwi ckl ung
(Settl ement)
Informati ons- und
berwachungs-System
- Automatische
Informations Vertei l ung
- Automatische Handel s-
berwachung
Informati ons- und
berwachungs-System
- Automatische
Informations Vertei l ung
- Automatische Handel s-
berwachung
Dial ogsystem
(Buy Side
Algo Trading)
Di al ogsystem
(Buy Side
Algo Trading)
2 Basis fr Algorithmic Trading
[Link] Preisabschlussphase
Das wichtigste Element einer Computerbrse ist die Preisfindung im
elektronischen Handelssystem in der Abschlussphase.
289
Nach GERKE UND
RAPP werden alle Prozesse zum Marktausgleich von einem computeri-
sierten Kursermittlungsmodul als Subsystem einer Computerbrse ber-
nommen (dem elektronisches Handelssystem im eigentlichen Sinne).
290
DOMOWITZ bezeichnet die automatische Zusammenfhrung von Kauf-
und Verkaufsorders in einem solchen Subsystem als Electronic Hands-
hake.
291
PICOT, BORTENLNGER UND RHRL untersuchen die Automatisie-
rung in der Abschlussphase und stellen fest, dass die Subsysteme auf der
hchsten Ebene der Automatisierung eine vollintegrierte Intermediations-
funktion aufweisen.
292
Das heit, die Preisfeststellung erfolgt vollstndig
automatisiert, ohne menschliche Eingriffe, selbst dann, wenn die Orderla-
ge unausgeglichen ist.
293
Auf der niedrigsten Ebene der Automatisierung
erfolgt die Preisfeststellung manuell (ohne technische Untersttzung),
whrend dazwischen ein breites Spektrum an Automatisierungen mglich
ist.
294
289 Vgl. Gerke, Rapp (1994), S. 14.
290 Vgl. Gerke, Rapp (1994), S. 14.
291 Vgl. Domowitz (1993), S. 33.
292 Vgl. Picot, Bortenlnger, Rhrl (1997), S. 60-66.
293 Vgl. Picot, Bortenlnger, Rhrl (1997), S. 66.
294 PICOT, BORTENLNGER UND RHRL unterscheiden folgende sechs Phasen der Automa-
tisierung: 1. Preisfeststellung ohne technische Untersttzung (Mehrere Marktteil-
nehmer treten sich entweder Face-to-Face gegenber oder es findet ein Einheits-
kursverfahren statt), 2. Bilaterale Preisfeststellung am Telefon (Keine physische
Anwesenheit von Kufer und Verkufer mehr notwendig) , 3. Bilaterale Preisfest-
stellung durch Verhandlungen ber ein Computersystem (Einsatz eines Computer-
Dialogsystems, bei dem sich die Marktteilnehmer wechselseitig elektronische
Nachrichten schicken, anstatt zu telefonieren), 4. Preisfeststellung durch Preisim-
port (Elektronisches Handelssystem fhrt keine eigene Preisfeststellung mehr
durch, sondern bernimmt den besten quotierten Preis aus einem anderen Handels-
system), 5. Computeruntersttzte Preisfeststellung im Parketthandel (Eingehende
Orderauftrge werden im Orderbuch gesammelt und das Orderbuch unterbreitet
91
2 Basis fr Algorithmic Trading
Fr Algorithmic Trading bedeutet dies, dass eine automatische Orderaus-
fhrung nur dann mglich ist, wenn die Preisabschlussphase vollkommen
automatisiert ist. Wenn der Ausgleich der Orderbuchseiten noch manuell
erfolgt, ist erstens keine automatische Orderausfhrung mglich und
zweitens mssen auch fr die Strategien der Buy-Side Verzgerungen in
Kauf genommen werden.
[Link] DMA
Als direkten Marktzugang (Direct Market Access, DMA) bezeichnet man
die elektronisch bermittlung von Orders direkt und ohne Medienbrche,
in das elektronische Orderbuch einer Brse.
295
DMA ist eine Grundvor-
aussetzung fr Sell-Side Algorithmic Trading, weil eine automatische Or-
derausfhrung nur dann stattfinden kann, wenn die Orders auch ohne
menschliche Eingriffe in das Orderbuch einer Brse bermittelt werden.
Ohne DMA ist auch keine automatische Orderausfhrung mglich. DMA
wird heutzutage fast von jeder Computerbrse angeboten.
Fr den technischen Zugang zum elektronischen Handelssystem XETRA
gibt es beispielsweise vier unterschiedliche Mglichkeiten zu DMA, die
sich durch die Qualitt und Kombination der Kommunikationsleitungen
unterscheiden (siehe Tabelle 7, S. 94).
296

dem vermittelnden Intermedir einen Vorschlag zum Ausgleichskurs), 6. Preisfest-
stellung durch Orderauswahl am Bildschirm, Preisfeststellung durch fortlaufendes
Ordermatching (die Auftrge aus dem fortlaufenden Handel werden im Orderbuch
gesammelt und die Marktteilnehmer knnen ohne vermittelnde Intermedire einen
Ausgleich herbeifhren), 7. Preisfeststellung durch fortlaufendes Matching (Markt-
teilnehmer senden die Auftrge aus dem fortlaufenden Handel an das Orderbuch,
welches selbststndig bereinstimmende Orders zusammenfhrt), 8. Preisfeststel-
lung durch periodisches Matching (Orders werden ber eine gewisse Zeitspanne im
Orderbuch gesammelt und dann nach dem Meistausfhrungsprinzip automatisch
ausgefhrt), 9. Preisfeststellung durch vollintegrierte Mediationsfunktion (Han-
delsprozess wird automatisch, auch bei unausgeglichener Orderlage aufrecht erhal-
ten). Vgl. Picot, Bortenlnger, Rhrl (1997), S. 60-66.
295 Vgl. Gsell (2008), S. 2.
296 Vgl. Prix, Loistl, Huetl (2008), S. 5 zitiert nach Deutsche Brse AG (2003).
92
2 Basis fr Algorithmic Trading
Eine allgemein gltige Darstellung zum DMA ist bisher noch nicht mg-
lich, weil sich die technische Infrastruktur der Brsen unterscheidet. Die
Wahl der Kommunikationsleitung entscheidet ber die Latenz und die
Datensicherheit bei der bertragung. Als Latenz (Latency) bezeichnet
man den Zeitverlust, der durch die physische bertragung elektronischer
Nachrichten, zwischen Orderaufgabe und Verarbeitung, entsteht.
297
Der
Zeitverlust kann auf technische Friktionen, wie z.B. Schwankungen in
der Bandbreite oder dem Datenaufkommen zurckzufhren sein. Eine
hohe Latenzzeit beeintrchtigt sowohl die Orderausfhrung, sie kann
aber indirekt auch die Datenversorgung der Marktteilnehmer mit endoge-
nen Marktdaten verzgern.
Die Zugangsmglichkeiten fr DMA sind fr Algorithmic Trading ent-
scheidend, weil sie determinieren, welche STP-Rate
298
in den Transakti-
onsprozessen von Computerbrsen erreichbar ist. Je automatischer der
Brsenhandel organisiert ist (je hher die STP-Rate), desto hhere Han-
delsfrequenzen sind beim Algorithmic Trading auf der Sell-Side realisier-
bar, weil zur Orderausfhrung kein manuelle Nachbearbeitung mehr n-
tig ist, sondern die Order direkt in das Orderbuch gespeist wird. Dies er-
laubt wiederum auch der Buy-Side, Strategien zu formulieren, die mit
mglichst geringen Reaktionszeiten auskommen und endogene Marktda-
ten in immer kleineren Zeitintervallen auswerten. Je kleiner die STP-Rate
ist (nicht-automatisch), desto hher ist der Aufwand fr die Bearbeitung
von Sell-Side Orders und desto hher sind die Einschrnkungen fr die
Strategien der Buy-Side. Denn bei der Orderausfhrung mssen Zeitver-
luste in Kauf genommen werden, die zu weiteren Transaktionskosten
fhren. Die Transaktionskosten werden in Abschnitt 3.4.2 , S. 116 erlu-
tert.
297 Vgl. Deutsche Brse AG (2009a), S. 239.
298 Fr eine Erklrung von Straight Through Processing (STP) vgl. Knogler, Linsmaier
(2008), S. 57f.
93
2 Basis fr Algorithmic Trading
Technische Verbindungen zur Brse
(Quelle: Loistl, Huetl 2008, S. 5 zitiert
nach Deutsche Brse AG 2003)
Latenzzeit
(Orderausfhrung,
Marktdatenversorgung)
bertragungs-
sicherheit
Zwei unabhngige, parallele
Standleitungen
299
(Dedicated
Line).
Abhngig von der
physischen Distanz
zwischen Brse und
Marktteilnehmer
Sicher.
Eine Standleitung und einer
Internetverbindung als
Sicherheit (Backup).
Abhngig von der
Internetverbindung.
Abhngig von
Verschlsselung.
Eine Internetverbindung ber
einen speziellen Server
(Member Integrated System
Server).
Eine Internetverbindung mit
XETRA-Applikation fr XETRA-
Ordermanagement (XETRA-
Order Maintainance).
Proximity Hosting (siehe
Abschnitt 2.3.5 , S. 105).
Sehr geringe
Verzgerungen.
Datenbertragung von
Netzwerkkarte zu
Netzwerkkarte mglich.
Sicher.
Tabelle 7: Direct Market Access im Handelssystem XETRA
299 Standleitungen (Dedicated Lines, Leased Lines) sind die einfachste Mglichkeit fr
elektronischen Datenaustausch. Damit ist es nicht mehr notwendig, dass sich die
Computer von Investoren, Broker und Brse am selben Ort befinden mssen. Eine
Standleitung hlt die Verbindung zwischen zwei Computern (oder auch Telefonen )
permanent offen, das heit, der Datenaustausch kann ohne Pause Tag und Nacht
stattfinden.
94
2 Basis fr Algorithmic Trading
2.2.5 Zusammenfassung
Sell-Side Algorithmic Trading ist nur an Computerbrsen mglich, die
ihre Transaktionsprozesse (zumindest teilweise) automatisiert haben. Die
Handelsstrategien der Buy-Side sind wiederum vollstndig abhngig von
den Software-Programmen der Sell-Side, weil letztere als einzige die au-
tomatische bermittlung der Orders an Computerbrsen bernehmen
knnen (siehe Kapitel 3 ). Wenn eine Brsenform keine automatische
Orderausfhrung ber DMA erlaubt, werden auch die Handelsstrategien
der Buy-Side dadurch begrenzt. Wenn eine Brsenform keine automati-
sche Preisabschlussphase bietet, ist auch keine automatische Orderaus-
fhrung mglich. Diese Erkenntnisse lassen sich in Formel 2.1 und 2.2
zusammenfassen:
(2.1)
AlgoTrading
Buy-Side
= f ( AlgoTrading
Sell-Side
)
(2.2)
AlgoTrading
Sell_Side
=f ( DMA, Preisabschlussphase)
95
2 Basis fr Algorithmic Trading
2.3 Software-Agenten
2.3.1 berblick
Der Agentenbegriff wird in der Betriebswirtschaft u.a. mit der Prinzipal-
Agent-Theorie
300
erklrt. In der Wirtschaftsinformatik hat der Begriff
Software-Agent eine abweichende Bedeutung, die im folgenden Abschnitt
erlutert wird.
301

RAGHAVENDRA, PARASCHIV UND VASILIU gehen davon aus, dass die Softwa-
re-Programme, die beim Algorithmic Trading angewendet werden, Soft-
ware-Agenten sind.
302
Ihre Annahme beruht auf einer umfangreichen Li-
teratur, die sich mit der Rolle von (Software) Agenten und der Simulation
von knstlichen Mrkten beschftigt.
303
In dieser Literatur lassen sich
300 In der Prinzipal-Agent-Theorie wird die Beziehung zwischen Auftraggeber (Prinzi-
pal) und Auftragnehmer (Agent) durch Informationsasymmetrien und Zielkonflikte
charakterisiert. Beide verfolgen unterschiedliche Interessen, sind aber zur Errei-
chung ihrer Ziele aufeinander angewiesen. Vgl. Jger (2008), S. 9. Die Prinzipal-
Agent-Theorie lsst sich auch auf Algorithmic Trading bertragen. Der Investor
(Auftraggeber) hat hier das Ziel, seine Rendite zu steigern und seine Risiken zu mi-
nimieren. Der Broker (Auftragnehmer) hat das Ziel, die Transaktionswnsche sei-
nes Klienten so effizient, schnell und kostengnstig wie mglich zu realisieren. So-
wohl Auftraggeber als auch Auftragnehmer sind zur Erfllung ihrer Aufgaben auf
andere Finanzintermedire angewiesen. Der Investor bentigt transaktionsspezifi-
sche Dienstleistungen (z.B. Research, Order-Management) die ihm helfen, eine
Entscheidung zu treffen. Unter Research versteht man hier z.B. die Analyse von
Unternehmensinformationen oder der aktuellen Marktsituation, um eine Entschei-
dung herbeizufhren. Der Broker bentigt ebenfalls transaktionsspezifische Dienst-
leistungen. Er muss z.B. mit anderen Wertpapierdienstleistern zusammenarbeiten,
um Orders an auslndische Brsen zu leiten oder die Wertpapierabwicklung und
das Clearing durchzufhren.
301 Vgl. Gomber (2000), S. 118.
302 Vgl. Raghavendra, Paraschiv, Vasiliu (2008), S. 3f.
303 Vgl. Raghavendra, Paraschiv, Vasiliu (2008), S. 3. siehe dazu auch Chan, LeBaron,
Lo, Poggio (1999), Raberto, Cincotti, Focardi, Marchesi (2001), Kearns, Ortiz
(2003), Gsell (2008) und weitere Autoren.
96
2 Basis fr Algorithmic Trading
zwei Richtungen feststellen. Ausgehend vom Santa Fe Institute
304
be-
schftigt sich die erste Richtung mit Computersimulationen knstlicher
Finanzmrkte, auf denen die komplexen Transaktionsprozesse mit hete-
rogenen Agenten nachbildet werden.
305
Im Mittelpunkt dieser Richtung
stehen Software-Agenten, die mit der Fhigkeit zum Lernen und zur Op-
timierung ihrer eigenen Prozesse ausgestattet sind.
306
Die andere Rich-
tung der Literatur beschftigt sich mit den Interaktionen zwischen (Soft-
ware) Agenten und menschlichen Hndlern auf den Mrkten.
307
Diese
Richtung entstand als Konsequenz von Crashs auf den Finanzmrkten
(z.B. 1987), deren Ursache man Algorithmic Trading Software zuge-
schrieben hat.
308

In der Literatur ist nicht abschlieend geklrt, ob man den Begriff Soft-
ware-Agent auf die Software fr Algorithmic Trading bertragen kann.
Im Folgenden wird deshalb zunchst der Begriff kurz erlutert und da-
nach die bertragung des Begriffes auf Algorithmic Trading geprft.
304 Das Santa Fe Institute ist eine private, unabhngige Forschungseinrichtung, die sich
mit der interdisziplinren Erforschung von komplexen, adaptiven Systemen be-
schftigt. [Link]
305 Vgl. Raghavendra, Paraschiv, Vasiliu (2008), S. 3.
306 Vgl. Raghavendra, Paraschiv, Vasiliu (2008), S. 3.
307 Vgl. Raghavendra, Paraschiv, Vasiliu (2008), S. 5.
308 Vgl. Raghavendra, Paraschiv, Vasiliu (2008), S. 5.
97
2 Basis fr Algorithmic Trading
2.3.2 Begriffsabgrenzung von Software-Agenten
An agent is a computer system that is situated in some
environment, and that is capable of autonomous action in this
environment in order to meet it's design objectives.
309
WOOLDRIDGE bezieht sich bei oben stehender Definition von Software-
Agenten auf die Definition von WOOLDRIDGE UND JENNINGS aus dem Jahre
1995.
310
Diese Definition betont, dass Software-Agenten mit ihrer unmit-
telbaren Umgebung in Interaktion stehen und in der Lage sind, autonome
Entscheidungen zu treffen. Nach der Meinung von WITTIG, aus dem Jahr
1999, existiert aber keine allgemein gltige Definition des Begriffes Soft-
ware-Agent.
311
Unter intelligenten Software-Agenten versteht er autono-
me Programme, die sich durch die Dimensionen Intelligenz, Mobilitt
und Interaktivitt (Agency) charakterisieren lassen.
312
GOMBER definierte
den Begriff, im Jahr 2000, aus Sicht der Wirtschaftsinformatik und elek-
tronischer Handelssysteme.
313
Fr ihn besteht ein Konsens darber, dass
sich mit diesem Ansatz die Delegation wiederkehrender Aufgaben von
Menschen (Benutzer) auf Software-Programme beschreiben lsst.
314
Soft-
ware-Agenten lassen sich seiner Meinung nach entweder ber ihre Auf-
gaben oder ihre Eigenschaften charakterisieren.
315
Eine abschlieende,
universelle Definition von Software-Agenten ist in der Literatur nicht
verfgbar.
316
309 Wooldridge, Jennings (1995).
310 Vgl. Wooldridge (2002), S. 5 sowie Wooldridge, Jennings (1995).
311 Vgl. Wittig (1999), S. 17.
312 Vgl. Wittig (1999), S. 17f.
313 Vgl. Gomber (2000).
314 Vgl. Gomber (2000), S. 119.
315 Vgl. Gomber (2000), S. 119.
316 Fr einen aktuellen Stand der Forschung zu Software-Agenten siehe z.B. Hadzic,
Wongthongtham, Chang, Dillon (2009), S. 15.
98
2 Basis fr Algorithmic Trading
2.3.3 Eigenschaften von Software-Agenten
Diese Arbeit orientiert sich im Folgenden an GOMBER, der eine Definition
von Software-Agenten ber ihre Eigenschaften vornahm.
317
Aufgrund ei-
ner fehlenden Definition fr Software-Agenten, kann man in Bezug auf
die Eigenschaften auch nur Annahmen aus verschiedenen Agentenanstze
treffen. Nach der Gliederung von JENNINGS UND WOOLDRIDGE sind die Ei-
genschaften von Software-Agenten Autonomie, Soziales Verhalten, Reak-
tionsfhigkeit und Zielorientierung.
318
FRANKLIN UND GRAESSER fgen die
Eigenschaften der Persistenz, Adaptivitt, Flexibilitt, Mobilitt und
Charakter hinzu.
319
Die Eigenschaften werden in Tabelle 8, S. 102, noch
einmal zusammengefasst.
In der Literatur besteht ein Konsens darber, dass die wichtigste Eigen-
schaft von Software-Agenten ihre Autonomie ist. Unter der Autonomie
versteht man die Fhigkeit eines Software-Agenten, nach Vorgabe einer
Bearbeitungs-Methode, bestimmte Aufgaben selbststndig und ohne Hil-
fe oder Kontrolle eines Benutzers zu lsen.
320
Die Agenten besitzen dabei
volle Kontrolle ber ihre Handlungen und ihren internen Status.
321

Soziales Verhalten bezeichnet die Fhigkeit eines Agenten zur Interaktion
und Kommunikation mit dem Benutzer oder anderen Agenten, auf Basis
einer gemeinsamen Sprache (Agent Communication Languages, ACL).
322
Die Reaktionsfhigkeit erlaubt es dem Agenten, die System-Umgebung
selbst wahrzunehmen und auf Vernderungen (z.B. durch neue Benutzer-
vorgaben, Vernderungen der Datenlage) selbststndig zu reagieren.
323

317 Vgl. Gomber (2000).
318 Vgl. Gomber (2000), S. 120 und Jennings, Wooldridge (1996), S. 17.
319 Vgl. Gomber (2000), S. 121 und Franklin, Graesser (1997), S. 29f.
320 Vgl. Burkhard (1998), S. 6.
321 Vgl. Gomber (2000), S. 120.
322 Vgl. Gomber (2000), S. 121 und Burkhard (1998), S. 6.
323 Vgl. Gomber (2000), S. 121.
99
2 Basis fr Algorithmic Trading
Die Zielorientierung beschreibt die Fhigkeit eines Agenten, die Initiati-
ve ergreifen zu knnen und sich dabei selbststndig und zielgerichtet zu
verhalten.
324
Sie nehmen Anweisungen entgegen und unterbreiten eigene
Vorschlge.
325
Persistenz bedeutet, dass der Agent auch nach der Erfl-
lung einer Aufgabe fr weitere Auftrge zur Verfgung steht und fr
einen bestimmten Zeitraum existiert.
326

Adaptivitt beschreibt die Lernfhigkeit des Agenten, sein Verhalten
durch Beobachtung, Evaluation historischer Daten oder das Verhalten des
Benutzers anzupassen.
327
Flexibilitt beschreibt die Anpassbarkeit des
Agenten an verschiedene Situationen.
328
Mobilitt beschreibt die Fhig-
keit der Agenten, die Laufzeitumgebung und ihren Einsatzort zu wech-
seln.
329
Charakter beschreibt die optionale Fhigkeit ein Persnlichkeits-
bild und einen emotionalen Zustand zu entwickeln.
330

324 Vgl. Gomber (2000), S. 121.
325 Vgl. Gomber (2000), S. 121.
326 Vgl. Gomber (2000), S. 121.
327 Vgl. Gomber (2000), S. 122.
328 Vgl. Gomber (2000), S. 122.
329 Vgl. Burkhard (1998), S. 6f. siehe auch Plattformunabhngigkeit der Software.
330 Vgl. Gomber (2000), S. 122.
100
2 Basis fr Algorithmic Trading
2.3.4 Software-Agenten im Algorithmic Trading
Eigenschaf-
ten von
Software-
Agenten
Beschreibung der
Eigenschaften
Algorithmic Trading
Buy-Side Sell-Side
Autonomie Fhigkeit eines
Agenten, nach
Vorgabe einer Be-
arbeitungs-Metho-
de, bestimmte Auf-
gaben selbststn-
dig und ohne Hilfe
oder Kontrolle ei-
nes Benutzers zu
lsen.
Selbststndige
Analyse von endo-
genen oder exoge-
nen Marktdaten
(teilautomatische)
Generierung von
Kauf- oder Ver-
kaufssignalen oder
(vollautomatische)
Generierung von
Orders (High Fre-
quency Trading)
Beobachtung von An-
gebot und Nachfrage
(an mehreren) elek-
tronischen Handels-
systemen gleichzeitig
Aufteilung von Orders
in kleinere Teilstcke
und deren Weiterlei-
tung im Laufe der
Zeit an elektronische
Handelssysteme
Soziales
Verhalten
Fhigkeit zur Inter-
aktion und Kom-
munikation mit
dem Benutzer oder
anderen Agenten.
Abstimmung mit
den Software-
Agenten der Sell-
Side und vorgela-
gerten IT-Systemen
Abstimmung mit den
Software-Agenten der
Buy-Side
Im Mittelpunkt steht
die Umsetzbarkeit der
Transaktionswnsche
Reaktions-
fhigkeit
Fhigkeit des
Agenten, die Sys-
tem-Umgebung
selbst wahrzuneh-
men und auf Ver-
nderungen
selbststndig zu
reagieren.
Die System-Um-
gebung liefert en-
dogene oder exo-
gene Marktdaten
Die Programme
reagieren selbst-
stndig auf Vern-
derungen der
Marktdaten
Die System-Umge-
bung liefert Pre-Trade
Daten, welche das
Angebot und die
Nachfrage widerspie-
geln.
Die Programme pas-
sen die Orderausfh-
rung der aktuellen
Marktlage an.
Zielorientie-
rung
Fhigkeit eines
Agenten, die Initia-
tive ergreifen zu
knnen und sich
dabei selbststn-
dig und zielgerich-
tet zu verhalten.
Die Programme er-
greifen die Initiative
wenn Informations-
vorteile vorliegen,
die Gewinne er-
warten lassen.
Die Programme er-
greifen die Initiative,
wenn keine Marktbe-
einflussung (Market
Impact) bei einer Teil-
ausfhrung zu erwar-
ten ist.
Fortsetzung der Tabelle auf der folgenden Seite.
101
2 Basis fr Algorithmic Trading
Persistenz Agent steht auch
nach der Erfllung
einer Aufgabe fr
weitere Auftrge
zur Verfgung.
Einbindung in eine feste technische Infrastruk-
tur erlaubt die bertragung wiederkehrender
Aufgaben
Adaptivitt Lernfhigkeit des
Agenten, sein Ver-
halten durch Beob-
achtung, Evaluati-
on historischer Da-
ten oder das Ver-
halten des Benut-
zers anzupassen.
Ist nur dann gegeben wenn knstliche neurona-
le Netze oder andere Lernmethoden eingesetzt
werden.
Charakter Optionale Fhig-
keit ein Persnlich-
keitsbild und einen
emotionalen Zu-
stand zu entwi-
ckeln
Flexibilitt Anpassbarkeit des
Agenten an ver-
schiedene Situatio-
nen.
Flexibilitt ist nur in dem Rahmen mglich, wie
sie durch den Benutzer vorhergesehen wurde
und im Software-Code definiert ist.
Mobilitt Fhigkeit der
Agenten, die Lauf-
zeitumgebung und
ihren Einsatzort zu
wechseln.
Plattformunabhngige Programmierung der
Software ermglicht einen Einsatz auf unter-
schiedlichen Betriebssystemen und auf unter-
schiedlichen Computern.
Tabelle 8: Zuordnung der Eigenschaften von Software-Agenten auf
Algorithmic Trading (basierend auf Jennings, Wooldridge (1996) und
Franklin, Graesser (1997))
102
2 Basis fr Algorithmic Trading
Tabelle 8, S. 102, bertrgt die Eigenschaften der Software-Agenten auf
beide Ebenen des Algorithmic Trading. Auf der Buy-Side setzt der Inves-
tor (als Benutzer) die Algorithmic Trading Software (als Agenten) ein,
um eine Investitionsentscheidung herbeizufhren. Auf der Sell-Side steu-
ert der Broker (als Benutzer) die Algorithmic Trading Software (als
Agent), um die Transaktion zu mglichst gnstigen Bedingungen durch-
zufhren.
Die Eigenschaft der Autonomie findet sich in den Software-Programmen
beim Buy-Side Algorithmic Trading wieder, weil hier der Transaktions-
wunsch selbststndig und ohne menschliches Zutun entwickelt wird. Die
Software behlt die volle Kontrolle ber die Analyse von Marktdaten und
kann den Transaktionswunsch, je nach Automatisierungsgrad, auch ohne
menschliche Eingriffe an die Sell-Side bermitteln. Die Software-Pro-
gramme der Sell-Side knnen alle Entscheidungen selbststndig treffen,
die im Rahmen der Orderausfhrung auftreten. Die Eigenschaft der Mo-
bilitt findet sich in den Software-Programmen beim Algorithmic Tra-
ding wieder, weil sie in unterschiedlichen Programmiersprachen (C/C++,
Java, C#/.Net, VB usw.) realisiert werden. Das heit, sie knnen auf je-
den beliebigen Computer (Server) oder Betriebssystem (plattformunab-
hngig) migriert werden. Damit die Software-Agenten ihre Aufgaben
wahrnehmen knnen, mssen sie in eine geeignete Infrastruktur eingebet-
tet werden, ber welche sie Zugang zum elektronischen Handelssystem
besitzen. Die Eigenschaft der Persistenz ist dann gegeben, wenn die Soft-
ware-Programme diese Infrastruktur fr mehrere Transaktionen nutzen
knnen. Die Eigenschaft der Zielorientierung findet sich ebenfalls im Al-
gorithmic Trading wieder. Denn die Programme der Buy-Side verfolgen
das Ziel, Kauf- oder Verkaufsempfehlungen aus Marktdaten abzuleiten.
Die Programme der Sell-Side versuchen, die Transaktion mglichst
schnell abzuwickeln, ohne dass es zu Marktverzerrungen kommt (Ver-
meidung von Market Impact).
103
2 Basis fr Algorithmic Trading
Die Eigenschaften der Flexibilitt und Reaktionsfhigkeit sind nur in dem
Mae mglich, wie sie durch die Benutzer (Programmierer) vorgegeben
werden. Die Software-Programme der Buy-Side und der Sell-Side verlan-
gen also eine stndige Anpassung und Pflege, um den aktuellen Marktbe-
dingungen gerecht zu werden. Vernderungen der Mrkte uern sich auf
der Sell-Side z.B. in einer Umwlzung des Orderbuches und auf der Buy-
Side z.B. im Auftreten von Massendaten. Die Eigenschaft des Soziales
Verhalten ist beim Algorithmic Trading davon abhngig, ob die Software-
Programme die Fhigkeit zur Interaktion und Kommunikation mit dem
Benutzer oder anderen Agenten besitzen. Man knnte argumentieren,
dass Algorithmic Trading keinem sozialen Verhalten folgt, sondern nur in
Befehlsketten eingebunden ist, die vom Investor bis zum elektronischen
Handelssystem und der Transaktionsabwicklung reichen. Ein Software-
Agent kann die Fhigkeit zur Kommunikation aber entwickeln, wenn er
in eine entsprechende System-Umgebung eingebettet wird, die ein sol-
ches soziales Verhalten verlangt.
104
2 Basis fr Algorithmic Trading
2.3.5 System-Umgebung
Nach Ansicht von WOOLDRIDGE dient die Software-Architektur
331
von
Agenten dazu, komplexe Entscheidungsprozesse zu modellieren.
332
Die
Komplexitt dieser Prozesse wird beeinflusst von der System-Umge-
bung, in welche die Software-Agenten eingebettet werden.
333
Auch die
System-Umgebung kann man wiederum nach ihren Eigenschaften cha-
rakterisieren.
334
Die obige Grafik von RISCA, MALIK UND KESSLER zeigt die
technische Infrastruktur fr den Wertpapierhandel (die Handelsarchitek-
331 Fr eine Erklrung des Begriffes Software-Architektur siehe Starke (2009), S. 16ff.
332 Vgl. Wooldridge (2002), S. 6.
333 Vgl. Wooldridge (2002), S. 6.
334 Vgl. Wooldridge (2002), S. 6.
105
Abbildung 2.16: System-Architektur beim Algorithmic Trading auf der
Buy-Side und Sell-Side (Quelle: Risca, Malik, Kessler (2008), S. 3)
2 Basis fr Algorithmic Trading
tur) aus Sicht der Informatik (Abbildung 2.16, S. 105).
335
Die Autoren
machen mit ihrer Grafik deutlich, dass man die System-Umgebung von
Algorithmic Trading in mehreren Ebenen betrachten kann.
Die Softwareprogramme fr Algorithmic Trading kann man in der Han-
delsarchitektur zuerst dem sogenannten High Performance Trading Clus-
ter und Ticker Plant
336
zuordnen (siehe Abbildung oben links). Das heit,
sie sind mit anderen Softwareprogrammen verknpft, die das Prinzip des
Straight Through Processing verfolgen (z.B. Price Engine, Risk Mode-
ling, Order Management, Fix Engine oder Feed Handlers).
337
Diesen
Cluster knnte man als System-Umgebung von Algorithmic Trading im
engeren Sinne bezeichnen, weil die Handelsarchitektur auf einen sehr
kleinen Bereich von interagierenden Softwareprogrammen beschrnkt
wird.
Die System-Umgebung von Algorithmic Trading kann man jedoch auch
in einem greren Zusammenhang verstehen. Dem High Performance
Trading Cluster stehen dann sogenannte End-User Applications gegen-
ber (in der Grafik oben rechts). Zu dieser Kategorie gehren Software-
programme bzw. Systeme fr den manuellen Brsenhandel oder zur
berwachung, Kontrolle oder Analyse von Transaktionsprozessen (Exe-
cution Monitors, Trading Systems, Compliance Surveillance usw.).
338
Die
Datenvendoren stellen die Quellen der Marktdaten zur Verfgung, die
von End-User Applications oder vom High Performance Trading Clus-
ter ausgewertet werden (in der Grafik unten).
339
Im Zentrum der Han-
delsarchitektur steht der sogenannte Messaging Bus, der den Austausch
elektronischer Mitteilungen zwischen den drei Ebenen bernimmt (in der
Grafik in der Mitte).
340
Das Zusammenwirken aller dieser Gruppen knn-
335 Vgl. Risca, Malik, Kessler (2008), S. 3.
336 Vgl. Hertle, Schenk (1995), S. 415.
337 Vgl. Risca, Malik, Kessler (2008), S. 3.
338 Vgl. Risca, Malik, Kessler (2008), S. 3.
339 Vgl. Risca, Malik, Kessler (2008), S. 3.
340 Vgl. Risca, Malik, Kessler (2008), S. 3.
106
2 Basis fr Algorithmic Trading
ten man als System-Umgebung von Algorithmic Trading im weiteren
Sinne bezeichnen, weil die Handelsarchitektur relativ weitlufig ist und
ber den Messaging Bus Systeme aus unterschiedlichsten Bereichen mit-
einander kommunizieren.
Die speziellen Rume, in denen man die Handelsarchitektur konzentriert,
werden auch als Data Center bezeichnet.
341
RISCA, MALIK UND KESSLER
unterscheiden traditionelle Broker Data Center (welche die Handelsar-
chitektur beim Broker konzentrieren) und Financial Service Provider
Hosting Facility (die Handelsarchitektur wird bei der Brse
konzentriert).
342
Die letztere Infrastruktur wird auch als Proximity Hos-
ting (Co-Location Services) bezeichnet.
343
Standleitungen sind dort unn-
tig, Investoren und Broker greifen nicht mehr von auerhalb auf die
Computer der Brse zu, sondern befinden sich geographisch gesehen
am selben Ort, wie die Brsencomputer.
344

Die Handelsarchitektur muss nicht zwangsweise in einem einzigen Data
Center konzentriert werden, aber beim Proximity Hosting wird die Ge-
schwindigkeit des Datenaustauschs zwischen den Software-Programmen
erhht. Brsenteilnehmer knnen so schneller auf die vernderten Preise
einer Auktion reagieren, als Marktteilnehmer, die nur per Telefon oder
Standleitung verbunden sind. Bei einer geographischen Distanz von ca.
150km zwischen Broker und Brse betrgt die theoretische Zeit, die fr
einen Round Trip
345
bentigt wird, schon lnger als 1 Millisekunden (2
341 Vgl. Risca, Malik, Kessler (2008), S. 4-6.
342 Vgl. Risca, Malik, Kessler (2008), S. 4-6.
343 Vgl. Gsell (2009), S.1.
344 Vgl. Prix, Loistl, Huetl (2008), S. 5. zitiert nach Deutsche Brse AG (2003).
345 Die (einfache) Latenz-Zeit gibt an, wie lange die Datenbertragung von der Sell-Si-
de an die Brsensysteme bentigt. Die Zeitangabe alleine ist aber wenig aussage-
krftig. Stattdessen ist die Zeit relevant, die eine Order bentigt, um das Brsensys-
tem zu erreichen und die Zeit, welche die Besttigung braucht, um vom Brsensys-
tem den Absender wieder zu erreichen (Round Trip). Vgl. Prix, Loistl, Huetl
(2008), S. 5. Eigentlich msste auch die Zeit zur Datenbermittlung zwischen Buy-
Side und Sell-Side einbezogen werden. Dazwischen liegt dann die Zeit, welche den
Software-Programmen zur Bearbeitung ihrer Aufgaben zur Verfgung steht.
107
2 Basis fr Algorithmic Trading
mal 0,5 Millisekunden), selbst wenn eine Order mit theoretischer Licht-
geschwindigkeit bermittelt wird und die Softwareprogramme keine Zeit
zur Verarbeitung der Information verbrauchen.
346
Dazu mssen aber noch
Zeitverluste gerechnet werden, die durch Netzwerk-Relais, Hardware
oder Umrechnungen der Datenstrme entstehen.
347
Ein Round Trip zwi-
schen Frankfurt und New York wrde mindestens 41 Millisekunden dau-
ern.
348
Eine ausfhrliche Analyse der (einfachen) Latenzzeiten liefern
BUDIMIR UND SCHWEIKERT.
349
2.3.6 Zusammenfassung
Aus dem vergangenen Abschnitt kann man die Hypothese ableiten, dass
es sich bei den selbststndigen Software-Programmen im Algorithmic
Trading um Software-Agenten handelt. Die Hypothese kann aber im
Rahmen dieser Arbeit nicht abschlieend beantwortet werden, weil die
Zuordnung von Algorithmic Trading Software zu Software-Agenten noch
viele Fragen offen lsst.
Eine offene Frage ist, auf welcher Ebene der System-Umgebung sich im
Algorithmic Trading das soziale Verhalten abspielt. Eine andere wichtige
Frage ist, ob die Auswertung von Marktdaten auf der Buy-Side autono-
mes Verhalten darstellt oder ob die Platzierung von Orders auf der Sell-
Side nur eine Befehlsausfhrung ist. Das Paradigma der Software-Agen-
ten ist jedoch aus der interdisziplinren Literatur zum Algorithmic Tra-
ding nicht mehr wegzudenken, weil es eine Brcke zwischen der Infor-
matik und der Finanzwissenschaften baut.
346 Vgl. Prix, Loistl, Huetl (2008), S. 6.
347 Vgl. Prix, Loistl, Huetl (2008), S. 6.
348 Vgl. Prix, Loistl, Huetl (2008), S. 6.
349 Vgl. Budimir, Schweikert (2007).
108
3 Sell-Side Algorithmic Trading
3 Sell-Side Algorithmic Trading
3.1 Einordnung in die Transaktionsprozesse
In der prozessorientierten Sicht von PICOT, BORTENLNGER UND RHRL
kann man Sell-Side Algorithmic Trading der Orderroutingphase zuord-
nen.
350
Das nun folgende Kapitel beschftigt sich mit den Teilprozessen
die innerhalb dieser Transaktionsphase stattfinden, nachdem ein Investor
seinen Transaktionswunsch bermittelt hat. Der erste Teilprozess besteht
hier in der Formulierung einer Order unter Einbeziehung von Bench-
marks, erwarteten Transaktionskosten und weiteren (taktischen) berle-
gungen. Der zweite Teilprozess besteht in der Weiterleitung der Order an
350 Siehe Picot, Bortenlnger, Rhrl (1996) und Abschnitt [Link] , S. 50, dieser Ar-
beit.
109
Abbildung 3.1: Einordnung von Sell-Side Algorithmic Trading in die
Phasen der Handelsprozesse von Picot, Bortenlnger, Rhrl (1996).
Informati ons-
phase
Informati ons-
phase
Orderrouti ng-
phase
Orderrouti ng-
phase
Abschluss-
phase
Abschl uss-
phase
Abwi ckl ungs-
phase
Abwicklungs-
phase
Sel l -Si de
Al gori thmic Tradi ng
a) Pre-Trade Phase b) Post-Trade Phase
3 Sell-Side Algorithmic Trading
elektronische Handelssysteme unter Einbeziehung einer bestimmten
Handelsstrategie. Am Ende dieses Kapitels wird eine schematische ber-
sicht entwickelt, um alle diese Teilprozesse transparent zu gliedern.
3.2 berblick
Nachdem der Investor eine Investmententscheidung getroffen hat, kann
er zur Durchfhrung der Transaktion entweder einen Broker beauftragen
oder Sell-Side Algo Trading einsetzen. Sell-Side Algo Trading bernimmt
damit eine Brckenfunktion zwischen der Kauf- oder Verkaufsentschei-
dung (beim Investor) und der Realisierung der Transaktion (in elektroni-
schen Handelssystemen). Je kleiner die beabsichtigte Gewinnspanne ei-
ner Transaktion, desto wichtiger ist die schnelle Orderausfhrung. Je
mehr elektronische Handelssysteme als Ausfhrungsorte in Frage kom-
men, desto wichtiger ist es, einen berblick zu behalten, weil sich Markt-
110
Abbildung 3.2: Aufteilung einer Order auf der Sell-Side
A
u
f
t
e
i
l
u
n
g

b
e
r

M

r
k
t
e
Auftei l ung der Order ber di e Zei t (t)
A
u
f
t
e
i
l
u
n
g

i
n

k
l
e
i
n
e

S
t

c
k
z
a
h
l
e
n
3 Sell-Side Algorithmic Trading
modelle und Marktbedingungen berall unterscheiden. Sell-Side Algo
Trading bernimmt also die maschinelle Durchfhrung von Transaktio-
nen in minimaler Zeit. Gleichzeitig knnen eine Vielzahl elektronischer
Handelssysteme berwacht werden. Die Orderausfhrung ist charakteri-
siert durch die Handelsstrategien (Algorithmen), mit denen eine Order in
kleine Bruchstcke aufgeteilt, ber die Zeit verteilt und ber unterschied-
liche elektronische Handelssysteme verstreut werden. In Abbildung 3.2,
S. 110, verdeutlicht die Ausfhrung einer Order beim Algorithmic Tra-
ding schematisch. Die Teilstcke einer Order werden hier als kleine Ku-
geln dargestellt, die ber die Zeit und die Mrkte verteilt werden.
3.3 Begriffsabgrenzung von Sell-Side Algorithmic Trading
Autor Definition von Algorithmic Trading (Sell-Side)
GOMBER UND GSELL
(2006)
Algorithmic Trading... emulates via electronic means a brokers
core competency of slicing a big order into a multiplicity of smaller
orders and of timing these orders to minimize market impact.
351

DOMOWITZ UND
YEGERMAN (2005A)
Algorithmic Trading is the ... automated computer-based execu-
tion of equity orders via direct market-access channels, usually
with the goal of meeting a particular benchmark .
352
ALMGREN UND
LORENZ (2009)
Algorithmic trading considers the execution of portfolio transac-
tions within a fixed time period, optimizing some trade-off between
risk and reward. The most common case is purchasing or unwind-
ing a large block of shares.
353
BROWNLESS,
CIPOLLINI UND GALLO
(2009)
Algorithmic trading (a.k.a. Algo-trading) is widely used by in-
vestors who want to manage the market impact of exchanging
large amounts of assets. It is favored by the development and dif-
fusion of computer-based pattern recognition, so that information is
processed instantaneously and action is taken accordingly with
limited (if any) human judgment and intervention.
354
Tabelle 9: Definitionen speziell zu Sell-Side Algorithmic Trading
351 Gomber, Gsell (2006), S. 5.
352 Domowitz, Yegerman (2005a), S. 1 zitiert nach Grossmann (2005).
353 Almgren, Lorenz (2009), S. 3.
354 Brownless Cipollini, Gallo (2009), S. 2.
111
3 Sell-Side Algorithmic Trading
Tabelle 9 gibt eine bersicht ber die unterschiedlichen Definitionen von
Algorithmic Trading, welche sich auf die Sell-Side konzentrieren.
GOMBER UND GSELL definieren Algorithmic Trading ausschlielich aus
Sicht der Sell-Side mit der Orderplatzierung.
355
Nach Meinung der Auto-
ren beinhaltet der Begriff zwei Funktionen, erstens die Aufteilung einer
Order in kleinere Teilorders und zweitens die zeitgerechte Ausfhrung
dieser Orders (Market Timing).
356
DOMOWITZ UND YEGERMAN verstehen Al-
gorithmic Trading als einen dehnbaren Begriff, der je nach betrachteter
Marktmikrostruktur unterschiedliche Funktionen einnehmen kann, die
jedoch alle mit der Orderausfhrung zu tun haben.
357
Die Interpretationen
reichen von intelligentem Orderrouting (Smart Order Routing), ber Pro-
grammhandel (Program Trading) bis zum mechanischen Handel (Rule-
Based Trading).
358
Die Autoren orientieren sich dabei an der Definition
von GROSSMANN, der Algorithmic Trading definiert, als die automatische
Ausfhrung von Wertpapierorders, mit dem Ziel, eine bestimmte Bench-
mark zu schlagen.
359
Nach ALMGREN UND LORENZ dient Algorithmic Tra-
ding dazu, Portfolio-Transaktionen in einer fixen Zeit auszufhren und
einen Trade-Off zwischen Risiko und Chancen (von Kursschwankungen)
bei der Orderausfhrung zu optimieren.
360
Fr BROWNLESS, CIPOLLINI UND
GALLO dient Algorithmic Trading der Verhinderung von Market Impact
bei der Ausfhrung groer Transaktionen, indem Informationen mit Me-
thoden der Mustererkennung sofort ausgewertet und automatische Aktio-
nen eingeleitet werden, ohne dass menschliche Eingriffe oder Interven-
tionen notwendig sind.
361
Der Market Impact ist das Ergebnis der Reak-
tionen anderer Marktteilnehmer auf die eigene Order. Der Begriff wird
im Abschnitt [Link] , S. 118, nher erlutert.
355 Vgl. Gomber, Gsell (2006).
356 Vgl. Gomber, Gsell (2006), S. 5.
357 Vgl. Domowitz, Yegerman (2005a), S. 1.
358 Vgl. Domowitz, Yegerman (2005a), S. 1.
359 Vgl. Domowitz, Yegerman (2005a), S. 1.
360 Vgl. Almgren, Lorenz (2009), S. 3.
361 Vgl. Brownless, Cipollini, Gallo (2009), S. 2.
112
3 Sell-Side Algorithmic Trading
Fasst man die unterschiedlichen Sichtweisen der Definitionen zusammen,
so geht es beim Sell-Side Algorithmic Trading darum, eine Order mg-
lichst intelligent im Markt zu platzieren, ohne das bestehendes Gleichge-
wicht von Markt-Angebot und Nachfrage zu ndern. Die Handelsstrategi-
en der Sell-Side verfolgen das bergeordnete Ziel, den Market Impact ei-
ner Order so gering wie mglich zu halten. Diese Definition bezieht sich
ausschlielich auf die Ausfhrung einer Order in der Orderroutingphase,
und zwar der Zeitraum vom Eintreffen der Order an der Brse bis zur
Feststellung des Transaktionspreises in der Preisabschlussphase. Jegliche
vor- oder nachgelagerte Prozesse (z.B. in der Informationsphase) spielen
fr die Orderausfhrung auf der Sell-Side keine Rolle.
362
362 Die Vermeidung von Market Impact wird in der Literatur oft fr alle Algorithmic
Trading Programme generalisiert, ohne zwischen Buy-Side und Sell-Side zu unter-
scheiden. Aus Sicht einer Brse ist diese Vorgehensweise auch richtig, denn im Or-
derflow ist nur das Sell-Side Algorithmic Trading sichtbar und das Buy-Side Algo-
rithmic Trading macht nur einen unsichtbaren Bruchteil davon aus (siehe Abschnitt
[Link] , S. 15). Aus Sicht eines Investors ist diese Generalisierung aber falsch,
denn im Mittelpunkt des Sell-Side Algorithmic Trading steht der Market Impact,
aus Sicht der Buy-Side aber die Ordergenerierung. Auch wenn man Algorithmic
Trading nur als Sell-Side betrachtet, ergeben sich Abgrenzungsprobleme.
DOMOWITZ, YEGERMAN weisen darauf hin, dass unabhngige Software Hersteller
(Independent Software Vendors, ISV) Algorithmic Trading Plattformen anbieten, die
bereits vorgefertigte Handelsstrategien enthalten. Die Software bietet dem Kunden
(Brsenhndler) zustzlich die Mglichkeit, Anpassungen entsprechend der Markt-
lage vorzunehmen und die Handelsstrategien individuell zu verndern. Im Order-
flow sind diese individuell vernderten Handelsstrategien und die vorgefertigten
Strategien nicht mehr trennbar, auch wenn beide nur der Orderausfhrung dienen.
Die genannten Autoren betrachten daher nur solche Orders als Algorithmic Trading,
die tatschlich durch zentralisierte Servertechnologie eines Brokers (hier mittels
Algorithmic Trading Engine), und ohne menschliche Eingriffe, ausgefhrt werden.
Vgl. Domowitz, Yegerman (2005a), Funote Nr. 4, S. 14.
113
3 Sell-Side Algorithmic Trading
3.4 Formulierung von Orders
3.4.1 berblick ber die Teilprozesse
Der folgende Abschnitt beschftigt sich mit dem Teilprozess der Order-
formulierung, der bereits in Abschnitt [Link] , S. 63, dargestellt wurde.
Zu den Aufgaben, die in diesem Teilprozess zu lsen sind, gehren die
Wahl des richtigen Ordertyps, die Festlegung von Orderparametern, die
Orderverbindlichkeit und die Aufteilung in Teilorders (siehe Abbildung
3.3, S. 114 ). Die Formulierung von Orders beeinflusst indirekt die Ren-
diten von Algorithmic Trading, weil in diesem Teilprozess die Transakti-
onsbedingungen festlegt werden.
114
Abbildung 3.3: Aufgaben zur Orderformulierung in der
Orderroutingphase (linke Seite)
Order-
verbindl i chkei t
Festl egung
von Order-
Parametern
Wahl des
Ordertyps
Anpassung
an indi vi duell es
Marktmodel l
Vertei l ung an
Brsen-
Netzwerke
Automati sche
Wei terl ei tung
Auftei lung
i n Tei lorders
Teil prozess: Orderformul i erung
Teil prozess: Orderwei terlei tung
3 Sell-Side Algorithmic Trading
Am Anfang der Orderformulierung steht ein Optimierungsproblem. Denn
die Aufteilung einer groen Order in mehrere kleine Teilorders fhrt zu
steigenden Transaktionskosten, weil jede Teil-Order neue Kosten verur-
sacht. Durch die Aufteilung in Teilorders erhofft man sich aber gleichzei-
tig eine Verringerung des Market Impact. Fr die Berechnung der Trans-
aktionskosten werden universelle und feste Vergleichsparameter (Bench-
marks) bentigt, die man den anderen Variablen immer wieder gegen-
berstellen kann. Am Ende erfolgt die Formulierung der Order auch in
Abhngigkeit von den Marktmodellen elektronischer Handelssysteme
(siehe Abbildung 3.4, S. 115).
115
Abbildung 3.4: Formulierung von Orders
Benchmarks
Transaktions-
kostenanalyse
Orientierung an
Marktmodellen
- Market oder Limitorder
- Inf ormationsasymmetrien
- Bildung von Orderketten
- Liquidittsrabatte
- ...
- Timing Risk
- Benchmark Kosten
- Market Impact
- ...
- VWAP
- TWAP
- Implementation
Shortf all
3 Sell-Side Algorithmic Trading
3.4.2 Transaktionskosten
[Link] berblick
Stellvertretend fr viele weitere Autoren geben DEMSETZ, KAUL oder KEIM
UND MADHAVAN einen berblick ber die allgemeinen Formen von Trans-
aktionskosten.
363
Die Transaktionskosten, die bei der automatischen Or-
derausfhrung mit Algorithmic Trading entstehen, sind jedoch spezieller
Natur. Die allgemeinen Kostenbegriffe lassen sich im Algorithmic Tra-
ding also prziser formulieren.
Obwohl die traditionelle Einteilung also ungenau ist, spielt die Einteilung
in explizite und impliziten Transaktionskosten immer noch eine groe
Rolle in der Literatur. DOMOWITZ UND YEGERMAN basieren ihre Untersu-
chung der (Ausfhrungs-)Kosten im Algorithmic Trading noch auf eine
traditionelle Einteilung in explizite und implizite Transaktionskosten und
verfolgen eine lnderbergreifende Perspektive.
364
GIRAUD entwickelt
eine Topologie der Ausfhrungskosten, in welche er den Implementation
Shortfall als Summe aller expliziten und impliziten Transaktionskosten
(ausgenommen der Settlement-Kosten) interpretiert.
365
KISSELL UND
MALAMUT entwickeln ein konzeptionelles Rahmenwerk fr die Entschei-
dungen bei der Orderausfhrung (Algorithmic Trading Decision Frame-
work) welches, angefangen von der Benchmark und dem Market Impact,
alle wichtigen Kosten-Kriterien zur Entwicklung einer Handelsstrategien
zusammenfasst.
366
KISSELL aktualisiert die Transaktionskostenanalyse
(Transaction Cost Analysis, TCA) mit dem aktuellen Entwicklungsstand
des Algorithmic Trading und schafft einen umfassenden berblick.
367
Er
363 Vgl. Demsetz (1968), Kaul (2001), Keim, Madhavan (1998) sowie weitere
Autoren.
364 Vgl. Domowitz, Yegerman (2005a), S. 1.
365 Vgl. Giraud (2004), S. 8.
366 Vgl. Kissell, Malamut (2005)
367 Vgl. Kissell (2006).
116
3 Sell-Side Algorithmic Trading
klassifiziert die Transaktionskosten des Algorithmic Trading in Invest-
mentkosten, Handelskosten und Opportunittskosten (siehe Tabelle Nr.
10, S. 117).
368
Investmentkosten Handelskosten Opportunittskosten
- Steuern
- Verzgerungskosten
- Market Impact
- Kommissionen
- Gebhren
- Spreads
- Preisdrift
- Timing Risk
- Opportunittskosten
Tabelle 10: Klassifikation der Transaktionskosten (Quelle: Kissell
(2006), S. 26)
Investmentkosten entstehen nach der Investment-Entscheidung, wenn
sich Portfolio-Manager und Broker ber die Strategie zur Orderausfh-
rung, den Algorithmus, Parameter (z.B. Aggressivitt) oder die Brse ei-
nigen mssen.
369
Je lnger dieser Prozess andauert, desto hher ist das Ri-
siko adverser Preisbewegungen und es entstehen Verzgerungskosten.
370
Zweitens mssen Steuern bercksichtigt werden, die vielleicht fr Fi-
nanzmarkttransaktionen anfallen.
371

Unter den Handelskosten versteht KISSELL alle Kosten, die mit der Um-
setzung der Strategie entstehen.
372
Diese Kosten knnen niemals vollstn-
dig eliminiert aber durch die Wahl einer passenden Ausfhrungsstrategie
(bzgl. Market Impact, Timing Risk und Preisdrift) oder eines anderen
Brokers (bzgl. Kommissionen, Gebhren, Spreads) kontrolliert werden.
373
368 Vgl. Kissell (2006), S. 8ff.
369 Vgl. Kissell (2006), S. 8.
370 Vgl. Kissell (2006), S. 9.
371 Vgl. Kissell (2006), S. 9.
372 Vgl. Kissell (2006), S. 9.
373 Vgl. Kissell (2006), S. 9.
117
3 Sell-Side Algorithmic Trading
Unter Opportunittskosten im Algorithmic Trading verstehen die Autoren
den Profit oder Verlust wenn eine Order nicht vollstndig ausgefhrt
worden konnte, sondern Teilorders brig bleiben.
374
Im folgenden werden
die wichtigsten Kostenkomponenten der TCA kurz erlutert.
[Link] Market Impact
Erhalten die anderen Marktteilnehmer Kenntnis von einer groen Kau-
forder (Verkaufsorder), werden sie ihre eigenen Verkaufspreise (Kauf-
preise) nach oben (unten) anpassen, um die maximale Zahlungsbereit-
schaft abzuschpfen (zu minimalen Kursen zu kaufen).
375
Die Annahme,
dass man einen Transaktionswunsch zu bestehenden Preisen durchfhren
kann, ist also unrealistisch.
376
Denn wenn die eigene Order Einfluss auf
Angebot und Nachfrage
377
im Orderbuch ausbt, verndern sich auch die
Preise und die Transaktionsbedingungen.
378
Diese Transaktionsbedingun-
gen sind bei Ordererteilung unvorhersehbar und knnen nur auf Basis
historischer Daten geschtzt werden.
379
Der Einfluss einer neuen Order
auf das bestehende Angebot bzw. Nachfrage wird auch Market Impact
genannt.
380
Weil der Market Impact den wichtigsten Teil der Transakti-
onskosten bildet, wird er in der Literatur ausfhrlich dokumentiert.
381

374 Vgl. Kissell (2006), S. 9.
375 Vgl. Almgren, Chriss (2000), S. 8.
376 Vgl. Pole (2007), S. 31.
377 Hinter jedem Angebot und jeder Nachfrage in einem Orderbuch stehen die Interes-
sen von Brsenhndlern und Investoren. Angebot und Nachfrage sind keine isolier-
ten, statischen Zustnde, sondern knnen als dynamische Prozesse betrachtet wer-
den, die sich gegenseitig und von neuen (Order-)Ereignissen beeinflusst werden.
Sie ben Druck aufeinander aus und werden selbst permanent durch neu hinzukom-
mende Orders verndert. Trifft eine neue Kauforder (Verkaufsorder) auf ein beste-
hendes Orderbuch kann dies den Nachfragedruck (den Angebotsdruck) darin erh-
hen und gleichzeitig das Angebot (die Nachfrage) senken. Vgl. Pole (2007), S. 31.
378 Vgl. Pole (2007), S. 31.
379 Vgl. Pole (2007), S. 31.
380 Vgl. Pole (2007), S. 30.
381 Fr einen berblick ber die Literatur zum Market Impact siehe Almgren, Chriss
118
3 Sell-Side Algorithmic Trading
ALMGREN UND CHRISS sowie KISSELL UND MALAMUT unterscheiden zwi-
schen dem temporren Market Impact, bei dem vorbergehend Orderun-
gleichgewichte nur kurz vom Gleichgewichtspreis
382
wegfhren, sich
dann aber wieder auf diesem einpendeln, und dem permanenten Market
Impact, bei dem sich der Gleichgewichtspreis permanent verndert (siehe
Abbildung 3.5, S. 119).
383
Dahinter steht die Annahme, das der Gleichge-
wichtspreis eine stabile Orderbuchlage von Marktangebot und Nachfrage
beschreibt, aber dann ins Ungleichgewicht gert, wenn eine Order ein-
trifft, fr welche die Liquiditt der Gegenseite nicht mehr ausreicht. Die
permanenten Transaktionskosten entstehen durch die Verbreitung von In-
formationen ber die gehandelte Aktie (Informationslecks).
384
Diese fh-
(2000), S. 8 und Almgren, Thum, Hauptmann, Li (2005), S. 57.
382 Kaul definiert den Gleichgewichtspreis bzw. -kurs als Mittelpunkt des Spread vgl.
Kaul (2001), S. 31.
383 Vgl. Almgren, Chriss (2000), S. 8 und Kissell, Malamut (2005), S. 3.
384 Vgl. Kissell, Malamut (2005), S. 3.
119
Abbildung 3.5: Temporrer und permanenter Market Impact
(Quelle: Kissell (2006), S. 20)
3 Sell-Side Algorithmic Trading
ren zu andauernden nderungen im Gleichgewichtspreis.
385
Die tempo-
rren Transaktionskosten entstehen durch Liquiditt und Sofortigkeit ei-
ner Order.
386
Sie fhren nur vorbergehend zu Abweichungen vom
Gleichgewichtspreis.
387
[Link] Benchmark-Kosten
Das Verhltnis aus dem geplanten und dem erwarteten Transaktionsvolu-
men pro Handelsintervall wird als Handels- oder Ausfhrungsrate (

)
bezeichnet.
388
Die Benchmark-Kosten (
()
) sind eine Funktion der
Handels- oder Ausfhrungsrate und messen die Abweichung des erwarte-
ten Ausfhrungskurses gegenber einem (theoretischen) Benchmark-
Preis.
389
Der Unterschied zum Market Impact liegt darin, dass die Bench-
mark-Kosten nicht mehr die Abweichung vom theoretischen Gleichge-
wichtspreis eines Orderbuches messen, sondern die Abweichung des
Ausfhrungskurses von der Benchmark. Wie KISSELL UND MALAMUT dar-
stellen, entspricht die Berechnung der Benchmark-Kosten unter Verwen-
dung historischer Preise dem Implementation Shortfall nach PEROLD.
390

Anstatt des theoretischen Benchmark-Preises lsst sich der erwartete
Ausfhrungskurs auch mit dem Preis bei Orderaufgabe vergleichen. Da-
mit werden dann die Kosten bis zum Eintreffen der Order im Orderbuch
gemessen ( Arrival Price Cost).
391
385 Vgl. Almgren, Chriss (2000), S. 8.
386 Vgl. Kissell, Malamut (2005), S. 3.
387 Vgl. Almgren, Chriss (2000), S. 8.
388 Vgl. Kissell, Malamut (2005), S. 4.
389 Vgl. Kissell, Malamut (2005), S. 4.
390 Vgl. Kissell, Malamut (2005), S. 5 und Perold (1988).
391 Vgl. Kissell, Malamut (2005), S. 6.
120
3 Sell-Side Algorithmic Trading
[Link] Timing Risk
Wenn die Liquiditt eines Marktes nicht ausreicht, um eine Order zu be-
dienen, kann man entweder den Zeitraum der Orderausfhrung in die
Lnge ziehen oder Zugestndnisse beim Transaktionspreis machen. Die
Verteilung einer Order ber die Zeit beinhaltet zwei grundstzliche Risi-
ken: Einerseits ist das die Unsicherheit ber die zuknftige Liquiditt ei-
nes Wertes und andererseits die Unsicherheit ber dessen zuknftige
Transaktionspreise (ausgedrckt in deren Volatilitt).
392
Bei der Realisie-
rung einer Strategie besteht zustzlich Unsicherheit bezglich der zu-
knftigen Market Impact Kosten. Diese Unsicherheit kann auch als Ti-
ming Risk (
1
) bezeichnet werden.
393

Unter optimalen Bedingungen (ausreichende Liquiditt) geht es beim Al-
gorithmic Trading darum, die Order zu dem Zeitpunkt auszufhren, wenn
die Liquiditt eine Hchstspitze erreicht hat und man diese abschpfen
kann.
394
Je lnger man die Ausfhrung von Teilorders zurckhlt, desto
hher ist das Risiko, vom gewnschten Transaktionspreis abzuweichen
und die Hchstspitzen der Liquiditt zu verfehlen, wenn sich der Markt
entgegen der eigenen Erwartung entwickelt.
395
Anders herum fallen die
Gewinne umso hher aus, wenn sich der Markt in Richtung der eigenen
Erwartungen entwickelt.
396
Dabei darf man nicht vergessen, dass die Aus-
fhrung einer Order evtl. nur tagesgltig ist. Je lnger man mit der Aus-
fhrung wartet, desto geringer ist die Wahlmglichkeit. Denn der Zeit-
raum, der zur Ausfhrung der restlichen Teilorders aus dem Gesamtpaket
392 Vgl. Coggins, Lim und Lo (2004), S. 519.
393 Vgl. Kissell, Malamut (2005), S. 7, Kissell (2006), S. 22.
394 Vgl. Coggins, Lim und Lo (2004), S. 519.
395 Vgl. Coggins, Lim und Lo (2004), S. 519.
396 Vgl. Coggins, Lim und Lo (2004), S. 519.
121
3 Sell-Side Algorithmic Trading
bentigt wird, reduziert sich immer weiter, je lnger man mit der Ausfh-
rung wartet.
397
Das unterschwellige Risiko besteht immer in einer Nicht-
ausfhrung der kompletten Order bis zum Ablauf der Ordergltigkeit.
Whrend man auf die Orderausfhrung wartet, besteht auch das Risiko
von unerwarteten Ereignissen (Unanticipated Events).
398
Diese unerwar-
teten Ereignisse knnten alle mglichen Nachrichten sein, welche die Vo-
latilitt oder Liquiditt den Brsenkurs beeinflussen, whrend die Teilor-
ders nacheinander abgearbeitet werden.
397 ALMGREN UND CHRISS nennen diesen Zeitraum half-life of a trade (deutsch: Halb-
wertzeit einer Transaktion) Vgl. Almgren, Chriss (2000), S. 15f.
398 Vgl. Almgren, Chriss (2000), S. 5.
122
3 Sell-Side Algorithmic Trading
[Link] Zusammenspiel der Transaktionskosten
Abbildung 3.6, S. 123, zeigt, in Abhngigkeit von der Handels- und Aus-
fhrungsrate

, wie die Transaktionskosten in einem Trade-Off zusam-

menwirken.
399
Die Market Impact Kosten sinken im Zeitverlauf. Gleich-
zeitig steigt das Timing Risk an. Bei der Bestimmung einer Algorithmic
Trading Strategie geht es also darum, die optimale Handelsrate

zu be-
stimmen, bei der die kumulierten Transaktionskosten
L=Cost +\1
minimal ausfallen. Das Verhltnis aus Timing Risk und erwarteten Kos-
ten wird mit der Risikoaversion
\
gesteuert, je aggressiver ein Algorith-
399 Vgl. Kissell, Malamut (2005), S. 9f.
123
Abbildung 3.6: Market Impact Kosten und Timing Risk (Quelle:
Kissell, Malamut (2005), S. 12)
Market Impact Kosten
Timing Risk
L=Cost+\1
Kumulierte Transaktionskosten
Handels- und Ausfhrungsrate
Transaktions-
kosten
0

3 Sell-Side Algorithmic Trading
mus gestaltet ist, desto hher fallen die erwarteten Kosten aus und umge-
kehrt.
400
Die Variable Cost steht in dieser Abbildung fr den Market Im-
pact.
KISSELL UND MALAMUT entwickeln aus dem Zusammenspiel aller Transak-
tionskosten einen dreistufigen Prozess fr die Auswahl einer Algorithmic
Trading Strategie. Darin wird erstens eine Benchmark ausgewhlt, zwei-
tens der Grad der Risikoaversion festgelegt und drittens eine Taktik zur
Umsetzung der Strategie entwickelt.
401
Ihre Arbeit zeigt, wie hoch die Er-
wartungen an die TCA im Algorithmic Trading sind, weil man sich da-
durch nicht nur Kostenvorteile erhofft, sondern auch die Optimierung der
Handelsprozesse in der Orderroutingphase verspricht (Realisierung des
Best Execution Prinzips
402
). Wie COGGINS, LIM UND LO darstellen, ist die
Ausfhrung einer Order nach dem Best Execution Prinzip ein Optimie-
rungsproblem, bei dem es darum geht, eine mglichst hohe Liquiditt bei
geringer Preisvolatilitt zu erreichen.
403
YANG UND JIU treffen aber die
wohl wichtigste Feststellung bzgl. Transaktionskosten, indem sie schrei-
ben, dass Algorithmic Trading niemals die magische Lsung (Magic Bul-
let) sein kann, die alle transaktionsspezifischen Probleme lst.
404

Die Transaktionskostenanalyse ist insgesamt ein wichtiges Instrument
zur Feinabstimmung von Orders an die aktuelle Marktlage. Sie kann
zwar an der ursprnglichen Kauf- oder Verkaufsentscheidung eines In-
vestors nichts mehr ndern, aber sie dient der Festlegung der genauen
Preise, Zeitpunkte und Kosten aller Transaktionen und besitzt so einen
indirekten Einfluss auf die Renditen.
400 Vgl. Kissell, Malamut 2005, S. 12.
401 Vgl. Kissell, Malamut (2005), S. 8ff.
402 Fr eine Erklrung des Best Execution Prinzips siehe Gomber, Pujol (2008).
403 Vgl. Coggins, Lim und Lo (2004), S. 519.
404 Vgl. Yang, Jiu (2006), S. 4.
124
3 Sell-Side Algorithmic Trading
3.4.3 Benchmarks
[Link] berblick
Benchmark Beschreibung Formel
VWAP
Der VWAP,
P
vwap
, ist der Quotient aus dem ge-
samten Handelsvolumens einer Periode (hier
2
t
Q
t
), multipliziert mit dem Preis aller Transak-
tionspreise whrend dieser Periode
P
t
, geteilt
durch das gesamte Handelsvolumens des glei-
chen Zeitraums. Der Zeithorizont des Betrach-
tungszeitraums n kann variabel gewhlt wer-
den (zum Beispiel ber die Dauer eines Tages,
Stunden oder nur wenige Minuten).
405
(3.1)
TWAP
Der TWAP,
P
twap
, ist der einfache Durch-
schnittspreis einer Periode mit n Preisen. Der
Betrachtungszeitraum kann sich ber einen Tag,
mehrere Stunden oder Minuten erstrecken.
(3.2)
Implemen-
tation
Shortfall
Der Implementation Shortfall ( IS ) ist die Diskre-
panz zwischen Transaktionspreis
P
Execute
(aus
der Post-Trade Analyse) und Entscheidungspreis
P
Decide
(aus der Pre-Trade Analyse).
406
Fr die
absolute Gre des Implementation Shortfall ist
entscheidend, welche Werte miteinander vergli-
chen werden. In der ursprnglichen Definition
sind dies der Preis bei Orderaufgabe (Decision
Price) und der Transaktionspreis (Execution Pri-
ce).
407

(3.3) IS=P
Execute
P
Decide
MBA
Der Midpoint of Bid and Ask (kurz: MBA) ist der
Mittelkurs
P
MBA
aus Geldkurs (
P
Bid
) und Brief-
kurs (
P
Ask
) im Orderbuch.
408
Dabei werden nur
die Level1-Kurse betrachtet.
(3.4)
P
MBA
=
( P
Ask
+P
Bid
)
2
Tabelle 11: bersicht weit verbreiteter Benchmarks beim Algorithmic
Trading
405 Vgl. Madhavan (2002), S. 38 Funote 1.
406 Vgl. Yang, Jiu (2006), S. 5.
407 Vgl. Almgren, Lorenz (2006), S. 3.
408 Vgl. dazu Domowitz, Yegerman (2005a), S. 5.
125
P
vwap
=

t =1
T
P
t
Q
t

t =1
T
Q
t
P
twap
=
(

n=1
N
P
t
)
n
3 Sell-Side Algorithmic Trading
Um die optimale Ordergre einer Teilorder und den richtigen Transakti-
onszeitpunkt zu bestimmen, wenden Algorithmic Trading Programme un-
terschiedliche Strategien an.
409
Die Strategien zielen darauf ab, bestimmte
Vergleichswerte zu schlagen, die GSELL als explizite und implizite Bench-
marks beschreibt (siehe Tabelle 11, S. 125).
410
Die Anwendung einer
Benchmark muss dabei nicht unbedingt gleich zum Algorithmic Trading
fhren. Umgekehrt ist jedoch eine Algorithmic Trading Strategie ohne
Anwendung von Benchmarks undenkbar.
Wie der folgende Abschnitt zeigt, dienen Benchmarks entweder dazu,
den Market Impact einer Order in der Pre-Trade Phase abzuschtzen
oder den Erfolg der Orderausfhrung, durch Auswertung von Transaktio-
nen aus der Post-Trade Phase, zu messen. Dazu werden die realisierten
Transaktionspreise mit den theoretischen Benchmarks verglichen.
411
Die
gleichen Benchmarks knnen auch zur Kategorisierung von Algorithmen
herangezogen werden.
412
Drei weit verbreitete Benchmarks sind hier:
Volume Weighted Average Price (VWAP), Time Weighted Average Price
(TWAP) und Arrival Price (AP). Viele weitere Benchmarks stellen nur
Variationen davon dar. Der VWAP ist die wichtigste aller Benchmarks.
413
Schtzungsweise 50% aller Transaktionen von institutionellen Anlegern
werden mit Hilfe des VWAP Algorithmus durchgefhrt.
414
MADHAVAN
409 Vgl. Gsell (2006), S. 8.
410 Vgl. Gsell (2006), S. 9.
411 Vgl. Madhavan (2002), S. 32.
412 Vgl. Gsell (2006), S. 9.
413 Der VWAP wurde erstmals in BERKOWITZ, LOGUE UND NOSER vorgestellt, um die
Ausfhrungskosten und -risiken (Execution Risk) von Transaktionen an der NYSE
zu messen. Die Autoren berechneten hier den VWAP am Ende eines Tages als ge-
wichteten Durchschnitt der Preise und dazugehrigen Transaktionsvolumen wh-
rend dieses Tages. Das Ergebnis wurde relativ zum gesamten Transaktionsvolumen
des gleichen Tages gesetzt. Vgl. Berkowitz Logue, Noser (1988), S. 97 und 100.
Heute existiert der VWAP in den unterschiedlichsten Varianten, deren Darstellung
jedoch nicht Ziel dieser Arbeit sind. Vgl. Madhavan (2002), S. 32ff.
414 Vgl. Bialkowski, Darolles, Le Fol (2006b), S. 2.
126
3 Sell-Side Algorithmic Trading
sieht in der Praxis neben dem VWAP zwei weitere allgemeine Bench-
marks vorherrschend, Pre-Trade und Post-Trade Benchmarks, die im fol-
genden erklrt werden.
415

[Link] Volume Weighted Average Price
Der VWAP ist ein durchschnittlicher (theoretischer) Transaktions-Preis in
einer Periode. Der ex-post Vergleich von eigenem Transaktionspreis und
VWAP erlaubt Rckschlsse darauf, ob der eigene Preis durchschnittlich
zu hoch/zu niedrig war bzw. zu teuer gekauft oder zu niedrig verkauft
wurde. Der VWAP kann aber auch ex-ante fr einen bestimmten Zeitraum
bestimmt werden, um eine optimale Ordergre und einen optimalen
Ausfhrungszeitpunkt zu bestimmen.
416

Beschreibung Definition
Full VWAP Verhltnis aus dem gehandelten Volumen (in $) zum ge-
handelten Aktienvolumen (in Stcken) ber den Handels-
horizont, eigene Transaktionen eingeschlossen.
VWAP excluding own
transactions
Verhltnis aus dem gehandelten Volumen (in $) ohne ei-
genes Volumen und dem Aktienvolumen, ohne eigenes
Volumen ber den Handelshorizont.
Non-Block VWAP VWAP ohne Einbeziehung von Block Trades / Upstairs
market.
VWAP-Proxy Annherung des VWAP durch Verwendung von Durch-
schnitten mit Erffnungs-, Schluss-, Tiefst- und Hchst-
kursen (OHLC).
Value Weighted Average
Price
Preise gewichtet mit Handelsvolumen (in $) pro Transakti-
on, nicht Aktienvolumen.
Tabelle 12: VWAP Varianten nach Madhavan (2002), S. 33
415 Vgl. Madhavan (2002), S. 34.
416 Vgl. dazu u.a. Gsell (2006), S. 9.
127
3 Sell-Side Algorithmic Trading
Tabelle 12, S. 127, zeigt fnf unterschiedliche Varianten des VWAP, die
sich aus der Festlegung des Zeithorizontes oder der Herkunft der Preise
ergeben. Aus der Literatur lassen sich noch weitere entnehmen, deren
Darstellung den Umfang dieser Arbeit bersteigen wrde. Der VWAP
kann entweder fr den kompletten Tag (Full Day VWAP), nur einen Teil
des Tages (Part Day VWAP) oder einen noch lngeren Zeitraum berech-
net werden.
417
Die Realisierung des VWAP kann wiederum ber unterschiedliche Strate-
gien erfolgen, die in Tabelle 13, S. 129 zusammengefasst werden.
GOMBER, LUTAT UND WRANIK diskutieren hier das Agency-Trading gegen-
ber dem VWAP-Crossing, vermeiden jedoch eine klare Zuordnung von
Algorithmic Trading.
418
WRANIK stellt fest das Computersysteme die dem
VWAP-Crossing dienen, keine Flexibilitt aufweisen, whrend Agen-
cy-Trading Ausfhrungsrisiken beinhaltet.
419
Er macht aber auch keine
Zuordnung von Algorithmic Trading Prozessen. Unter der Annahme, dass
ein Investor die Berechnung des VWAP und die Ausfhrung der Transak-
tion an die Software-Agenten der Sell-Side delegiert, kann man Algorith-
mic Trading in dieser Tabelle nur dem VWAP-Trading bzw. dem Agency-
Trading zuordnen (siehe Tabelle 13, S. 129).
417 Vgl. Madhavan (2002), S. 32f.
418 Vgl. Gomber, Lutat, Wraning (2008).
419 Vgl. Wranik (2009), S. 12.
128
3 Sell-Side Algorithmic Trading
Realisierung des VWAP Beschreibung
Guaranteed-Principal-
VWAP-Bid
Der Investor verkauft die eigene Order an einen Bro-
ker-Dealer, welcher die Ausfhrung zum VWAP garantiert.
Der Broker-Dealer kauft dem Investor die Order ab und
bernimmt damit das Transaktionsrisiko, die VWAP-
Benchmark zu verfehlen.
Forward VWAP Cross Kufern und Verkufern werden in einem elektronischen
Handelssystem zusammengefhrt und die Transaktion zu
einem VWAP in der Zukunft ausgefhrt. Ziel ist es, den
Market Impact bei der Ausfhrung der Orders zu verhin-
dern.
VWAP Trading & Agency
Trading
Beim VWAP Trading wird die Order entweder selbst aus-
gefhrt oder durch einen Agenten (z.B. einen Broker Dea-
ler).Die Orders werden in Teil-Orders mit kleinerem Volu-
men aufgeteilt und ber den Tag verteilt in den Markt ge-
geben.
Beim Algorithmic Trading bernimmt die Soft-
ware die Aufteilung in kleinere Volumen. Das
Software-Programm partizipiert an den Kurs-
bewegungen whrend des Brsentages, und
versucht, einen Transaktionspreis mglichst
nahe am VWAP zu erreichen.
Tabelle 13: Realisierung des VWAP (Quelle: Madhavan (2002), S. 35-37)
Die Vor- und Nachteile des VWAP werden in der Literatur ausfhrlich
diskutiert, seine Bedeutung fr Algorithmic Trading hingegen nur wenig.
BROWNLESS, CIPOLLINI UND GALLO stellen fest, dass er ein sehr transparen-
tes und einfach zu berechnendes Werkzeug fr die Orderausfhrung ist.
420
Seine Anpassungsfhigkeit ist besonders in solchen Mrkten von Vorteil,
in denen detaillierte Handelsdaten (z.B. aus dem fortlaufenden Handel)
420 Vgl. Brownless, Cipollini, Gallo (2009), S. 3 und Madhavan (2002), S. 32.
129
3 Sell-Side Algorithmic Trading
nur schwer oder teuer zu erhalten sind.
421
Der VWAP reduziert hier den
Market Impact und wird dadurch zu einem Instrument, um die Profitabi-
litt einer Transaktion zu steigern.
422
Als Gegenleistung mssen die In-
vestoren jedoch ein Zeit-Risiko in Kauf nehmen, wenn der VWAP die Or-
derausfhrung durch viele kleine Teilorders in die Lnge zieht.
423
Wie
Konishi darstellt, sind auslndische Investoren aufgrund der Zeitver-
schiebung gezwungen, bereits in der Pre-Trade Phase Orders aufzuge-
ben, bevor der Markt erffnet.
424
Der VWAP bietet hier die Mglichkeit,
die Risikoprmien der Broker fr die Orderausfhrung zu sparen, indem
die Risiken direktionaler
425
Kursbewegungen beim Investor verbleiben.
426
Nach Meinung von Ting ist der VWAP besser dazu geeignet, den tgli-
chen effizienten Preis zu bestimmen, als bei der Verwendung von
Schlusskursen.
427
Der tgliche effiziente Preis ist der theoretische Preis,
der keine Marktfriktionen aufweist.
428
Die universelle Anwendbarkeit
des VWAP verursacht aber auch Probleme. Denn wird der VWAP zum
Beispiel auf Tagesbasis errechnet, ermutigt dies Brsenhndler dazu, ihre
Orders ber einen ebenso weiten Zeitraum zu streuen.
429
Dieser Zeithori-
zont kann sich aber auch negativ auswirken, denn je lnger der Brsen-
hndler mit seinen Orders wartet, desto hher fallen die Opportunitts-
kosten fr verpasste Handelsmglichkeiten aus.
430
421 Vgl. Madhavan (2002), S. 32 siehe dazu auch Cushing, Madhavan (2000).
422 Vgl. Bialkowski, Darolles, Le Fol (2006b), S. 2.
423 Vgl. Bialkowski, Darolles, Le Fol (2006b), S. 2.
424 Vgl. Konishi (2002), S. 198.
425 Als direktional bezeichnet man hier eine stabile Kursvernderung in eine bestimmte
Richtung.
426 Vgl. Konishi (2002), S. 198.
427 Vgl. Ting (2006), S. 91.
428 Vgl. Ting (2006), S. 81.
429 Vgl. Madhavan (2002), S. 33.
430 Vgl. Madhavan (2002), S. 33.
130
3 Sell-Side Algorithmic Trading
[Link] Time Weighted Average Price
Der TWAP-Algorithmus zielt darauf ab, in einem vordefinierten Zeitraum
entweder eine konstante Anzahl von Teil-Orders auszufhren oder eine
konstantes Volumen einer groen Order in periodischen Abstnden
abzusetzen.
431
Die Berechnung des TWAP beruht dabei auf der Annahme,
dass pro Periode
t
nur ein einziger Preis verfgbar ist. Wenn der
Orderflow aber z.B. mehrere Eintrge pro Sekunde aufweist, mssen
Durchschnittswerte gebildet werden. Recherchen haben gezeigt, dass der
TWAP in der Praxis kaum noch eine Bedeutung hat.
[Link] Implementation Shortfall
Nachdem die Entscheidung ber Kauf bzw. Verkauf gefallen ist, muss
eine Order an das Orderbuch einer Brse bermittelt werden. Von der tat-
schlichen Ordererteilung beim Anleger bis zu ihrem Eintreffen im Or-
derbuch knnen Bruchteile einer Sekunde vergehen. Whrend diese Or-
der auf den Datenleitungen unterwegs ist und im Orderbuch auf Ausfh-
rung wartet, knnen sich die Marktbedingungen zum Vor- oder Nachteil
des Investors verndern und weitere Gewinne oder Verluste eintreten.
Diese Abweichung wurde von PEROLD auch als Implementation Shortfall
bezeichnet.
432

The difference between your performance on paper and in
reality is what we call the implementation shortfall (or just
shortfall).
433
431 Vgl. dazu u.a. Gsell (2006), S. 9.
432 Vgl. Perold (1988), S. 5.
433 Vgl. Perold (1988), S. 5.
131
3 Sell-Side Algorithmic Trading
KISSELL UND MALAMUT bieten eine umfangreiche formelle Beschreibung
des Implementation Shortfall unter Bercksichtigung der Handels- und
Ausfhrungsrate.
434
YANG UND JIU erweitern die ursprngliche Definition,
indem sie das Eintreffen der Order nach Market und Limit Orders unter-
scheiden.
435
Der Implementation Shortfall ist dann:
...the difference between share weighted average execution
price and the mid-quote at the point of first entry for market or
discretionary orders and the difference between the average
execution price and the limit price of the order for limit
orders.
436
Die Varianz des Implementation Shortfall kann ausschlielich auf Preis-
volatilitt zurckgefhrt werden und reduziert sich durch eine schnelle
bertragung und Ausfhrung von Orders.
437
In der Literatur zum Algo-
rithmic Trading hat sich fr Implementation Shortfall auch der Begriff
Slippage durchgesetzt.
438
Der Slippage beschreibt hier die Abweichung
zwischen dem theoretischen, vom Computer errechneten Preis und dem
tatschlich im Brsenhandel erreichten Preis, der sich aufgrund von
Preisvolatilitt unterscheidet. Beim Slippage geht man davon aus, dass
nach dem Eintreffen im Orderbuch kaum Wartezeiten auftreten, sondern
Orders in liquiden Mrkten sofort ausgefhrt werden.
Unter dem Arrival Price (AP) versteht man denjenigen Marktpreis, der
zu dem Zeitpunkt gilt, wann eine Order im Brsensystem ankommt und
zur Ausfhrung zur Verfgung steht.
439
In der Literatur zum Algorithmic
Trading wird der AP stillschweigend mit dem Decision Price gleichge-
434 Vgl. Kissell, Malamut (2005), S. 5-6.
435 Vgl. Yang, Jiu (2006), S. 5 und Perold (1988).
436 Vgl. Yang, Jiu (2006), S. 5.
437 Vgl. Almgren, Lorenz (2006), S. 3.
438 Siehe beispielsweise Avellaneda, Lee (2008), S. 23, Domowitz, Finkelshteyn und
Yegerman (2008), S. 4, Dempster, Jones (2001), S. 400 sowie weitere.
439 Vgl. Engle, Russel, Ferstenberg (2006), S. 4.
132
3 Sell-Side Algorithmic Trading
setzt als Benchmark deklariert (siehe Formel 3.3 in Tabelle 11 S. 125).
440
Der genaue Zeitpunkt zur Festlegung des Decision Price ist in der Litera-
tur aber nicht eindeutig bestimmt und kann entweder beim Versenden der
Order beim Investor oder beim Eintreffen der Order im Orderbuch sein.
[Link] MBA
Im Gegensatz zum VWAP und AP, die in der Literatur relativ ausfhrlich
diskutiert werden, spielt der MBA bisher noch keine Rolle. Dabei ist ge-
rade diese Benchmark besonders gut fr den Hochfrequenzhandel im Al-
gorithmic Trading geeignet, weil sie einen Zeitvorteil beinhaltet. Die Be-
rechnung des MBA beruht ausschlielich auf Bid und Ask Kursen, die
vor Geschftsabschluss zur Verfgung stehen (Pre-Trade Analyse). Wenn
die traditionellen Benchmarks AP, TWAP und VWAP auf Post-Trade Da-
ten basieren, nimmt der MBA die Bewegungen im Orderbuch vorweg, die
zu diesen Transaktionen gefhrt haben.
[Link] Zusammenfassung
Pre-Trade Benchmarks Post-Trade Benchmarks
Statisch Benchmarks werden ex-ante in
der Pre-Trade-Phase festgelegt
Benchmarks werden aus
ausgefhrten Transaktionen
abgeleitet
Dynamisch Benchmarks werden
entsprechend der
Orderbuchlage adjustiert
Benchmarks werden nach
Durchfhrung neuer
Transaktionen aktualisiert
Tabelle 14: Schematischer berblick zu Benchmarks im Algorithmic
Trading
440 Vgl. dazu beispielsweise Engle, Russel, Ferstenberg (2006), S. 4.
133
3 Sell-Side Algorithmic Trading
Oberstes Ziel einer Algorithmic Trading Strategie ist es, die eigene Trans-
aktion besser als die vergleichende Benchmark durchzufhren, immer
unter der Annahme, dass diese Benchmark den Market Impact auch am
besten widerspiegelt. Dabei ist entscheidend, welche Kurse relativ zum
Transaktionszeitpunkt in die Berechnung der Benchmark einflieen.
Pre-Trade Benchmarks orientieren sich an Transaktionspreisen, die noch
nicht feststehen, weil die laufende Auktion noch nicht beendet ist (bei-
spielsweise MBA).
441
Post-Trade Benchmarks verwenden Transaktions-
preise, die bereits festgestellt wurden (beispielsweise Schlusskurse vom
Vortrag).
442
Pre-Trade Benchmarks weisen daher einen Zeitvorteil auf,
weil sie Transaktionspreise vorweg nehmen, auf die sich Post-Trade
Benchmarks
443
(erst Tage, Stunden, Minuten) spter beziehen.
Mit Hilfe der Benchmarks soll die optimale Gre einer Teilorder zum
richtigen Zeitpunkt bestimmt werden. Eine zentrale Frage dabei ist, ob
die Gre aller Teilorders nur einmal zu Beginn der Handelsphase festge-
legt wird (statisch) oder ob sie im Zeitablauf noch verndert wird, wh-
rend das gesamte Ordervolumen schrittweise abgearbeitet wird (dyna-
misch). ALMGREN UND LORENZ unterscheiden deshalb pfadabhngige, stati-
sche Transaktionen, bei denen die Parameter nur einmal festgelegt wer-
den, von dynamischen, pfadunabhngigen, welche durch Informations-
Feedbacks in Echtzeit auf die aktuelle Marktlage reagieren.
444
Letztere
werden auch Scaling Strategies genannt.
445
441 Vgl. Madhavan (2002), S. 32-33.
442 Vgl. Madhavan (2002), S. 34.
443 ALMGREN UND LORENZ verdeutlichen an einem Beispiel, wie Post-Trade Benchmarks
bei der Bank of America benutzt werden. So versorgt die Bank ihre Hndler und
Klienten je nach deren Handelsaktivitt tglich, wchentlich oder monatlich mit
Post-Trade Reports. Diese Reports zeigen den Durchschnitt und die Standardabwei-
chung aller Transaktionspreise relativ zum Implementation Shortfall, die in der an-
gegebenen Periode durchgefhrt wurden. Die Hndler orientieren sich an diesen
Reports im laufenden Handel. Vgl. Almgren, Lorenz (2009), S. 4.
444 Vgl. Almgren, Lorenz (2009), S. 3.
445 Vgl. Almgren, Lorenz (2009), S. 3.
134
3 Sell-Side Algorithmic Trading
3.4.4 Orientierung an Marktmodellen
[Link] Market Order oder Limit Order
Hat sich der Investor erst fr eine bestimmte Benchmark entschieden,
muss er danach festlegen, mit welcher Orderform die Ausfhrung statt-
finden soll. Abhngig von der Marktmikrostruktur und dem geltenden
Auktionsmechanismus gibt es zwei grundlegende Mglichkeiten, die in
der Literatur unabhngig vom Algorithmic Trading, diskutiert werden.
Diese sind Market Orders und Limit Orders.
COHEN, MAIER, SCHWARTZ UND WHITCOMB entwickeln ein Modell, um die
Strategie zur Orderplatzierung (Orderplacement Strategy) abzubilden
und betrachten die Ausfhrungswahrscheinlichkeit gegenber der Erwar-
tungsnutzenfunktion eines Investors.
446
Die Orderplacement Strategy ist
danach abhngig von vier Wahrscheinlichkeitsfunktionen, die sich auf
unterschiedliche Kombinationen von Bid und Ask Kursen zurckfhren
lassen.
447
Insgesamt ist die Limit Order der Market Order nicht vollstn-
dig berlegen, weil sie das Risiko der Nicht-Ausfhrung birgt, wenn der
Markt sich entgegen der Annahmen entwickelt.
448
HARRIS untersucht die
optimale, dynamische Orderstrategie (Order Submission Strategy) in Ab-
hngigkeit von unterschiedlich informierten Hndlern.
449
Er stellt fest,
dass Limit Orders, deren Preisvorstellungen sich nahe am Markt bewe-
gen, fr die meisten informierten Hndler am besten geeignet sind, wh-
rend risikoneutrale Hndler ihre Orders weit weg vom Markt abgeben
sollten.
450
Market Orders sind hingegen am besten geeignet, um schnell
zu handeln.
451

446 Vgl. Cohen, Maier, Schwartz, Whitcomb (1981), S. 294 und 297.
447 Vgl. Cohen, Maier, Schwartz, Whitcomb (1981), S. 295.
448 Vgl. Cohen, Maier, Schwartz, Whitcomb (1981), S. 297.
449 Vgl. Harris (1998).
450 Vgl. Harris (1998), S. 61.
451 Vgl. Harris (1998), S. 3.
135
3 Sell-Side Algorithmic Trading
HENDERSHOTT, JONES UND MENKVELD untersuchen die Auswirkungen von
Algorithmic Trading auf die Liquiditt der Mrkte und stellen fest, dass
hier zum Erreichen der VWAP-Benchmark ein Mix aus nacheinander fol-
genden Market und Limit Orders angewendet wird.
452
Je nachdem, wel-
che Orderart ausgewhlt wird, kann Algorithmic Trading so dem Gesamt-
markt Liquiditt zufgen (Liquidittsversorger) oder von ihm Liquiditt
abziehen (Liquidittsnachfrager).
453
PETERSON UND SIRRI vergleichen die
Ausfhrungskosten der Order Submission Strategy fr Market Orders
und (marketable) Limit Orders und finden heraus, dass letztere zu hhe-
ren Transaktionskosten fhren.
454
Ihrer Meinung nach steigen die Trans-
aktionskosten sogar, wenn die Investoren arbitrage-orientiert zwischen
Market Order und Limit Orders hin und her springen.
455

452 Vgl. Hendershott, Jones, Menkveld (2008), S. 1.
453 Ausgangspunkt dieser Betrachtung ist immer das Orderbuch. Auf der Geld-Seite
stehen die Verkaufsinteressen der Hndler, die darauf warten, ausgefhrt zu werden.
Und auf der Briefseite stehen die Kaufinteressen, die ebenfalls auf eine Gegenseite
warten. Beim Algorithmic Trading werden groe Orders in kleinere Teilorders auf-
gespalten, die in das Orderbuch eingeleitet werden. Aus Sicht der Liquiditt geht es
darum, wie diese einzelne Teilorder kategorisiert werden. Wenn die Order im Or-
derbuch warten mssen, fgen sie dem Markt neue Liquiditt zu (Liquidittsversor-
ger). Wenn eine Order aber sofort mit der Gegenseite ausgefhrt werden kann,
schpft sie die Liquiditt ab (Liquidittsnachfrager). Sowohl Liquidittsnachfrager
als auch -versorger knnen nach der Herkunft von Brsendaten identifiziert wer-
den. Betrachtet man die Daten von abgeschlossenen Transaktionen (Executions),
sind diese ein Hinweis auf erfolgreiche Liquidittsnachfrager. Betrachtet man hin-
gegen die Informationen der Orderbcher vor Ausfhrung ( Dazu zhlt der gesamte
Datenverkehr wie Orderneueintrge, Ordernderungen, Orderlschungen oder Re-
ports.), dann sind diese ein Hinweis auf wartende Liquidittsversorger. Vgl. Hen-
dershott, Jones, Menkveld (2008), S. 4. blicherweise kann man im Orderbuch vor
allem Limit Orders beobachten, die auf eine Gegenseite warten. Die Limit Orders
gelten deshalb als Liquidittsversorger. Market Orders werden hingegen meist so-
fort ausgefhrt, weil sie kein eigenes Limit besitzen und gegen jede andere Order
der Gegenseite ausfhrbar sind. Sie sind daher selten in einem Orderbuch zu beob-
achten. Market Orders gelten deshalb als Liquidittsnachfrager. Wrde eine Market
Order im Orderbuch stehen bleiben, wrde auch sie Liquiditt spenden. Das ist aber
nur in sehr illiquiden Mrkten der Fall.
454 Vgl. Peterson, Sirri (2002), S. 240.
455 Vgl. Peterson, Sirri (2002), S. 239.
136
3 Sell-Side Algorithmic Trading
Die Diskussion um die Vorteilhaftigkeit von Market und Limit Orders ist
insgesamt noch nicht abgeschlossen. Dadurch knnen auch noch keine
Aussagen ber speziellere Orderformen gemacht werden. Die Bedeutung
von Algorithmic Trading ist zudem noch vllig unklar. Hier besteht ein
groer Forschungsbedarf, um z.B. die Transaktionskosten zu bestimmen,
die auftreten, wenn beim Algorithmic Trading groe Mengen maschinell
erstellter Teilorders abgesetzt werden, um einen einzigen Kauf- oder Ver-
kaufsauftrag abzuarbeiten.
[Link] Einfluss asymmetrischer Information auf die Orderwahl
Die Wahl zwischen Market oder Limit Order wird in der Literatur auch
von asymmetrischer Information abhngig gemacht. CHAKRAVARTY UND
HOLDEN gehen von einem risikoneutralen und informierten Hndler aus
und zeigen, dass seine optimale Strategie aus einer Kombination beider
Orderarten besteht.
456
Das Modell von GLOSTEN verfolgt die Annahme,
dass sich das Verhalten von informierten und nicht-informierte Hndler
unterscheidet.
457
Informierte Hndler nutzen Market Orders, ohne Order-
Limit, um Liquiditt sofort abzuschpfen und einen angezeigten Transak-
tionspreis aus dem Orderbuch zu realisieren.
458
Nicht-informierte Hndler
nutzen vor allem Limit Orders, um Liquiditt zur Verfgung zu stellen,
und solange im Orderbuch zu warten, bis sich eine entsprechende Gegen-
seite gebildet hat.
459

456 Vgl. Chakravarty, Holden (1995), S. 233.
457 Vgl. Glosten (1994), S. 1130.
458 Vgl. Boulatov, George (2008), S. 1ff.
459 Vgl. Boulatov, George (2008), S. 1ff.
137
3 Sell-Side Algorithmic Trading
BOULATOV UND GEORGE bauen auf diesem Modell auf und zeigen, dass die
Profite von informierten Hndlern und Dealern mit zunehmender Trans-
parenz ansteigen.
460
GSELL untersucht die Rollen von Hndlergruppen
mit Informations-Asymmetrie (Stylized Traders) und stellt fest, dass Al-
gorithmic Trading nicht von Profit-Interessen sondern von Nutzen-ber-
legungen geprgt ist.
461
Er kommt zu dem Schluss, dass Algorithmic Tra-
ding Programme Utilitarian Traders nach HARRIS darstellen, bei denen
es weniger darum geht, einen Profit durch Kauf- und Verkauf zu realisie-
ren, sondern darin, eine groe Order in einem bestimmten Zeitraum in
kleinere Transaktionen zu zerteilen, deren Preise mglichst wenig von
der Benchmark abweichen.
462

Der Nutzen, die Teilorders mglichst schnell abzuarbeiten, ist hher als
der Nutzen, einen Profit durch Kauf- und Verkauf zu erwirtschaften, bzw.
die Gefahr, einen Verlust durch Teilorders zu realisieren.
463
Insgesamt ist
der Einfluss asymmetrischer Information bei der Formulierung von Or-
ders also noch unklar und wird aus Sicht des Algorithmic Trading auch
noch nicht behandelt.
464
Die Arbeit von GSELL deutet erstmals an, dass im
Algorithmic Trading individuelle Nutzenfunktionen bei der Bewertung
asymmetrischer Informationen eingesetzt werden.
460 Vgl. Boulatov, George (2008).
461 Der Autor untersucht die Rolle von Stylized Traders unabhngig von den
Orderarten. Vgl. Gsell (2006), S. 19.
462 Vgl. Gsell (2006), S. 19f.
463 Vgl. Gsell (2006), S. 19f.
464 Eine denkbare Hypothese fr den Einfluss asymmetrischer Information auf Algo-
rithmic Trading ist, dass Software-Programme, die Market Orders verwenden, in-
formierte Hndler reprsentieren, whrend Software-Programme, die Limit Orders
verwenden, nicht-informierte Hndler sind. Je nach Grad der Pre-Trade Markt-
transparenz knnen Market Orders (nicht-informierte Hndler) und Limit Orders
(informierte Hndler) so dynamisch miteinander verwoben werden, dass eine mg-
lichst schnelle Orderausfhrung zu garantiert und die Abweichung von der Bench-
mark gering ist.
138
3 Sell-Side Algorithmic Trading
[Link] Einfluss von Liquidittsrabatten auf die Orderwahl
Wie ARNUK UND SALUZZI darstellen, bieten manche Brsenbetreiber Liqui-
dittsrabatte fr diejenigen Marktteilnehmer, welche dem Orderbuch Li-
quiditt spenden, indem sie z.B. Limit Orders platzieren.
465
Im Gegenzug
mssen diejenigen Marktteilnehmer, die vollen Transaktionsgebhren
zahlen, welche Liquiditt nachfragen, indem sie z.B. eine Market Order
absenden.
466
Damit soll einerseits die Liquiditt im Gesamtmarkt erhht
werden, denn die Brsenbetreiber knnen so hohe Transaktionsvolumen
erzeugen und von den Transaktions- und Abwicklungsgebhren profitie-
ren, die beim Kauf- oder Verkauf jeder einzelnen Aktie anfallen.
467
Ande-
rerseits treibt man damit die Marktteilnehmer dazu an, immer mehr Limit
Orders mit kleineren Stckzahlen zu erstellen, die aufgrund der Liquidi-
ttsrabatte nur zu geringen Transaktionskosten fhren. Ziel dieser Liqui-
dittsrabatte ist es, dadurch das Datenvolumen zu vervielfachen und die
Einnahmen eines Brsenbetreibers aus dem Datenverkauf zu erhhen
(Tape Revenue).
468
Unter diesem Gesichtspunkt ist die Wahl von Limit Or-
465 Vgl. Arnuk, Saluzzi (2008), S. 3.
466 Vgl. Arnuk, Saluzzi (2008), S. 3.
467 Dabei wird in Kauf genommen, dass der Liquidittsspender einen Verlust fr den
Brsenbetreiber verursacht. Dessen Order zieht aber einen oder mehrere Liquidi-
ttsnachfrager an sich, welche die Transaktionsgebhren in voller Hhe tragen und
diesen Verlust wieder ausgleichen. Vgl. Arnuk, Saluzzi (2008), S. 3.
468 Als Tape Revenue bezeichnet man die Einnahmen der Brsenbetreiber durch den
direkt Verkauf von Datenstrmen an Marktteilnehmer oder Vendoren. Als Vendoren
treten hier Datenanbieter wie Reuters, Bloomberg, Esignal auf, welche die Daten an
private und institutionelle Nutzer verkaufen. Die Brsendaten werden in sogenann-
ten Ticker Plants gesammelt, vorbereitet und bereinigt, bevor sie weitergeleitet wer-
den. Fr eine Erklrung von Ticker Plants Vgl. Hertle, Schenk (1995), S. 415. Je
nach Datenqualitt und -tiefe gibt es hier unterschiedliche Datenstrme. Je mehr
Daten eine Brse produziert und je vielfltiger deren Inhalt, desto hher knnen die
Einnahmen aus dem Datenverkauf ausfallen. Mittels Liquidittsrabatten kann der
Brsenbetreiber die Produktion von Quotierungen stimulieren und seinen Datenver-
kauf weiter steigern. Vgl. Arnuk, Saluzzi (2008), S. 3.
139
3 Sell-Side Algorithmic Trading
ders im Algorithmic Trading attraktiver, als die Orderausfhrung ber
Market Orders, weil so weniger Transaktionsgebhren an der Brse an-
fallen.
[Link] Einfluss der Aggressivitt auf die Orderwahl
GSELL unterscheidet zwischen aggressiven und nicht-aggressiven Orders,
je nachdem, wie stark eine Order die Gegenseite beeinflusst.
469
Das heit,
eine aggressive Kauf- (Verkaufs-) Order wird die Preise erhhen
(senken). Eine aggressive Order schpft die Liquiditt eines Orderbuches
ab, indem sie gegen eine andere Order ausgefhrt wird, die bereits im Or-
derbuch vorhanden ist.
470
Eine Market Order ist z.B. aggressiv, weil sie,
aufgrund eines fehlenden Limits, sofort gegen jede andere Order der Ge-
genseite (teilweise oder vollstndig) ausgefhrt werden kann. Nicht ag-
gressive Orders spenden mehr Liquiditt fr ein Orderbuch, indem sie im
Orderbuch auf eine Ausfhrung warten.
471
Eine Limit Order ist z.B. dann
nicht-aggressiv, wenn ihr Limit nicht dem aktuellen Spread entspricht.
GRIFFITHS, SMITH, TURNBULL UND WHITE stellen fest, dass aggressive Or-
ders anderen aggressiven Orders folgen und besonders dann auftreten,
wenn der Spread gering ist.
472
RANALDO kommt zu dem Schluss, dass die
Ausfhrungswahrscheinlichkeit einer Order davon abhngt, wie gro das
Preisspektrum der Quotierungen auf den gegenberliegenden Orderbuch-
seiten ist.
473
Transiente Volatilitt und hohe Spreads ermutigen die Markt-
teilnehmer dazu, Limit Orders statt Market Orders einzustellen.
474
Folgt
man ihrem Argument, so knnte man einen berhang aus Market bzw.
Limit Orders zur Beschreibung oder Prognose der aktuellen Marktsituati-
on benutzen.
469 Vgl. Gsell (2009), S. 6f.
470 Vgl. Gsell (2009), S. 6f.
471 Vgl. Gsell (2009), S. 6f.
472 Vgl. Griffith, Smith, Turnbull, White (2000), S. 87.
473 Vgl. Ranaldo (2004), S. 18.
474 Vgl. Ranaldo (2004), S. 18.
140
3 Sell-Side Algorithmic Trading
GSELL stellt schlielich fest, dass die Aggressivitt eines Algorithmic Tra-
ding Programms zunimmt, je weniger Zeit fr die Orderausfhrung noch
zur Verfgung steht.
475
Insgesamt kann man also feststellen, dass die Ag-
gressivitt einer Order in Verbindung mit der Zeit zur Orderausfhrung in
Verbindung steht.
476
Es besteht jedoch Unklarheit darber, wie diese Ag-
gressivitt in Form von Algorithmen oder Handelsstrategien umgesetzt
wird.
[Link] Verkettung von Orders
Der Begriff der Lebenszeit-Analyse (Survival Analysis) fasst eine Reihe
statistischer Techniken zusammen, mit der sich die Lebenszeit einer Or-
der, deren Fehlerzeiten (Failure Time) oder die Zeit bis zur Orderausfh-
rung messen lassen.
477
LO, MACKINLAY UND ZHANG fanden heraus, dass
die Zeit zur Orderausfhrung stark vom Limit-Preis abhngt, whrend
der Einfluss anderer explanatorischer Variablen geringer ist.
478
HASBROUK,
SAAR fhren eine Survival Analysis mit Daten der Handelsplattform Insti-
net durch und stellen fest, dass in diesem Handelssystem ca. 37% der
(non-marketable) Limit Orders innerhalb von zwei Sekunden gelscht
werden.
479
Die Autoren prgen den Begriff Fleeting Order, um die
kurzfristigen und nicht-ausfhrbaren Limit Orders zu beschreiben. Diese
werden in Abschnitt ( [Link].2 , S. 166) dieser Arbeit noch erlutert.
480
PRIX, LOISTL UND HUETL untersuchten die Lebenszeit von Orders im deut-
schen, elektronischen Handelssystems XETRA.
481
Ihre Untersuchung
475 Vgl. Gsell (2006), S. 13.
476 Eine mgliche Hypothese dazu wre, dass sich der Grad der Aggressivitt steigert,
je weniger Zeit zur Orderausfhrung zur Verfgung steht und je weniger Liquiditt
im Orderbuch zu finden ist.
477 Fr einen berblick in die Survival Analysis siehe Lo, MacKinlay, Zhang (2002),
S. 17.
478 Vgl. Lo, MacKinlay, Zhang (2002), S. 32-33.
479 Vgl. Hasbrouk, Saar (2007), S. 31.
480 Vgl. Hasbrouk, Saar (2007), S. 31.
481 Vgl. Prix, Loistl, Huetl (2007 und 2008).
141
3 Sell-Side Algorithmic Trading
zeigte, dass die Lebenszeit einer Order in diesem Handelssystem eben-
falls nur wenige Sekunden betrgt.
482
Sie fgen dem aber hinzu, dass
wenn eine Order nicht sofort ausgefhrt wird die Mglichkeit besteht,
mehrere gestaffelte Orders zu benutzen, um die Order in Teilstcken an
die Brse zu leiten und sich schrittweise an einen bestimmten Limit-Preis
heran zu tasten ( Orderketten).
483

Um den empirischen Nachweise von Orderketten zu fhren, beobachte-
ten PRIX, LOISTL UND HUETL ob Lschung und Neueintrag einer Order bei-
nahe zeitgleich erfolgten und untersuchten daraufhin die Koinzidenz von
Orderlschungen und Eintrgen mit dem Laplace-Ratio.
484
Wenn zwei
oder mehr Orders in kurzem Abstand aufeinander folgten und in ihrem
Auftreten ein Zusammenhang gegeben war, sprachen die Autoren von ei-
ner Orderkette (Order Chain):
An order chain consists of a vector of at least 2 orders with in-
creasing time stamp, i.e. sorted by insertion time. All of these or-
ders except the last one must end with a cancellation signal
(event code 3). The elements of this vector will be called chain
elements...
485
Abbildung 3.7, S. 143 zeigt ein schematisches Beispiel fr eine vierstufi-
ge Orderkette, bei der im Zeitverlauf zuerst der Limit-Preis gesenkt wur-
de, um dann schrittweise erhht zu werden. Die Abstnde zwischen den
Neu-Eintragungen und Lschungen sind variabel.
482 Nach Aussagen von Schfer (DEUTSCHE BRSE AG) wurde diese Zeitspanne in den
letzten Jahren noch weiter reduziert. Vgl. Prix, Loistl, Huetl (2007 und 2008), S.
21.
483 Vgl. Prix, Loistl, Huetl (2008), S. 3.
484 In der Regel wird die Besttigung der Lschung abgewartet, weil hier das Risiko
besteht dass beide Orders ausgefhrt werden (erstens die zu lschende Order und
zweitens der Neueintrag von einer aggressiven Limit Order oder Market Order).
Vgl. Prix, Loistl, Huetl (2008), S. 6.
485 Prix, Loistl, Huetl (2008), S. 13.
142
3 Sell-Side Algorithmic Trading
Interessant sind in diesem Zusammenhang die empirischen Ergebnisse
der Autoren, die belegen, dass die Orderketten in ihrem Datensatz eine
Lnge von bis zu 945 Einzelorders erreichten, die meisten Orderketten
weisen jedoch eine Lnge von nicht mehr als 20 Elementen auf.
486

Fr die Formulierung einer Order bedeuten diese Untersuchungsergeb-
nisse, dass nach der Auswahl der richtigen Benchmark, nach der Wahl
von Market oder Limit Order oder nach Bercksichtigung von asymme-
trischer Information usw. die Mglichkeit besteht, die Ausfhrung einer
Orders zeitlich zu staffeln und Orderketten zu bilden. Die Bildung von
Orderketten im Sell-Side Algo Trading ist im realen Brsenhandel bereits
hochentwickelt und wird vielfach angewendet. Das ursprngliche Order-
volumen wird also nicht nur durch den Einsatz von Benchmark-Algorith-
men zerkleinert, sondern auch durch Orderketten auf eine intelligente Art
und Weise in die Lnge gezogen.
486 Vgl. Prix, Loistl, Huetl (2008), S. 17.
143
Abbildung 3.7: Orderkette aus 4 Elementen (Quelle: Prix, Loistl,
Huetl (2008), S. 12)
3 Sell-Side Algorithmic Trading
3.5 Weiterleitung von Orders
3.5.1 berblick ber die Teilprozesse
Nach der Formulierung einer Order besteht der nchste Schritt in ihrer
Weiterleitung an elektronische Handelssysteme. In Abschnitt 2.1.4 , S.
62, wurden die Aufgaben in diesem Teilprozess definiert (Abbildung 3.8,
S. 144). Die Formulierung und Weiterleitung von Orders berschneiden
sich, weil man die Bildung von Teilorders und Orderketten nicht eindeu-
tig einer Seite zuordnen kann. Bei der Formulierung erfolgt die Auftei-
lung und Verkettung mit dem Ziel, die Transaktionskosten zu optimieren.
Bei der Weiterleitung erfolgt die Aufteilung und Verkettung von Orders,
weil damit eine bestimmte Handelsstrategie verfolgt wird.
487

487 Die Begriffe Transaktionskosten und Handelsstrategien werden in der Literatur
144
Abbildung 3.8: Aufgaben zur Orderweiterleitung in der Orderrou-
tingphase (rechte Seite)
Order-
verbi ndl i chkei t
Festl egung
von Order-
Parametern
Wahl des
Ordertyps
Anpassung
an i ndividuel les
Marktmodell
Verteil ung an
Brsen-
Netzwerke
Automatische
Weiterl eitung
Auf teilung
in Teilorders
Tei l prozess: Orderformul ierung
Teil prozess: Orderwei terlei tung
3 Sell-Side Algorithmic Trading
Im Folgenden wird die Annahme getroffen, dass die Handelsstrategie die
Orderausfhrung zu einem strukturierten Prozess macht, auch wenn die
Order dabei ber mehrere elektronische Handelssysteme verstreut wird.
Denn die Handelsstrategie ordnet die Prioritten der einzelnen Aufgaben
und verbindet Transaktionskosten, Benchmarks, Marktmodelle durch
langfristige Planungsanweisungen miteinander. In den folgenden Ab-
schnitten werden die Handelsstrategien zur Orderausfhrung einzeln er-
lutert (siehe Abbildung 3.9, S. 145).
zum Algorithmic Trading oft in einem undurchsichtigen Zusammenhang verwen-
det, weil ihre Rolle in den Transaktionsprozessen ungeklrt ist. Vgl. z.B. Domo-
witz, Yegerman (2005a), Kissell (2006), Kissell, Malamut (2005).
145
Abbildung 3.9: Algorithmic Trading Strategien bei der Orderaus-
fhrung (berblick)
Nai ve
Orderausfhrung
Nai ve
Orderausfhrung
Ausnutzung der
Orderpl atzi erung
Ausnutzung der
Orderpl atzi erung
VWAP-nahe
Strategi en
VWAP-nahe
Strategi en
Strategien zur
Orderausfhrung
Strategi en zur
Orderausfhrung
Dynami sche
Vol umen-Vertei l ung
Dynami sche
Vol umen-Verteil ung
Li qui di ttssuchende
Al gorithmen
Li qui di ttssuchende
Al gorithmen
Li quidi ty Rebate
Programs
Li quidi ty Rebate
Programs
Order Pi ng
Order Pi ng
Frontrunni ng
Frontrunni ng
Predatory Algos
Predatory Al gos
Strategi en zur
Mani pulation
Strategien zur
Mani pul ati on
Fl eeti ng Orders
Fleeti ng Orders
Fl ash Orders
Fl ash Orders
3 Sell-Side Algorithmic Trading
3.5.2 Handelsstrategien
[Link] Smart Order Routing
Systeme zum Smart Order Routing (SOR) dienen zur elektronischen
bermittlung von Wertpapierorders an (mehrere) elektronische Handels-
systeme.
488
FOUCAULT UND MENKVELD untersuchten beispielsweise den
Wettbewerb durch SOR-Systeme zwischen der London Stock Exchange
(LSE) und der Euronext Brse.
489
Sie kommen zu dem Schluss, dass eine
verbesserte Aktivitt von SOR-Systemen auch zu mehr Wettbewerb um
Orderflow zwischen diesen beiden Mrkten fhrt.
490
Die Autoren sehen
hier eine Zunahme von konsolidierter Markttiefe (Consolidated Market
Depth) und Wettbewerb um Liquiditt, welche die Marktteilnehmer
488 Vgl. Selero (2009), S. 2.
489 Vgl. Foucault, Menkveld (2008).
490 Vgl. Foucault, Menkveld (2008), S. 152.
146
Abbildung 3.10: Abgrenzung zwischen Smart Order Routing (SMO)
sowie Algorithmic Trading (Quelle: Selero (2009))
3 Sell-Side Algorithmic Trading
(Market Maker und Broker) dazu zwingt, ihre Transaktionskosten zu sen-
ken.
491
Bisherige Arbeiten zu SOR konzentrieren sich auf die empirischen
Auswirkungen von SOR-Systemen im Orderflow der Brsen.
492
Hier fehlt
jedoch eine Abgrenzung von SOR-Systemen und Algorithmic Trading.
Der Begriff SOR-Systeme ist eng mit dem Algorithmic Trading verwo-
ben, jedoch nicht identisch. Denn SOR-Systeme entscheiden zwar selbst-
stndig ber die Art und den Ort der Ausfhrung, sie enthalten jedoch
keine Benchmarks oder Algorithmen, die eine selbststndige Steuerung
oder Anpassung an die Mrkte mglich machen. Ihre Aufgabe besteht
nicht darin, eine optimale Ordergre oder den Transaktionszeitpunkt zu
bestimmen, sondern einfacher die Auswahl einer Ausfhrungsplatt-
form und die bermittlung der Order dorthin zu bernehmen. Daher kn-
nen SOR-Systeme auch keine Software-Agenten darstellen. Die obige
Grafik der Firma Selero macht den Unterschied zwischen Algorithmic
Trading und Smart Order Routing deutlich (Abbildung 3.10, S. 146). Das
Order-Management-System (OMS) ist hier fr die Bestimmung des opti-
malen Transaktionszeitpunktes und der Ordergre verantwortlich und
dient der Realisierung der Handelsstrategie. Wenn die Entscheidungen
darber gefallen sind, wann und wie eine Order ausgefhrt werden soll,
wird die Order an ein SOR-System weitergeleitet, dass entscheidet, an
welche Brse (hier Market Center genannt) die Order gelangt.
493
Fr die
berwachung der Orderausfhrung stehen dann Reporting Tools zur Ver-
fgung.
494
491 Vgl. Foucault, Menkveld (2008), S. 152.
492 Vgl. dazu auch Ende, Gomber, Lutat (2009), Pujol (2009) sowie Davies (2008).
493 Vgl. Selero (2009), S. 3.
494 Vgl. Selero (2009), S. 3.
147
3 Sell-Side Algorithmic Trading
[Link] Taxonomien von Strategien
Gliederung nach Yang, Jiu (2006) Gliederung nach Gsell (2008)
und Almgren (2007)
Handelsstrategie Beschreibung Handelsstrategie Beschreibung
1. Opportunistische
Strategien
Suchen
opportunistisch in
Echtzeitdaten nach
Informationen.
1. Benchmark-
Orientierte
Algorithmen
Zielen darauf ab,
statisch vordefinierte
Benchmarks zu
schlagen.
2. Geplante
Strategien
Orderausfhrung
folgt einem Zeitplan.
2. Algorithmen mit
orderzentrierten
Benchmarks
Benchmarks werden
zum Zeitpunkt der
Ordererteilung
berechnet
3. Evaluative
Strategien
Orderausfhrung
folgt einem Zeitplan
kann aber auf
Marktvernderunge
n reagieren.
3. Dynamische
Ausfhrungs-
Strategien
(Almgren und
Lorenz 2007)
Automatische
flexible Anpassung
der Algorithmen an
die Marktlage
Tabelle 15: Kategorisierung der Handelsstrategien (Sell-Side)
Whrend Benchmarks, Transaktionskosten oder Orderarten im Algorith-
mic Trading zur Transparenz der Prozesse beitragen, sind die langfristi-
gen (strategischen) berlegungen zur Orderausfhrung (die Handelsstra-
tegie) der am wenigsten greifbare Teil im Prozessverlauf. Die Handelss-
trategie bildet aber den Kern der Prozesse, weil sich alle kurzfristigen
Entscheidungen zur Orderausfhrung daran orientieren. Sowohl YANG
UND JIU als auch GSELL versuchen, einen berblick ber diese Handelss-
trategien zu geben. Mit Ausnahme dieser beiden Arbeiten finden sich in
der Literatur bisher noch keine anderen Darstellungen, um die Strategien
zu ordnen (siehe Tabelle 15, S. 148).
148
3 Sell-Side Algorithmic Trading
GSELL bezieht sich auf einen Beitrag von ALMGREN und unterteilt Algo-
rithmen zur Orderausfhrung (hier identisch als Strategien bezeichnet) in
drei Entwicklungsstufen.
495
Algorithmen der ersten Generation zielen
darauf ab, bestimmte Benchmarks zu schlagen, die vom Markt vorgege-
ben werden und wenig durch die eigene Order beeinflusst werden.
496
Hier
kommen Benchmarks wie VWAP oder die Brsenkurse vom Vortag zum
Einsatz (z.B. Erffnungs- [Open], Hchst- [High], Tiefst- [Low] oder
Schlusskurse [Close], kurz: OHLC).
497
Die zweite Generation von Algo-
rithmen, orientieren sich an orderzentrierten Benchmarks, welche zum
Zeitpunkt der Ordererteilung festgestellt wurden.
498
Diese Art Algorith-
men verfolgen meist statische Strategien, die versuchen, einen Ausgleich
zwischen langsamer Ausfhrung (mit geringem Implementation Short-
fall) und schneller Ausfhrung (mit geringen Schwankungen beim Aus-
fhrungspreis) herbei zu fhren.
499
Algorithmen der dritten Generation
verfolgen dynamische Strategien, indem sie ihre eigenen Entscheidungs-
parameter optimieren.
500
Sie sind so besser in der Lage, ihre Aggressivitt
entsprechend der Marktlage anzupassen.
501
YANG UND JIU schlagen fr die Kategorisierung von Handelsstrategien
ebenfalls ein dreiteiliges Spektrum vor.
502
Danach lassen sich die Strate-
gien (hier identisch mit Algorithmen bezeichnet) nach ihrer Komplexitt
und Struktur unterscheiden.
503
Die erste Kategorie, nach diesem Schema,
bilden die opportunistischen Strategien (Opportunistic).
504
Diese Algo-
rithmen arbeiten unstrukturiert und die Orderausfhrung folgt keinen fes-
ten Marktbedingungen und Zeitplnen, sondern sie suchen opportunis-
495 Vgl. Gsell (2008), S. 3 und Almgren (2007).
496 Vgl. Gsell (2008), S. 3.
497 Vgl. Gsell (2008), S. 3.
498 Vgl. Gsell (2008), S. 3.
499 Vgl. Gsell (2008), S. 3-4.
500 Vgl. Gsell (2008), S. 3-4.
501 Vgl. Gsell (2008), S. 3-4.
502 Vgl. Yang, Jiu (2006), S. 3.
503 Vgl. Yang, Jiu (2006), S. 4.
504 Vgl. Yang, Jiu (2006), S. 4.
149
3 Sell-Side Algorithmic Trading
tisch in Echtzeitdaten nach Information, um den optimalen Ausfh-
rungszeitpunkt frei zu bestimmen.
505
Die zweite Gruppe bilden die ge-
planten Strategien (Schedule-Driven), wie z.B. alle Strategien die auf
dem VWAP oder TWAP basieren .
506
Diese Algorithmen arbeiten bereits
sehr strukturiert, das heit, die Orderausfhrung folgt festen Regeln, vor-
her definierten Marktbedingungen und einem Zeitplan.
507
Meist werden
die Regelstze auf Basis von historischen Daten programmiert, whrend
Echtzeitdatenstrme zur Feinabstimmung benutzt werden.
508
Eine dritte
Gruppe bilden nach Einschtzung der Autoren die evaluativen Strategi-
en (Evaluative).
509
Diese Strategien verbinden Eigenschaften der beiden
vorgenannten Gruppen, d.h. sie arbeiten opportunistisch, folgen aber
gleichzeitig Zeitplnen. Konkret kann dies so aussehen, dass eine Strate-
gie auf der Makro-Ebene ein festes Intervall zur Orderausfhrung vor-
gibt, z.B. innerhalb von 30 Minuten.
510
Auf der Mikro-Ebene reagiert der
Algorithmus auf wechselnde Marktbedingungen, indem er den optimalen
Ausfhrungszeitpunkt dynamisch bestimmt.
511

Die Gliederungen beider Autoren beschreiben Handelsstrategien zur Or-
derausfhrung, die sich ausschlielich mit der Aufteilung von Orders und
deren Weiterleitung beschftigen. Sie kennzeichnen jeweils drei unter-
schiedliche Entwicklungsstufen, bei denen sich entweder das Zeitmana-
gement oder die verwendeten Benchmarks unterscheiden. Ihre Gliede-
rung zeichnet ein Bild von Algorithmic Trading, in dem die Software als
Auftragsnehmer groe Orders bekommt, diese selbststndig in Teilorders
aufteilt und an die jeweilige Brse bermittelt. Dieses Darstellung von
505 Vgl. Yang, Jiu (2006), S. 4.
506 Vgl. Yang, Jiu (2006), S. 4.
507 Vgl. Yang, Jiu (2006), S. 4.
508 Vgl. Yang, Jiu (2006), S. 4.
509 Vgl. Yang, Jiu (2006), S. 4.
510 Vgl. Yang, Jiu (2006), S. 4.
511 Vgl. Yang, Jiu (2006), S. 4.
150
3 Sell-Side Algorithmic Trading
Algorithmic Trading wird dem Paradigma der Software-Agenten jedoch
nicht gerecht, weil die Software-Programme als Auftragsnehmer keine
originren Entscheidungen treffen (mssen).
Beide Autoren vernachlssigen bei ihren Betrachtungen, dass der Ent-
wicklungsstand der Software heute schon Software-Programme zulsst,
die aktiv in die Kursstellung des Orderbuches eingreifen. Anstatt nur auf
den erwarteten Market Impact und Implementation Shortfall zu reagie-
ren, ben solche Programme aktiven Einfluss auf die Kursstellung im
Orderbuch aus, um entweder den Market Impact mglichst gering zu hal-
ten oder einen bestimmten Transaktionspreis zu realisieren. Im Folgen-
den wird deshalb eine eigene dreistufige Gliederung verwendet: Erstens
die naive Orderausfhrung (fasst die bisherigen Handelsstrategien von
Gsell und Yang und Jiu zusammen), zweitens Strategien, welche die
Orderplatzierung ausnutzen (dies sind Strategien die ber die reine Or-
derplatzierung hinaus gehen und Eigenhandel betreiben), drittens Stra-
tegien zur Manipulation (greifen aktiv in die Kursstellung ein, um die
Order zu platzieren). Die Strategien werden in Tabelle 16, S. 152, zusam-
mengefasst und im folgenden Abschnitt erlutert. Diese Strategien wer-
den bisher nur in sehr wenigen Quellen beschrieben.
151
3 Sell-Side Algorithmic Trading
Algorithmen zur
Orderausfhrung
Aktueller
Entwicklungsstand
Inhalt der Strategien
Naive
Orderausfhrung
VWAP-nahe Strategien Aufteilung in Teilorders und Zeitpunkt der
Orderbermittlung in Abhngigkeit vom
VWAP.
Ausnutzen dynamischer
Volumenverteilung
Analyse und Vorhersage der
Volumenvernderungen whrend eines
Brsentages, um denjenigen Zeitpunkt
mit der hchsten Liquiditt im Orderbuch
zu bestimmen.
Liquidittssuchende
Algorithmen
Handelsstrategien suchen in mehreren
elektronischen Handelssystemen
gleichzeitig nach Liquiditt, um den
Market Impact so gering wie mglich zu
halten.
Strategien,
welche die
Orderplatzierung
ausnutzen
Predatory Algos Handelsstrategien versuchen, Angebot
und Nachfrage im Orderbuch, zum
eigenen Vorteil, zu beeinflussen
Liquidity Rebate
Programs
Handelsstrategien nutzen die Rabatt-
Programme von Brsenbetreibern aus,
um an hohen Transaktionsvolumen zu
partizipieren.
Order Ping Kurzfristige Orders (z.B. Fleeting Orders)
werden im Orderbuch platziert, um die
Reaktionen der anderen Marktteilnehmer
darauf zu testen.
Frontrunning Handelsstrategien nutzen Insiderwissen
ber neu eingehende Wertpapierorders
aus.
Strategien zur
Manipulation
Fleeting Orders Order-Typ mit sehr kurzfristiger
Lebenszeit, die ber mehrere
elektronische Handelssysteme hinweg
eine Transaktion mglichst schnell
herbeifhren soll.
Flash Orders Aggressiver Order-Typ mit kurzfristiger
Lebenszeit, bei der man das Risiko einer
Nichtausfhrung in Kauf nimmt und die
zur Manipulation des Orderbuches
geeignet ist.
Tabelle 16: Gliederung von Handelsstrategien beim Sell-Side
Algorithmic Trading. Eine Erluterung der Begriffe erfolgt im folgenden
Kapitel.
152
3 Sell-Side Algorithmic Trading
[Link] Naive Orderausfhrung
[Link].1 bersicht
Als eine der ersten Banken begann Credit Suisse im Jahr 2001, Sell-Side
Algorithmic Trading unter dem Namen Advanced Execution Services
(kurz: AES) zu vermarkten.
512
Bis 2002 wurden institutionellen Kunden
zwei Algorithmen fr die automatische Orderausfhrung angeboten. Dies
waren der VWapper (ein vom VWAP abgeleiteter Algorithmus), sowie
ein Algorithmus mit Partizipationsstrategie.
513
Wie genau diese Algo-
rithmen funktionieren, war nicht zu erfahren. Seit der Einfhrung von
AES ist die Entwicklung hin zu neuen und komplexen Ausfhrungsalgo-
rithmen ungebrochen.
514
Dazu gehrten bis zum Jahr 2009 beispielsweise
Guerrilla und Sniper (entwickelt und vermarktet durch Credit Suis-
se), Ambush und Razor (vermarktet durch die Bank of America),
Cobra und Nighthawk (vermarktet durch Instinet) sowie Dagger
512 Vgl. Heires (2006), S. 1.
513 Vgl. Heires (2006), S. 1.
514 Um ihren Marktvorsprung zu verteidigen, investierte die Credit Suisse schon frh
in die Entwicklung weiterer Algorithmen. Der Inline-Algorithmus beispielsweise
wurde hnlich wie der VWAP entwickelt, um einen bestimmten Preis als
Benchmark zu erreichen. Ein Algorithmus mit Namen PHD wurde fr die ber-
wachung verschiedener Algorithmen und die Portfoliosteuerung entwickelt. Der
Tex-Algorithmus arbeitet eine Order mit der Schnelligkeit ab, welche von der Li-
quiditt der Mrkte vorgegeben wird. Pathfinder wurde fr das Smart Order
Routing entwickelt, um auf Vernderungen in der Marktmikrostruktur durch die
Reg-NMS zu reagieren. (Fr eine Erklrung von Reg-NMS vgl. Gomber, Gsell
(2006) und Abschnitt [Link] , S. 75, dieser Arbeit). Darber hinaus existieren eine
Vielzahl von mageschneiderten Algorithmen. Nach eigenen Angaben entwickelte
Credit Suisse bis zu 30 solcher Strategien fr ihre Kunden. Die Algorithmen wer-
den auch mit anderen EMS/OMS verknpft, um weitere Asset Klassen und Mrkte
zu erschlieen. Vgl. Heires (2006), S. 2-6.
153
3 Sell-Side Algorithmic Trading
(vermarktet durch die Citigroup).
515
Die originelle Benennung der Algo-
rithmen ist hier durchaus kritisch zu sehen, da sie nur wenig oder nichts
ber die tatschliche Funktionsweise offenbaren.
516

Die am Markt existierenden Handelsstrategien unterliegen also einem
stetigen Wandel. Man kann sie jedoch in drei Kategorien zusammenfas-
sen: VWAP-nahe Strategien, liquidittssuchende Algorithmen und Algo-
rithmen zur Prognose dynamischer Volumenverteilungen. Im Folgenden
werden die drei Kategorien nher erlutert.
[Link].2 VWAP-nahe Strategien
Allgemeines Ziel von VWAP-Strategien ist es, den Market Impact gegen-
ber der verfgbaren Zeit fr eine Transaktion auszubalancieren.
517
Bei
der Replikation einer VWAP-Strategie geht es darum, die Aktienanzahl so
intelligent zu splitten und ber den Tag zu verteilen, dass die Transakti-
onspreise im Verlauf eines Tages, im Durchschnitt nahe am VWAP lie-
gen.
518
Dabei werden aus einer groen Order zuerst mehrere Teilorders
erzeugt, die ber den Tag verteilt ausgefhrt werden.
519

515 Vgl. Heires (2006), S. 1.
516 Vgl. Kissell, Malamut (2005), S. 2.
517 Vgl. Bialkowski, Darolles, Le Fol (2006a), S. 1-2.
518 Vgl. Brownless, Cipollini, Gallo (2009), S. 3.
519 Vgl. Madhavan (2002), S. 37.
154
3 Sell-Side Algorithmic Trading
Die Art und Weise der Verteilung beruht auf einem Algorithmus, der ers-
tens historische Daten auswertet
520
und zweitens die Orderausfhrung
nach mechanischen Handelsregeln zum Preisverhalten steuert.
521
Basis
dieses Algorithmus ist die VWAP-Benchmark.
Je genauer der eigene Transaktionspreis whrend des Brsentages am
VWAP liegt, desto geringer fllt auch die Abweichung vom VWAP aus,
wenn am Ende des Tages die einzelnen Geschftsabschlsse zusammen
gezhlt werden.
522
Je hher die Abweichung des Transaktionspreises vom
VWAP, desto hher ist der Market Impact.
523
Dabei kann der Zeithorizont
zur VWAP Berechnung verkrzt (intraday) oder ber einen lngeren Zeit-
raum von mehreren Tagen (Full Day) gestreckt werden. Praktisch berech-
net man immer zwei Werte fr den VWAP: Einmal den VWAP der eige-
nen Transaktionen und zweitens den VWAP des Gesamtmarktes zum Ver-
gleich.
524
Diese Strategie verfolgt das Ziel, die Abweichungen zwischen
beiden zu minimieren.
525

MADHAVAN beschreibt den schematischen Ablauf einer Algorithmic Tra-
ding Strategie am Beispiel der Investment Technology Group (ITG) und
ihrer VWAP-Smartserver Technologie.
526

520 Die VWAP-Benchmark wird weniger durch die Preisentwicklung whrend eines
Brsentages geprgt, als durch die Volumenentwicklung. Das wichtigste Muster da-
bei ist die U-Form der Volumenentwicklung eines Tages. Das heit, die Volumen
steigen am Brsenbeginn, fallen dann whrend des Tages und ziehen gegen Brse-
nende wieder an. Bei der Entwicklung eines VWAP-Algorithmus geht es nun dar-
um, diese Verteilung mglichst genau vorherzusagen. Vgl. Bialkowski, Darolles
und Le Fol (2006b), S.6f sowie Bias et al. (1995), Gourieroux (1999), Darolles, Le
Fol (2003) und Kaastra, Boyd (1995).
521 Vgl. Coggins, Lim, Low (2004), S. 519.
522 Vgl. Brownless, Cipollini, Gallo (2009), S. 3.
523 Vgl. Bialkowski, Darolles, Le Fol (2006b), S. 2.
524 Vgl. Coggins, Lim, Low (2004), S. 519.
525 Vgl. Coggins, Lim, Low (2004), S. 519.
526 Im Beispiel von MADHAVAN handelt es sich um einen VWAP-Algorithmus zum
Agency-Trading, das heit, die ITG Group bernimmt die Orderausfhrung fr
einen Kunden gegen Zahlung einer Kommission. Die VWAP-Strategie besteht aus
drei Elementen: der Datenanalyse, der Schtzung der Volumenverteilung sowie ei-
nem intelligenten Ordermanagement. Am Beginn des Algorithmus steht eine Order-
155
3 Sell-Side Algorithmic Trading
[Link].3 Dynamische Volumenverteilungen
Wie MADHAVAN darstellt, orientieren sich die VWAP-Algorithmen meisten
an historischen Verteilungen von Ordervolumen.
527
Das fhrt jedoch zu
Problemen, wenn sich diese Volumen-Verteilungen im Laufe eines Tages
ndern.
528
Die Verteilungen des Ordervolumens sind fr jedes Orderbuch
auch individuell, so dass die Ergebnisse des VWAP-Algorithmus nicht
unbedingt von einem Wertpapier auf das nchste bertragbar sind.
529
Die-
se Probleme kann man zwar durch eine feinere Betrachtung der Zeitru-
me lsen, muss dann aber komplexe Vorhersagen ber die Dynamik der
Volumenvernderungen treffen.
530
Die Weiterentwicklung von VWAP-
Strategien schwankt zwischen diesen zwei Extremen: Einerseits knnen
Market Orders besser auf die feinen Volumenvernderungen whrend ei-
nes Tages reagieren, erzeugen andererseits jedoch einen hheren Market
Impact und hhere Transaktionskosten als beispielsweise eine passive
analyse, um diejenigen Orders herauszufiltern, die aufgrund ihrer Eigenschaften
nicht fr Algorithmic Trading geeignet sind und auf anderer Weise ausgefhrt wer-
den sollten (z.B. manuell). Auf der zweiten Stufe muss eine Schtzung hinsichtlich
der Volumenverteilung im Orderbuch durchgefhrt werden. Fr jede eintreffende
Order einer Aktie wird das Volumenmuster in einem bestimmten Zeithorizont vor-
hergesagt (Volume Distribution). Daraus wird eine optimale Verteilung mglicher
Transaktionen errechnet (Trading Distribution), die sich an Perioden mit hohem
oder niedrigem Handelsaufkommen orientiert. Ziel dieser Analyse ist es, den Mar-
ket Impact in illiquiden Perioden zu verringern. Zwischen dieser und der nchsten
Stufe erfolgt die Wahl des optimalen Volumens fr eine Teilorder. Auf der dritten
Ebene erfolgt die Orderausfhrung. Die Strategie verfolgt das Ziel, die Transaktio-
nen dann durchzufhren, wenn die Mrkte die hchste Liquiditt aufweisen,. Der
VWAP-Smartserver ist fest in die technische Infrastruktur der ITG-Group integriert.
Fr die Orderausfhrung bedient sich das Algorithmic Trading Programm also aller
liquiden Handelspltze, die es ber das ITG-Netzwerk erreichen kann. Dazu geh-
ren die traditionellen Brsen, ECN's, Market Maker aber auch das POSIT Matching
System. Vgl. Madhavan (2002), S. 37-38.
527 Vgl. Madhavan (2002).
528 Vgl. Madhavan (2002), S. 37.
529 Vgl. Madhavan (2002), S. 37.
530 Vgl. Madhavan (2002), S. 37.
156
3 Sell-Side Algorithmic Trading
Handelsstrategie.
531
Passive Strategien wiederum knnen den VWAP
schlagen, erhhen aber den Tracking Error
532
, weil ihre Ausfhrung
als Limit Orders nicht garantiert ist.
533
Arbeiten, die sich mit der Vorher-
sage von Volumennderungen fr den VWAP beschftigt haben, sind u.a.
BROWNLESS, CIPOLLINI UND GALLO
534
, BIALKOWSKI, DAROLLES UND LE FOL
535
und KONISHI.
536

531 Vgl. Madhavan (2002), S. 37.
532 Fr eine Erklrung des siehe Fabozzi, Drake (2009), S. 604.
533 Vgl. Madhavan (2002), S. 37.
534 BROWNLESS, CIPOLLINI UND GALLO nehmen den VWAP als Grundlage, um die Volu-
men- Schwankungen im Orderbuch eines Tages vorherzusagen. Sie betrachten da-
bei nur die Ordervolumen whrend eines Tages, machen aber keine Prognosen hin-
sichtlich der Preise. Ihre Datenbasis besteht aus hoch-dimensionalen Intraday Or-
derbuchdaten (mit Preisen und Volumen) von drei Exchange Traded Funds (ETF)
aus dem Zeitraum von Januar 2002 bis Dezember 2006. Die Autoren nutzen ihre
Ergebnisse um das dynamische Multiplicative Error Model (CMEM) von ENGLE zu
erweitern. Sie entwickeln daraus ein Modell zur dynamischen Vorhersage der Volu-
menvernderungen eines Brsentages. Wie sie bemerken, kann die Dynamik der
Volumenvernderungen whrend eines Brsentages auf drei unterschiedliche Kom-
ponenten zurck gefhrt werden. Erstens beobachten sie eine U-Form in der Vertei-
lung der Orderbuchvolumens eines Brsentages (als periodische Komponente).
Zweitens beobachten sie die tgliche Evolution der Volumina eines Wertpapiers im
Brsenverlauf. Und drittens beobachten sie auch eine nicht-periodische Dynamik.
Als Fazit ihrer Betrachtungen entwickeln die Autoren eine statische und eine dyna-
mische VWAP-Strategie. Die statische Strategie besteht darin, die Volumen einer
Teilorder in Abhngigkeit der Informationen vom Vortag zu gewichten. Die dyna-
mische Strategie besteht darin, sowohl die Informationen des Vortages als auch des
gleichen Brsentages (Intraday) fr die Gewichte heranzuziehen. Vgl. Brownless,
Cipollini, Gallo (2009), S.3 und Engle (2002)
535 BIALKOWSKI, DAROLLES UND LE FOL entwickeln eine dynamische VWAP-Strategie die
whrend eines Brsentages angepasst werden kann. Die einfachste Mglichkeit ei-
ner VWAP-Strategie ist, einen prozentualer Anteil der Gesamtorder in gleichen Ab-
stnden ber den Tag zu verteilen. Eine bessere Mglichkeit ist die tgliche Volu-
menverteilung zu analysieren, und unter Kenntnis der U-Form der Transaktions-
volumen die Teilorder jeweils zum optimalen Zeitpunkt in den Markt zu geben,
wenn die Liquiditt am hchsten ist. Die Autoren entwickeln eine dynamische An-
passungsstrategie auf Basis eines Faktorenmodells. Sie nutzen dazu ebenfalls Prin-
cipal Component Analysis (PCA). Vgl. Bialkowski, Darolles, Le Fol (2006a), S.
1ff, vgl. Bialkowski, Darolles und Le Fol (2006b) und Darolles, Le Fol (2003).
157
3 Sell-Side Algorithmic Trading
[Link].4 Liquidittssuchende Algorithmen
Credit Suisse fhrte im Jahr 2004 den Guerilla Algorithmus zur Or-
derplatzierung am Markt ein.
537
Ziel dieses Algorithmus war es, die Li-
quiditt von unterschiedlichen Brsen, MTF, ECN und Dark Pools (hier
zusammengefasst als Trading Venues bezeichnet) fr den Kunden zusam-
men zu fhren.
538
Der Algorithmus sucht an unterschiedlichen Trading
Venues nach Liquiditt, tut dies aber auf eine Art und Weise, die keine
Spuren oder Aufmerksamkeit hinterlassen sollen, um den Market Impact
so gering wie mglich zu belassen.
539

In erster Linie dient der Guerilla Algorithmus der Signal-Reduktion, das
heit, andere Brsenteilnehmer sollen von der Aktivitt dieses Algorith-
mus, wenn mglich, keine Kenntnis erhalten.
540
Das besondere an diesem
Algorithmus ist, dass er nicht auf einer Benchmark beruht, sondern aus-
schlielich fr die Suche nach Liquiditt entwickelt wurde.
541
Eine logi-
sche Weiterentwicklung des Guerilla Algorithmus stellte der Sniper Al-
gorithmus dar, der nur noch in Dark Pools und ECN nach Liquiditt
sucht und ebenfalls das Ziel der Signal-Reduktion verfolgt.
542
Die Investmentbank Goldman Sachs brachte mit dem Sonar-Algorith-
mus und dem Sigma X Liquidity eigene Ausfhrungsalgorithmen auf
den Markt, die sowohl an ECN, in Dark Pools als auch im internen Or-
derflow der Bank nach Liquiditt fr ihre Kunden suchen.
543
536 Vgl. Brownless, Cipollini, Gallo (2009), Bialkowski, Darolles und Le Fol (2006a,
2006b) und Konishi (2002).
537 Vgl. Heires (2006), S. 1.
538 Vgl. Heires (2006), S. 1.
539 Vgl. Heires (2006), S. 2.
540 Vgl. Heires (2006), S. 2.
541 Vgl. Heires (2006), S. 3.
542 Vgl. Heires (2006), S. 2-3.
543 Vgl. Heires (2006), S. 4.
158
3 Sell-Side Algorithmic Trading
[Link] Strategien zur Ausnutzung der Orderplatzierung
[Link].1 berblick
Den Strategien zur Orderplatzierung stehen selbststndige Algorithmic
Trading Programme gegenber, die andere Ziele verfolgen als die Ver-
meidung von Market Impact. Die Aufteilung einer groen Order in meh-
rere kleine Teilorders und deren unbemerkte Ausfhrung steht hier nicht
mehr im Mittelpunkt. Stattdessen versuchen diese Computerprogramme
anderen Algorithmic Trading Programme auszusphen und die Er-
kenntnisse ber deren Strategie auszunutzen. Diese Strategien gehren
im weitesten Sinne zur Buy-Side. Ihre Funktion ist aber direkt an die
Sell-Side Algorithmen gekoppelt. Der folgende Abschnitt gibt einen kurz-
en berblick ber diese Handelsstrategien.
[Link].2 Predatory Algos
Predatory Algos sind Jger unter den Buy-Side Algorithmen.
544
Sie grei-
fen aktiv in die Quotierungen der Sell-Side Algorithmen ein, um die Kur-
se nach oben oder unten zu treiben.
545
Die Predatory Algos erzeugen erst
eine knstliche Orderbuch-Situation, um dann hnlich wie ein Jger,
der seine Beute in die Enge treibt einen Profit daraus zu generieren.
546

544 Predatory Algos sind vom Predatory Trading zu unterscheiden. Beim Predatory
Trading wird ein Marktteilnehmer gezwungen seine Wertpapiere mglichst schnell
zu verkaufen, um an Liquiditt zu kommen. Dies kann z.B. der Fall sein, wenn ein
Fondsmanager nicht mehr gengend Sicherheiten im Depot hinterlegt hat. Die De-
potinhalte knnen dann durch den Broker zwangsverkauft werden. Der Predatory
Trader hat Kenntnis von diesem Liquidittsengpass des Fondsmanagers und ttigt
Leerverkufe fr die betreffenden Aktien aus dessen Portfolio. BRUNNERMEIER UND
PEDERSEN fhren hierzu das Beispiel von LTCM an. Vgl. Brunnermeier, Pedersen
(2005), S. 1825f.
545 Vgl. Brown (2010), S. 113.
546 Vgl. Brown (2010), S. 113.
159
3 Sell-Side Algorithmic Trading
ARNUK UND SALUZZI zeigen die Funktionsweise der Predatory Algos am
Beispiel einer Kaufs-Order die an das National Bid Best Offer (NBBO)
547
gekoppelt ist und deren maximaler Transaktionspreis hier US-$20,10 be-
trgt.
548
Zuerst muss der Predatory Algo diese Sell-Side Order identifizie-
ren und lokalisieren.
549
Dazu muss er dieses fr ihn unbekannte Order Li-
mit durch testen herausfinden.
550
Von einem Kurs von 20.00$ ausgehend,
attackiert der Predatory Algo die institutionelle Kauforder mehrmals, in-
dem er selbst einen Preis von 20.01$ bezahlt und diesen Preis schrittwei-
se erhht.
551
Dies geschieht immer mit sehr kleinen Stckzahlen.
552
Die
institutionelle Kauforder wird mitziehen und das Limit bis 20.10$ aus-
reizen.
553
Denn das primre Ziel des Sell-Side Algorithmus auf der ande-
ren Seite ist nicht der Transaktionspreis, sondern die Stckzahl der Teil-
orders mglichst schnell innerhalb des Limits abzuarbeiten.
554
Registriert
der Predatory Algo, dass die institutionelle Order keine weiteren Preiser-
hhungen mehr mitmacht, ist deren Limit identifiziert.
555
Nun ndert der
Predatory Algo seine Taktik und ttigt Leerverkufe zum Preis von US-$
20,10, weil der Preis mit hoher Wahrscheinlichkeit wieder fallen wird
wenn der Sell-Side Algorithmus an das NBBO gekoppelt ist.
556
Fllt der
Preis dann tatschlich, stellt der Predatory Algo die Positionen glatt und
realisiert einen Profit (~20.10$ - NBBO).
557

547 Der National Bid Best Offer ist in den USA der beste Geld- und Briefkurs fr ein
Wertpapier, dass an einer Brse gehandelt wird. Der NBBO wird landesbergrei-
fend ber alle Handelsplattformen bestimmt und soll das Best Execution Prinzip
der Finanzmarktrichtlinie Reg-NMS verwirklichen. Mehr als die Hlfte aller Sell-
Side Orders in den USA sind an den NBBO gebunden. Vgl. Arnuk, Saluzzi (2008),
S. 2
548 Vgl. Arnuk, Saluzzi (2008), S. 2.
549 Vgl. Arnuk, Saluzzi (2008), S. 2.
550 Vgl. Arnuk, Saluzzi (2008), S. 2.
551 Vgl. Arnuk, Saluzzi (2008), S. 2.
552 Vgl. Arnuk, Saluzzi (2008), S. 2.
553 Vgl. Arnuk, Saluzzi (2008), S. 2.
554 Vgl. Arnuk, Saluzzi (2008), S. 2.
555 Vgl. Brown (2010), S. 113 und Arnuk, Saluzzi (2008), S. 2.
556 Vgl. Arnuk, Saluzzi (2008), S. 2.
557 Vgl. Arnuk, Saluzzi (2008), S. 2.
160
3 Sell-Side Algorithmic Trading
[Link].3 Order Ping
Ping ist ein Fachbegriff aus der Informatik. Mit einem Ping kann man
ber ein simples Kommunikationsprogramm prfen, ob eine Netzwerk-
verbindung zwischen zwei Computern besteht, bzw. ob der eigene Com-
puter mit dem Internet (Netzwerk) verbunden ist.
558

Im Algorithmic Trading beschreibt Ping eine Strategie zum Abbau asym-
metrischer Information. Dabei werden extrem kurzlebige Orders in einem
Markt platziert, nicht mit dem Ziel eine Transaktion herbeizufhren, son-
dern stattdessen die Reaktionen der anderen Marktteilnehmer darauf zu
messen.
559

ARNUK UND SALUZZI stellen dar, wie Ping von Marktmachern benutzt wer-
den kann, um unentdeckte Liquidittsreserven im Orderbuch aufzude-
cken.
560
Dazu sendet der Marktmacher eine sehr kurzfristige Order ab.
561
Wenn nichts passiert, dann wird diese Order sofort wieder gelscht.
562
Wenn die Order jedoch eine Reaktion verursacht (z.B. ausgefhrt wird
oder eine neue Order entsteht), kann der Market Maker versteckte Infor-
mationen ber das Orderbuch sammeln.
563
Nach Angaben von Brown be-
trgt die Lebenszeit einer solchen Order 60 bis 80 Millisekunden (Stand
2010).
564
Im Beispiel von ARNUK UND SALUZZI testet der Market Maker die
Orderlimits der Ask-Seite sukzessive solange abwrts, bis er eine kauf-
willige Order trifft.
565
Der Market Maker deckt sich dann mit einer ent-
sprechenden Position ein, und tut dies vor allem schneller, als die Order
558 Vgl. Dhanjani (2003), S. 23.
559 Vgl. Brown (2010), S. 113. Das Order Ping steht auch im Zusammenhang mit der
Fleeting Order bzw. Flash Order, siehe Abschnitt [Link] , S. 165.
560 Vgl. Arnuk, Saluzzi (2008), S. 3.
561 Vgl. Arnuk, Saluzzi (2008), S. 3.
562 Vgl. Brown (2010), S. 113.
563 Vgl. Brown (2010), S. 113.
564 Vgl. Brown (2010), S. 113.
565 Vgl. Arnuk, Saluzzi (2008), S. 3.
161
3 Sell-Side Algorithmic Trading
auf das entsprechende Angebot reagieren kann.
566
Dies kann z.B. erfol-
gen, indem der Marktmacher andere elektronische Brsenplattformen
nutzt, um von dort Liquiditt zu beziehen oder indem er eine andere Ver-
kaufsorder zurckhlt und berhaupt nicht im Orderbuch ausweist.
Schlielich verkauft der Marktmacher dann zu einem Premium wieder an
den kaufwilligen Investor, zu dessen maximalem Limit.
567
[Link].4 Liquidittsrabatte
Mit Liquidittsrabatten (Liquidity Rebates) frdern die Brsen und Be-
treiber von alternativen Handelsplattformen und ECN den Einsatz von
Algorithmic Trading Software. Manche Brsenbetreiber rabattieren bis
zu eines Penny's pro Aktie an Broker-Dealer, wenn diese eine Order im
elektronischen Handelssystem platzieren und damit Liquiditt spenden.
568
Wenn sich nun eine Gegenseite fr dessen Order findet, dann berechnet
die Brse dem Liquidittsnachfrager eine hhere Transaktionsgebhr und
rabattiert den Liquidittsspender.
569
Die Brsen verfolgen damit das Ziel,
stndig Liquiditt im Orderbuch vorzuhalten und zu weiteren Transaktio-
nen zu animieren.
570
Je mehr Transaktionen stattfinden, desto hher las-
sen sich die Einnahmen der Brse treiben (z.B. durch Kommission).
571
Denn die Brsenbetreiber verdienen an der Menge der gehandelten Akti-
en und nicht am Transaktionspreis.
572
Dabei ist irrelevant ob es sich um
eine Kauf- oder Verkaufsorder handelt.
573
566 Vgl. Arnuk, Saluzzi (2008), S. 3.
567 Vgl. Arnuk, Saluzzi (2008), S. 3.
568 Vgl. Brown (2010), S. 114.
569 Vgl. Brown (2010), S. 114.
570 Vgl. Brown (2010), S. 114.
571 Vgl. Arnuk, Saluzzi (2008), S. 1-2.
572 Vgl. Arnuk, Saluzzi (2008), S. 1-2.
573 Vgl. Arnuk, Saluzzi (2008), S. 1-2.
162
3 Sell-Side Algorithmic Trading
Mit Liquidittsprogrammen wird nicht alleine die Liquiditt der Mrkte
verbessert. Vielmehr haben sich dadurch neue Algorithmic Trading Stra-
tegien entwickelt, welche diese Rabatte ausnutzen (Rebate Trading Pro-
grams).
574
Ein Rebate Trading Program verdient kein Geld durch
hhere/niedere Transaktionspreise, sondern durch die Anzahl der Aktien
die in den Transaktionen durchgeschliffen werden.
575
In einem Beispiel
zeigen ARNUK UND SALUZZI wie ein institutioneller Investor bereit ist, eine
Aktie zwischen $20.00 und $20.05 zu kaufen.
576
Nachdem dieser hinter-
einander 100 Stck bzw. 500 Stck Aktien gekauft hat, wird seine Kau-
fabsicht von einem Rebate Trading Program entdeckt.
577
Das Programm
stellt sich vor die institutionelle Order und kauft 100 Stck Aktien zu
$20.01.
578
Das heit, es fgt dem Orderbuch Liquiditt zu und erhlt
Penny Rabatt pro Aktie.
579
Unmittelbar danach verkauft das Rebate Tra-
ding Programm die gleichen 100 Stck Aktien wieder zu $20.01 an den
institutionellen Investor.
580
Das Programm fgt dem Orderbuch wieder
neue Liquiditt zu und erhlt wieder eines Penny's Rabatt. Im Endef-
fekt hat das Rebate Trading Program Penny pro Aktie durch Rabatte
verdient, whrend der Investor erstens einen hheren Transaktionspreis
und die Gebhren zahlt.
581
Das Risiko liegt darin, dass keine groe insti-
tutionelle Order existiert.
574 Vgl. Arnuk, Saluzzi (2008), S. 1-2.
575 Liquidity Rebate Programs werden in der Praxis kontrovers diskutiert, weil man
darin eine bervorteilung der Liquidittsversorger sieht, die sowohl am Spread ver-
dienen, als auch von den ECN Gebhren fr ihre Quotierungen erhalten. Ein beson-
ders kritischer Punkt ist die Credit Rebate Structure. Das heit ein Liquidittsver-
sorger kann die Quotierungen einstellen, auch ohne ber Eigenkapital zu verfgen.
Vgl. Brown (2010), S. 114.
576 Vgl. Arnuk, Saluzzi (2008), S. 2.
577 Vgl. Arnuk, Saluzzi (2008), S. 2.
578 Vgl. Arnuk, Saluzzi (2008), S. 2.
579 Vgl. Brown (2010), S. 114.
580 Vgl. Arnuk, Saluzzi (2008), S. 2.
581 Vgl. Arnuk, Saluzzi (2008), S. 2.
163
3 Sell-Side Algorithmic Trading
[Link].5 Frontrunning
Broker und Broker-Dealer sind ihrer Natur nach mit der Order-Platzie-
rung und mit der Abwicklung von Transaktionen beauftragt. Sie betrei-
ben
582
Algorithmic Trading sowohl im Kundenauftrag (Sell-Side) als auch
im Eigenhandel (Buy-Side).
583
Aus dieser besonderen Position ergeben
sich Probleme.
Der Broker ist eigentlich im Auftrag seiner Kunden mit der Abwicklung
von deren Transaktionen beauftragt. Die Auftrge seiner Kunden stellen
exklusive, private Informationen dar, die den Kursverlauf einer Aktie
evtl. beeinflussen knnten (Insiderwissen).
584
Die Ausnutzung dieser In-
formationen fr den Eigenhandel des Brokers wre illegal und wird
Frontrunning genannt.
585

582 Vgl. Harris (2003), S. 32f.
583 Zum technologischen Wandel der Aufgaben bei Brokern und Broker Dealer vgl.
Liebenberg (2002).
584 Fr eine Erklrung des Insiderhandels siehe Krauel (2000).
585 Vgl. Marcial (1999), S. 137 und O`Hara (1998), S. 267.
164
Abbildung 3.11: Beschreibung von illegalem Frontrunning beim
Algorithmic Trading
Kunden-Order
von der Buy-Si de
Kunden-Order
von der Buy-Si de
Zurckhal tung der
Kunden-Order um
Mi ll i sekunden
Zurckhaltung der
Kunden-Order um
Mi l li sekunden
Broker
anal ysi ert
Market Impact
der Order
Broker
anal ysi ert
Market Impact
der Order
Pri vate
Investment-
Entscheidung
des Brokers
Pri vate
Investment-
Entschei dung
des Brokers
Ausfhrung i n kl ei nen
Tranchen an ei ner oder
mehreren Brsen
Ausfhrung i n kl einen
Tranchen an ei ner oder
mehreren Brsen
Broker-Order
untrennbar
mi t Kunden-Order
vermi scht
Broker-Order
untrennbar
mi t Kunden-Order
vermi scht
3 Sell-Side Algorithmic Trading
Frontrunning beim Algorithmic Trading kann man an einem Beispiel er-
klren (siehe Abbildung 3.11, S. 164). Ein Broker, der eine groe
Blockorder zum Kauf ausfhrt, kann sich vorher noch mit eigenen
Stcken eindecken, um von spter steigenden Kursen zu profitieren. Die
Automatisierung der Orderplatzierung sorgt dafr, dass die Wertpapieror-
der des Kunden ohne manuelle Beeinflussung durch den Broker erst in
kleine Orders zerteilt und dann an die Brse weitergeleitet werden. Der
Broker knnte ein eigenes Algorithmic Trading Programm dazwischen
schalten, dass erstens die Orderplatzierung seines Kunden verzgert,
zweitens dessen Absicht analysiert und drittens eine eigene Order vor
der Transaktion des Kunden dazwischen schiebt.
[Link] Strategien zur Manipulation
[Link].1 bersicht
Vor der Einfhrung des Algorithmic Trading konnte eine Block Order
dazu genutzt werden, das Angebot oder die Nachfrage in eine bestimmte
Richtung zu drngen, indem man eine Kauf- oder Verkaufsabsicht
signalisierte. Durch die Einfhrung des Algorithmic Trading wurden
Blockorders in kleinere Stckzahlen zerlegt und gegebenenfalls ber
mehrere Brsenplattformen verteilt, so dass die Mglichkeit der
Manipulation des Orderbuches durch Blockorders verloren ging. Eine
groe Blockorder konnte nun fast unbemerkt auf mehreren Mrkten
gleichzeitig abgearbeitet werden.
Flash Orders und Fleeting Orders sind Instrumente, diese
Manipulationen auch mittels Algorithmic Trading wieder zu erreichen.
Dabei handelt es sich um keine Orderarten, die durch Brsenregeln
formal vorgegeben werden, sondern es sind Hypothesen fr die
Beobachtung von kurzfristigen Lebenszeiten. Flash Orders und Fleeting
Orders blhen das Ordervolumen eines Marktes zwar auf, fhren im
165
3 Sell-Side Algorithmic Trading
Endeffekt aber nicht zu mehr Transaktionen.
586
Sie zielen auf
Manipulationen in einem sehr kurzfristigen Bereich von nur wenigen
Sekunden. Dabei geht man implizit davon aus, das am anderen Ende des
Orderbuches keine Menschen mehr sitzen, sondern Computerprogramme
arbeiten, die das Orderbuch ebenfalls berwachen, um ihre eigenen
Orders darin zu platzieren.
[Link].2 Fleeting Orders
HASBROUK UND SAAR untersuchen die Lebenszeit von Orders im Limit-Or-
derbuch.
587
In ihrer Studie wurden 36,69% aller Limit Orders innerhalb
von 2 Sekunden nach ihrer Aufgabe schon wieder gelscht.
588
Fr die Be-
schreibung von kurzfristigen Orders mit hnlich kurzen Lebenszeiten, hat
sich in der Literatur der Begriff Fleeting Order durchgesetzt, das
heit, eine Order deren Lebenszeit von Beginn an auf ein Minimum be-
schrnkt ist.
589

Fr die Erklrung von Fleeting Orders gibt es in der Literatur unter-
schiedliche Hypothesen. LARGE erklrt die schnelle Lschung von Limit
Orders und deren kurze Lebenszeit durch die Unsicherheit und Risiko-
aversion bei der Orderausfhrung.
590
ROSU Stellt fest, dass die kurze Le-
benszeit durch eine einfache Umwandlung des Ordertyps zu Stande
kommt.
591
Wenn sich zwei passende Limit Orders auf der Bid-Seite und
Ask-Seite gegenber stehen, wird eine Order gelscht und in eine Market
586 HASBROUK UND SAAR nehmen in diesem Zusammenhang Bezug zur Order Fill Rate.
Sie gibt an, wie hoch der Anteil der ausgefhrten Transaktionen im Vergleich zu
den neu-eingestellten Limit Order ist. Dies ist eine von US-Brsenbetreibern gefor-
derte Angabe nach SEC Rule 605. Vgl. Hasbrouk, Saar (2007), S. 5 und S.12.
587 Vgl. Hasbrouk, Saar (2007), S. 2ff.
588 Vgl. Hasbrouk, Saar (2007), S. 2ff.
589 Zu den Eigenschaften von Fleeting Orders siehe auch Chakrabarty, Tyurin (2008).
590 Vgl. Large (2004).
591 Vgl. Rosu (2009), S. 4604.
166
3 Sell-Side Algorithmic Trading
Order umgewandelt, die sofort ausgefhrt wird.
592
HASBROUK UND SAAR
begrnden ihre Untersuchungsergebnisse mit drei Hypothesen am aus-
fhrlichsten:
593
Die erste Hypothese ist ein aggressives Orderverhalten,
bei dem die eigene Order schnell verndert wird, um die Wahrscheinlich-
keit der Orderausfhrung zu erhhen (Chasing Hypothesis).
594
Die zweite
Hypothese ist eine Reaktion auf pltzlich sinkende Transaktionskosten,
indem man von einer Limit Order auf eine Market Order wechselt, um
von sinkenden Transaktionskosten zu profitieren (Cost of Immediacy Hy-
pothesis).
595
In beiden Hypothesen ist die Fleeting Order von Beginn an
berhaupt nicht als Liquidittsversorger gedacht, sondern kombiniert
Funktionen eines Liquidittsversorgers und -nachfragers.
596
Die dritte
Hypothese zu den kurzen Lebenszeiten ist, dass eine Fleeting Order auf
der Suche nach versteckter Liquiditt ist (Liquidittsnachfrager).
597
Das
heit, die Fleeting Order wurde in der Hoffnung eingestellt, eine soforti-
ge Ausfhrung innerhalb des Spread herbeizufhren. Ist dies nicht der
Fall, wird sie sofort wieder gelscht. Insgesamt kann man feststellen,
dass es in der Literatur noch keine einheitliche Hypothese gibt, um die
Existenz von Fleeting Orders zu erklren.
[Link].3 Flash Orders
Flash Orders bezeichnen eine aggressive Form von Fleeting Orders.
598
Ziel einer Flash Order ist nicht, eine Transaktion tatschlich auszufh-
ren, sondern auf die anderen Limit Orders zu reagieren, um mit Hilfe ei-
ner Lschung und Wiedereingabe einen bestimmten Transaktionspreis
592 Vgl. Rosu (2009), S. 4604.
593 Vgl. Hasbrouk, Saar (2007), S. 13-14.
594 Vgl. Hasbrouk, Saar (2007), S. 13-14.
595 Vgl. Hasbrouk, Saar (2007), S. 13-14.
596 Vgl. Hasbrouk, Saar (2007), S. 14-15.
597 Vgl. Hasbrouk, Saar (2007), S. 15.
598 Diese Praxis wird auch Spoofing genannt. Vgl. Hasbrouk, Saar (2007), S. 30
Funote Nr. 18.
167
3 Sell-Side Algorithmic Trading
und -volumen herbeizufhren. Es wird von vornherein in Kauf genom-
men, dass eine Flash Order nicht ausgefhrt werden kann, sondern die
Order wird benutzt, um das Orderbuch in eine bestimmte Richtung zu
drngen, die das Gegenteil der eigenen Handelsabsicht bewirken soll.
599
Die Manipulation an sich ist illegal und sehr schwierig nachzuweisen,
weil der Unterschied zwischen Fleeting Order und Flash Order flieend
ist.
600

Einen Beweis fr die Existenz von Flash Orders erbringt die Lebenszeit
der Fleeting Order selbst. HASBROUK UND SAAR stellen fest, dass die kurio-
se Eigenschaft einer Fleeting Order ihre Sichtbarkeit ist.
601
Das heit,
trotz ihrer geringen Lebenszeit ist eine Order im Orderbuch fr die ande-
ren Marktteilnehmer sichtbar. Es wre zwar technisch mglich, eine Or-
der innerhalb von wenigen Millisekunden nach ihrer Neu-Eintragung
wieder aus dem Orderbuch zu lschen. Stattdessen kann die Lebenszeit
dieser Orders aber so lange verlngert werden, bis die anderen Marktteil-
nehmer diese Order wahrgenommen haben. Geht man davon aus, dass
die anderen Marktteilnehmer ebenfalls die Entwicklung des Orderbuches
berwachen, so ist eine Flash Order ein wirkungsvolles Instrument, den
Markt durch Order-Eintrag und Lschung zu manipulieren, indem man
seine angeblichen Handelsabsichten ffentlich macht, anstatt sie in Teil-
orders zu verstecken.
602
599 Vgl. Hasbrouk, Saar (2007), S. 30 Funote Nr. 18.
600 Vgl. Hasbrouk, Saar (2007), S. 30 Funote Nr. 18.
601 Vgl. Hasbrouk, Saar (2007), S. 4.
602 Algorithmic Trading Programme, die auf Pre-Trade Daten basieren, knnen Flee-
ting Orders und Flash Orders im Bruchteil einer Millisekunde registrieren.
HASBROUK UND SAAR sehen in dieser Fhigkeit die Mglichkeit, z.B. mit Market Or-
ders, schnell auf die, sich ndernde, Liquiditt zu reagieren. Vgl. Hasbrouk, Saar
(2007), S.4. Geht man davon aus, dass der Einsatz von Computerprogrammen noch
weiter ansteigt, wird langfristig ein Trend zu immer krzeren Lebenszeiten eintre-
ten. Denn die die konkurrierenden Algorithmic Trading Programme wrden sich
mittels Flash Orders beeinflussen, ohne dass Menschen diese Kurzfrist-Orders
noch im Orderbuch wahrnehmen knnen.
168
3 Sell-Side Algorithmic Trading
3.6 Zusammenfassung
Die Ausfhrungsalgorithmen der Sell-Side bernehmen die Platzierung
der Orders in den elektronischen Handelssystemen, so dass sich die Buy-
Side auf die Datenanalyse und die Investmententscheidung konzentrieren
kann. Alle Prozesse der Orderausfhrung dienen dazu, die richtige Gre
einer Order und den richtigen Zeitpunkt zur Orderaufgabe zu bestimmen.
Die Mikro-Entscheidungen in diesen Teilprozessen orientieren sich an
den langfristigen Planungsanweisungen (Handelsstrategien), die durch
den Investor (oder dem von ihm beauftragten Broker) vorgegeben wer-
den.
603

603 Bei der Entwicklung solcher Handelsstrategien geht es darum, die Orderplatzierung
unter Einbeziehung der verfgbaren Marktmikrostruktur zu planen. Vgl. Brown-
less, Cipollini, Gallo (2009), S. 2.
169
Abbildung 3.12: Schematische Darstellung der Prozesse bei der
Orderausfhrung im Algorithmic Trading
Strategien zur
Orderpl atzi erung
Marktmodel l e
Transaktionskosten
Bench-
marks
Orderzei t-
punkt
Order-
Gre
Transakti ons-
wunsch
El ektroni sch(e)
Handel ssystem(e)
3 Sell-Side Algorithmic Trading
Bei der Weiterleitung von Orders kann sich die Handelsstrategie auf meh-
rere elektronische Handelssysteme gleichzeitig beziehen, welche zudem
noch untereinander vernetzt sind. Eine Order kann sowohl an mehrere
Handelssysteme gesendet werden als auch in einem einzigen elektroni-
schen Handelssystem eine Orderkette bilden. Die Auswahl dieser Mrkte
bestimmt die zu erwartenden Transaktionskosten.
604
Die Transaktionskos-
ten sind also zu einem gewissen Grade vorhersehbar und knnen bei der
Formulierung einer Order bercksichtigt werden. Die Aggressivitt von
Order, die Verteilung asymmetrischer Informationen oder Wahl geeigne-
ter Orderformen flieen bei der Formulierung einer Order mit ein. Den
Kern dieser berlegungen bilden die Benchmarks. Sie sind unabhngige
Kennzahlen, weil sie nicht von nachgelagerten Prozessen beeinflusst
werden. Alle anderen Prozesse werden quasi um diesen Vergleichspara-
meter herum gebaut.
Die meisten (einfachen) Strategien dienen dazu, die Wertpapierauftrge
abzuarbeiten und zur Ausfhrung zu bringen. Es gibt aber auch einige
(komplexe) Strategien, welche die Orderausfhrung in illegaler Weise
ausnutzen oder die Kursstellung manipulieren. Fr die Beschreibung die-
ser Strategien existieren nur wenige Quellen. Die Literatur zum Algorith-
mic Trading beschftigt sich aber intensiv mit der Suche nach der besten
Strategie zur Orderausfhrung.
605
Dabei gibt es Die beste Strategie
604 Die Art und Hhe der Transaktionskosten zuknftiger Transaktionen sind unsicher.
Sie werden z.B. durch die Liquiditt der Mrkte oder dem aktuellen Angebot und
der Nachfrage im Orderbuch vorgegeben.
605 DOMOWITZ UND YEGERMAN machen die Wahl nach der optimalen Strategie zur Or-
derausfhrung an den Transaktionskosten fest. Sie untersuchten die Orders von un-
terschiedlichen Brokern nach den Kriterien fr Implementation Shortfall, VWAP
und MBA. Dabei stellten sie fest, dass die Performance der Algorithmen stark von
der Auswahl des Brokers abhngt und eine Mischung von Ausfhrungsalgorithmen
unterschiedlicher Broker empfehlenswert ist. Vgl. Domowitz, Yegerman (2005a),
S.10ff. Der technische Fortschritt in der Computertechnik fhrt aber zu immer mehr
Mglichkeiten und Angeboten von Algorithmen, die eine Auswahl schwieriger ma-
chen. YANG UND JIU bringen es auf den Punkt. Auf der einen Seite bietet Algorith-
mic Trading die Mglichkeit, denjenigen Algorithmus auszuwhlen, der am besten
zur eigenen Strategie passt. Auf der anderen Seite, ist die Vielfalt der Algorithmen
170
3 Sell-Side Algorithmic Trading
nicht, denn die Wahl einer Sell-Side Strategie ist immer auch mit der
Wahl eines Brokers verbunden. Eine computergesttzte Transaction Cost
Analysis (TCA) kann aber dabei helfen, die fr die jeweilige Marktlage
am besten geeignete Ausfhrungsstrategie zu bestimmen.
606

Idealerweise werden historische Daten und Echtzeitdaten genutzt, um die
Performance der Algorithmen zu untersuchen und ein Feedback zu ge-
ben, wenn eine Strategie gewechselt werden sollte.
607
Dies hat den Vor-
teil, dass der MENSCH die jeweils gnstigste Ausfhrungsstrategie be-
stimmen kann.
608
Insgesamt kann man sagen, dass die Prozesse der Or-
derausfhrung bestimmen, wo die Grenzen der Strategien auf der Buy-
Side verlaufen. Die Darstellung der Prozesse wirft aber mehr Fragen auf,
als diese Arbeit beantworten kann.
609

bereits so gro, dass es schwierig geworden ist, den richtigen Algorithmus auszu-
whlen. Da die Algorithmen als Geschftsgeheimnisse der Broker gelten, werden
sie auch dem Endkunden nicht offen gelegt, was die geringe Transparenz noch ver-
schrft. Vgl. Yang, Jiu (2006), S. 2. Anstatt sich auf einen Algorithmus festzulegen,
wre es also eine bessere Herangehensweise, einfach nur einen Broker auszuwh-
len, der die Auswahl entsprechend der Marktlage bernimmt. GSELL macht die An-
wendung von Algorithmic Trading schlielich vom notwendigen Betreuungsauf-
wand einer Order abhngig. Je niedriger der menschliche Betreuungsaufwand, de-
sto mehr kann ein computergesteuerter Algorithmus den Menschen bei der Order-
platzierung ersetzen. Je komplizierter eine Order ausfllt, desto hher ist ihr manu-
eller Betreuungsaufwand und desto weniger ist sie fr das Algorithmic Trading ge-
eignet. GSELL unterscheidet hier zwei Gruppen: High Touch Orders, mit hoher
Komplexitt und hohem Betreuungsaufwand, wie z.B. Finanztitel mit illiquiden
Mrkten, und Low Touch Orders, mit geringer Komplexitt und geringem Betreu-
ungsaufwand, wie z.B. Plain-Vanilla Orders in illiquiden Mrkten. Vgl. Gsell
(2006), S.8.
606 DOMOWITZ UND YEGERMAN zeigen dies am Beispiel einer speziellen Software zum
Echtzeitvergleich von Algorithmic Trading Strategien Trade Blotter. Vgl. Do-
mowitz, Yegerman (2005b).
607 Vgl. Domowitz, Yegerman (2005b), S. 10.
608 Vgl. Domowitz, Yegerman (2005b), S. 11.
609 Die Literatur zum Sell-Side Algorithmic Trading beschrnkt sich bisher auf die
Analyse des Orderflow der Brsen. Welcher Anteil des Orderflow von Computern
erzeugt wurde oder welcher auf Menschen zurckzufhren ist, lsst sich auf Ba-
sis von Orderbuchdaten aus der Pre-Trade Phase aber nicht beurteilen, weil der Ur-
sprung einer Order im Verborgenen bleibt. Mit Hilfe von Markierungen ist es nur
171
4 Buy-Side Algorithmic Trading
4 Buy-Side Algorithmic Trading
4.1 Einordnung in die Transaktionsprozesse
Wie das letzte Kapitel gezeigt hat, verfolgt Sell-Side Algorithmic Trading
das Ziel, eine Order mglichst unbemerkt an einer Brse zu platzieren,
ohne Market Impact zu verursachen. Aber wo kommt diese Order ber-
haupt her und welches ist das erste Glied in dieser langen Kette von Ent-
scheidungen?
Am Anfang der Transaktionsprozesse steht eine Investmententscheidung
ber Kauf oder Verkauf eines Wertpapiers. Die Entscheidung wird von
einem Investor getroffen, der sich dabei eines Software-Agenten als
Hilfsmittel bedienen kann. Der Investor, der eine Transaktion auslst (im
folgenden Initiator genannt), wird der Buy-Side zugeordnet.
mglich, Orderbuchdaten in manuelle und automatisch bermittelte Orders zu tren-
nen (z.B. mit dem ATP-Stempel in XETRA). Vgl. Prix, Huetl, Loistl (2008).
172
Abbildung 4.1: Einordnung von Buy-Side Algorithmic Trading in
Transaktionsprozesse
Informati ons-
phase
Informati ons-
phase
Orderrouti ng-
phase
Orderrouting-
phase
Abschluss-
phase
Abschl uss-
phase
Abwi ckl ungs-
phase
Abwicklungs-
phase
Buy-Si de
Al gori thmic Tradi ng
a) Pre-Trade Phase b) Post-Trade Phase
4 Buy-Side Algorithmic Trading
Der zusammengesetzte Begriff Buy-Side Algorithmic Trading bezeichnet
im Folgenden die untersttzende Verwendung von Software-Agenten, um
zu dieser Entscheidung zu kommen (Entscheidungsuntersttzung).
Buy-Side Algorithmic Trading kann man in der prozessorientierten Sicht
von PICOT, BORTENLNGER UND RHRL der Informationsphase zuordnen.
610
Das folgende Kapitel beschftigt sich also mit allen Prozessen, die zu Be-
ginn des Algorithmic Trading stattfinden. Hier kann man die Teilprozesse
der Informationsbeschaffung und der Informationsauswertung unter-
scheiden (siehe Abschnitt 2.1.3 , S. 51). Das Ergebnis der Transaktions-
prozesse in dieser Phase ist der Transaktionswunsch.
610 Siehe Picot, Bortenlnger, Rhrl (1996) und Abschnitt [Link] , S. 50, dieser
Arbeit.
173
Abbildung 4.2: Analyse von Buy-Side
Algorithmic Trading mittels Stufenmodell
Initiatoren
Initiatoren
Technische
Konzepte
Technische
Konzepte
Aktueller
Forschungs-
Stand
Handels-
strategien
Handels-
strategien
Lassen sich gemeinsame Eigenschaf ten ableiten?
Lassen sich gemeinsame Eigenschaf ten ableiten?
Wer
steuert die
Prozesse?
Analyse der
Prozesse
4 Buy-Side Algorithmic Trading
Das Ziel des folgenden Kapitels ist es, mit Hilfe der prozessorientierten
Sicht von PICOT, BORTENLNGER UND RHRL, qualitative Eigenschaften
von Buy-Side Algorithmic Trading zu finden, die sich in empirischen Da-
ten (z.B. Fondsrenditen) nachweisen lassen.
611
Dazu wird Buy-Side Algo-
rithmic Trading auf drei unterschiedlichen Stufen betrachtet (siehe Abbil-
dung 4.2, S. 173). Die dabei gewonnenen Erkenntnisse bilden die Basis
fr Kapitel 6, wo die Renditen hinsichtlich der hier gefundenen Eigen-
schaften untersucht werden. Zuerst werden die Initiatoren charakterisiert,
welche die Prozesse in der Informationsphase steuern. Auf der zweiten
Stufe werden technische Konzepte vorgestellt, die bisher in der Literatur
zur Beschreibung von Algorithmic Trading Software dienten. Auf der
dritten Stufe werden die Prozesse der Informationsbeschaffung und In-
formationsauswertung erlutert und es wird gezeigt, dass die Handelss-
trategien beide Prozesse dominieren.
4.2 Initiatoren von Algorithmic Trading
Wie das folgende Kapitel zeigt, ist der Hochfrequenzhandel ein Teilbe-
reich von Algorithmic Trading (siehe Abbildung 4.3, S. 175). ALDRIDGE
gliedert die Marktteilnehmer im Hochfrequenzhandel in Wettbewerber
(Competitors), Investoren, Anbieter von Services und Technologien (Ser-
vices and Technology Providers) und die Aufsichtsbehrden (Govern-
ment).
612
Die Wettbewerber bestehen aus Wertpapierhandelsfirmen, die
Marktineffizienzen ausnutzen, um Talente konkurrieren und einen Zu-
gang zu Handelskapital besitzen.
613
Das knnen Eigenhandelsabteilungen
von Investmentbanken, Hedgefonds oder unabhngige Trading Akteure
sein.
614
Die Investoren sind Marktteilnehmer, welche nach Mglichkeiten
suchen, ihre Portfolios zu diversifizieren oder ihr Kapital investieren
611 Siehe Picot, Bortenlnger, Rhrl (1996).
612 Vgl. Aldridge (2009), S. 26.
613 Vgl. Aldridge (2009), S. 26.
614 Vgl. Aldridge (2009), S. 26.
174
4 Buy-Side Algorithmic Trading
mchten.
615
Anbieter von Services und Technologien untersttzen den
Hochfrequenzhandel, indem sie grundlegende Funktionen fr die Markt-
teilnehmer bereit stellen.
616
Hierzu gehren, (1.) die elektronische Order-
ausfhrung, (2.) die Wertpapierverwahrung und das Clearing, (3.) die
Handels-Software und Algorithmen sowie (4.) eine juristische Beratung,
Buchhaltung und andere Services.
617
Die US-Finanz-Aufsichtsbehrden
berwachen den laufenden Handel, sofern eine Kontrolle beim Hochfre-
quenzhandel aufgrund der hohen Geschwindigkeiten berhaupt mglich
ist.
618

615 Vgl. Aldridge (2009), S. 26.
616 Vgl. Aldridge (2009), S. 26.
617 Vgl. Aldridge (2009), S. 26.
618 Vgl. Aldridge (2009), S. 26.
175
Abbildung 4.3: Gliederung der Akteure im Algorithmic Trading
(nach Aldridge (2009)
Competitors
Competitors
High
Frequency
Trading
High
Frequency
Trading
Government
Government
Algorithmic
Trading
Algorithmic
Trading
Investoren
Investoren
Service and
Technology
Providers
Service and
Technology
Providers
4 Buy-Side Algorithmic Trading
Die obige Gliederung der Akteure konzentriert sich nur auf einen Teilbe-
reich des Algorithmic Trading (den Hochfrequenzhandel). Andere For-
men von Algorithmic Trading werden dadurch nicht erfasst. Die Gliede-
rung ist nur auf die US-Finanzmrkte anwendbar. Sie umfasst alle Partei-
en, die am Hochfrequenzhandel mit Algorithmic Trading beteiligt sind.
Aus der Gliederung geht aber nicht hervor, wer als Erzeuger einer Order
(als ihr Initiator) in Frage kommt und wo die Transaktionsprozesse be-
ginnen. Diese Frage ist aber grundlegend, weil der Initiator die Prozesse
in der Algorithmic Trading Software steuert und darber ihre Renditen
bestimmt. Um diese Fragen zu beantworten, wird im Folgenden eine all-
gemeine Gliederung vorgeschlagen, die erstens fr alle Teilbereiche des
Algorithmic Trading anwendbar ist und sich zweitens nur auf die Erzeu-
gung von Orders konzentriert (siehe Abbildung Nr. 4.4, S. 176).
176
Abbildung 4.4: Initiatoren im Buy-Side Algorithmic Trading, die
Quelle einer Order
Market Maker,
Broker,
Broker-Dealer
Market Maker,
Broker,
Broker-Dealer
Hedge Fonds
Hedge Fonds
Quant Fonds
Quant Fonds
Investmentbanken
Investmentbanken
Privatanleger
Privatanleger
Buy-Side Sell-Side
Order-
platzierung
Order-
platzierung
4 Buy-Side Algorithmic Trading
Beim Initiator beginnen alle Transaktionsprozesse, die spter mit der
Ausfhrung/Abwicklung, Lschung oder Modifikation der Order enden.
Als Initiatoren im Algorithmic Trading kommen private Investoren und
professionelle (institutionelle) Finanzintermedire gleichermaen in Fra-
ge. Finanzintermedire sind Institutionen, die das Kapital von den Anle-
gern entgegen nehmen und an Kapitalnehmer weitergeben/investieren.
619
Finanzintermedire im engen Sinne lassen sich nach ihren Aufgaben in
Finanzgutachter, Finanzhndler oder Finanzauktionator unterschei-
den.
620
Die Initiatoren im Algorithmic Trading knnen daher den Finanz-
hndlern zugeordnet werden, weil sie zum Wertpapierhandel Computer-
software einsetzen. Hier gibt es Finanzhndler, die ber einen eigene In-
frastruktur zur Orderplatzierung verfgen (z.B. Investmentfonds, Hedge-
fonds, Banken, Broker, Broker-Dealer und Marktmacher) oder diejeni-
gen, die sich fr die Orderplatzierung der Zugnge anderer Finanzhnd-
ler (Marktmacher, Broker und Broker-Dealer, Privatanleger) bedienen
mssen (siehe Abbildung 4.4, S. 176).
621
619 Vgl. Hartmann-Wendels, Pfingsten und Weber (2004), S. 3.
620 Vgl. Hartmann-Wendels, Pfingsten und Weber (2004), S. 108.
621 Privatanleger verfgen ber geringere finanzielle Mittel als institutionelle Investo-
ren. Dadurch sind erstens ihre Investitionen in Hardware und Software begrenzt
und zweitens die Mittel geringer, die fr Spekulationen zur Verfgung stehen. Am-
bitionierte Privatanleger fhren hufige Transaktionen im Tagesverlauf durch und
haben dadurch den Begriff des Daytrading geprgt. (Als Daytrading beschreibt
man den hufigen Kauf- und Verkauf von Wertpapieren im Tagesverlauf, mit dem
Ziel aus den tglichen Kursschwankungen einen kurzfristigen Gewinn zu erwirt-
schaften. Vgl. Ryland (2003), S. 60.) Als Initiatoren kommen auch Investmentfonds
in Frage, die aktiv Computermodelle im Brsenhandel einsetzen und fr die sich
die Bezeichnung Quantitative Fonds (Quantfonds) durchgesetzt hat. Vgl. Biermann
(2007), S. 54. Ein in der Presse oft genanntes Beispiel fr Quantfonds ist beispiels-
weise das Handelssystem Chicco der Fondsgesellschaft Lingohr-Systematik-BB-In-
vest. Vgl. Lingohr & Partner (2009), S. 3ff. Es lassen sich nur spekulative Angaben
darber machen, welche Bedeutung Investmentbanken und Hedgefonds als Initiato-
ren besitzen. Einblicke in deren geschlossene Geschftswelt liefern nur Pressemit-
teilungen ber ihre technischen Infrastruktur, Stellenanzeigen oder Meldungen von
Kooperationspartnern. Fnftens kommen Marktmacher als Initiatoren in Frage. Sie
werden von einer Brse verpflichtet, permanent Geld- und Briefkurse zu stellen.
Die permanente Kursstellung wird durch automatische Quote Machines bernom-
177
4 Buy-Side Algorithmic Trading
4.3 Technik der Algorithmic Trading Software
4.3.1 Technische Konzepte fr Algorithmic Trading
[Link] berblick
Perspektive Konzept Inhalt
Praktiker, Laien Standard-Software
fr Algorithmic Trading
Software-Produkte fr Algorithmic
Trading auf dem freien Markt werden
nach gemeinsamen Eigenschaften
beurteilt.
Finanzwissenschaftler Black Box Systeme Komplexe Analyseprozesse werden
abstrakt dargestellt, weil, aufgrund der
Kultur der Geheimhaltung, keine
Informationen ber Algorithmic Trading
zu erhalten sind.
Informatiker, Praktiker CEP-Systeme Beschreibung von Systemen, die
Daten ohne Zwischenspeicherung
sofort auswerten.
Informatiker Neuronale Netze Beschreibung von komplexen
Systemen, die lernfhig sind und ihre
eigenen Fehler korrigieren knnen.
Tabelle 17: bersicht technischer Konzepte zur Beschreibung von
Algorithmic Trading
Um die Software-Programme fr Algorithmic Trading zu beschreiben,
werden in der Literatur unterschiedliche Konzepte angewendet (siehe Ta-
belle 17, S. 178). Wie die folgenden Abschnitte zeigen, interpretiert jedes
dieser Konzepte die Prozesse beim Algorithmic Trading anders. Arbeiten,
die sich an Praktiker und Laien wenden, versuchen, die Algorithmic Tra-
ding Software ber ihre historische Entwicklung oder Software Produkte
zu erklren.
622
Finanzwissenschaftler betrachten die Algorithmic Trading
men. Die sechste Gruppe bilden Broker und Broker-Dealer, die entweder mit der
Order-Platzierung und mit der Abwicklung von Transaktionen beauftragt werden
oder selbst Eigenhandel betreiben.
622 Vgl. u.a. Kendall (2007).
178
4 Buy-Side Algorithmic Trading
Software als Black Box Systeme und beschreiben die hier ablaufenden
Prozesse mit abstrakten Begriffen.
623
Informatiker sehen im Algorithmic
Trading neue Anwendungsbereiche fr CEP-Systeme oder neuronale
Netze.
624
Im Folgenden werden all diese Konzepte kurz vorgestellt. Dabei
wird deutlich, dass ein einheitliches Rahmenwerk fehlt, um diese Kon-
zepte unter einem Dach zu vereinigen. Ein solches Rahmenwerk ist aber
Voraussetzung, um die Prozesse zu analysieren.
[Link] Algorithmic Trading Standard-Software
ALDRIDGE versucht die vielen unterschiedlichen Software-Produkte fr
Algorithmic Trading in einer bersicht zu erfassen, welche die operati-
ven Modelle nach ihren Teilaufgaben strukturiert.
625
Sie konzentriert sich
dabei ausschlielich auf Software-Produkte fr den Hochfrequenzhandel.
623 Vgl. u.a. Aldridge (2009) und Narang (2009).
624 Vgl. u.a. Bates, Palmer (2006) oder Dempster, Jones (2001) fr neuronale Netze.
625 Vgl. Aldridge (2009), S. 26ff.
179
Abbildung 4.5: Workflow in der Runtime und Post-Trade Phase von
einer typischen High Frequency Strategie (Quelle: Aldridge 2009, S. 29)
1. Recei ve
and archi ve
real ti me-data
1. Recei ve
and archi ve
real ti me-data
2. Develop
buy and sel l
signal s from
model s
2. Devel op
buy and sell
si gnal s from
models
3. Keep track
of open posi ti ons
and the P&L
3. Keep track
of open positi ons
and the P&L
4. Managed
positi on ri sk
4. Managed
positi on ri sk
Runtime
Phase
5. Performance
evaluati on
5. Performance
evaluati on
6. Cost
esti mati on
6. Cost
esti mati on
Post-
Trade
Phase
4 Buy-Side Algorithmic Trading
Abbildung 4.5, S. 179, zeigt, welche Anforderungen (Aufgaben) ein Soft-
ware-System ihrer Meinung nach erfllen muss. Die Aufgaben lassen
sich in eine aktive Phase (Runtime Phase) und eine passive Auswertung
(Post-Trade Phase) untergliedern. Die Runtime Phase (auch Live Betrieb
genannt) bezeichnet den laufenden Betrieb einer Software im realen Br-
senhandel. Hier gibt es drei Funktionen: 1.) den Empfang von Echtzeit-
daten und deren Archivierung in Datenbanken, 2.) die Ableitung von
Kauf- und Verkaufs-Signalen aus diesen Daten mit Hilfe von Finanzmo-
dellen, 3.) die berwachung aller offenen Positionen sowie die Gewinn-
und Verlustentwicklung des Portfolios und 4.) das Risikomanagement.
626
Die Post-Trade Phase bezeichnet Auswertungen zur Leistungsfhigkeit
und zum Erfolg der Algorithmen aus dem Live-Betrieb. Dies betrifft vor
allem eine bersicht ber die Transaktionskosten, die durch den Betrieb
der Software entstanden sind.
Wie die Autorin darstellt, verlangt die hohe technische Abhngigkeit aller
Formen des Hochfrequenzhandels eine permanente, technische Pflege
dieser Systeme.
627
Die Software-Programme mssen gegen Stromausfall,
Daten- oder Festplattenfehler, Computerviren oder Programmierfehler
geschtzt werden.
628
Die technischen Mglichkeiten und Daten fr Hoch-
frequenzhandel standen erst am Ende der 1980er zu Beginn der 1990er
Jahre zur Verfgung und hat ihrer Meinung nach die Entstehung dieser
Strategien stark geprgt.
629

626 Dies erfolgt ber eine besondere Software-Schnittstelle, mit der die Daten
aufgefangen und decodiert werden (Application Program Interface, API). Vgl.
Aldridge (2009), S. 29.
627 Vgl. Aldridge (2009), S. 5.
628 Vgl. Aldridge (2009), S. 5.
629 Vgl. Aldridge (2009), S. 9.
180
4 Buy-Side Algorithmic Trading
[Link] CEP-Systeme
Der Sammelbegriff Complex Event Processing (CEP) beschreibt Werk-
zeuge, Methoden und Techniken, um Ereignisse kontinuierlich und zeit-
nah zu verarbeiten, noch whrend sie passieren.
630
Die Anwendungsge-
biete von CEP liegen in der berwachung von Geschftsprozessen und
unternehmenskritischen Ressourcen (Business Activity Monitoring), im
Sammeln von Messwerten aus der Auenwelt (Sensor Netzwerke), z.B.
bei industriellen Anlagen oder Rauchmeldern, oder in der sofortigen Aus-
wertung von Finanzmarktdaten (beim Algorithmic Trading oder Risiko-
management).
631
CEP-Systeme lassen sich sowohl beim Smart Order
630 Vgl. Eckert, Bry (2009), S. 1.
631 Wie ECKERT UND BRY darstellen sind die zu erkennenden Informationen in CEP-
Systemen ber mehrere Ereignisse verteilt. CEP-Systeme haben die Aufgabe diese
181
Abbildung 4.6: Mglicher Einsatz von CEP-Systemen zur
Ordererzeugung im Algorithmic Trading
Methoden zur
Inf ormations- Bewertung
Endogene oder
Exogene
Marktdaten
Endogene oder
Exogene
Marktdaten
Pre-Trade
Anal yse
Pre-Trade
Anal yse
Transakti ons-
wunsch
Transakti ons-
wunsch
Zwi schen-
Spei cherung
In Datenbank
Post-Trade
Anal yse
Post-Trade
Anal yse
Anpassung
von Al gorithmen
Anpassung
von Al gori thmen
CEP-System
Untersttzende
Strukturen
4 Buy-Side Algorithmic Trading
Routing als auch beim Sell-Side Algorithmic Trading einsetzen, um den
optimalen Transaktionszeitpunkt und -preis aus einer sich kontinuierlich
verndernden Marktlage abzuleiten.
632

Die Verwendung von CEP-Systemen fr Buy-Side Algorithmic Trading
ist noch nicht belegt. Theoretisch lassen sie sich so nutzen, dass die Algo-
rithmen Mustererkennung in endogenen oder exogenen Marktdaten be-
treiben (Abbildung Nr. 4.6, S. 181).
633
Wie in der Abbildung dargestellt,
werten CEP-Systeme hier einen kontinuierlichen Strom von Marktdaten
mit Hilfe von vordefinierten Algorithmen aus der Pre-Trade Analyse aus,
um daraus einen Transaktionswunsch abzuleiten. Die Auswertung erfolgt
auf dem Datenstrom, bevor eine Zwischenspeicherung in Datenbanken
stattfindet. Diese hat den Vorteil, dass die Analyse-Ergebnisse unmittel-
bar nach dem Eintreffen der Daten zur Verfgung stehen. Die Rechen-
leistung der Computer (und damit die Rechenzeit) wird so fr den wichti-
gen Analyseprozess aufgespart und nicht bei der Bearbeitung von Daten-
banken konsumiert.
Informationen einzusammeln und Zusammenhnge dazwischen herstellen. Dabei
ist zu unterscheiden, ob die Muster der komplexen Ereignisse a priori bereits be-
kannt sind oder bisher unbekannte Muster aufgedeckt werden sollen. Wenn die
Muster im Vorfeld bekannt sind, dienen spezielle Ereignis-Anfrage-Sprachen
dazu, die Ereignisse effizient zu [Link] die Muster unbekannt werden CEP-
Systeme mit den Methoden des maschinellen Lernens und Data Mining kombiniert.
Vgl. Eckert, Bry (2009), S. 1-2.
632 Vgl. Bates, Palmer (2006), S. 6.
633 LIEBHART ET AL. Definieren CEP-Systeme als einen Zweig der ESP-Technologie
(Event Stream Processing, ESP). Darunter sind Systeme zu verstehen, die eine
groe Anzahl von Ereignissen auswerten und mittels Filtern und anderen Verarbei-
tungsstufen die relevanten Informationen herausfinden. Das Einzelereignis verliert
so an Bedeutung, whrend der Ereignisfluss an Bedeutung gewinnt. Vgl. Liebhart
et al. (2008), S. 44. Der Fokus von CEP-Systemen liegt nach Meinung der Autoren
...im Aufspren von Mustern unter einer Vielzahl von Ereignissen, sowie deren
Nachrichteninhalten, die auch ber verschiedene Datenstrme verteilt sein kn-
nen. Liebhart et al. (2008), S. 45.
182
4 Buy-Side Algorithmic Trading
[Link] Black Box Systeme
Die Funktionsweise von Black Box Systemen liegt, wie der Name schon
sagt, im Verborgenen. In der Literatur dazu gibt es dazu weder eine ein-
heitliche Definition noch besteht Einigkeit ber die Prozesse, die hier ab-
laufen. Deshalb werden in diesem Konzept nur abstrakte Begriffe ver-
wendet. ALDRIDGE erklrt die Bestandteile von Black Box Systemen am
Beispiel des Hochfrequenzhandels.
634
Ihrer Meinung nach bestehen sie
aus sieben Komponenten: (1.) einem Modul, um Handelssignale zu gene-
rieren und die Portfolio-Positionen zu berwachen (Computerized Gen-
eration of Trading Signals), (2.) Wissenschaftlicher Software fr compu-
tergesttzte Analyse und finanzielle Modellierung (Computer Aided Ana-
lysis), (3.) einem Modul zur Informationssammlung und Recherche (In-
634 Vgl. Aldridge (2009), S. 25f.
183
Abbildung 4.7: Schematische Darstellung einer quantitativen
Handelsstrategie einer Black Box (Quelle: Narang (2009), S. 78)
Alpha
Models
Alpha
Models
Risk Models
Risk Models
Transaction
Cost Models
Transaction
Cost Models
Portf olio Construction Models
Portf olio Construction Models
Execution Models
Execution Models
Data
Data
B
l
a
c
k

B
o
x

4 Buy-Side Algorithmic Trading
ternet-Wide Information Gathering), (4.) einer Handelssoftware zur opti-
malen Orderausfhrung (Trading Software), (5.) einem Risikomanage-
ment-Modul, das die Einhaltung von standardisierten Parametern und
Verluste und Gewinne berwacht (Runtime Risk Management), (6.) mo-
bilen Applikationen mit denen die Entwickler die Funktionsweise der
Software permanent berwachen knnen und (7.) der Einbindung exter-
ner Forschung zur erweiterten Information und Vorhersage.
635
Wie die
Autorin darstellt, knnen Teile dieser Systeme vorgefertigt werden.
636

NARANG verfolgt eine prozessorientierte Sicht zur Erklrung von Black
Box Systemen.
637
Er beschreibt eine Black Box als ein System (aus der Fi-
nanzwelt), bei dem Input-Daten und Output-Daten bekannt sind, aber die
inneren Funktionen (meist aus dem Bereich der Quantitative Finance
638
)
Geschftsgeheimnisse bleiben (siehe Abbildung 4.7, S. 183).
639
Die Al-
pha-Modelle (Alpha Models) stehen fr diejenigen Prozesse innerhalb
der Software, die Vorhersagen ber die Kursentwicklung treffen (z.B. ein
Algorithmus zur Mustererkennung).
640
Aufgabe der Transaktionskosten-
modelle (Transaction Cost Models) ist es nicht, die Kosten des Trading
zu minimieren, sondern das Portfolio-Konstruktions-Modell (Portfolio
Construction Model) anzuweisen, wie das geplante Portfolio zu gegebe-
nen Kosten erreicht werden kann.
641
Das Risikomanagement (Risk Mo-
del) soll Transparenz darber schaffen, welcher Teil des Portfolios, wel-
chen Risiken ausgesetzt ist.
642
Die Empfehlungen dieser einzelnen Mo-
delle laufen im Portfolio-Konstruktions-Modell (Portfolio Construction
Model) zusammen.
643
Man unterscheidet hier heuristische Modelle, wel-
635 Vgl. Aldridge (2009), S. 25f.
636 Vgl. Aldridge (2009), S. 25f.
637 Vgl. Narang (2009), S. 12.
638 Fr eine Erklrung des Begriffes Quantitative Finance siehe Abschnitt [Link] , S.
200, dieser Arbeit.
639 Vgl. Narang (2009), S. 12.
640 Vgl. Narang (2009), S. 21ff.
641 Vgl. Narang (2009), S. 67ff.
642 Vgl. Narang (2009), S. 55ff.
643 Vgl. Narang (2009), S. 79ff.
184
4 Buy-Side Algorithmic Trading
che das Portfolio auf Basis von (menschlichen) Erfahrungen steuern und
regelbasierte Modelle, welche ein effizientes Portfolio anstreben.
644
Die
Execution Models entsprechen dem Sell-Side Algorithmic Trading, sie
setzen die Transaktionswnsche der Buy-Side um.
645
[Link] Neuronale Netze
Unter neuronalen Netzen (NN) versteht man allgemein Systeme, die dem
menschlichen Gehirn nachempfunden sind.
646
Sie bilden einen knstli-
chen Organismus, der selbststndig denken und lernen kann. Wie das
menschliche Gehirn, mssen NN dazu erst mit Informationen (z.B.
Marktdaten) trainiert werden, bevor sie ihre volle Leistungsfhigkeit er-
reichen.
647
Im Algorithmic Trading geht es darum, mit Hilfe von NN Ein-
und Ausstiegssignale, Kauf- oder Verkaufs-Befehle aus endogenen oder
exogenen Marktdaten abzuleiten.
648
Neuronale Netze werden in der Li-
teratur in Verbindung mit Fuzzy Logic und Genetischen
Algorithmen genannt.
649
Alle drei Begriffe zusammen beschreiben das
Forschungsgebiet des Soft Computing. Die Anwendungsgebiete des Soft
Computing in Bankprozessen reichen von der Optionspreisbewertung, bis
hin zu Bond-Ratings und zur Portfolio-Konstruktion.
650

644 Vgl. Narang (2009), S. 79ff.
645 Vgl. Narang (2009), S. 99ff.
646 Vgl. Schmidt (1999), S. 130.
647 Vgl. Yao, Tan (2001), S. 757f.
648 Fr eine Anwendung von NN im Algorithmic Trading siehe z.B. Nagaya, Chenli,
Hasegawa (2005).
649 Vgl. dazu u.a. Lippe (2006), sowie Fortuna, Rizzotto, Lavorgna, Nunnari, Xibilia,
Caponetto (2005).
650 Vgl. Shapiro (2003), S.11ff.
185
4 Buy-Side Algorithmic Trading
Wenn Soft Computing im Finanzbereich angewendet wird, dienen neuro-
nale Netze zur Vorhersage von Zeitreihendaten, indem die Netze automa-
tisch lernen, Kurven zu optimieren (Curve Fitting).
651
Ihre Funktionswei-
se kann auf drei einfache Grundprinzipien reduziert werden: Informatio-
nen werden erst gelernt, dann abgespeichert und dann fr die Optimie-
rung und Prognosen benutzt.
652
Man unterscheidet zwei Varianten von
Neuronalen Netzen: Supervised
653
NN und Un-Supervised
654
NN, je nach-
dem, ob Input- und Outputdaten bekannt sind.
655
Abbildung 4.8, S. 187,
zeigt die Funktionsweise eines Supervised NN.
651 Vgl. Shapiro (2003), S. 2.
652 Vgl. Shapiro (2003), S. 2.
653 Bei Supervised NN sind Input und Output bekannt und es wird versucht, eine sinn-
volle Beziehung zwischen beiden herzustellen. Die Verbindung zwischen Input und
Output wird ber sogenannte Neuronen hergestellt. Die Idee dahinter ist, dass ein
NN auch diejenigen Faktoren indirekt erfassen kann, die man entweder nicht kennt
oder nur schwer operationalisieren kann. Der Prozess beginnt mit zufllig bestimm-
ten Gewichten aller Neuronen im NN. Das NN versucht dann diese solange zu jus-
tieren, bis ein sinnvoller Zusammenhang mit den Output Daten hergestellt werden
konnte. Da der Informationsfluss vom Input zum Output erfolgt, nennt man diese
NN auch Feed Forward Network. Vgl. Shapiro (2003), S. 2ff.
654 Bei Un-Supervised NN ist der Output unbekannt. Fr eine Prognose stehen also
ausschlielich die Input-Daten zur Verfgung. KOHONEN stellte dazu 1988 die Self
Organizing Feature Map (SOFM) vor. Dies ist ein sich selbst organisierendes Sys-
tem fr die Verarbeitung komplexer Daten, dass sich am menschlichen Gehirn ori-
entiert. Beim sogenannten Mapping werden Informationen nicht zentral gespei-
chert, sondern ber Schlsselpunkt miteinander in Beziehung gesetzt. Die Idee hin-
ter einer SOFM besteht darin, den fehlenden Output ber wiederkehrendes Map-
ping vorhersagen zu [Link] die Neuronen in unterschiedlichen Ebenen an-
zuordnen, werden im Un-Supervised NN die Neuronen direkt mit den Input-Daten
verknpft, die Verbindungen zwischen Input und Kohonen Matrix (Kohonen Layer)
sind mit individuellen Gewichten belegt. Das Trainieren des Kohonen-Netzwerks
erfolgt ber eine Vielzahl von Iterationen und Muster die als Vektoren codiert sind.
Solche vorgegebenen Muster knnen z.B. aus der Beziehung zwischen Preis, Volu-
mendaten und Marktindizes bestehen. Vgl. Shapiro (2003), S. 2ff und Kohonen
(1988).
655 Vgl. Lippe (2006), S. 56.
186
4 Buy-Side Algorithmic Trading
Genetische Algorithmen dienen der Informationssuche nach Zufallsprin-
zipien und der Optimierung dieser Suchmethoden.
656
Sie verfolgen die
Hypothese, dass in einem groen Zustandsraum eine unbestimmbare
Menge von Lsungen existieren, die einem Untersuchungs-Kriterium
(hier die bereinstimmung von Fitness-Wert und Fitness Funktion) ent-
sprechen.
657
Mit Hilfe genetischer Algorithmen knnen die besten Such-
ergebnisse dazu genutzt werden, um die Suchroutinen zu verbessern und
den Suchort einzugrenzen.
658
Die schwchsten Suchergebnisse werden
vernachlssigt.
659
SHAPIRO bezeichnet dieses Vorgehen als: ...automated,
intelligent approach to trial and error..
660

Die Fuzzy Logic beschreibt schlielich Methoden, mit denen man Pro-
gnosen selbst unter unsicheren Bedingungen abgeben kann.
661
Die Fuzzy
Methoden sind Bestandteil des Forschungsgebietes der Entscheidungs-
656 Vgl. Lippe (2006), S. 368ff.
657 Vgl. Shapiro (2003), S. 6.
658 Vgl. Shapiro (2003), S. 6.
659 Vgl. Shapiro (2003), S. 6.
660 Vgl. Shapiro (2003), S. 6.
661 Vgl. Lippe (2006), S. 296.
187
Abbildung 4.8: Beispiel fr ein Supervised NN (Quelle: Shapiro
(2003), S. 3).
4 Buy-Side Algorithmic Trading
theorie. SHAPIRO zeigt die Fuzzy Logic am Beispiel der FIS-Methode
(Fuzzy Inference System).
662
Die Idee dahinter ist die Transformation von
unsicheren (Fuzzy-)Daten in ein beherrschbares Datenformat.
Die Pflege und Weiterentwicklung von NN, von Genetischer Algorith-
men oder von Fuzzy-Systemen bindet sehr viele Ressourcen und Mitar-
beiter, so dass die Programmierung eines solchen Systems sehr teuer
werden kann.
663
Dies knnte erklren, warum NN bisher nur im akademi-
schen Bereichen dokumentiert sind, aber praktische Anwendungsbeispie-
le bislang fehlen. CHAN, WONG UND LAM benutzen beispielsweise ein drei-
stufiges Neuronales Netz, um die Aktienkurse auf Basis von historischen
Daten vorherzusagen.
664
Basis ihres Modells ist ein lernender Algorith-
mus (Conjugate Gradient Learning Algorithm) und eine multiple lineare
Regression, die mit Gewichten initialisiert wird.
665
Die Regression nutzt
10 unterschiedliche Varianten des Exponential Moving Average (EMA)
als unabhngige Faktoren.
666
Der Lernalgorithmus hilft dabei, das Modell
in mehreren Durchlufen zu trainieren.
667

662 Vgl. Shapiro (2003), S. 5 f und S. 20 Funote 3.
663 Zu den Kosten von Software-Programmierung vgl. Jalote (2005), S. 4.
664 Vgl. Chan, Wong, Lam (2000), S. 2ff.
665 Vgl. Chan, Wong, Lam (2000), S. 2ff.
666 Vgl. Chan, Wong, Lam (2000), S. 4.
667 Vgl. Chan, Wong, Lam (2000), S. 2.
188
4 Buy-Side Algorithmic Trading
[Link] Zusammenfassung
Mit den drei vorgestellten Konzepten versucht man, die Prozesse, die
beim Algorithmic Trading ablaufen, vereinfacht darzustellen. Mit jedem
Konzept werden aber nur bestimmte Formen von Algorithmic Trading
betrachtet, so dass sich kein einheitliches Bild der Prozesse ergibt. Mit
dem Konzept der Black Box Systeme werden die Prozesse beim Algorith-
mic Trading berhaupt nicht erlutert, sondern nur abstrakten Begriffen
aus der Finanzwissenschaft zugeordnet. Dieses Konzept ist ungenau, weil
es nicht aussagt, welche Formen von Algorithmic Trading damit be-
schrieben werden. Mit dem Konzept der CEP-Systeme werden nur Soft-
wareprogramme beschrieben, deren Analyseprozesse in Echtzeit ablaufen
und die nicht mehr auf Datenbanken angewiesen sind. Mit dem Konzept
der neuronalen Netze betrachtet man nur lernfhige Softwareprogramme,
die sehr komplexe Methoden zur Datenanalyse einsetzen. ber diese drei
Konzepte hinaus, werden, im Zusammenhang mit Algorithmic Trading,
hufig Begriffe wie z.B. mechanische Handelsregeln, Program Trading
oder Position Management verwendet, um die Prozesse zu beschrei-
ben.
668
Diese Begriffe sind aber ber die gesamte Literatur verstreut
und stehen in keinem erkennbaren Kontext zueinander.
Mit den bestehenden Konzepten lassen sich die Prozesse, die beim Algo-
rithmic Trading ablaufen, also nicht ordnen. Es fehlt eine allgemeine,
funktionale bersicht von Algorithmic Trading Software, als Grundlage
fr eine Analyse der Prozesse. Im folgenden Abschnitt wird, unter Ver-
wendung des Paradigmas der Software-Agenten, eine neue Gliederung
fr Buy-Side Algorithmic Trading Software vorgeschlagen. Diese Gliede-
rung kann als Diskussionsgrundlage dienen, um ein einheitliches Rah-
menwerk zu schaffen.
668 Vgl. z.B. Aldridge (2009), S. 21, Cordero (2010), S. 23, Kendall (2007), S. 10ff fr
die Verwendung der Begriffe.
189
4 Buy-Side Algorithmic Trading
4.3.2 Interpretation als Software-Agenten
[Link] berblick
Die Software-Programme fr Buy-Side Algorithmic Trading dienen allge-
mein der Informationsbewertung von Marktdaten, um einen Transakti-
onswunsch daraus abzuleiten. Die Automatisierung der Transaktionspro-
zesse bestimmt, wie viel Zeit fr die Informationsphase zur Verfgung
steht und welche Art von Software notwendig ist, um die Prozesse in der
angegebenen Zeit zu bewltigen. In Abschnitt 2.3 , S. 96, wurde dazu die
Hypothese aufgestellt, dass die selbststndigen Software-Programme, die
im Algorithmic Trading eingesetzt werden, Software-Agenten sind.
Im Folgenden wird die Annahme getroffen, dass sich beim Buy-Side Al-
gorithmic Trading drei Agenten-Typen unterscheiden lassen (siehe Abbil-
dung 4.9, S. 191 und Tabelle 18, S. 192). Die Software-Agenten knnen
ausschlielich informative Wirkung haben, indem sie Kauf- und Ver-
kaufssignale generieren und dem Investor auf einem Bildschirm anzeigen
(Agenten-Typ 1). Software-Agenten knnen Datenstrme vollautomatisch
auswerten, Orders generieren und ohne menschliche Eingriffe an die
Software-Agenten der Sell-Side weiterleiten (Agenten-Typ 2). Die Soft-
ware-Agenten knnen nicht nur Datenstrme vollautomatisch auswerten
und Orders generieren, sondern auch aus ihren Fehlern lernen und ihre
eigene Leistungsfhigkeit optimieren (Agenten-Typ 3).
190
4 Buy-Side Algorithmic Trading
191
Abbildung 4.9: Entwicklungsstufen von Software-Agenten beim
Algorithmic Trading auf der Buy-Side
Benutzung
von Echtzei t-
Daten-
strmen
Benutzung
von Echtzei t-
Daten-
strmen
Daten-
banken
Ebene der
Software-Agenten
Ebene der
Software-Agenten
Agenten-Typ 1:
Systeme zur
Si gnal erkennung
und Alarmi erung
Agenten-Typ 2:
Software zum -
vol l automatischen
Trading
Agenten-Typ 3:
Lernfhi ge Systeme
die sich sel bst
opti mi eren
Trans-
aktions-
wunsch
Trans-
aktions-
wunsch
Agenten der
Sell-Side
Automati sche
Orderpl atzi erung
Agenten der
Sell-Side
Automati sche
Orderpl atzierung
Aggregati on
von Daten
(Matlab, R...)
Aggregati on
von Daten
(Matl ab, R...)
4 Buy-Side Algorithmic Trading
Eigenschaften der
Software-Agenten
Agenten-Typ 1 Agenten-Typ 2 Agenten-Typ 3
Autonomie
Aufgaben sind auf
komplexe Datenana-
lyse
beschrnkt
Software bernimmt
alle technischen
Aufgaben der
Initiatoren
Wie Typ 2 +
Software soll aus
eigenen Fehlern
lernen.
Soziales Verhalten
Liegt nur dann vor,
wenn Software-
Agenten, die Aggre-
gation der Marktda-
ten auf der Vorstufe
bernehmen
Liegt nur dann vor, wenn eine
Kommunikation mit anderen Software-
Agenten aus vor- und nachgelagerten
Prozessen stattfindet. Fr eine Interaktion
mit dem Benutzer ist keine Zeit mehr.
Reaktionsfhigkeit
Agent fordert den Be-
nutzer auf, sein Ver-
halten zu ndern
oder die Entschei-
dungsparameter an-
zupassen.
Programm reagiert
selbststndig auf
nderungen in den
Marktdaten
Wie Typ 2 +
ergnzt durch
Lernfhigkeit
Zielorientierung
Ziel ist die visuelle
Darstellung des
Transaktions-
wunsches
Ziel ist die
automatische
bermittlung des
Transaktionswunsches
Wie Typ 2 +
Korrektur eigener
Fehler.
Persistenz
Liegt nur dann vor, wenn eigenstndige Software-Programme
immer wiederkehrende Aufgaben bernehmen.
Adaptivitt
Liegt nur dann vor, wenn das Software-
Programm ber entsprechende
Anpassungsmechanismen verfgt.
Idealdefinition.
Charakter
Optional
Flexibilitt
Anpassung der
Datenanalyse
Umfangreiche
Transaktionsprozesse
betroffen
Mobilitt
Plattformunabhngige Programmierung der Software.
Tabelle 18: Eigenschaften von Software-Agenten und Zuordnung im
Algorithmic Trading (Buy Side)
192
4 Buy-Side Algorithmic Trading
[Link] Systeme zur Signalerkennung und Alarmierung
Der Agenten-Typ 1 analysiert Marktdaten, um daraus selbststndig eine
Investitionsentscheidung oder einen Transaktionswunsch abzuleiten. Die
Marktdaten knnen aus Echtzeitdatenstrmen stammen oder aus Daten-
banken
669
abgerufen werden oder knnen bereits mehrere Aggregations-
stufen in anderen Software-Programmen durchlaufen haben. Die Klassi-
fikation als Software-Agent ist aber nur dann zutreffend, wenn diese Da-
tenaggregation durch andere Software-Agenten bernommen wird. Fr
die Aggregation oder Bereinigung der Daten kommen sonst wissen-
schaftliche Software (z.B. Matlab
670
) oder Standardprogramme (z.B. EX-
CEL
671
) in Frage. Der Transaktionswunsch wird dem Investor auf dem
Bildschirm angezeigt. Der Investor hat dann die Wahl, ob er dieser Emp-
669 Datenbanken dienen allgemein dazu, verteilte Daten zu konzentrieren, in logischen
Zusammenhngen abzuspeichern und zu verwalten. Zur Beschreibung von Daten-
banken vgl. Schubert (2007).
670 Wissenschaftliche Analyseprogramme (z.B. Matlab, Mathematika, R, SPSS) sind
fester Bestandteil von Bankprozessen und werden z.B. fr Risikomanagement oder
Zeitreihenanalyse von Kursdaten verwendet. Viele dieser Programme verfgen ber
vorbereitete Schnittstellen zu Standard-Datenbanken oder Datei-Importe, um die
Arbeit mit groen Datenmengen zu erleichtern.
671 EXCEL ist fester Bestandteil des MS Office Pakets von Microsoft und auf fast je-
dem Computer zu finden, der auch Windows als Betriebssystem hat. EXCEL kann
ber eine interne Schnittstellen (DDE-Interface) mit anderen Windows-Program-
men, dem Internet, einem Intranet etc. vernetzt oder ferngesteuert werden. Die mit
EXCEL verbundene Programmiersprache Visual Basic (VB) stellt weitere Funktio-
nen zur Verfgung, die es zur Programmierung von Software-Agenten attraktiv ma-
chen. VB ist eine auf dem Windows Betriebssystem aufgebaute Programmierspra-
che (siehe auch .NET Programmierung). ber die DDE-Schnittstelle werden z.B.
Kursdaten von Daten-Vendoren in Echtzeit EXCEL importiert. Mit Hilfe von VB-
Skripten knnen diese Kursdaten dann ausgewertet und Kauf- und Verkaufssignale
abgeleitet. Diese Signalen werden in Kursgrafiken markiert oder der Anleger per
Bildschirmanzeige alarmiert. Der Investor sieht die Kauf- und Verkaufssignale auf
seinem Monitor und kann darauf reagieren, indem er z.B. seinen Broker anruft. Al-
ternativ kann EXCEL auch automatische Orders ber die DDE-Schnittstelle ber-
mitteln.
193
4 Buy-Side Algorithmic Trading
fehlung folgt, oder nicht. Der Agenten-Typ 1 ist dann die geeignete Form
fr Algorithmic Trading, wenn fr die Informationsbeschaffung und -aus-
wertung viel Zeit zur Verfgung steht und die Transaktionsprozesse nicht
vollautomatisch per STP durchlaufen werden mssen.
Man knnte argumentieren, das die allgemeinen Eigenschaften der Soft-
ware-Agenten fr diesen speziellen Typ nicht erfllt sind, weil die Aufga-
ben der Agenten zu einfach sind, weil die Kommunikation mit dem Be-
nutzer auf Bildschirmdarstellung beschrnkt ist und weil keine automati-
schen Orders erzeugt werden. Diesen Argumenten kann man entgegnen,
dass der Agenten-Typ 1 nur die Entscheidung zur Umsetzung des Trans-
aktionswunsches dem Investor berlsst. Die Software bernimmt aber
kritische Analyseprozesse, kommuniziert selbststndig mit Software-Pro-
grammen, welche Marktdaten verwalten, und formuliert den Transakti-
onswunsch auch selbststndig.
[Link] Software-Agenten zum vollautomatischen Trading
Der Agenten-Typ 2 analysiert ebenfalls Marktdaten, um daraus selbst-
stndig eine Investitionsentscheidung/ Transaktionswunsch abzuleiten.
Im Gegensatz zu Typ 1 berlsst er die Entscheidung diesen Transakti-
onswunsch auszufhren aber nicht mehr dem Investor/Broker, sondern
bermittelt die Kauf- oder Verkaufsentscheidung gleich selbst an die
Software-Agenten der Sell-Side. Der Agenten-Typ 2 ist dann die geeigne-
te Form fr Algorithmic Trading, wenn fr die Informationsbeschaffung
und -auswertung nur wenig Zeit zur Verfgung steht und die Transakti-
onsprozesse einen hohen Grad an STP anstreben. Der Mensch ist bei die-
ser Form von Algorithmic Trading nicht mehr an den Transaktionsprozes-
sen beteiligt, so dass eine hohe Reaktionsgeschwindigkeit realisierbar ist.
194
4 Buy-Side Algorithmic Trading
Man knnte bei diesem Typ wiederum argumentieren, dass die Eigen-
schaften der Software-Agenten nicht erfllt werden, weil der Benutzer
nur ber die laufenden Prozesse informiert wird und nicht in die Software
eingreift (Soziales Verhalten). Diesem Argument knnte man aber ent-
gegnen, dass besonders Typ 2, zur Erfllung seiner Aufgaben, selbststn-
dig mit anderen Software-Programmen kommunizieren muss, weil keine
Zeit mehr fr menschliche Entscheidungsprozesse vorgesehen ist.
[Link] Lernfhige Software-Agenten
Der Agenten-Typ 3 analysiert genauso wie die vorherigen Typen Markt-
daten, die aus Echtzeitdatenstrmen, Datenbanken stammen oder in ag-
gregierter Form zugefhrt werden. Dieser Typ trifft die Investmentent-
scheidung selbststndig und bermittelt sie, ohne Medienbrche und
menschliche Eingriffe, an die Software-Agenten der Sell-Side. Im Gegen-
satz zu Typ 2 sind diese Software-Agenten aber in der Lage, ihre eigenen
Handlungen zu protokollieren, zu analysieren und aus ihren eigenen Feh-
lern zu lernen. Der Agenten-Typ 3 verfolgt die implizite Annahme, dass
die Anpassung und Weiterentwicklung der Computerprogramme autono-
me Prozesse sind, die durch menschliche Eingriffe behindert werden.
Dieser Typ ist dann die geeignete Form fr Algorithmic Trading, wenn
nur wenig Zeit in der Informationsphase zur Verfgung steht und wenn
die Software-Systeme, z.B. aufgrund schlechter Datenlage, permanent
dazu lernen mssen. Eine Diskussion dieses Agenten-Typen erbrigt
sich, weil seine Eigenschaften der Idealdefinition von Software-Agenten
entsprechen.
195
4 Buy-Side Algorithmic Trading
[Link] Zusammenfassung
Die hier vorgeschlagene Gliederung der Software-Agenten beim Algo-
rithmic Trading bildet eine Grundlage fr die Analyse der Prozesse im
folgenden Abschnitt. Die technischen Konzepte lassen sich in diese neue
Gliederung einordnen und die Prozesse, die beim Algorithmic Trading
stattfinden, knnen strukturiert werden (siehe Abschnitt 4.4 , S. 197).
Der Agenten-Typ 1 besteht aus Software-Programmen die ausschlielich
Kauf- und Verkaufsempfehlungen generieren und dem Finanzhndler
Alarmsignale mitteilen. Dem Agenten-Typ 2 lassen sich Standard-Soft-
ware, Black Box Systeme und CEP-Systeme zuordnen. Der Agenten-Typ
3 findet sich in der Realisierung von neuronalen Netzen wieder.
Insgesamt muss man aber feststellen, dass sich die Interpretation von Al-
gorithmic Trading Programmen als Software-Agenten noch nicht eindeu-
tig beweisen lsst. Die Zuordnung der Eigenschaften zu den Agenten-Ty-
pen 1 und 2 gibt Anlass zu Diskussionen. Denn es fehlt ein Rahmenwerk,
aus dem die technischen Eigenschaften von Algorithmic Trading Softwa-
re eindeutig hervorgehen. Die oben stehende Gliederung von Software-
Agenten ist jedoch unbedingt notwendig, um einen berblick ber die
Prozesse beim Algorithmic Trading zu gewinnen. Nur so lassen sich alle
technischen Konzepte und Begriffe zur Beschreibung von Algorithmic
Trading Software zusammenfhren, die bisher in der Literatur genannt
wurden.
196
4 Buy-Side Algorithmic Trading
4.4 Prozesse innerhalb der Software
4.4.1 Informationsbeschaffung und -bereitstellung
Auf der Grundlage der drei genannten Typen von Software-Agenten kann
man die Teilprozesse, die beim Algorithmic Trading ablaufen, nun struk-
turieren und die Begriffe, die zu deren Beschreibung, bisher ohne sicht-
bare Ordnung, verwendet werden, in Beziehung zueinander setzen.
197
Abbildung 4.10: Einfluss der Handelsstrategien auf die
Informationsbeschaffung
Art der
Marktdaten
Art der
Marktdaten
Komplexitt der
Marktdaten
Komplexitt der
Marktdaten
Methode zur
Inf ormations-
bew ertung
Methode zur
Inf ormations-
bew ertung
bestimmt
bestimmt
Handelsstrategie
Handelsstrategie
bestimmt
bestimmt
Menge von
Marktdaten
Menge von
Marktdaten
4 Buy-Side Algorithmic Trading
Zunchst kann man, mit den Erkenntnissen aus Abschnitt [Link] , S. 52,
die Teilprozesse der Informationsbeschaffung und -bereitstellung wie
folgt darstellen (siehe Abbildung 4.10, S. 197). Diese Teilprozesse dienen
dazu, endogene und exogene Marktdaten einzusammeln und so aufzube-
reiten, dass daraus eine Kauf- oder Verkaufsentscheidung abgeleitet wer-
den kann. Die Handelsstrategie des Investors bestimmt die Methode zur
Informationsauswertung. Die Methode zur Informationsauswertung er-
fordert wiederum Marktdaten mit bestimmten Eigenschaften.
Diese Anforderungen beziehen sich auf die Art, Menge und Komplexitt
der Daten. Es kommen sowohl qualitative als auch quantitative Daten in
Betracht. Je mehr (komplexe) Daten fr eine Auswertungsmethode ben-
tigt werden, desto lnger dauert die Datenbeschaffung und -aufbereitung.
Je weniger (einfache) Daten fr die Informationsbewertung notwendig
sind, desto schneller knnen diese vorbereitenden Prozesse ablaufen. Der
Zeitraum, der fr die Bearbeitung der einzelnen Aufgaben zur Verfgung
steht, wird durch die Handelsfrequenz bestimmt. Je hher die Handelsfre-
quenz einer Strategie ausfllt, desto schneller muss die Datenversorgung
erfolgen. Je niedriger die Handelsfrequenz ist, desto mehr Zeit steht fr
die Datenbeschaffung und -aufbereitung zur Verfgung. Insgesamt kann
man feststellen, dass die die Handelsstrategie diesen Teilprozess domi-
niert.
198
4 Buy-Side Algorithmic Trading
4.4.2 Informationsauswertung
[Link] berblick
Als nchstes kann man, auf Basis der Erkenntnisse aus dem Abschnitt
[Link] , S. 58, den Teilprozess der Informationsauswertung strukturie-
ren. Dieser Teilprozess wird im Brsenhandel (beim Algorithmic Tra-
ding) unendlich oft wiederholt und dient dazu, aus den verfgbaren
Marktdaten einen Transaktionswunsch abzuleiten.
Abbildung 4.11, S. 199, strukturiert die Prozessablufe bei der Informati-
onsauswertung wie folgt. Der Investor muss zunchst darber entschei-
den, welche Methode der Informationsauswertung fr die Realisierung
seiner Strategie am besten geeignet ist. Die Methode wird in die Anlage-
prozesse beim Investor eingebunden und fr die langfristige und auch
die kurzfristigen Allokation von Kapital in einem bestehenden Portfolio
benutzt. Anlageprozesse und Informationsbewertung verschmelzen auf
diese Weise miteinander. Auf dem Hhepunkt der Analysen fhren alle
199
Abbildung 4.11: Aufgaben von Algorithmic Trading in der
Informationsauswertung
Methode zur
Informati ons-
bewertung
Methode zur
Informati ons-
bewertung
Marktdaten
Marktdaten
Mechani sche
Handel sregel
Mechani sche
Handel sregel
Transakti ons-
wunsch/
Investment
Entschei dung
Transakti ons-
wunsch/
Investment
Entschei dung
Legt
f est
Anlage-
Prozess
Handels-
strategie
Handels-
strategie
4 Buy-Side Algorithmic Trading
Ergebnisse zu einer Investment-Entscheidung des Investors, die sich auf
ein bestehendes Portfolio auswirkt. Wenn man die Auswertung der Daten
automatisiert bzw. mechanisiert, kann man sie auch als mechanische
Handelsregeln (Trading Rules) bezeichnen.
Die einzelnen Bestandteile dieses Prozesses werden in den folgenden Ab-
schnitten kurz erlutert. Der Zeitraum der fr die Bearbeitung der einzel-
nen Aufgaben zur Verfgung steht wird wiederum durch die Handelsfre-
quenz bestimmt. Je hher die Handelsfrequenz, desto schneller mssen
die Aufgaben erledigt werden. Je mehr Daten verwendet werden und je
komplexer diese sind, desto mehr Zeit verbrauchen die Prozesse. Je ge-
ringer die Handelsfrequenz einer Strategie ist, desto mehr Zeit steht fr
die Informationsauswertung und die Anlageprozesse zur Verfgung. Je
weniger Daten eine Methode erfordert und je weniger Dimensionen, de-
sto weniger Zeit verbrauchen diese Prozesse. Insgesamt kann man fest-
stellen, dass auch in diesem Teilprozess die Strategie des Investors domi-
niert.
[Link] Methoden zur Informationsauswertung
Folgt man der Abbildung 4.11, S. 199, so bilden die Methoden zur Infor-
mationsauswertung den Kern des Algorithmic Trading in diesem Prozess.
Eine bersicht ber alle Methoden ist ohne Anhaltspunkte unmglich.
Ein wenn auch nur sehr allgemeinen Ansatz liefert aber das For-
schungsgebiet der Quantitative Finance. Quantitative Finance beschf-
tigt sich allgemein mit allen quantitativen Techniken, die Menschen fr
die Bewertung von Finanzkontrakten einsetzen.
672
Sie ist eng mit dem
Bereich der Computational Finance verbunden. Unter Computational Fi-
nance versteht man die Mathematik der Computerprogramme die Finanz-
672 DERMAN interpretiert die Schwankungen der Finanzkontrakte eher als ein Produkt
der menschlichen Psyche, als (natur-)wissenschaftlicher Zusammenhnge. Die
Quantitative Finance ist eine pragmatische Studie dieses Verhaltens an der Oberfl-
che anstatt in die Tiefe zu gehen. Vgl. Derman (2004), S. 28.
200
4 Buy-Side Algorithmic Trading
modelle oder -systeme realisieren.
673
Generelles Ziel der Quantitative Fi-
nance ist es, das Preisverhalten der Finanzinstrumente unter wechselnden
Rahmenbedingungen ber einen bestimmten Zeitraum vorherzusagen.
674
Viele Autoren setzen voraus, dass die Methoden zur Informationsauswer-
tung beim Algorithmic Trading mit den Methoden der Quantitative Fi-
nance bereinstimmen. Jedoch ist keiner der Autoren in der Lage, diese
Methoden genau einzugrenzen.
675
[Link] Anlageprozesse
Ziel der Anlageprozesse in Abbildung 4.11, S. 199, ist die Allokation von
Kapital in einem bestehenden Portfolio (Asset Allocation). Diese Aufgabe
knnte man auch als Frage formulieren, wie man im Algorithmic Trading
ein optimales Portfolio zu gegebenen Transaktionskosten erreichen kann.
673 Vgl. Los (2001), S. 11.
674 Vgl. Dash (2004), S. 7.
675 FABOZZI, FOCARDI UND KOLM sehen die Ursprnge des Algorithmic Trading in den
1980er Jahren, als Wissenschaftler und sogenannten Quant Boutiques (speziali-
sierte Wertpapierhandelsfirmen) damit begannen, Methoden mit Fraktalen, adaptive
Programmierung, komplexe nicht-lineare stochastische Modelle usw. einzusetzen.
Nach einer Studie aus 2006 haben sich in der Praxis vor allem, Multifaktorenmo-
delle/Regressionsanalysen und Momentum Modelle durchgesetzt. Vgl. Fabozzi,
Focardi, Kolm (2010), S. 19-20. Fr KESTNER besteht die Ttigkeit eines quantitati-
ven Hndlers in der Anwendung numerischer und statistischer Methoden, die den
Zeitpunkt von Kauf- und Verkauf bestimmen. Er betrachtet einzelne Strategien die
der Quantitative Finance zugeordnet werden knnen (z.B. Selling Winners and
Buying Loosers, Trendfolgesysteme, Fundamentalanalyse), aber er scheitert daran
eine umfassende bersicht ber die numerischen und statistischen Methoden zu
entwickeln, die ihre Prozesse ausmachen. Vgl. Kestner (2003), S. 4. Fr NARANG
sind Handelsstrategien mit quantitativen Methoden und automatische Black Boxes
untrennbar miteinander verbunden. Er trennt die Methoden und Strategien nicht,
sondern betrachtet die Strategien als abstrakte Prozesse, deren Inhalte sich bis zu ei-
nem gewissen Ma rekonstruieren lassen. Vgl. Narang (2009), S. 12ff. Die Liste
der Autoren, die eine Verbindung zwischen Quantitative Finance und Algorithmic
Trading sehen, liee sich fast unendlich fortsetzen. Kaum einer der Autoren trennt
Strategien und Methoden voneinander oder ist in der Lage eine bersicht ber die
Methoden anzufertigen.
201
4 Buy-Side Algorithmic Trading
Fr die Allokation werden wiederum Algorithmen benutzt, die sich je-
doch von den oben genannten Methoden zur Informationsbewertung
durch ihre Portfolio-Orientierung unterscheiden.
676

Die Herleitung optimaler Portfolios auf Basis von MARKOWITZ wird in
der Literatur ausfhrlich diskutiert.
677
FABOZZI, KOLM, PACHAMANOVA UND
FOCARDI geben einen berblick ber die aktuelle Forschung und wie
quantitative Methoden dafr eingesetzt werden knnen.
678
In der Literatur
ist bisher aber kein klarer Ansatz zur Asset Allocation zu erkennen, der
sich auf Algorithmic Trading bertragen lsst.
679
Es gibt einfach zu viele
unterschiedliche Anstze, optimale Portfolios herzuleiten, und die Model-
le sind einem stetigen Wandel unterworfen.
[Link] Mechanische Handelsregeln
Abschlieend kann man noch den Begriff mechanische Handelsregeln
aus Abbildung 4.11, S. 199, erlutern. FABOZZI definiert den Begriff me-
chanische Handelsregeln im Zusammenhang mit der Chart-Analyse.
680
Die Chart-Analyse beschreibt eine Methode zur Auswertung geometri-
scher Muster in Kursgrafiken. Nach seiner Definition zeigen mechani-
sche Handelsregeln dem Finanzhndler, wann eine Aktie gekauft, ver-
676 Vgl. Aldridge (2009), S. 213f.
677 Vgl. Markowitz (1952).
678 Vgl. Fabozzi, Kolm, Pachamanova und Focardi (2007), S. 17ff.
679 ALDRIDGE stellt fest, dass die Optimierung eines Portfolios im Hochfrequenzhandel
ein sehr zeitintensiver Prozess ist, denn je mehr Wertpapiere darin enthalten sind,
desto komplexer wird die Festlegung der einzelnen Gewichte in begrenzter Zeit.
Vgl. Aldridge (2009), S. 213f. Wie FABOZZI darstellt, knnen in die Modelle zur As-
set Allocation auch berlegungen zu Transaktionskosten mit einflieen. Vgl. Fa-
bozzi (2009), S. 361. COLIN stellt bereits im Jahr 2000 fest, dass sich die Hauptteil
von Algorithmic Trading Programmen auf die Auswertung aktueller Marktdaten
konzentriert. Seiner Meinung nach, mssen der Asset Allocation und dem Risiko-
management mindestens genauso viel Beachtung geschenkt werden. Vgl. Colin
(2000), S. 173.
680 Vgl. Fabozzi (2009), S. 154.
202
4 Buy-Side Algorithmic Trading
kauft oder ein Leerverkauf gettigt werden sollte.
681
Die gleiche Definiti-
on greifen FABOZZI UND MARKOWITZ auf.
682
CHATURVERDI beschreibt me-
chanische Handelsstrategien so, dass Investmententscheidungen nicht
mehr auf Basis grafischer Auswertungen der Chart-Analyse stattfinden,
sondern anstelle geometrischer Muster, arithmetische Formeln und Ver-
hltnisse benutzt werden.
683

Bei allen unterschiedlichen Definitionen besteht Einigkeit darber, dass
der Begriff mechanische Handelsregel (englisch: Trading Rules) die Ent-
scheidungs-Prinzipien eines Investors bei der Datenanalyse beschreibt.
Dabei werden feste Bedingungen
684
fr den Kauf- oder Verkauf von Wert-
papieren definiert, die mit einem Erwartungswert ber den knftigen
Kursverlauf verbunden sind.
685
Diese Definition kann auf alle Formen
von Algorithmic Trading bertragen.
681 Vgl. Fabozzi (2009), S. 154.
682 Vgl. Fabozzi, Markowitz (2002), S. 204.
683 Vgl. Chaturverdi (1999), S. 12.
684 Welche Bedingungen mit welchem erwarteten Kursverlauf in Verbindung stehen,
hngt von der beabsichtigten Handelsstrategien ab (siehe Abschnitt 4.4.3 , S. 204,
dieser Arbeit). In der Fundamentalanalyse werden Bedingungen aus Bilanzkenn-
zahlen konstruiert, in der Chart-Analyse auf Basis geometrischer Funktionen. Neu-
ronale Netze schaffen ihre eigenen Entscheidungsprozesse. Bei der Verwendung
von Textnachrichten basiert das Entscheidungsprinzip auf der Auswertung, Klassi-
fikation und Interpretation von Texten.
685 INGBER UND MONDESCU unterscheiden zwei generelle Konzepte, um mechanische
Handelsregeln zu entwickeln. Das erste Konzept besteht darin, auf Basis von histo-
rischen Zeitreihendaten das Verhalten der Marktteilnehmer zu analysieren und dar-
auf eine Prognose ber die zuknftige Kursentwicklung abzugeben (datengetriebe-
ne Modellierung). Die mechanischen Handelsregeln werden hier mit lernbasierten,
induktiven Techniken, mit neuronalen Netzen oder Fuzzy Logic aus Daten der Ver-
gangenheit abgeleitet. Die Handelsregeln werden optimiert, um die Profitabilitt
der Investmentstrategie zu verbessern (Fitting). Das zweite Konzept besteht darin,
ein physikalisch, mathematisches Modell von Grund auf neu zu schaffen, ohne es
an Daten aus der Vergangenheit zu orientieren (deterministisches Verfahren). Me-
chanische Handelsregeln werden hier durch eine Hypothese getrieben, mit unbe-
kannten Daten bewiesen oder widerlegt. Vgl. Ingber, Mondescu (2000), S. 2.
203
4 Buy-Side Algorithmic Trading
4.4.3 Handelsstrategien
[Link] berblick
Handelsstrategie Beschreibung
Umsetzung im Algorithmic Trading
Teilprozess der
Informationsbeschaffung
Teilprozess der
Informationsauswertung
Momentum-
Strategie
Ausnutzung des
Momentum-Effekts
bzw. der seriellen
Korrelation von
Aktienkursen
Verwendung von
Zeitreihendaten
Schtzung des
Momentum-Effektes
Econophysics Vorhersage der Art von
Preisfluktuationen und
Eigenschaften der
Verteilungen
Verwendung von
(hoch-dimensionalen)
Zeitreihendaten
Anwendung von
Methoden der
statistischen Physik
Verwendung von
Textnachrichten
Analyse von
Nachrichtenmeldungen
die Prognose-Wirkung
fr zuknftige Kurse
haben
Aktive Suche nach
Informationen oder
passives Empfangen von
Datenstrmen
Von der einfachen
Auswertung von
Textnachrichten, zur
Klassifikation von Texten
bis hin zur Sentiment-
Analyse psychologischer
Stimmungsbilder
Chart-Analyse Vereinfachung,
Skalierung oder
Glttung von Zeitreihen
mit dem Ziel der
Mustererkennung
Daten-Aggregation bzw.
vereinfachte Darstellung in
Kursgrafiken
Suche nach
wiederkehrenden
(technischen) Mustern
Fundamental-
analyse
Auswertung von
Bilanzkennzahlen mit
dem Ziel, den wahren
Unternehmenswert zu
bestimmen
Beschaffung von
Bilanzkennzahlen,
Unternehmens- und
Marktdaten
Identifikation von ber-
oder unterbewerteten
Unternehmen, z.B. durch
Methoden der
Bilanzanalyse
Statistische
Arbitrage
Ausnutzung von
Arbitragemglichkeiten
zwischen Mrkten oder
replizierbaren
Auszahlungsstrmen
Auswertung von Pre-Trade
Daten aus Orderbchern
oder Post-Trade Daten
ber abgeschlossene
Transaktionen
berwachung von
Mrkten oder Wertpapier-
Kombinationen auf
Arbitragemglichkeiten
Tabelle 19: Einfluss der Handelsstrategien auf die Prozesse beim
Algorithmic Trading
204
4 Buy-Side Algorithmic Trading
Mit den Abbildungen 4.10 und 4.11, S. 197f, stehen zwei bersichten
fr die Prozesse in der Informationsphase beim Algorithmic Trading zur
Verfgung. Bei der Betrachtung beider Abbildungen wird deutlich, dass
die Handelsstrategie der wichtigste Bestandteil in der Informationsphase
ist. Denn die Strategie nimmt Einfluss auf die Auswahl der Datenbasis,
die Wahl der Auswertungsmethode, die Handelsfrequenz und die Formu-
lierung der mechanischen Handelsregeln.
Es gibt keine universelle Gliederung von Investmentstrategien im Wert-
papierhandel.
686
Eine Literaturrecherche liefert aber unzhlige Resultate,
in denen der Strategiebegriff fr den Wertpapierhandel heuristisch abge-
leitet wird.
687
Heuristisch bedeutet in diesem Kontext: Bewertungsproble-
me von Finanzinstrumenten werden als gelst betrachtet und die dafr
notwendigen langfristigen Handlungsvorschriften aus der Praxis als In-
vestmentstrategien interpretiert. Diese Heuristik spiegelt sich in der Lite-
ratur durch die Entwicklungsstufen wider, welche der Strategiebegriff im
Wertpapierhandel im Laufe der Jahre durchlaufen hat.
688

Die Gliederung von ALDRIDGE erlaubt eine sehr genaue Identifikation von
Handelsstrategien im Algorithmic Trading.
689
Sie grenzt die traditionellen
Handelsstrategien aus der technischen, fundamentalen und quantitativer
Analyse gegenber High Frequency Trading ab (siehe Tabelle 20, S.
206).
690

686 Selbst wenn man den Strategie-Begriff auf einen bestimmten Initiator und Wertpa-
pierklassen eingrenzt, ist die Klassifikation von einheitlichen Investmentstrategien
nur unter vielen theoretischen Annahmen mglich. Abschnitt [Link] , S. 244, zeigt
dies am Beispiel von Hedgefonds, die in brsennotierte Wertpapiere investieren.
687 Vgl. z.B. Kestner (2003), Katz, McCormick (2000), Pardo (2008), Hilpold, Kaiser
(2010).
688 Fr einen berblick ber die historische Entwicklung des Strategiebegriffes. Vgl.
Menkhoff, Schmidt (2005).
689 Vgl. Aldridge (2009).
690 Vgl. Aldridge (2009), S. 22f.
205
4 Buy-Side Algorithmic Trading
Traditionelle Strategien Strategien durch Algorithmic
Trading
(Buy-Side und Sell-Side)
Technische Analyse Algorithmischer Handel
Fundamentale Analyse Systematischer Handel
Quantitative Analyse Elektronischer Handel
Low Latency Strategien
Tabelle 20: Gliederung der Handelsstrategien nach Aldridge
(Quelle: Aldridge (2009), S. 22f )
Die technische Analyse beschreibt die Ableitung von Handelssignalen
auf Basis technischer Muster in historischen Daten.
691
Die fundamentale
Analyse bezieht sich auf Jahresabschlussdaten und die quantitative Ana-
lyse basiert ihre Handelssignale auf wissenschaftlicher Analyse.
692
Dem
gegenber stellt die Autorin vier neue Strategien, die durch Algorithmic
Trading mglich werden, den algorithmischen, den systematischen und
den elektronischen Handel sowie Low-Latency Strategien.
693
Unter den
algorithmischen Systemen fasst die Autorin alle Handelsstrategien zu-
sammen, deren Handelssignale auf komplexen Algorithmen basieren.
Dazu zhlen auch die systematischen Strategien, die ber den Hochfre-
quenzhandel hinaus gehen.
694
Als elektronischen Handel klassifiziert die
Autorin Teile der Ausfhrungsalgorithmen der Sell-Side.
695
Low-Latency
Strategien beziehen sich ebenfalls auf das Orderrouting und die effiziente
Ausfhrung.
696

691 Vgl. Aldridge (2009), S. 22f.
692 Vgl. Aldridge (2009), S. 22f.
693 Vgl. Aldridge (2009), S. 22f.
694 Vgl. Aldridge (2009), S. 22f.
695 Vgl. Aldridge (2009), S. 22f.
696 Vgl. Aldridge (2009), S. 22f.
206
4 Buy-Side Algorithmic Trading
Die Gliederung von ALDRIDGE unterscheidet aber nicht zwischen Buy-Si-
de und Sell-Side, sondern spiegelt nur wider, wie beide Fronten des Algo-
rithmic Trading in der Praxis verschmolzen sind.
697
Die vergangenen Ab-
schnitte haben gezeigt, dass die Buy-Side von der Sell-Side getrennt wer-
den muss, weil beide vollkommen unterschiedliche Aufgaben wahrneh-
men. Mit der Gliederung lassen sich auch die Prozesse im Algorithmic
Trading nicht erklren, weil die Handelsstrategien weder der Informati-
ons- noch der Orderroutingphase eindeutig zugeordnet werden knnen.
Im Folgenden wird deshalb eine eigene Gliederung angenommen, die
eine Klassifikation der Handelsstrategien nach den Methoden zur Infor-
mationsbewertung erlaubt (siehe Tabelle 19, S. 204). Die Handelsstrate-
gien der statistischen Arbitrage, der fundamentalen Analyse, der Chart-
Analyse, Momentum-Strategien, der Textanalyse und der Econophysics
werden im Folgenden kurz erlutert.
[Link] Statistische Arbitrage
Nach AVELLANEDA UND LEE fasst der Begriff statistische Arbitrage solche
Investmentstrategien zusammen, die Datenstrme mit mechanischen
Handelsregeln auswerten und auf Methoden der mathematischen Statistik
aufbauen.
698
Die statistische Arbitrage macht sich dabei die Fragmentie-
rung der Mrkte und Diversifikation der Wertpapiere zu Nutze, die dazu
fhren, dass identische Wertpapiere an unterschiedlichen Brsen mit mar-
ginalen Preisabweichungen gehandelt werden.
699
Das heit, eine Arbitra-
697 Vgl. Aldridge (2009).
698 Vgl. Avellaneda, Lee (2008), S. 1-2.
699 HOGAN, JARROW, TEO UND WARACHKA entwickeln eine Methodologie, um die Mrkte
auf Mglichkeiten von statistischer Arbitrage zu berprfen. Vgl. Hogan, Jarrow,
Teo, Warachka (2003), S. 28.
207
4 Buy-Side Algorithmic Trading
gemglichkeit existiert immer dann, wenn ein identisches Wertpapier an
zwei oder mehr Brsen gehandelt wird, aber unterschiedliche Preise auf-
weist.
700

Wenn Arbitragemglichkeiten existieren, kann man durch den sofortigen
Kauf oder Verkauf an unterschiedlichen Brsen, zumindest theoretisch,
einen risikolosen Gewinn realisieren. Wenn keine Transaktionskosten
auftreten, besteht auch keine Gefahr fr Verluste. In der Realitt sorgt die
Unvollkommenheit der Mrkte dafr, dass es so etwas wie risikolose Ge-
winne nicht gibt. Transaktionskosten, Opportunittskosten, Steuern oder
anomale Preisbewegungen (z.B. nach Dividendenausschttungen) stren
die risikolose Arbitrage. Fundamentale Faktoren
701
, die Marktmi-
krostruktur
702
oder Counterparty Risk
703
fhren zu Risiken in der Arbitra-
ge.
704
NATH spricht deshalb anstatt von risikoloser Arbitrage von Erwar-
teter Arbitrage (Expectations Arbitrage).
705
Die Idee hinter der Statisti-
schen Arbitrage ist eine Strategie, die unkorreliert zur aktuellen Markt-
entwicklung ist und niedrige Volatilitt aufweist.
706
Mit dieser Strategie
700 Wenn die Rendite eines Wertpapiers aus der Kombination anderer Wertpapiere du-
pliziert werden kann, bestehen auch Arbitragemglichkeiten zwischen zwei unter-
schiedlichen Wertpapieren.
701 Hiermit sind Risiken gemeint, die durch Unternehmensgewinne oder Verluste von
brsennotierten Gesellschaften entstehen oder die den Gesamtmarkt betreffen.
702 Zu den Risiken durch Marktmikrostruktur zhlt z.B. der Market Impact.
703 Als Counterparty Risk bezeichnet man das Ausfallrisiko eines Kontrahenten in
einer Transaktion.
704 Vgl. Nath (2003), S. 2.
705 Vgl. Nath (2003), S. 2.
706 Vgl. Avellaneda, Lee (2008), S. 2.
208
4 Buy-Side Algorithmic Trading
werden keine langfristigen Wertpapierpositionen eingegangen.
707
Die
Halteperioden knnen nur wenige Sekunden, Minuten oder Tage betra-
gen, es sind aber auch Halteperioden von mehreren Wochen mglich.
708

Ein Vorlufer der statistischen Arbitrage ist das Pairs Trading.
709
Der
Name beschreibt eine Investmentstrategie, bei welcher Wertpapiere, de-
ren Renditen eine hohe Korrelation aufweisen, in Paaren gehandelt wer-
den.
710
Pairs Trading ist nicht auf einzelne Aktien beschrnkt, sondern es
707 In der Hedgefonds Literatur werden die Renditen nach der Methode der linearen
Regression in Alpha und Beta unterschieden. Beta steht fr die individuellen Fak-
torladungen, die sich durch den Gesamtmarkt abbilden lassen. Alpha steht fr ab-
norme Renditen, die nicht mit Hilfe der gngigen Marktfaktoren repliziert werden
knnen. Die statistische Arbitrage versucht, kein Alpha zu generieren, sondern ver-
folgt ausschlielich die Absicht das Beta des Marktes abzubilden. Das heit, es
werden weder Netto-Long- noch Netto-Short-Positionen eingegangen, sondern das
Portfolio ist unabhngig von der Marktentwicklung. Vgl. Avellaneda, Lee (2008),
S. 1-2.
708 Vgl. Avellaneda, Lee (2008), S. 2.
709 Vgl. Avellaneda, Lee (2008), S. 2.
710 AVELLANEDA UND LEE erklren die Funktionsweise am Beispiel von zwei Aktien A
und B , die in der gleichen Industrie sind, die gleichen Charakteristika aufweisen
und deren Kurse (
A
t
, B
t
) sich aneinander orientieren sollten, wenn man sie unab-
hngig von der allgemeine Marktentwicklung betrachtet. Das mathematische Mo-
dell des Pairs Trading zum Zeitpunkt t wird in Formel 4.1, S. 209, dargestellt. Die
Variable erfasst die Korrelation der Aktie B mit dem Gesamtmarkt, die Varia-
ble u steht fr die marktunabhngigen Renditen bzw. Preisdrift. Die Variable I
t
stellt in dieser Formel einen nicht-stationren Prozess dar. Die Autoren bezeichnen
diese Variable auch als Co-Integrations Residual oder Residuum. A
0
bzw. B
0
stel-
len die Preise in der Periode t =0 dar.
(4.1)
ln(
A
t
A
0
)=u(t t
0
)+
B
ln( B
t
/ B
0
)+I
t
Wenn man die Preisdrift u in diesem Modell vernachlssigt und die allgemeine
Bewegung des Marktes in bercksichtigt, zeigt dieses Modell, dass die Aktien
A und B um ein statisches Gleichgewicht herum schwanken bzw. oszillieren.
Die Abweichung vom Gleichgewicht wird mit der Variablen
I
t
erfasst. Vgl.
Avellaneda, Lee (2008), S. 2 Wenn die Abweichung
I
t
hoch ist, wird A leer-
verkauft und B als Long-Position im Portfolio gehalten und umgekehrt. Die
grundlegende Annahme dabei ist, das beide Aktien wieder zu einem Gleichgewicht
209
4 Buy-Side Algorithmic Trading
knnen auch ganze Gruppen von Aktien miteinander gehandelt werden,
die gleiche Charakteristika aufweisen (Generalized Pairs Trading oder
Basket Trading).
711
Eine andere Form der statistischen Arbitrage, die auf
Marktineffizienzen zwischen Aktienmrkten (Cash- und Equity Markets)
und Derivate-Mrkten (Futures) basierte, war ursprnglich das Pro-
gram Trading.
712
Die Begriffe Program Trading und Algorithmic Tra-
ding sind erst im Laufe der Jahre miteinander verschmolzen.
713

konvergieren. Die Schwankungen lassen sich dann auf einer berreaktion der
Mrkte oder eine temporren ber- bzw. Unterbewertung zurckfhren, die als Co-
Integration bzw. dem Mean-Reversion Paradigma bezeichnet wird. Vgl. Avellane-
da, Lee (2008), S. 2.
711 Siehe dazu Avellaneda, Lee (2008), S. 2-3 und Gatev, Goetzmann, Rouwenhorst
(1999), S. 17.
712 Eine Arbitragemglichkeit zwischen Cash- und Future-Mrkten besteht dann, wenn
ein Future-Kontrakt im Vergleich zu seinem theoretischen Preis, dem Underlying,
berbewertet ist. Ein Future-Kontrakt ist ein verbrieftes Zahlungsversprechen zwi-
schen Kufer- und Verkufer ber ein zu Grunde liegendes Basis-Wertpapier (Un-
derlying). Vgl. Ryland (2003), S. 98. Ein risikoloser Profit kann realisiert werden,
indem man den Future leer-verkauft (Short-Position) und den zugrundeliegenden
Basisindex kauft (Long-Position). Die Transaktionen mssen gleichzeitig stattfin-
den, bevor beide Mrkte wieder zu einem Gleichgewicht zurckfinden. Das gleiche
Prinzip funktioniert auch umgekehrt. Um den den gesamte Basis-Index eines Futu-
re-Kontrakte abzubilden, mssen alle Aktien gekauft werden, die auch in diesem
Index enthalten sind. Vgl. Canina, Figlewski (1994), S. 6 Eine Transaktion dieses
Wertpapierkorbes wird auch Basket Trading genannt. Ein Basket beschreibt ein
Portfolio aus einer spezifischen Kombination von Wertpapieren (einen Wertpapier-
korb). Vgl. Marshall (2000), S. 18. Die NYSE definiert Program Trading heute in
Regel 80A.40b. Der Begriff Program Trading steht hier fr Geschfte zur Index Ar-
bitrage oder jeglicher andere Handelsstrategie, bei der eine Gruppe (Basket) von
wenigstens 15 Aktien gleichzeitig ver- oder gekauft werden. Dabei ist sogar irrele-
vant ob die Transaktionen gleichzeitig oder zeitversetzt eintreffen, solange sie einer
koordinierten Strategie zugeordnet werden knnen. Vgl. NYSE Rule 80A.40(b).
713 Die New York Stock Exchange (NYSE) reagierte im Information Memorandum 07-
52 auf die vernderten Rahmenbedingungen durch Algorithmic Trading, um auch
diejenigen Strategien in ihren Brsenregeln zu erfassen, die Orders automatisch er-
teilen. Gleichzeitig verschrfte sie die Regel fr das Program Trading mit dem
S&P500 Future: Program Trading in Rule 80A includes any AT (Algorithmic
Trading), StatArb (Statistical Arbitrage) or CD (Computer Driven) strategy that at-
tempts to capture identified mispricings between an S&P 500 component security
and its related future Such a strategy, regardless of the number of stocks in-
210
4 Buy-Side Algorithmic Trading
[Link] Fundamentale Analyse
Das Ziel der Fundamentalanalyse ist es, den wahren (fundamentalen)
Wert einer Firma zu ermitteln und so ber- oder unterbewertete Unter-
nehmen zu identifizieren.
714
Einer der populrsten Anleger, welche die
Strategie der Fundamentalanalyse heute verfolgen ist der US-Investor
Warren Buffett.
715
Die Fundamentalanalyse geht auf die Firm Foundation
Theory zurck, die sich mit dem Zusammenhang zwischen fundamenta-
len, konomischen Faktoren und dem Firmenwert beschftigten.
716
Fr
die Bestimmung des Firmenwertes existieren viele unterschiedliche An-
stze.
Nach dem Dividendendiskontierungsmodell von GORDON UND SHAPIRO
berechnet sich der wahre Wert eines Unternehmens (Present Value) bei-
spielsweise aus den diskontierten Dividenden zuknftiger Perioden.
717
volved is a program. NYSE (2007). Die Klassifikation als Program Trading und
Algorithmic Trading ist wichtig, weil davon die Steuerungsmechanismen abhngen,
welche die bermittlung von elektronischen Orders in bestimmten Marktphasen
einschrnken (siehe u.a. Volatility Breaks und Circuit Breakers). Zur allgemeinen
Funktionsweise von Circuit Breakers vgl. Nabben (1996).
714 Vgl. Marshall (2000), S. 85.
715 Vgl. Griffioen (2003), S.2.
716 Vgl. Griffioen (2003), S. 2 sowie Graham, Dodd (1934), Williams (1938) oder z.B.
Graham (1973).
717 Der wahre Wert einer Aktie (
W
0
) lsst sich danach als Quotient aus den Dividen-
den (hier
DIV
t
) zum Zeitpunkt t und dem Zinssatz r darstellen. Der Zinssatz
wiederum lsst sich in die Dividendenrendite (
DIV/ W
0
) und die Wachstumsrate
g zerlegen (siehe Formel 4.2, S. 211). Vgl. Ross, Westerfield, Jaffe (2004), S. 112-
118.
(4.2) W
0
=
t =1

DIV
t
(1+r )
t
mit
r =
DIV
t
W
0
+g
Die Dividenden werden durch konomische Faktoren beeinflusst. Diese konomi-
schen Faktoren knnen unterschieden werden in makrokonomische Faktoren (wie
z.B. Zinsen, Arbeitslosenzahlen oder Inflation), industrie-spezifische Faktoren (wie
z.B. Wettbewerb oder technologischer Wandel) oder firmenspezifische Faktoren
(wie z.B. Unternehmenswachstum, Dividenden oder die Auftragslage). Durch einen
211
4 Buy-Side Algorithmic Trading
Eine andere Mglichkeit, um den Firmenwert fair zu berechnen, sind die
Methoden der Bilanzanalyse bzw. der traditionellen Jahresabschlussana-
lyse.
718
Welche Varianten der Fundamentalanalyse im Algorithmic Tra-
ding angewendet werden, lsst sich auf Basis der Literatur nicht beurtei-
len, weil noch nicht genug Beitrge dazu existieren. Ihre Anwendung im
Algorithmic Trading beruht auf der Annahmen, dass sich der Marktwert
langfristig am wahren Firmenwert orientiert, und dass die Investoren
(Computerprogramme) in der Lage sind, die Informationen richtig zu in-
terpretieren.
719
Vergleich des fundamentalem (wahren) Firmenwertes mit dem aktuellen Marktpreis
kann man dann herausfinden ob, eine Firma ber- oder unterbewertet ist. Vgl. Grif-
fioen (2003), S. 2. In unterbewertete Aktien wird investiert, berbewertete Unterneh-
men werden leer-verkauft. Vgl. Griffioen (2003), S.2-3. Das Discounted Cash Flow
Model (DCF) basiert, statt der Dividenden, auf den Ein- und Auszahlungsstrmen
(Cash Flow) eines Unternehmens zu entsprechenden Zinsstzen (z.B. den durch-
schnittlichen Kosten des Kapitals
r
wacc
). Vgl. dazu Elton, Gruber, Brown, Goetz-
mann (2003), S. 444.
718 Hier geht es darum auf Basis der externen Rechnungslegung von Unternehmen
Kennzahlen zu entwickeln, die ein Urteil darber erlauben, ob ein Unternehmen im
Vergleich zum Marktdurchschnitt ber oder unterbewertet ist. Ein Beispiel fr eine
solche Kennzahl ist das Kurs-Gewinn-Verhltnis (KGV), berechnet als Quotient des
Preises pro Aktie und dem Gewinn pro Aktie. Weitere Kennzahlen aus der Bilanz-
analyse sind Kurs-Buchwert-Verhltnis, Kurs-Cashflow-Verhltnis, Gesamtkapital-
oder Umsatzrendite, um nur einige wenige zu nennen. Fr einen berblick vgl.
Coenenberg (2003). Die Methoden der traditionellen Bilanzanalyse haben aller-
dings nur eine retrospektive Sichtweise, das heit, der Firmenwert kann nur auf Ba-
sis von Gewinne berechnet werden, die aus abgeschlossenen Perioden stammen.
Fr die Ableitung des zuknftigen Firmenwertes mssen die zuknftigen Ein- und
Auszahlungsstrme entweder bekannt sein oder geschtzt werden. Mit Hilfe der
strategische Bilanzanalyse wird dann von den zuknftigen Ein- und Auszahlungs-
strme auf den Firmenwert geschlossen. COENENBERG nennt dazu drei Mglichkei-
ten der strategischen (wertorientiert) Bilanzanalyse. Vgl. Coenenberg (2003), S.
1085 Die Methoden werden ausfhrlich in COENENBERG UND SCHULTZE diskutiert.
Vgl. Coenenberg, Schultze (2003). Nach dem DCF-Ansatz wird wie im Dividen-
dendiskontierungsmodell der Cash Flow abgezinst. Nach dem Ertragswertansatz
werden, statt des Cash Flow, die Gewinne/Verluste diskontiert. Nach dem Residual-
gewinn-Ansatz werden zuknftige Gewinne und Investitionen in das Anlageverm-
gen bercksichtigt. Vgl. Coenenberg (2003), S. 1086f.
719 Wie GRIFFIOEN darstellt, muss sich der Marktwert nicht unbedingt am langfristigen
Firmenwert orientieren. Denn erstens kann sich der Einfluss der konomischen
212
4 Buy-Side Algorithmic Trading
[Link] Technische Analyse
Unter dem Begriff technische Analyse werden Strategien zusammenge-
fasst, bei denen auf Basis von historischen Preis-, Volumendaten oder de-
ren Statistiken eine Prognose ber die zuknftige Kursentwicklung eines
Wertpapiers abgegeben wird.
720
Die Strategien sind auch als Chart-Ana-
lyse bekannt, weil ihre Ergebnisse als geometrische Muster in Kursgrafi-
ken (Charts) darstellbar sind.
721
Das generelle Ziel der Chart-Analyse be-
steht darin, Regelmigkeiten in finanziellen Zeitreihendaten zu entde-
cken, indem man nicht-lineare Muster von Zufallsdaten (Noise Data)
722
trennt.
723

Aus den identifizierten Mustern sollen Kauf- oder Verkaufsempfehlung
abgeleitet werden. Mit der Methode der gleitenden Durchschnitte (Mo-
ving Average Oscillator) wird beispielsweise ein Kauf- oder Verkaufssi-
gnal aus dem Vergleich zweier Durchschnitte abgeleitet.
724
Eine andere
Faktoren auf den Cash Flow im Zeitablauf verndern. Zweitens kann der Markt-
preis kontinuierlich vom wahren Preis abweichen. Drittens kann sich Zeitraum bis
sich das Gleichgewicht einstellt sehr lange dauern, so dass die finanziellen Mittel
der Investoren erschpft sind. Vgl. Griffioen (2003), S. 2-3. Ein damit zusammen-
hngendes Problem ist, dass die Fundamentalanalyse implizit von rationalen Inves-
toren ausgeht, welche in der Lage sind, die vorliegenden Informationen richtig zu
interpretieren. Die Risiken der Fundamentalanalyse beim Algorithmic Trading be-
stehen also darin, dass neben Marktrisiken und einem fehlerhaften Modell auch
Fehler im Software-Code, zu einem falschen Firmenwert fhren knnen.
720 Vgl. Brock, Lakonishok, LeBaron (1992), S.1731.
721 Vgl. Lo, Mamayski, Wang (2000), S. 1705.
722 Als Noise werden Fluktuationen in den Kursen verstanden, die keinen signifikanten
Einfluss auf die Kursentwicklung haben. Die technische Analyse hat die Aufgabe
signifikante Preisbewegungen von nicht-signifikanten zu unterscheiden. Vgl. Lo,
Mamayski, Wang (2000), S. 1708.
723 Vgl. Lo, Mamayski, Wang (2000), S. 1708.
724 Der langfristigen Durchschnittes von einer Aktie bzw. eines Index wird dabei mit
einem kurzfristigen Durchschnitt desselben Wertes verglichen, ein Signal wird dann
erzeugt, wenn sich beide Durchschnitte kreuzen. Liegen die Durchschnitte eng
aneinander, werden mglicherweise zu viele Signale erzeugt, wenn sich die Linien
hufig kreuzen (Wilplash Signals). Als Lsung werden Kurskorridore und Bnder
installiert, die minimale Schwankungen ausgleichen. Die Idee dahinter ist,
213
4 Buy-Side Algorithmic Trading
Methode ist die Festlegung von einfachen Widerstnden und Unterstt-
zungslinien (Trading Range Break).
725
Beide Methoden unterliegen der
Annahme, dass es einen grundlegenden Trend in der Kursentwicklung
gibt, den man mit diesen einfachen geometrischen Funktionen und Kenn-
zahlen erkennen kann. Dafr hat sich in der Praxis der Begriff der Trend-
analyse (Trend Followers) heraus geprgt.
726
Um einen berblick ber
diese und weitere Methoden zu behalten, entwickelten LO, MAMAYSKY
UND WANG ein allgemeines Modell, mit dem sich fast alle Methoden der
Chart-Analyse formell abbilden lassen.
727

besonders volatile und unberechenbare Handelsphasen zu gltten. Vgl. Brock,
Lakonishok, LeBaron (1992), S. 1735.
725 Aus der Analyse historischer Preise ergeben sich Widerstandslinien, fr Bewegun-
gen nach oben (lokale Maxima)und Untersttzungslinien, fr Preisbewegungen
nach unten (lokale Minima). Dahinter steckt die Idee, dass viele Investoren bereit
sind zu einem Kurs zu verkaufen, der kurz unterhalb oder auf dem Stand letzten
Hchstkurses liegt. Im Gegenzug sind viele Investoren bereit zu einem Preis kau-
fen, der kurz ber-halb oder auf dem letzten Tiefststand liegt. Das Durchbrechen
dieser Grenzlinien wird jeweils als Kaufs- oder Verkaufssignal interpretiert. Vgl.
Brock, Lakonishok, LeBaron (1992), S. 1736.
726 Vgl. Bestmann (2007), S. 759.
727 In ihrem Modell werden die Strgerusche (Noise) mit
e
t
beschrieben. Die Formel
n(S
t
) steht fr eine unbekannte lineare Funktion einer Status-Variablen S
t
mit
einer Variablen n . Die Variable n kann genutzt werden, um das Modell z.B. mit-
tels Durchschnitten weiter zu vereinfachen. Die Darstellung einer solchen Funktion
erinnert stark an lineare geometrische Funktionen und erklrt damit die Entstehung
der Chart-Analyse als visuelles Instrument zur Musterkennung.
(4.3) P
t
=n( S
t
)+e
t
; t =1,.. , T. Vgl. Lo, Mamayski, Wang (2000), S.
1708.
LO, MAMAYSKI UND WANG beschreiben, wie man mit diesem Modell allgemein nicht-
lineare Zusammenhnge aus den Zeitreihendaten extrahieren kann. Mit der Technik
der Daten-Glttung (Smoothing) werden die Zeitreihendaten solange ber den Fak-
tor n vereinfacht, bis die Strgerusche verschwunden sind und (angeblich) nicht-
lineare Zusammenhnge brig bleiben. Fr die Glttung kommen alle mgliche
Methoden, wie z.B. Kernel Regression, Orthogonale Serien Expansion oder
Nearest Neighbour Estimators in Frage. Vgl. Lo, Mamayski, Wang (2000), S. 1709.
214
4 Buy-Side Algorithmic Trading
Ein Versuch, die umfangreiche Literatur zur Chart-Analyse zu gliedern,
stammt u.a. von PARK UND IRWIN.
728
Auffllig ist die Hufung von Studi-
en, die sich mit den Whrungsmrkten beschftigen, was auf die groe
Bedeutung der Chart-Analyse in diesem Bereich hinweist.
729

728 PARK UND IRWIN gliedern die Beitrge in frhe Studien (1960-1987) und moderne
Studien (1988-2004). Die frhen Studien beschftigen sich oft mit der Entwick-
lung von (mechanischen) Handelsregeln und deren Profitabilitt. Die darauf folgen-
de moderne Literatur gliedert sich in sechs weitere Gruppen. Eine davon ist die
Chart-Analyse, bei der mechanische Handelsregeln aus wiederkehrenden geometri-
schen Mustern abgeleitet werden. Sie ist fest in der Praxis verankert, in der akade-
mischen Diskussion aber stark umstritten. Die Literatur zur Chart-Analyse ist ge-
prgt von Beitrgen, die den Zusammenhang zwischen historischen Preisen und zu-
knftigen Renditen zu entkrften oder zu besttigen versuchen. Vgl. Park, Irwin
(2004), S. 20-49. LO, MAMAYSKI UND WANG benutzen beispielsweise den Begriff des
Voodoo Finance oder Astrologie auf Finanzmarktdaten und verweisen auf die
linguistischen Barrieren zwischen Chart-Analyse und akademischen Arbeiten. Ein
Grundproblem ist, dass die technische Analyse visuelle Begriffe und Grafiken ver-
wendet, whrend akademische Arbeiten fr die gleichen Zusammenhnge algebrai-
sche und numerische Begriffe verwenden. Vgl. Lo, Mamayski, Wang (2000), S.
1706.
729 Vgl. Neely (1997), S. 23, Neely, Weller (1998), Neely, Weller und Dittmar (1997)
und auch Taylor, Allen (1992).
215
4 Buy-Side Algorithmic Trading
[Link] Verwendung von Textnachrichten
Handelsstrategien mssen nicht ausschlielich auf quantitativen Daten
beruhen, sondern knnen auch auf qualitativen Informationen, wie z.B.
Texten oder Nachrichten ber Unternehmensereignisse (Corporate
Events)
730
, basieren. Strategien dieser Art gehen implizit davon aus, dass
ein Zusammenhang zwischen Medieninformationen (z.B. Textnachrich-
ten) und Brsenkursen besteht. Der Zusammenhang zwischen Textnach-
richten und Brsenkursen wird allgemein im Forschungsgebiet der
Event-Studien
731
untersucht.
730 Als Corporate Events werden alle Ereignisse bezeichnet, die einen Einfluss auf die
Unternehmens- oder Ertragslage eines Unternehmens ausben knnen: z.B. Aktien-
splits, Rechte der Aktionre (Rights Issue), Unternehmensfusionen (Merger),
Rechtsfragen (Law Issue), Dividenden, Gewinne, Quartalszahlen usw.. Vgl. dazu
Garrison (1990), S. 2.
731 Traditionell werden in einer Event-Studie drei Phasen betrachtet: Was passiert
vor einem Corporate Event, was whrend und was [Link] die Betrach-
tung der ersten Phase geht man davon aus, dass (z.B. Insider-) Informationen
schon vor der eigentlichen Verffentlichung an den Markt durchdringen und hier
Preiseffekte verursachen. Welche Preiseffekte whrend eines Ereignisses auftre-
ten, kann von der grundlegenden Marktsituation abhngen und wie die Investoren,
die Unternehmensnachricht interpretieren. Dies kann bei Brsenhchststnden
216
Abbildung 4.12: Entwicklungsstufen bei der Auswertung von
Textnachrichten im Algorithmic Trading
Bereitstellung
von Textbasierten
Daten
Bereitstellung
von Textbasierten
Daten
Text-Erkennung
(Text Mining)
Text-Erkennung
(Text Mining)
Klassif ikation
von Texten
(Computational
Linguistics)
Klassif ikation
von Texten
(Computational
Linguistics)
Sentiment-
Analyse
(Verbindung der
Klassif ikation mit
psychologischen
Variablen)
Sentiment-
Analyse
(Verbindung der
Klassif ikation mit
psychologischen
Variablen)
Grundlage
4 Buy-Side Algorithmic Trading
HAFEZ unterscheidet drei Entwicklungs-Stufen bei der Textauswertung im
Algorithmic Trading: Erstens Worterkennung (Key Word/Phrase Detec-
tion), zweitens Klassifikation von Nachrichten (Expert Consensus) sowie
drittens Markt-Reaktionen (Market Response).
732
Er vernachlssigt dabei
jedoch, dass die Datenbeschaffung in der Informationsphase ebenfalls
von strategischen Gesichtspunkten angeleitet wird. Auf Basis seiner Glie-
derung kann man jedoch vier Entwicklungsstufen im Algorithmic Tra-
ding unterteilen, die in Abbildung 4.12, S. 216, zusammengefasst wer-
den. Die Grundlage bildet die Bereitstellung von textbasierten Nachrich-
ten. Die Textanalyse, Computational Linguistics und Sentimentanalyse
bauen darauf auf.
Die Bereitstellung von Textnachrichten fr Algorithmic Trading erfolgt
entweder ber den Empfang standardisierter Mitteilungen von Nachrich-
tenagenturen
733
oder die aktive Suche nach ffentlich zugnglichen oder
(Haussee) und -tiefststnden (Baisse) vllig unterschiedlich sein und vom Kontext
anderer Unternehmensnachrichten abhngen. Was schlielich nach einem Ereig-
nis an Preiseffekten zu beobachten ist, resultiert aus den ersten beiden Phasen. Die
Preiseffekte vor/nach dem Auftreten eines Corporate Events wurden frher nur auf
Basis von monatlichen Daten untersucht, in den letzten Jahren konnten stattdessen
tgliche Kurse oder Intraday-Daten verwendet werden. Das heit, man betrachtet
die Preisentwicklung heute nur wenige Tage, Stunden vor und nach dem Eintreten
eines Ereignisses. Zweitens haben sich gleichzeitig die Methoden, zur Messung der
Preiseffekte verbessert und verfeinert, so dass man die Preisbewegungen und ab-
norme Renditen heute auf Signifikanz prfen kann. Vgl. Khotari, Warner (2006),
S.7-8 und Antweiler, Frank (2006), S. 2. Event-Studien sind nicht nur auf die Erfor-
schung von Preiseffekten beschrnkt, sondern untersuchen z.B. auch den Einfluss
von Nachrichten auf die Varianz, das Handelsvolumen oder Earnings Management.
Die Anzahl akademischer Beitrge ber Event-Studien ist sehr umfangreich,
KHOTARI UND WARNER geben hier einen berblick und schtzen den Umfang auf
mehr als 500 Beitrge. Vgl. Khotari, Warner (2006), S.1.
732 Vgl. Hafez (2010a), S. 4.
733 Nachrichtenagenturen (z.B. Reuters, Bloomberg) sammeln Nachrichtenmeldungen
mit Hilfe von Journalisten und ihrem Netzwerk ein und bereiten sie redaktionell
auf. Damit wird sichergestellt, dass Gerchte von Fakten getrennt werden. Danach
bernehmen die Agenturen die Verffentlichung und bermittlung der bereinigten
Nachrichtenmeldungen an ihre Kunden. Zur Entstehung und Funktion von Nach-
richtenagenturen vgl. Wilke (1998), S. 163ff.
217
4 Buy-Side Algorithmic Trading
privaten
734
Informationen. Als ffentlich zugngliche Informationsquel-
len dienen beispielsweise Aktienforen im Internet, RSS-Feeds, Chatrooms
oder Twitter-Nachrichten.
735
Als private Informationsquellen kommen In-
sider-Informationen in Frage.
736
Die Methoden der Textanalyse dienen
dazu, die relevanten Informationen aus den Nachrichtenstrmen heraus-
zufiltern und in quantitative Daten zu berfhren (Bereich der Quantita-
tiven Linguistik
737
).
738
Die Verwendung der Textanalyse zur Informations-
bewertung lsst aber einen groen Interpretationsspielraum zu. Denn es
734 Problematisch bei privaten Informationen ist, dass hier keine redaktionelle Auswahl
der Inhalte durch Journalisten stattfindet, so dass der Investors die Gerchte von
Fakten unterschieden muss.
735 WYSOCKI fand Belege dafr, dass sich mit Aktienforen das Handelsvolumen und ab-
norme Renditen des Folgetages vorhersagen lassen. Vgl. Wysocki (1999).
TUMARKIN UND WHITELAW fand keine Belege fr die Vorhersage von Renditen oder
Handelsvolumen durch Internetquellen. Vgl. Tumarkin, Whitelaw (2001). DAS UND
CHEN extrahieren aus Aktienforen die Marktstimmung von Privatanlegern (siehe
Sentiment Analyse). Vgl. Das, Chen (2006). BAGNOLI, BENEISH UND WATTS beschf-
tigen sich nicht mit der Vorhersage von Preisentwicklungen sondern mit der Unter-
nehmensergebnisse und wie diese durch Gerchte (Whispers) auf Webseiten ver-
breitet werden. Vgl. Bagnoli, Beneish, Watts (1999). ANTWEILER UND FRANK zeigen
schlielich, dass man durch der Beobachtung von Aktienforen, die Volatilitt der
Mrkte vorhersagen kann. Sie kommen zu kritischen Ergebnissen. Erstens lassen
sich durch Aktienforen keine Renditen vorhersagen. Zweitens ist in den am meisten
diskutierten Werten, auch ein hheres Handelsvolumen zu beobachten. Drittens
lsst sich die Volatilitt auf Basis der Forenbeitrge vorhersagen und viertens setzen
Aktienforen die Informationen am schnellsten um und dienen damit der Markteffi-
zienz. Vgl. Antweiler, Frank (2004), S. 1292. Fr Aktienforen siehe auch Antweiler,
Frank (2002).
736 Zum illegalen Insiderhandel vgl. Krauel (2000).
737 Fr eine Erklrung des Begriffes Quantitative Linguistik siehe Magermann, Van
Looy, Song (2008), S. 5.
738 In der Textanalyse bedient man sich einer Reihe von Techniken aus dem Data Mi-
ning, die sich explizit mit der Extraktion von Informationen aus qualitativen Daten
beschftigen (Text Mining). Vgl. Magermann, Van Looy, Song (2008), S. 6. Verein-
facht dargestellt, dienen die Methoden des Text Mining dazu, Texte in ihre Grund-
bestandteile zu zerlegen, um sie danach, entsprechend ihrer numerischen Bedeu-
tung, neu zusammenzusetzen, so dass die einzelnen Wrter und Stze maschinell
lesbar werden. Diese Methoden verfolgen das Ziel die Bedeutung der Nachrichten
(ihre Semantik) mit maschinellen Methoden zu erkennen und knnen daher als se-
mantische Analyse bezeichnet werden.
218
4 Buy-Side Algorithmic Trading
sind keine numerischen Daten mehr vorhanden, auf deren Basis man eine
mechanische Handelsregel festlegen knnte. Man kann die Entschei-
dungsprozesse aber vereinfachen, indem man die Texte klassifiziert
(Computational Lingustics)
739
und dann mit einem bestimmten erwarteten
Kursverlauf in Verbindung bringt.
740
Die Methoden der Sentimentanalyse
gehen ber die einfache Klassifikation von Texten hinaus und bringen
unstrukturierte Texte mit emotionalen, psychologischen Faktoren in Ver-
bindung. Das heit, die Texte werden nicht mehr nur in Kategorien trans-
formiert, die Aussagen ber die Kursentwicklung machen, sondern ent-
sprechend ihrer psychologischen Bedeutung interpretiert, welche dies
Stimmung der Investoren (das Investor Sentiment
741
) widerspiegeln sol-
len.
742

739 Fr einen berblick ber die Klassifikationsmethoden vgl. Das, Chen (2006).
740 Das Forschungsgebiet der Computational Linguistics beschriebt die (teilweise auto-
matische) Klassifikation von Texten. Vgl. Antweiler, Frank (2004). Die Wahl eines
geeigneten Klassifikationsverfahrens ist Gegenstand der wissenschaftlichen Dis-
kussion. Die Klassifikation kann ber parametrische statistische Methoden (z.B.
Naive Bayes) oder nicht-parametrische Verfahren (z.B. Support Vector Machines,
Neuronale Netze oder k-nearest Neighbour) erfolgen. Vgl. Antweiler, Frank (2006),
S. 5 zitiert nach Hastie, Tibishirani, Friedman (2001). Ein Beispiel fr die Naive
Bayes Methode sind SPAM-Filter in Email-Programmen, die aus den Textnachrich-
ten verdchtige Werbemails aussortieren. Fr eine detaillierte Beschreibung des
Naive Bayes Methode siehe Antweiler, Frank (2004), S. 1264. Ein anderes Beispiel
ist der sogenannte Bag of Words Approach, bei dem die Unsicherheit ber die Be-
deutung eines Textes durch mehrfache Analysen beseitigt wird. Die Klassifikation
von einzelnen Textbausteinen kann unter Umstnden zu einer fehlerhaften Interpre-
tation einer Textnachricht fhren. Beim Bag of Words Approach werden, je lnger
eine Textnachricht ist, mehrere Textbausteine klassifiziert, so dass ein allgemeiner
Trend sichtbar wird und die Interpretation eindeutiger ist. Vgl. Antweiler, Frank
(2006), S. 5 Funote Nr. 7.
741 Das Investor-Sentiment ist eine Beschreibung der psychologischen Variablen, wel-
che das Verhalten von Investoren auf den Finanzmrkten bestimmen und wird in
Verbindung mit der unterschwelligen Marktpsychologie genannt. Vgl. Tetlock
(2007), S. 1141ff.
742 Die Zuordnung unstrukturierter Texte in psychologische definierte Kategorien ist
hchst subjektiv und fehleranfllig. In der Sentiment-Analyse kommen deshalb
meist Wrterbcher zum Einsatz, die eine automatische Zuordnung und Interpreta-
tion erlauben und fr Objektivitt sorgen sollen. TETLOCK verwendet beispielsweise
das Harvard-IV-4 psychosoziales Wrterbuch. Vgl. Tetlock (2007), S. 1144. Wr-
219
4 Buy-Side Algorithmic Trading
Bei der Verwendung von Textnachrichten im Algorithmic Trading sind
die Teilprozesse der Informationsbeschaffung und der Informationsaus-
wertung nur schwer voneinander zu trennen. Denn es ist unklar wo, die
Aufbereitung von Textnachrichten aufhrt und ihre Auswertung beginnt.
Das Hauptproblem liegt in der Unsicherheit ber die Bedeutung eines Er-
eignisses. Denn die Information ber einen Corporate Event erhlt ihre
Bedeutung erst durch die Interpretation des Investors.
743
Aber selbst wenn
diese Unsicherheit beseitigt werden kann, besteht keine Garantie dass
alle Marktteilnehmer die Nachricht identisch interpretieren.
744
terbcher reichen jedoch nicht aus, denn, um die Texte richtig zu kategorisieren,
mssen nicht nur einzelne Wrter sondern ganze Stze verstanden werden. Dazu
kommt noch das gleiche Wrter in unterschiedlichen Stzen auch unterschiedliche
Bedeutung haben knnen. Damit wird die Interpretation einer Textnachricht sehr
variabel. Dem kann man z.B. mit der Bag of Words Methode begegnen, bei der die
Wrter mit gleicher Bedeutung gezhlt werden, um aus den kumulierten Hufigkei-
ten die Stimmung einer Textnachricht abzuleiten. Vgl. Dazu u.a. Tetlock, Saar-T-
sechansky, Macskassy (2008), S. 1440. Die Klassifikation und Interpretation von
Textnachrichten und deren Vor- und Nachteile bersteigen aber den Rahmen dieser
Arbeit. Fr einen tiefere Betrachtung der Sentiment-Analyse vgl. Tetlock, Saar-T-
sechansky, Macskassy (2008), Li (2006) oder Davis, Piger, Sedor (2008).
HIRSHLEIFER UND SHUMWAY, KAMSTRA, KRAMER UND LEVI sowie DICHEV UND JANES
spitzen das Thema der Sentiment-Analyse derart zu, dass sie nicht mehr nur Text-
nachrichten, sondern den Einfluss von Wetterphnomenen, der Mondzyklen oder
der Jahreszeiten auf die Stimmung von Investoren untersuchen. Vgl. Hirshleifer,
Shumway (2003), Kamstra et al. (2003) sowie Dichev, Janes (2003).
743 DAS UND CHEN erkannten dieses Problem und entwickelten einen Filter, um die Un-
sicherheit bei der Analyse von Textnachrichten zu reduzieren. Vgl. Das, Chen
(2006), S. 23.
744 Der groe Interpretationsspielraum bei der Auswertung von Textnachrichten, lsst
sich an einer Anekdote zum Mauerfall am 9. November 1989 in der DDR gut illus-
trieren. Auf der berhmten Pressekonferenz des SED-Zentralkomitees der DDR
stellte Gnther Schabowski das neue Reisegesetz fr DDR-Brger vor. Auf die Fra-
ge eines Journalisten, wann denn dieses Gesetz in kraft tritt, antwortete er ohne
Kenntnis der genauen Information mit den Worten: Das trifft nach meiner Kennt-
nis ist das sofort, unverzglich.. Die Ankndigung der Reisefreiheit fr DDR
Brger war alles andere als eindeutig und wurde erst im Laufe des Abends des 9.
Novembers durch die Menschen und Medien als Grenzffnung interpretiert.
220
4 Buy-Side Algorithmic Trading
[Link] Econophysics
Die Econophysics ist ein noch relativ junge Forschungsgebiet, in dem
Methoden aus der statistischen Physik angewendet werden, um komple-
xe soziokonomische Systeme zu erklren.
745
Als interdisziplinre Wis-
senschaft begegnen viele Physiker, Mathematiker und Wirtschaftswissen-
schaftler dem Forschungsgebiet (noch) mit Skepsis.
746
Aus der interdiszi-
plinren Forschung sind aber eine Reihe von komplexen Verfahren ent-
wickelt worden, die fr die Abbildung unbekannter Prozesse angewendet
werden knnen. Beispiele dafr sind der Kalman Filter
747
, Entropie-Ma-
e
748
, Hidden Markov Models (HMM)
749
oder die Wavelet Analyse
750
. Die
Anwendungsbereiche dieser Methoden liegen z.B. in der Verkehrs- oder
Epidemie-Forschung, aber auch in der Auswertung von finanziellen
Zeitreihendaten beim Algorithmic Trading.
Finanzielle Zeitreihendaten sind meistens nicht-linear und knnen auch
als chaotisch beschrieben werden (siehe Brownsche Bewegung).
751
Die
Methoden der Econophysics sind speziell fr die Arbeit mit dynamischen
Zeitreihendaten geeignet, die nicht normalverteilt sind, und deren Vertei-
745 Die DEUTSCHE PHYSIKALISCHE GESELLSCHAFT (DPG) grndet 2001 einen Arbeitskreis
fr sozio-konomische Systeme (AKSOE), um die Forschung hier voranzutreiben.
746 Vgl. Farmer (1999) sowie Mantegna, Stanley (1999).
747 Die Grundidee hinter dem Kalman Filter ist die Schtzung von nicht-beobachtbaren
Parameter, die sich in ein groes Gesamtmodell einfgen. Vgl. Arnold, Bertus,
Godbey (2007), S. 2.
748 Entropie-Mae beschreiben das Wachstum und die Verteilung von Informationen.
Vgl. Chen (2002 und 2004).
749 HMM dienen dazu, stochastische Prozesse abzubilden, die nicht direkt beobachtet
werden knnen, aber durch die Beobachtung anderer stochastische Prozesse ge-
schtzt werden knnen. Vgl. Netzer, Lattin, Srinivasan (2007), S. 8
750 Wavelets sind Wellen in einer Zeitreihe, die mit kleinen Schwingungen beginnen
und die dann spter wieder absterben. Die Oszillation und Form der Wellen kann
sich dabei dynamisch verndern. Die Wavelet Analyse unterstellt, zustzlich zu den
dynamischen Verteilungen eine Periodizitt in den Zeitreihen. Vgl. Crowley (2005),
S. 7.
751 Vgl. Ingber, Mondescu (2000), S. 2.
221
4 Buy-Side Algorithmic Trading
lungen sich auch dynamisch ndern.
752
Der Einsatz von Econophysics im
Finanzbereich ist aber umstritten, weil unklar ist, ob man die Gesetzm-
igkeiten aus der Physik einfach auf die Finanzmrkte bertragen kann.
753
Durch die hohe Komplexitt des Themas beschftigen sich viele wis-
senschaftliche Beitrge mehr mit den Verteilungen finanzieller Zeitrei-
hen, als mit deren Umsetzung in Handelsstrategien.
754

752 FARMER nennt einige Forschungsfragen zur Zeitreihenanalyse (von Finanzdaten),
deren Diskussion zu Feststellung von Gesetzmigkeiten in der Econophysics fh-
ren soll. Eine der wichtigsten Fragen dreht sich um die Art der Verteilung von
Preisfluktuationen. Eine naive Annahmen gehen hier von einer normalen (Gau-
schen)Verteilung eines Preises
P
t
zum Zeitpunkt t und dessen logarithmierter
Rendite
r (log )
(t)
aus. Die Variable t steht fr den Betrachtungshorizont und
kann in Subintervalle mit
r (log)
(t , t )
eingeteilt werden. Vgl. Farmer (1999), S. 27f.
(4.4)
r (log)
(t , t)
=logP
(t+t)
log P
t
Wenn die Preisvernderungen in jedem Subintervall wirklich unabhngig voneinan-
der und identisch verteilt wren, msste deren kumulative Verteilungsfunktion
f (r
t
) fr groe Werte von t eine Normalverteilung anstreben. Finanzielle
Zeitreihendaten konvergieren aber fr groe Werte von t aber nur sehr langsam in
Richtung einer Normalverteilung. Fr Zeitrume von t die weniger als einen Mo-
nat umfassen, zeigen die Zeitreihendaten meistens sogar signifikante Abweichun-
gen von der Normalverteilung. Die Econophysics beschftigt sich nun mit den
Quellen dieser Abweichung und basiert dabei auf den Arbeiten von MANDELBROT
und FAMA. Vgl. Farmer (1999), S. 28f zitiert nach Mandelbrot (1963) und Fama
(1965). Insbesondere bei dynamischen Daten oder stark zuflligen Zeitreihen be-
steht eine hhere Wahrscheinlichkeit fr Extremwerte (sogenannte Fat Tails), weil
f (r
t
) nicht stabil ist. Viele Physiker beschftigen sich stattdessen mit den Power
Law Verteilung des Vermgens (Power Law Distribution of Wealth) von Vilfredo
Pareto (1848-1923). BOUCHAUD gibt einen berblick ber den Zwischenstand in
dieser Diskussion ber Power Laws. Vgl. Bouchaud (2000), S. 7ff. Aber nicht nur
die Preisvernderungen selbst sind Gegenstand der Diskussionen, sondern auch die
Eigenschaften dieser Verteilungen. Beispielsweise verndert sich im Zeitablauf die
Varianz (Clustered Volatility). Clustered Volatility wird meistens mit ad-hoc Zeitrei-
henmodellen wie ARCH (Auto Regressive Heteroscedasticity) untersucht und vor-
hergesagt. Vgl. Farmer (1999), S. 30f.
753 FARMER stellt fest, dass Modelle, die in der Physik gut funktionieren, nicht automa-
tisch auf die Wirtschaftswissenschaften bertragen werden knnen. Denn die Fi-
nanzmrkte werden durch das soziale Verhalten der Marktteilnehmer gestaltet und
222
4 Buy-Side Algorithmic Trading
[Link] Momentum-Strategien
Unter Contrarian Strategies versteht man Handelsstrategien, die im
Grunde gegenstzliche" Handelsentscheidungen miteinander kombinie-
ren.
755
Diese Strategien knnen darin bestehen, Wertpapiere zu kaufen,
die in der Vergangenheit positive Rendite erzielten, und diejenigen zu
verkaufen, die in der Vergangenheit Kursverlusten zeigten (Buying
Loosers and Selling Winners).
756
Diese Handelsstrategien gehen von einer
Interdependenz der Zeitreihen der Renditen aus.
757
Das heit, sie verfol-
gen die Annahme, dass die heutigen Kurse, mit geringen Abweichungen,
von denen der Vergangenheit abhngen.
758
Diese Beobachtung von inter-
nicht durch naturwissenschaftliche Gesetze. Vgl. Farmer (1999), S. 26. DERMAN
sieht die Anwendung von naturwissenschaftlichen Methoden in der Finanzanalyse
auch kritisch. Im Laufe seiner Arbeit bei der US-Investmentbank Goldman Sachs
seien ihm viele Strategien und Modelle aus den Naturwissenschaften als der
Durchbruch in der Finanzierungstheorie vorgeschlagen worden, die wie im Fal-
le der statistischen Arbitrage sichere Renditen ohne finanzielles Risiko verspra-
chen. Den Test an der Realitt der Finanzmrkte htten aber nur diejenigen Modelle
davon bestanden, die aus der Praxis heraus entwickelt wurden. Vgl. Derman
(2002), S. 120.
754 ZOVKO UND FARMER beispielsweise untersuchten das Handelsverhalten unterschied-
licher Akteure an der LONDON STOCK EXCHANGE (LSE) ber eine Cluster-Analyse.
Die von den Autoren angewandte Methode basiert auf der Hypothese, dass die Ak-
teure gleichen wiederkehrende Verhaltensmuster verfolgen, die sich aus dem Or-
derflow der Londoner Brse extrahieren lassen. Vgl. Zovko, Farmer (2008). INGBER
UND MONDESCU entwickeln mechanische Handelsregeln fr S&P Futures mit Metho-
den der Canonical Momenta Indicators (CMI) und Adaptive Stimulative Annealing
(ASA). Vgl. Ingber, Mondescu (2000) und Ingber (1996). CAPOBIANCO nutzt die Wa-
velet Analyse, um die Dynamik von Renditen von Aktien Intraday vorherzusagen.
Vgl. Capobianco (2004). VUORENMAA analysiert die Volatilitt der Nokia Aktie mit
Hilfe einer Wavelet Analyse. Vgl. Vuorenmaa (2004) . WEIGEND UND SHI wenden
ein Hidden Markov Modell an, um die tgliche Wahrscheinlichkeitsverteilung fr
Renditen des S&P 500 vorherzusagen. Vgl. Weigend, Shi (1998).
755 Vgl. Jegadeesh, Titman (1993), S. 65.
756 Vgl. Jegadeesh, Titman (1993), S. 65.
757 Vgl. Chan, Hameed, Tong (2000), S. 153f.
758 In der Literatur gibt es zwei grundstzliche Erklrungsversuche fr die serielle Kor-
relation in den Aktienkursen bzw. den Momentum-Effekt. Die erste Mglichkeit ist,
dass die Aktienkurse auf neue Informationen (z.B. in Form von Nachrichten) zu-
223
4 Buy-Side Algorithmic Trading
dependenten Marktpreis-Bewegungen, wird auch als Momentum-Effekt
bezeichnet.
759
Handelsstrategien, die sich auf diese Effekt beziehen, wer-
den Momentum-Strategien genannt.
[Link] Unterscheidung von High Frequency und Systematic
Trading
ALDRIDGE begrenzt ihre Untersuchung auf die Strategien im Hochfre-
quenzhandel (High Frequency Trading).
760
Die Strategien im High Fre-
quency Trading sind charakterisiert durch mehrere Transaktionen pro
Tag, niedrige Reaktionszeiten und einen durchschnittlich niedrigeren Ge-
winn pro Aktie und Transaktion, als im niederfrequenten Bereich.
761
Die
Portfolio-Positionen werden am Ende des Tages glatt gestellt, das heit,
komplett verkauft, so dass ber Nacht (whrend die Brse geschlossen
bleibt) keine Risiken durch Kursschwankungen entstehen knnen (Ver-
meidung von Overnight Risk).
762

nchst unter-reagieren. Das heit, neue Informationen ber ein Unternehmen
werden erst im Laufe der Zeit in den Kurs eingepreist. Zweitens besteht die Mg-
lichkeit, dass die Anleger ein Herdenverhalten aufweisen (Herding). Vgl. Chan, Ha-
meed, Tong (2000), S. 153. Das heit, die Investoren reagieren am Anfang nur sehr
langsam auf neue Informationen, whrend sich spter Massenbewegungen ergeben.
Vgl. Park, Sabourian (2009).
759 CHAN, JEGADEESH UND LAKONISHOK unterscheiden in diesem Zusammenhang Preis-
Momentum und Earnings-Momentum. Beim Earnings-Momentum werden Handels-
regeln auf Basis unerwarteter Quartalszahlen (Standardized Unexpected Earnings;
Kurz: SUE) entwickelt. Beim Preis-Momentum wird die serielle Korrelation der
Brsenkurse damit erklrt, dass der Markt auf unspezifische, breite Informationen
nur langsam reagiert. Vgl. Chan, Jegadeesh, Lakonishok (1996), S. 1683ff.
760 Vgl. Aldridge (2009).
761 Vgl. Aldridge (2009), S. 1-2.
762 Durch diese Praxis bleibt der Zugang zum investierten Kapital jederzeit mglich
(Vermeidung von sogenannten Lock-Up Perioden) und es mssen auch keine Kre-
ditzinsen (Leverage) oder Leihgebhren gezahlt oder Sicherheitspositionen (Mar-
gin Requirements) vorgehalten werden, die ber Nacht anfielen. Die Vorteile von
High Frequency Trading liegen nach ALDRIDGE auch darin, dass man aufgrund der
vielen Transaktionen und dem hohen Datenvolumen den Erfolg einer Handelsstra-
tegie schon nach ca. 1 Monat sehen kann. Im niederfrequenten Bereich knnen
224
4 Buy-Side Algorithmic Trading
Neben dem Hochfrequenzhandel existieren aber auch eine Reihe traditio-
neller Investmentstrategien, bei denen Software-Programme unterstt-
zend im Investmentprozess eingesetzt werden. Diejenigen Handelsstrate-
gien, die auch auf Computermodellen basieren, aber nicht zum Hochfre-
quenzhandel zhlen, bezeichnet die Autorin als Systematische Strategi-
en (Systematic Trading).
763
POWELL definiert Systematic Trading als In-
vestitionsdisziplin, die auf quantitative Forschung und der Auswertung
mehr als 6 Monate Daten ntig sein, um die gleichen Aussagen zu treffen. Darber
hinaus gibt es viele gesellschaftliche Vorteile durch Hochfrequenzhandel, wie z.B.
Sicherstellung der Liquiditt, Erhhung der Markteffizienz, mehr Innovationen in
der Computertechnologie oder Reduktion der Personalkosten. Vgl. Aldridge (2009),
S. 2.
763 Vgl. Aldridge (2009), S. 18.
225
Abbildung 4.13: Ergebnisse einer Umfrage von FINalternatives im
Juli 2009, welche durchschnittliche Halteperiode als High
Frequency Trading definiert wird (Quelle: Aldridge (2009), S. 22
zitiert nach FINalternatives (2009))
< 1 Second
1 second to 10 minutes
10 minutes to 1 hour
1 hour to 4 hours
4 hours to 1 day
1 day to 5 days
5 days to 1 month
1 month to 3 months
longer than 3 months
0,00% 20,00% 40,00% 60,00% 80,00%
4 Buy-Side Algorithmic Trading
technischer Marktdaten basiert.
764
Im Mittelpunkt des Systematic Trading
stehen Software-Programme, die von Analysten mit Marktdaten be-
schickt werden, um beim Auftreten bestimmter Marktbedingungen
einen Kauf- oder Verkauf zu initiieren.
765
Die Kauf- und Verkaufsent-
scheidung fllt auf Basis vordefinierter mechanischer Handelsregeln, die
in Abschnitt [Link] , S. 202, erlutert wurden.
766
Systematic Trading be-
zieht sich also auf alle Handelsstrategien, die Computermodelle einset-
zen, um Kufe und Verkufe zu ttigen, und deren durchschnittliche Hal-
teperioden, eine Minute, ein Tag oder lngere Zeitrume umfassen kann
(Hochfrequenzhandel eingeschlossen).
767

Wie lange Wertpapiere im Portfolio bleiben drfen, um die Kriterien von
High Frequency Trading zu erfllen, wird in der Praxis unterschiedlich
definiert und lsst sich auf Basis der Literatur nicht beantworten. Abbil-
764 Vgl. Powell (2009), S. 469.
765 Vgl. Powell (2009), S. 469.
766 Vgl. Powell (2009), S. 469.
767 Vgl. Aldridge (2009), S. 18.
226
Abbildung 4.14: Evolution des Algorithmic Trading (Quelle: Aldridge
2009, S. 17)
Algorithmic or
Electronic trading
(execution)
Sell Side
Positions Holding Period
Short
Long
Execution-
Latency
Low
High
High Frequency
Trading
Traditional Longterm
Investing
4 Buy-Side Algorithmic Trading
dung Nr. 4.13, S. 225, gibt die Ergebnisse einer Umfrage des Finanz-
dienstleisters FINALTERNATIVES wieder, in der die Teilnehmer gefragt wur-
den, welche durchschnittliche Halteperiode sie als High Frequency Tra-
ding klassifizieren. Daraus kann man entnehmen, dass Halteperioden von
bis zu 5 Tagen als High Frequency Trading definiert wurden. ALDRIDGE
zeichnet ein intuitives Gesamtbild aller Handelsstrategien im Algorithmic
Trading, in dem sie den Hochfrequenzhandel, traditionellen Strategien
und Sell-Side Algorithmic Trading in einem Schema ordnet (siehe Abbil-
dung Nr. 4.14, S. 226). Systematic Trading beschreibt in der Abbildung
die Bereiche des High Frequency Trading und des Traditional
Longterm Investing.
[Link] Zusammenfassung
Tabelle 19, S. 204, fasst die Handelsstrategien zusammen. Eine grundle-
gende Annahme ber Algorithmic Trading war bisher, dass es nur aus
High Frequency Trading besteht.
768
Die alleinige Betrachtung des Hoch-
frequenzhandels verschleiert aber das wahre Ausma des Algorithmic
Trading und prgt zu unrecht dessen Bild in der ffentlichkeit. Systema-
tic Trading ist hingegen allgemeiner und deckt das ganze Spektrum der
Handelsstrategien im Algorithmic Trading ab. Der Nachteil dieser allge-
meinen Betrachtung ist, dass die Methoden und technischen Hilfsmittel,
die beim Systematic Trading verwendet werden, so vielfltig sind, dass
keine gemeinsamen Eigenschaften zwischen den Handelsstrategien er-
kennbar sind.
768 Siehe z.B. Aldridge (2009), Pole (2007), Narang (2009) und Andere.
227
4 Buy-Side Algorithmic Trading
4.5 Ergebnisse der Buy-Side Untersuchung
228
Abbildung 4.15: Schematische Darstellung der Prozesse im Buy-Side
Algorithmic Trading
Inf ormations-
phase
Inf ormations-
phase
Orderrouting-
phase
Orderrouting-
phase
Abschluss-
phase
Abschluss-
phase
Abw icklungs-
phase
Abwicklungs-
phase
Methoden zur
Informati ons-
auswertung
Mechani sche
Handelsregeln
Transakti ons-
wunsch
Anl age-
prozesse
Auswahl der
Marktdaten
Initiator
Handel s-
Strategi e
Handels-
Strategi e
Aufberei tung der
Marktdaten
Teilprozess: Informationsbeschaffung und Bereitstellung
Teilprozess: Informationsauswertung
Steuerung und
Koordination
der Prozesse
4 Buy-Side Algorithmic Trading
Das Ziel dieses Kapitels war es, mit Hilfe der prozessorientierten Sicht
von PICOT, BORTENLNGER UND RHRL, qualitative Eigenschaften von Buy-
Side Algorithmic Trading zu finden, die sich in empirischen Daten (z.B.
Fondsrenditen) nachweisen lassen.
769

Die vergangenen vier Kapitel haben gezeigt, dass die Buy-Side im Zen-
trum des Algorithmic Trading steht. Whrend der Informationsphase tref-
fen selbststndige Softwareprogramme eine Investmententscheidung, die
als Transaktionswunsch an die Sell-Side weitergeleitet wird, um dann in
elektronischen Handelssystemen zur Ausfhrung zu kommen. Die Infor-
mationsphase beim Algorithmic Trading lsst sich in die Teilprozesse der
Informationsbeschaffung und -auswertung gliedern (siehe Abbildung
4.15, S. 228). Den Kern dieser Teilprozesse bilden Methoden zur Infor-
mationsbewertung, Anlageprozesse und mechanische Handelsregeln. Sie
dienen dazu, eine Handelsstrategie im Buy-Side Algorithmic Trading zu
realisieren, die vom Initiator vorgegeben wird.
In den Transaktionsprozessen lassen sich auf den ersten Blick keine qua-
litativen Eigenschaften erkennen, die fr alle Algorithmic Trading Pro-
gramme gleich sind.
770
Denn Algorithmic Trading nimmt zu vielfltige
Formen an. Um einen berblick ber die vielen unterschiedlichen For-
men von Algorithmic Trading auf der Buy-Side zu gewinnen, kann man
die Softwareprogramme mit dem Paradigma der Software-Agenten klas-
sifizieren (siehe Abschnitt 4.3.2 , S. 190). Die Software-Agenten knnen
dem Menschen den gesamten Entscheidungsprozess abnehmen und
selbststndig Orders generieren (Agenten-Typ 2 und 3).
771
Die Software-
769 Siehe Picot, Bortenlnger, Rhrl (1996) und Abschnitt [Link] , S. 47, dieser
Arbeit.
770 Es wre mglich Buy-Side Algorithmic Trading z.B. auf den Hochfrequenzhandel
zu reduzieren, um die Suche nach gemeinsamen Eigenschaften zu vereinfachen und
zu beschleunigen. Dies wrde aber der Realitt der Mrkte nicht gerecht, wo Algo-
rithmic Trading auf im niederfrequenten Systematic Trading eingesetzt wird. Siehe
Abschnitt [Link] , S. 224 dieser Arbeit.
771 ALDRIDGE stellt dar, dass solche Systeme in ihrer Produktionsumgebung in hoch-
leistungsfhigen Programmiersprachen (z.B. C++, JAVA) programmiert werden,
229
4 Buy-Side Algorithmic Trading
Agenten knnen aber auch nur beratend wirken, indem sie Empfehlungen
aussprechen und die Umsetzung des Transaktionswunsches dem Men-
schen berlassen (z.B. Agenten-Typ 1). Mit dem Paradigma kann man die
Softwareprogramme im Buy-Side Algorithmic Trading unabhngig von
der eingesetzten Handelsstrategie beschreiben. Es ist aber noch nicht ab-
schlieend bewiesen, ob man das Paradigma der Software-Agenten tat-
schlich auf Algorithmic Trading bertragen kann.
Abschnitt 4.4.3 , S. 204, machte deutlich, dass die Handelsstrategien die
Transaktionsprozesse beim Buy-Side Algorithmic Trading dominieren.
Die Handelsstrategien unterscheiden sich zwar alle stark voneinander,
weisen aber alle die Eigenschaft der Komplexitt auf (siehe Tabelle 19,
S. 204). Fr den Begriff der Komplexitt existiert keine universelle Defi-
nition.
772
In der Literatur existieren viele unterschiedliche Konzepte zur
Beschreibung von Komplexitt, je nachdem welches Phnomen man un-
tersuchen mchte.
773

Einen allgemeinen berblick ber die Erforschung komplexer Systeme
bieten MINAI, BRAHA UND BAR-YAM.
774
Die Erforschung komplexer Syste-
me steht im engen Zusammenhang mit dem Paradigma der Software-
Agenten.
775
Nach Ansicht von EDMONDS ist wesentlicher Bestandteil der
Komplexitt, dass man ein System nicht mehr in seine kleinsten, funda-
mentalen Bestandteile zerlegt, um deren Funktionsweise zu beschreiben,
damit auch innerhalb von maschinen-optimierten Software-Code keine Medienbr-
che auftreten, die zu Zeitverlust fhren. Vgl. Aldridge (2009), S. 242. An eine ma-
nuelle bermittlung von Orders ist in diesem Fall nicht zu denken, stattdessen be-
steht die unbedingte Notwendigkeit, die Orders mit Ausfhrungsalgorithmen an die
Brse zu bermitteln. Vgl. Aldridge (2009), S. 18.
772 EDMONDS versucht, eine bergreifende Definition von Komplexitt zu entwickeln,
die sich auf die Verwendung einer gemeinsamen Sprache sttzt. Er schreibt, Kom-
plexitt ist: That property of a language expression which makes it difficult to for-
mulate its overall behaviour, even when given almost complete information about
it's atomic components and their inter-relations. Edmonds (1999), S. 7.
773 Vgl. Heylighen (2008), S. 3.
774 Vgl. Minai, Braha, Bar-Yam (Hrsg.) (2010).
775 Vgl. Schweitzer, Farmer (2007), S. 6f.
230
4 Buy-Side Algorithmic Trading
sondern dass man ein System als Ganzes betrachtet, um das Zusammen-
wirken seiner Teile zu verstehen.
776
Eine wichtige Eigenschaft von Pro-
zessen in komplexen Systemen
777
ist deren Nicht-Linearitt, d.h. Effekte
sind nicht-proportional zu ihren Ursachen.
778
Auf diese Untersuchung be-
zogen, bedeutet Komplexitt, dass in der Informationsphase beim Algo-
rithmic Trading eine Vielzahl komplizierter Teilprozessen ineinander
greifen, die man nur schwer gegeneinander abgrenzen kann. Die Prozesse
lassen sich stattdessen einfacher als organisatorische Einheit (z.B. als
Software-Agent) beschreiben. Jede Handelsstrategie verfolgt ein anderes
Ziel und bedient sich dafr eigener Theorien und Annahmen, die vom In-
itiator vorgegeben werden. Was auf der Ebene der Software in den ein-
zelnen Prozessen abluft, lsst sich, selbst bei vollstndiger Kenntnis des
Software-Codes und aller denkbaren Einflsse, nur schwer nachvollzie-
hen. Die Teilprozesse unterliegen keiner sichtbaren Ordnung, arbeiten
aber alle zielorientiert zusammen, um einen Transaktionswunsch zu reali-
sieren.
776 Vgl. Edmonds (1999), S. 7.
777 HEYLIGHEN fasst eine Reihe von Eigenschaften zusammen, die wiederholt zur Cha-
rakterisierung von komplexen Systemen benutzt werden. So halten komplexe Sys-
teme eine Balance aus (berechenbarer) Ordnung und (unberechenbarer) Unord-
nung. Komplexe Systeme bestehen aus mehreren autonomen Teilen, die miteinan-
der interagieren mssen und daher, zu einem gewissen Grad, auch wieder vonein-
ander abhngig sind. Die Komponenten komplexer Systeme werden als Agenten
modelliert, sie stellen individuelle Systeme dar, die auf Vernderungen in ihrer Um-
welt selbststndig reagieren. Diese Umweltbedingungen werden auch durch die Ak-
tivitten anderer Agenten beeinflusst, so dass die Aktionen eines Agenten die Reak-
tionen anderer Agenten hervorrufen. Vgl. Heylighen (2008), S. 4.
778 Von positivem Feedback spricht man, wenn kleine Ursachen zu berproportional
groen Wirkungen fhren, die zur Instabilitt der Systeme fhren (z.B. Butter-
fly-Effect). Unter dem Butterfly-Effekt versteht man in der theoretischen Physik die
Sensible Abhngigkeit eines Systems von Umwelt-Konditionen. Vgl. Longair
(2003), S. 182. Von negativem Feedback spricht man, wenn die Effekte kleiner als
ihre Ursachen sind und die Prozesse zur Stabilitt komplexer Systeme beitragen.
Die Dynamik komplexer Systeme kann auf eine Kombination von positiven und
negativen Feedbacks zurckgefhrt werden, in denen sich Ordnung und Unordnung
im Gleichgewicht halten. Vgl. Heylighen (2008), S. 4f.
231
4 Buy-Side Algorithmic Trading
Ob die Annahme der Komplexitt fr Algorithmic Trading der Realitt
entspricht, lsst sich in dem begrenzten Umfang dieser Arbeit nicht voll-
stndig beweisen, weil das Paradigma der Komplexitt zu umfangreich
ist. Wenn die Annahme zur Komplexitt beim Algorithmic Trading rich-
tig ist, sind alle Prozesse, die in der Informationsphase stattfinden, auch
nicht-linear und weisen positive und negative Feedbacks auf.
779

Der Begriff der komplexen (dynamischen) Handelsstrategien wurde
bisher von FUNG UND HSIEH verwendet, um die Anlageprozesse bei Hed-
gefonds-Managern grob zu beschreiben.
780
Sie verwenden den Begriff je-
doch nur, um die von der Normalverteilung abweichenden Rendite-Ver-
teilungen zu beschreiben, ohne auf die dahinter stehenden Prozesse ein-
zugehen. Im weiteren Verlauf dieser Arbeit beschreibt der Begriff Kom-
plexitt die interagierenden Prozesse, die innerhalb einer Algorithmic
Trading Software auf der Buy-Side oder Sell-Side ablaufen.
779 Vgl. Heylighen (2008), S. 4.
780 Vgl. Fung, Hsieh (1997, 2001a, 2001b, 2002a )
232
5 Renditen mit Algorithmic Trading
5 Renditen mit Algorithmic Trading
5.1 Algorithmic Trading in Hedgefonds-Datenbanken
5.1.1 Bezug zur Forschungsfrage
Die ersten vier Kapitel dienten dazu, die Prozesse im Algorithmic Tra-
ding zu untersuchen, um Eigenschaften zu finden, die sich nach Ab-
schluss der Transaktionen in den Renditen widerspiegeln knnten (z.B.
Komplexitt). Der nchste Schritt dieser Arbeit besteht darin, Renditen zu
bestimmen, bei denen sich diese Eigenschaften von Algorithmic Trading
nachweisen lassen knnten.
Eine Mglichkeit dazu bieten Hedgefonds-Datenbanken. Sie klassifizie-
ren Hedgefonds-Renditen nach Strategien und ordnen Hedgefonds mit
Algorithmic Trading in diese Kategorien ein. Die Angaben zu Strategien
basieren meist auf den Selbsteinschtzungen der Hedgefonds-Manager
(Peer Group Styles), die in Fondsprospekten festgeschrieben oder in Ex-
perteninterviews feststellbar sind.
781
Darber hinaus existieren quantitativ
bestimmbare Strategien (Quantitative Style-Faktoren), mit denen sich die
Strategien aus Fondsrenditen empirisch nachprfen lassen.
782
Die Ver-
wendung von Hedgefonds-Datenbanken setzt grundlegende Kenntnisse
ber die Organisation und deren Aufbau voraus. Das folgende Kapitel er-
klrt zunchst die allgemeinen Eigenschaften von Hedgefonds und ihren
Strategien und betrachtet danach die Einteilung von Algorithmic Trading
in den drei Datenbanken MAR, Lipper und HFR. Das folgende Kapitel
zeigt exemplarisch die Kultur der Geheimhaltung in beim Algorithmic
Trading in der Hedgefonds-Industrie.
781 Vgl. Fung, Hsieh (2002a), S. 16.
782 Vgl. Fung, Hsieh (2002a), S. 19.
233
5 Renditen mit Algorithmic Trading
5.1.2 Definition von Hedgefonds
[Link] HNWI's, Strategien und Gebhren
Hedgefonds sind Investmentvehikel fr institutionelle Anleger und ver-
mgende Privatinvestoren (High Net Worth Individuals; kurz:
HNWI
783
).
784
Sie werden der Gruppe der Alternativen Investments (AI)
zugeordnet, das heit, sie verfolgen Investmentstrategien, die nicht mit
klassischen Anlageinstrumenten, wie z.B. Aktien, Anleihen oder Invest-
mentfonds, vergleichbar sind.
785

Der Fondsmanager hat bei der Wahl seiner Strategie und Anlageinstru-
mente freie Wahl, kann Leerverkufe eingehen (Short-Selling) oder Kre-
dite aufnehmen (Leverage).
786
Er ist in der Regel selbst am Fondsverm-
gen beteiligt, damit keine Interessenkonflikte mit anderen Anteilseignern
auftreten und Anreize fr erfolgreiches Handeln bestehen.
787
Die Anteils-
eigner bezahlen dem Fondsmanager eine Verwaltungsgebhr (blich sind
1% bis 2% des Fondsvermgens als Managementgebhr) und eine er-
783 Als HNWI's werden Anleger bezeichnet, die mindestens US $ 1 Mio. fr Investitio-
nen zur Verfgung halten, ausgenommen eigengenutzte Immobilien, wertvolle
Sammlungen oder langlebige Konsumgter. Als Ultra-HNWI's werden Investoren
bezeichnet, die mehr als US $ 30 Mio. zur Verfgung haben, mit den gleichen Ein-
schrnkungen wie fr einfache HNWI's. Eine umfangreiche Definition von HNWI's
und empirische Marktdaten finden sich im jhrlich erscheinenden World Wealth
Report, herausgegeben von CAP GEMINI und MERRIL LYNCH. Vgl. World Wealth Re-
port (2009), S. 2ff.
784 Vgl. Fung, Hsieh (1999), S. 310.
785 Unter Alternativen Investments werden allgemein alle Investmentstrategien ver-
standen, deren Renditen unabhngig von anderen Assetklassen (wie z.B. Aktien,
Bonds) sind. Primres Ziel der AI ist es, berrenditen (Alpha) zu erwirtschaften,
die ber den Marktdurchschnitt hinaus gehen. AI verfolgen den Absolute Return
Ansatz, bei dem, unabhngig von den Marktbedingungen, immer positive Renditen
erwirtschaftet werden sollen. Hedgefonds bilden eine der liquidesten Formen der
Alternative Investments. Vgl. Fung, Hsieh (2004b), S. 1ff.
786 Vgl. Lhabitant (2002), S. 59ff.
787 Vgl. Fung, Hsieh (1999), S. 310.
234
5 Renditen mit Algorithmic Trading
folgsabhngige Gewinnbeteiligung (zwischen 15-20% der Gewinne als
Performance-Gebhr).
788
Einen Einblick in die historische Entstehung
von Hedgefonds bietet LHABITANT.
789
[Link] Organisation von Hedgefonds
Um die Kategorisierung von Strategien in Hedgefonds-Datenbanken zu
verstehen, sind grundlegende Kenntnisse ber die Organisationsstruktur
von Hedgefonds notwendig. Das Fonds-Kapital wird meistens in der
Rechtsform einer Kapitalgesellschaft (Limited Partnership) oder einer
Fonds-Konstruktion gesammelt und von einem Fondsmanager verwaltet.
790
Neben dem Fondsmanager unterhalten die Fonds noch Service- und
Untersttzungsstrukturen, die je nach Domizilierung und Aufsichtsbehr-
den und gesetzlichen Grundlagen unterschiedlich ausfallen.
791
Unter dem
788 Vgl. Fung, Hsieh (1999), S. 312.
789 Vgl. Lhabitant (2002), S. 7ff.
790 Vgl. Fung, Hsieh (1999), S. 310.
791 Hedgefonds werden in Deutschland beispielsweise durch das Investmentgesetz
(InvG) erfasst und durch die BAFIN reguliert. Man unterscheidet hier Single-Hed-
gefonds (Sondervermgen mit zustzlichen Risiken die bei der Auswahl der Ver-
mgensgegenstnde keinen Einschrnkungen unterliegen; siehe 112 InvG) und
Dach-Hedgefonds (Dach-Sondervermgen mit zustzlichen Risiken, die in andere
Single-Hedgefonds investieren, siehe 113 InvG). Die gesetzlichen Grundlagen
von Hedgefonds in den USA sind umfangreicher. Hier gilt gilt der Securities Act of
1933, welcher Firmen die Fondsanteile in der ffentlichkeit vertreiben zur Regis-
trierung bei der SEC verpflichtet. (siehe Rule 506 in Regulation D, Safe Harbor
Provision). Der Investment Company Act of 1940 (ICA) dient der Regulierung von
Investmentfonds und deren Abgrenzung zu Hedgefonds. Der Investment Advisor
Act of 1940 (fr die Regulierung von Fonds-Beratern), sowie der Securities Ex-
change Act of 1934 (fr die Regulierung von Brokern). CTA's werden in den USA
durch die Commodity Futures Trading Commission (CFTC) reguliert. Vgl. Fung,
Hsieh (1999), S. 314ff. Der Begriff Hedgefonds umfasst sonst eine Grauzone. Ne-
ben den offiziell registrierten Sondervermgen von Hedgefonds gibt es eine ganze
Reihe von Fonds, die nicht durch die Regulierungsbehrden erfasst werden knnen,
weil sie Kapitalgesellschaften sind, nur wenige Investoren haben oder sich als juris-
tische Personen (in Form von Limited Partnerships) praktisch nur selbst verwalten.
Dazu kommen viele Offshore Hedgefonds, die auerhalb der Europischen Union
und der USA in Steueroasen domiziliert sind, um sich der Regulierung und Steuer-
235
5 Renditen mit Algorithmic Trading
Domizil-Land versteht man den Ort, wo der Hedgefonds beheimatet ist.
Die folgende Abbildung Nr. 5.1 (S. 236) zeigt die Organisation eines
Hedgefonds, wie sie z.B. auf den Cayman Islands blich ist.
792

Im Mittelpunkt der Fonds-Konstruktion steht das Sondervermgen. Der
Fondsmanager (Investment-Manager) wird bei der Realisierung der In-
vestmentstrategie vom Hedgefonds Berater (Investment-Advisor) mit
Spezialwissen untersttzt.
793
Dies kann z.B. ein Team aus IT-Spezialisten
oder Physikern sein. Das Direktorium (Board of Directors) berwacht die
laufenden Operationen eines Hedgefonds und versucht, Interessenkon-
flikte zwischen Manager und Investoren (Investors, Limited Partners,
zugriff zu entziehen. Fr die Regulierung von Offshore Hedgefonds sind die natio-
nalen Aufsichtsbehrden im jeweiligen Domizil-Land verantwortlich. Auf den Cay-
man Island ist dies z.B. die Cayman Island Monetary Authority (CIMA).
792 Vgl. Harcourt (2009).
793 Vgl. Lhabitant (2002), S. 46.
236
Abbildung 5.1: Schematische Darstellung eines Hedgefonds
(Quelle: Lhabitant (2002), S. 46)
5 Renditen mit Algorithmic Trading
General Partners) und Sponsoren (Sponsors) als Kapitalgeber zu l-
sen.
794
In der Praxis wird die Verantwortung fr das tgliche Management
und die berwachung des Fondsmanagers an ein Executives Committee
delegiert.
795
Aufgabe des Fondsadministrators (Administrator) ist es, den
Wert des Fondsvermgens und der Anteilsscheine (Net Asset Value, NAV)
zu berechnen.
796
Dies erfolgt in fest vorgeschriebenen Perioden (Break
Periods).
797
Der Administrator ist aber auch fr die Buchhaltung und die
Abwicklung der laufenden Operationen des Fonds verantwortlich.
798
Der
Custodian ist ein Wertpapierverwalter und -abwickler, der fr die allge-
meine Depotfhrung und das Clearing von Transaktionen verantwortlich
ist.
799
Dazu gehren beispielsweise die Bercksichtigung von Corporate
Actions, wie z.B. juristische Fragen, die Auszahlung von Dividenden
oder die Wertpapier-Leihe im Auftrag des Kunden.
800
Der Rechtsbeistand
(Legal Adviser) hilft dem Hedgefonds in Steuerfragen und anderen juris-
tischen Angelegenheiten, wie z.B. Vorbereitung der Fonds-Prospekte
oder die Einhaltung der Vorschriften der Regulierungsbehrden zum Pri-
vatvertrieb.
801
Der Auditor kontrolliert die Quartals- und Jahresberichte
eines Hedgefonds, um transparente Anlagebedingungen fr Investoren zu
schaffen.
802
Der Registrar und Transfer Agent, fhrt die Listen der Inves-
toren und ist Ansprechpartner fr die Ausgabe und Rcknahme von
794 Vgl. Lhabitant (2002), S. 46-47.
795 Vgl. Lhabitant (2002), S. 46-47.
796 Vgl. Lhabitant (2002), S. 47.
797 Eine Berechnung des NAV muss immer dann stattfinden, wenn Fondsanteile neu
ausgegeben oder zurckgenommen werden. Die Bestimmung des NAV kann insbe-
sondere dann schwierig sein, wenn ein Fonds in illiquide Anlageobjekte investiert,
fr die keine aktuellen Marktpreise ermittelbar sind (z.B. Gewerbe-Immobilien). In
einem solchen Fall wird der NAV entweder auf Basis verzgerter Preise ermittelt
(sogenannte Stale Prices) oder mit Fairen Bewertungsmethoden geschtzt
(sogenannte Fair Value Models). Vgl. Lhabitant (2002), S. 47.
798 Vgl. Lhabitant (2002), S. 47.
799 Vgl. Lhabitant (2002), S. 47-48.
800 Vgl. Lhabitant (2002), S. 47-48.
801 Vgl. Lhabitant (2002), S. 48.
802 Vgl. Lhabitant (2002), S. 48.
237
5 Renditen mit Algorithmic Trading
Fondsanteilen.
803
Manche Fonds bedienen sich im Vertrieb der professio-
nellen Marketing-Strukturen von Distributors (z.B. Capital Introduc-
tion).
804
Der Execution- und Clearing Broker (auch Execution Desk ge-
nannt) stellt dem Fondsmanager einen direkten Marktzugang fr die Ab-
wicklung der Transaktionen zur Verfgung.
805
Prime Broker vereinigen
eine Reihe von Service-Funktionen fr Hedgefonds in einer Hand, wie
z.B. Clearing von Transaktionen, (Global) Custody, Aufnahme von Le-
verage (Margin Financing) und Wertpapierleihe, um z.B. Leerverkufe
zu ttigen (dabei entstehen sogenannte Short-Positionen).
806

[Link] CTA's und Managed Accounts
Zu den Hedgefonds zhlen auch die Commodity Trading Pools (CTP)
bzw. Commodity Trading Advisors (CTA) und die Anbieter von Mana-
ged Account (MA).
807
Darunter sind Vermgensverwalter zu verstehen,
die (im Fall von MA) im Auftrag ihrer Kunden Einzelkonten mit umfas-
senden Vollmachten verwalten oder (in der ursprnglichen Bedeutung
CTA) den Handel mit Optionen und Futures beraten.
808
Sie investieren in
Derivate, Whrungen oder beispielsweise Rohstoffe.
809
MA und CTA sind,
genauso wie Hedgefonds, frei in ihrer Anlagestrategie.
810

803 Vgl. Lhabitant (2002), S. 48.
804 Vgl. Lhabitant (2002), S. 48.
805 Vgl. Lhabitant (2002), S. 48-49.
806 Vgl. Lhabitant (2002), S. 49.
807 Vgl. Fung, Hsieh (1999), S. 311.
808 Vgl. Fung, Hsieh (1999), S. 311.
809 Vgl. Fung, Hsieh (1999), S. 311.
810 Vgl. Fung, Hsieh (1997), S. 281.
238
5 Renditen mit Algorithmic Trading
5.1.3 Hedgefonds Datenbanken
[Link] Datenbanken in der Literatur
In der Literatur werden vier Datenbanken als Quelle fr Hedgefonds
Renditen genannt. Diese sind Hedge Fund Research (HFR), Trading Ad-
visers Selection System (TASS), Morgan Stanley Capital International
(MSCI) und das Centre for International Securities and Derivatives Mar-
kets, University of Massachusetts, Amherst (CISDM)
811
. Die TASS Daten-
bank wurde in 2005 von Tremont Capital Management an Lipper, ein Un-
ternehmen der Reuters Gruppe, verkauft.
812
Jngere Datenbanken stam-
men u.a. von S&P, Barclays oder EurekaHedge.
813
Die London Business
School arbeitet mit dem BNP-Paribas Hedge Fund Center am Aufbau ei-
ner Hedgefonds Datenbank, welche die unterschiedlichen Datenbanken
vereinigen soll, um z.B. Doppelnennungen zu verhindern.
814

Die Anteilsscheine von Hedgefonds drfen nicht ffentlich vertrieben
oder beworben werden.
815
Daher versucht man die Aufmerksamkeit von
HNWI's und institutionellen Investoren ber die Verffentlichung von
Fondsrenditen in Datenbanken, auf sich zu lenken.
816
Um in eine Daten-
811 Frher bekannt als Datenbank Managed Account Reports (MAR bzw. MARHedge).
Sie umfassten die Renditen von CTA's und Vermgensverwaltern, welche die Gel-
der ihrer Kunden im Auftrag anlegen Vgl. o.V. (2005b) und o.V. (2005c).
812 Vgl. o.V. (2005a).
813 Vgl. Fung, Hsieh (2004b), S. 3.
814 Vgl. Fung, Hsieh (2006a), S. 5f.
815 Fr Hedgefonds kommt ausschlielich der Privatvertrieb (Private Placement) in
Frage. Vgl. Fung, Hsieh (1999), S. 315. Der Privatvertrieb ist auf persnliche Refe-
renzen, Fonds-Prospekte, Mund zu Mund Propaganda oder Datenbanken be-
schrnkt. Damit soll verhindert werden, dass unerfahrene Anleger in Hedgefonds
investieren, die weder eine fundierte Kenntnis der Finanzmrkte, noch gengend
Kapital besitzen, um die Risiken abzufedern.
816 Die Werbung ber den Umweg von Hedgefonds-Datenbanken wird in den USA als
Missbrauch betrachtet, weil es im Widerspruch zur Regulation D. des Security and
Exchange Act 1933 Reg. 230.502. (c) steht.. Vgl. Amin, Kat (2001), S. 10, Capocci
239
5 Renditen mit Algorithmic Trading
bank aufgenommen zu werden, bermitteln die Fondsmanager die (mo-
natlichen) Renditen ihres Hedgefonds auf freiwilliger Basis an einen der
oben genannten Datenbankbetreiber.
817
Problematisch dabei ist, dass
kaum Kontrollen existieren, ob die Fondsrenditen ordnungsgem oder
regelmig ermittelt wurden.
818
Fondsmanager knnen die bermittlung
einfach aussetzen, wenn sie auf weitere Werbung verzichten wollen oder
die Renditen ihrer Fonds zu schlecht ausfallen.
819
Hedgefonds knnen
ihre Renditen auch an mehrere Datenbanken gleichzeitig bermitteln.
820

Das Venn-Diagramm von FUNG UND HSIEH, auf der folgenden Seite, gibt
einen ausgezeichneten berblick ber die berschneidungen zwischen
den fnf genannten Datenbanken (siehe Abbildung Nr. 5.2, S. 241).
821
Nach Ansicht von CAPOCCI und anderen Autoren dominieren in der Lite-
ratur die drei Datenbanken CISDM, TASS und HFR, weil sie ber
Zeitreihen von mehr als 10 Jahren verfgen.
822
(2007), S. 60, Getmansky (2004), S. 26 und weitere.
817 Vgl. Fung, Hsieh (2006a), S. 4.
818 Bei Investmentfonds ist eine Depotbank gesetzlich dazu verpflichtet, die Einhal-
tung der Bestimmungen zum Nettoinventarwert (NAV) zu kontrollieren. Deutsche
Hedgefonds unterliegen als Sondervermgen mit zustzlichen Risiken den gleichen
Bestimmungen. Vgl. 112-120 InvG. Bei Offshore-Fonds bernehmen in der Re-
gel Prime Broker und Custodians die Ausfhrung und Abwicklung der Transaktio-
nen und die Administration des Portfolios, das von freiwilligen Auditors berwacht
wird. Sie ben jedoch meist keine Kontrollfunktionen auf das Management aus.
Diese Funktion wird durch das Board of Directors bernommen. Dies kann zu Pro-
blemen bei der Qualitt der Datenbanken fhren. Vgl. dazu auch Liang (2003).
819 Vgl. Fung, Hsieh (2006a), S. 4f.
820 Vgl. Fung, Hsieh (2006a), S. 5.
821 Vgl. Fung, Hsieh (2006a), S. 6.
822 Vgl. Capocci (2007), S. 14 sowie Adams (2007), S. 14, Agarwal, Daniel, Naik
(2004), S. 8, Funote 7.
240
5 Renditen mit Algorithmic Trading
FUNG UND HSIEH recherchierten die Gre der Datenbanken von TASS,
CISDM, HFR fr das Jahr 2004 mit insgesamt ca. 12.500 Fonds (Mehr-
fachzhlungen mglich).
823
Davon wurden ca. 6.500 als aktiv und der
823 Vgl. Fung, Hsieh (2006a), S. 5.
241
Abbildung 5.2: berschneidungen in Hedgefonds-Datenbanken.
Die Prozentzahlen stellen den Anteil an der Summe aller
Hedgefonds dar. Die Angaben im inneren Bereich zeigen den
Anteil von Mehrfachnennungen zwischen Datenbanken. (Quelle:
Fung, Hsieh 2006a, S. 6)
5 Renditen mit Algorithmic Trading
restliche Teil als in-aktiv gefhrt.
824
Die Wachstumsrate fr neue Fonds
betrug laut den Autoren bis zum Jahr 2004 ca. 37% fr TASS, 43% fr
HFR und -11% fr CISDM.
825

Es ist davon auszugehen, dass sich die Anzahl der Fonds in den letzten
Jahren auch weiter erhht hat. TEO basiert seine Arbeit auf den Daten-
banken von TASS und HFR und stellt im Juni 2008 ca. 4500 aktive und
ca. 5400 inaktive Fonds fest (auch hier sind Mehrfachzhlungen mg-
lich).
826
Die widersprchlichen Angaben zur Anzahl von Hedgefonds ma-
chen deutlich, dass die Datenbanken keine objektive Informationsquelle
sind. Denn erstens kommt es darin zu Mehrfachnennungen und zweitens
besteht keine Pflicht zur regelmigen und vollstndigen Verffentli-
chung.
827
Die Datenbanken geben aber erste Anhaltspunkte fr konserva-
tive Schtzungen zur Gre der Industrie.
828

Die Fondsrenditen aus allen Hedgefonds-Datenbanken leiden stark unter
Problemen, die auf die eingeschrnkte Auswahl von Stichproben zurck-
zufhren sind (auch Data Snooping genannt).
829
Diese Probleme werden
in der Literatur ber Hedgefonds allgemein als Bias bezeichnet.
830
In
der Literatur sind der Historische Bias (Instant History oder Backfill
824 Vgl. Fung, Hsieh (2006a), S. 5.
825 Vgl. Fung, Hsieh (2006a), S. 6.
826 Vgl. Teo (2009), S. 7.
827 Vgl. Fung, Hsieh (2006a), S. 4-6.
828 Weitere Anhaltspunkte, um die Gre des Hedgefonds-Marktes zu schtzen, bieten
die Angaben der Aufsichtsbehrden (z.B. BAFIN, CIMA, FSA) und Industriescht-
zungen von Consulting-Unternehmen. HARCOURT zeigt, dass der Groteil von Hed-
gefonds in den USA und auf den Cayman Island domiziliert ist, gefolgt von den
British Virgin Islands (BVI), Bahamas und den Bermudas. Vgl. Harcourt (2009).
Eine gezielte Recherche bei den Aufsichtsbehrden dieser Domizil-Lnder zeigte,
dass bereits die Anzahl der dort registrierten Hedgefonds die Datenbanken ber-
steigt. Vgl. CIMA (2009), S. 8., FSC (2009), S. 5. Die jhrlich erscheinenden In-
dustry Reports von HFR (Chicago) schtzen, dass Anfang 2009 insgesamt eine An-
zahl von ca. 8.900 Hedgefonds weltweit ca. US $ 1.400 Mrd. verwalteten, wobei
nach der Finanzkrise in 2008 ein leichter Rckgang feststellbar ist. Vgl. Harcourt
(2009).
829 Vgl. Ghin (2006), S. 7.
830 Vgl. Adams (2007), S. 18, Fung, Hsieh (2000), S. 293 und weitere Autoren.
242
5 Renditen mit Algorithmic Trading
Bias)
831
, der Selektions-Bias (Selection Bias)
832
, der berlebens-Bias
(Survivorship Bias)
833
oder der Verzgerungs-Bias (Stale Price Bias)
834
bekannt.
835
831 Der Historische Bias bedeutet, das ein Fonds nach der Aufnahme in eine Datenbank
historische Renditen ergnzt, die vor der Aufnahme in die Datenbank erreicht wur-
den. Besonders gute historische Renditen werden in die Datenbank mit bernom-
men. Besonders schlechte historische Renditen werden nicht an die Datenbank
bermittelt. Dadurch steigt der Durchschnitt aller Renditen der Stichprobe (Upward
Bias).Vgl. Ghin (2006), S. 9-10.
832 Der Selektions-Bias bedeutet, dass nur die Fonds in der Datenbank enthalten sind,
die gute Renditen aufweisen. Fonds, die ihre Renditen nicht an eine Datenbank
bermitteln, haben entweder eine zu schlechte Rendite oder eine so gute, dass sie
nicht in eine Datenbank aufgenommen werden brauchen. Vgl. Ghin (2006), S. 10.
833 Der berlebensbias bedeutet dass nur diejenigen Hedgefonds in einer Datenbank
enthalten sind, die noch existieren. Die Renditen von Fonds, die nicht mehr exis-
tieren, sind auch nicht mehr in der Datenbank enthalten, und flieen so nicht mehr
in Berechnungen mit dieser Stichprobe ein. Dabei von lebenden und toten Hedge-
fonds zu sprechen wre eigentlich falsch, denn es geht nur um die bermittlung der
Fondsrenditen an eine Datenbank. Ein Fonds der seine Renditen nicht mehr an eine
Datenbank bermittelt, muss nicht bankrott sein. Eine mgliche Erklrung ist, dass
der Fondsmanager eine zu schlechte Performance aufweist. Eine andere Erklrung
ist, dass der Fonds fr neue Investoren geschlossen wurde, nachdem er eine ge-
plante Kapitalgre erreicht hat (Der berlebensbias kann unterschiedlich interpre-
tiert werden. Fr einen berblick vgl. Posthuma, Van der Sluis (2003), S. 5ff.). Die
Renditen werden insgesamt berschtzt, wenn diejenigen Fonds, die mit ihren
schlechten Renditen den Durchschnitt senken knnten, in der Stichprobe fehlen
(Upward Bias). Die Renditen werden insgesamt unterschtzt, wenn diejenigen
Fonds, die aufgrund ihres Erfolges bereits geschlossen wurden und den Durch-
schnitt heben knnten in der Stichprobe fehlen (Downward Bias). Vgl. Ghin
(2006), S. 8.
834 Der Verzgerungs-Bias betrifft Fonds, welche in besonders illiquide Vermgensin-
strumente investiert haben, bei denen Bewertungsprobleme auftreten. Wenn kein
aktueller Marktpreis fr ein Wertpapier verfgbar ist, nehmen Fondsmanager oft
einen mehrere Tage oder Wochen alten Referenzpreis, um das Wertpapier zu bewer-
ten. Diese verzgerte Bewertung fliet dann in das aktuelle Fonds-Portfolio mit ein
und kann hier zu serieller Korrelation fhren. Vgl. Ghin (2006), S. 10.
243
5 Renditen mit Algorithmic Trading
[Link] Hedgefonds Strategien
[Link].1 Definition eines Styles
FUNG UND HSIEH definieren einen Style als Kombination einer Strategie
und der dazu passenden Location.
836
Eine Strategie ist die Art und Wei-
se, wie Long- oder Short-Positionen
837
kombiniert werden und welches
Leverage dabei zum Einsatz kommt.
838
Die Location beschreibt, auf wel-
che Wertpapierklassen (Assets) oder Mrkten diese Strategie angewendet
wird.
839
Die Location einer Strategie lsst sich relativ zuverlssig und
konsistent mit den Fonds-Prospekten bestimmen.
840
Die Natur einer Stra-
tegie hingegen nicht.
841
Ein Style-Faktor beschreibt einen Haupt-Style, der
hnlichkeiten mit vielen einzelnen Styles aufweist.
842
[Link].2 Peer Group Styles: Selbsteinschtzung der Fondsmanager
Die Beschreibung von Hedgefonds-Strategien in Datenbanken erfolgt
qualitativ und folgt der Selbsteinschtzung der Fondsmanager, die man
aus den Fonds-Prospekten entnehmen kann.
843
FUNG UND HSIEH bezeich-
nen diese Strategien deshalb auch als Peer Group Styles.
844
Der Vorteil
dieser Einteilung ist eine schnelle und einfache Zuordnung von Hedge-
835 Vgl. Ghin (2006), S. 7-10.
836 Vgl. Fung, Hsieh (2002a), S. 19.
837 Unter Long-Positionen versteht man Wertpapiere, die sich im Portfolio eines Inves-
tors befinden. Short-Positionen sind Forderungen auf Wertpapiere, die sich (noch)
nicht, im Portfolio befinden, weil Leerverkufe gettigt wurden.
838 Vgl. Fung, Hsieh (2002a), S. 19.
839 Vgl. Fung, Hsieh (2002a), S. 19.
840 Vgl. Fung, Hsieh (1997), S. 288.
841 Vgl. Fung, Hsieh (1997), S. 288 und Fung, Hsieh (2002a), S. 18.
842 Vgl. Fung, Hsieh (2002a), S. 19.
843 Vgl. Fung, Hsieh (1999), S. 318-319.
844 Vgl. Fung, Hsieh (2002a), S. 18.
244
5 Renditen mit Algorithmic Trading
fonds-Strategien auf Basis der bekannten Charakteristika.
845
Dies kann
fr Werbezwecke und die Selbstdarstellung von Nutzen sein. Der Nach-
teil dieser Einteilung, ist das Fehlen eines gut formulierten Modells fr
Peer Group Styles.
846
Die Zuordnung einer Fonds-Strategie ist fr Au-
enstehende kaum nachvollziehbar und eine fehlerhafte Einordnung in
ein falsches Segment kann z.B. in die Berechnung von Hedgefonds-Indi-
zes oder empirische Analysen weiter getragen werden.
847
Hedgefonds, die
konsistent eine einzige Anlagestrategien verfolgen, knnen zwar einem
Peer Group Style zugeordnet werden. Die Zuordnung wird jedoch zu ei-
ner schwierigen Aufgabe wenn Hedgefonds mehrere dieser Strategien
miteinander kombinieren (Multistrategy Approach).
848
Weil ein einheit-
lich formuliertes Modell fehlt, kann praktisch jede Datenbank eine eigene
Kategorisierung von Hedgefonds-Strategien vornehmen. Eine fachber-
greifende Arbeitsgruppe unter der Leitung der Alternative Investment
Management Association (AIMA) erkannte dieses Problem und fhrte im
Jahr 2003 eine Befragung in der Industrie durch, um eine allgemeine
Richtlinie zur Klassifikation von Hedgefonds-Strategien zu entwickeln.
849
Bisher konnte sich keine allgemeine Richtlinie durchsetzen.
Die uneinheitliche Verwendung von Peer Group Styles in den Datenban-
ken fhrt in den Studien, die darauf basieren, zu weiteren Klassifikations-
problemen. CAPOCCI entwickelte beispielsweise ein Multifaktorenmodell,
um die Performance unterschiedlicher Hedgefonds-Strategien ber lnge-
845 Wie FUNG UND HSIEH darstellen, sind die Peer Group Styles universell. Viele andere
Investoren, wie z.B. University Endowments, Family Offices oder Pensionsfonds
verfolgen die gleichen Investmentziele und lassen sich, genauso wie Hedgefonds,
kategorisieren. University Endowments sind Stiftungen, welche das Kapitalverm-
gen von Universitten anlegen. Ein Family Office bezeichnet einen Vermgensver-
walter, der sich ausschlielich um das Kapitalvermgen einer Familie kmmert.
Vgl. Fung, Hsieh (1999), S. 320.
846 Vgl. Fung, Hsieh (2002a), S.18.
847 Vgl. Fung, Hsieh (2002a), S. 18 und Funote Nr. 7, S. 26.
848 Vgl. Fung, Hsieh (2002a), S. 18.
849 Vgl. Indjic, Heen (2003).
245
5 Renditen mit Algorithmic Trading
re Zeit miteinander zu vergleichen.
850
Er sttzt sich auf die Datenbanken
MAR und HFR.
851
Weil beide Datenbanken die Hedgefonds-Strategien
aber unterschiedlich und unter abweichenden Namen klassifizieren, ent-
schied er sich, die einzelnen Strategien relativ frei zu kombinieren und
Neue hinzu zu fgen.
852
Seine Klassifikation ist daher nur bedingt auf an-
dere Studien bertragbar. AGARWAL, DANIEL UND NAIK untersuchen den
Zusammenhang zwischen Nettozuflssen (Flows) in Hedgefonds und de-
ren Performance.
853
In diesem Zusammenhang analysieren sie u.a. die
Rolle der Fondsgre, von Belohnungen fr Manager (Incentives) oder
Restriktionen bei Auszahlungen (Redemptions).
854
Sie konstruieren ihre
eigene Datenbank aus einer Kombination der Datenbanken von HFR,
TASS und MAR, um die widersprchliche Klassifikation von Hedge-
fonds-Strategien zu umgehen.
855
Wie die folgenden Abschnitte zeigen,
deckt die von ihnen gewhlte Klassifikation aber nur einen Bruchteil der
verfgbaren Hedgefonds-Kategorien in den Datenbanken ab. BOOKSTABER
beschftigt sich mit der Frage, ob Hedgefonds definierbare Institutionen
sind oder ob die Bezeichnung ein Sammelbegriff fr Investmentfirmen
ist, die bestimmte Handelsstrategien verfolgen.
856
Er lst sich vollstndig
von den Hedgefonds-Datenbanken und entwickelt eine eigene Klassifika-
tion.
857
Die drei groen und wichtigsten Datenbanken (HFR, TASS und
MAR) werden im folgenden Abschnitt nher betrachtet, um eine Hedge-
fonds-Kategorie zu finden, in der man Algorithmic Trading einordnen
kann.
850 Vgl. Capocci (2007).
851 Vgl. Capocci (2007), S. 68.
852 Vgl. Capocci (2007), S. 68 und 71 und Funote 18.
853 Vgl. Agarwal, Naik (2004).
854 Vgl. Agarwal, Naik (2004).
855 Vgl. Agarwal, Naik (2004), S. 8 und 42.
856 Vgl. Bookstaber (2003), S. 19.
857 Vgl. Bookstaber (2003), S. 20.
246
5 Renditen mit Algorithmic Trading
[Link].3 MAR/MarHedge Datenbank
Strategie in MAR/Hedge Kurze Beschreibung
Event Driven Investieren in Unternehmen in Notlagen (Distressed Se-
curities) oder in Unternehmensfusionen (Merger Arbit-
rage)
Global Investieren in Wertpapiere (Aktien, Bonds) auerhalb den
USA und in Emerging Markets
Global Macro Investieren auf Basis makro-konomischer Analysen und
wetten auf die Entwicklung allgemeiner Risikofaktoren
(z.B. Whrungen, Zinsen, Aktienindizes usw.)
Market Neutral Wetten mit Arbitrage- oder Long/Short-Strategien auf rela-
tive Preisbewegungen und versuchen, die Risiken der
sonstigen Marktentwicklung auszugleichen.
Sectors Investieren in bestimmte Wirtschaftssektoren
Short Sellers Investieren in Short-Positionen.
Long-Only Vermeiden Leerverkufe, kombinieren dies aber mit Le-
verage.
Tabelle 21: Hedgefonds-Strategien in der Mar/Hedge Datenbank
(Quelle: Fung, Hsieh (1999), S. 319).
FUNG UND HSIEH erklren die Einteilung in Peer Group Styles am Beispiel
der Datenbanken MAR und MAR/Hedge fr das Jahr 1997 (siehe Tabelle
21, S. 247).
858

858 Die erste Fonds-Kategorie in der MAR-Datenbank bilden ereignisgetriebene Hedge-
fonds, die Corporate Events ausnutzen (Event Driven). Hier kann man die Sub-Ka-
tegorien Distressed Securities und Merger Arbitrage unterscheiden. Bei der Dis-
tressed Securities Strategie suchen Fondsmanager aktiv nach (brsennotierten) Un-
ternehmen, die von Bankrott bedroht oder berschuldet sind, oder sich in einer Pha-
se der Reorganisation befinden. Sie investieren beispielsweise in Bonds, Aktien
oder kaufen Bankschulden des Unternehmens, das sich in einer Notlage befindet.
Zur gleichen Kategorie gehren auch Fonds, die auf Unternehmensfusionen speku-
lieren (Merger Arbitrage). Je nachdem, ob der Manager vom Erfolg eines Mergers
berzeugt ist, wettet er dafr oder dagegen. Bei einem erwarteten Erfolg des Mer-
gers, wird der Kurs der bernommene Firma steigen (der Fondsmanager nimmt
eine Long-Position ein) und der Kurs der bernehmenden Firma fallen (der Fonds-
manager geht eine Short-Position ein). Die zweite Kategorie bilden globale Fonds
(Global), die in alle Wertpapiere (Aktien und Bonds) weltweit und in Emerging
Markets investieren knnen, die nicht an US-Brsen notiert sind. Die dritte Katego-
247
5 Renditen mit Algorithmic Trading
CTA's besitzen wiederum eigene Peer Group Styles, die sich an den Hed-
gefonds-Kategorien orientieren.
859
Die meisten CTA's werden als Trend-
folgemodelle klassifiziert.
860

Algorithmic Trading spielt in den oben genannten Hedgefonds-Kategori-
en der MAR/Hedge-Datenbank keine Rolle. Der Grund dafr kann im
frhen Stadium der Studie im Jahr 1999 liegen, als Algorithmic Trading
in der Praxis noch relativ unbekannt war und bei der Klassifikation von
Hedgefonds-Strategien noch keine Rolle spielte. Dazu kommt, dass viele
Autoren Algorithmic Trading nur aus der Perspektive der Sell-Side be-
trachteten und die Aufgaben der Buy-Side darin noch nicht getrennt wur-
den.
861
Im folgenden werden daher die neueren Hedgefonds-Klassifika-
tionen der Datenbanken Lipper (frher TASS) und HFR betrachtet, um
Algorithmic Trading einer Hedgefonds-Kategorie zuzuordnen.
rie bilden globale Makro-Fonds (Global Macro), die auf die Entwicklung der wich-
tigsten makro-konomischen Risikofaktoren (wie z.B. Whrungen, Zinsen, Aktien-
indizes, Rohstoffe) wetten. Die vierte Kategorie bilden marktneutrale Fonds (Mar-
ket Neutral). Fonds dieser Kategorie streben eine Rendite an die von der aktuellen
Marktentwicklung unabhngig ist. Dazu werden allgemeine, makrokonomische
Risikofaktoren vermieden und Strategien angewendet, die kurzfristige Preis-
schwankungen ausnutzen. In den Sub-Kategorien werden zahlreiche Arbitrage-
Konzepte unterschieden. In der Sub-Kategorie Long-Short Equity werden Long-Po-
sitionen und Short-Positionen miteinander kombiniert, ohne dass der Fonds auf eine
bestimmte Marktrichtung wettet. Fonds in der Sub-Kategorie Stock Index Arbitrage
verfolgen nutzen marginale Preisdifferenzen zwischen Aktienindizes und begleiten-
den Future-Positionen aus. Fonds in der Sub-Kategorie Convertible Bond Arbitrage
kombinieren Long-Positionen in Bonds und Short-Positionen in Aktien miteinan-
der, handeln aber gleichzeitig mit den in den Bonds enthaltenen Optionen. Fonds in
der Sub-Kategorie Fixed Income Arbitrage nutzen marginale Differenzen der Zins-
kurven zwischen Unternehmensbonds und Staatsanleihen mit vergleichbaren Ei-
genschaften aus. Staatsleihen und Unternehmensbonds knnen jeweils auch unter-
einander Unterschiede in den Zinskurven aufweisen. Die fnfte Hedgefonds-Kate-
gorie bilden Hedgefonds, die sich auf bestimmte Wirtschaftssektoren spezialisieren
(Sector Funds). Je nachdem, wie die Manager die allgemeine Lage in einem Wirt-
schaftssektor einschtzen, gehen sie Short- und Long-Positionen ein und kombinie-
ren diese mit Leverage. Vgl. Fung, Hsieh (1999), S. 318-320.
859 Vgl. Fung, Hsieh (1999), S. 320 und Vgl. Billingsley, Chance (1996).
860 Vgl. Fung, Hsieh (1999), S. 10.
861 Siehe z.B. Paskelian (2010), S. 277ff.
248
5 Renditen mit Algorithmic Trading
[Link].4 Lipper-Datenbank
Strategy Type LGC-Category Sub-Strategies
Relative Value
Strategies
Hedge/Convertible
Arbitrage
Hedge/Equity Market
Neutral
Statistical arbitrage
Fundamental arbitrage
Hedge/Fixed Income
Arbitrage
Swap-spread arbitrage
Yield curve arbitrage
Volatility Arbitrage
Capital structure arbitrage
Hedge/Options
Arbitrage/Strategies
Directional
Strategies
Hedge/Dedicated Short
Bias
Hedge/Emerging
Markets
Hedge/Global Macro
Hedge/Long Bias
Hedge/Long/Short
Equity
Systematic trend-
following
Hedge/Managed
Futures/CTA's
Systematic trend-following
Discretionary
Event Driven
Strategies
Hedge/Event Driven Event-Driven Distressed Securities
Event-Driven Risk Arbitrage (Merger
Arbitrage)
Event-Driven Multi-Strategy
Mixed and Other
Strategies
Hedge/Multi Strategies
Hedge/Other Hedge
Tabelle 22: Einteilung der Hedgefonds-Klassen in der Lipper (TASS)
Datenbank. Grau unterlegt sind die Kategorien fr Algorithmic Trading
und Quantitative Methoden (Quelle: Lipper (2008), S. 29)
249
5 Renditen mit Algorithmic Trading
Die Lipper Global Classification (LGC) ist eine interne Richtlinie zur
Klassifizierung von Fonds in der frheren TASS-Datenbank. Sie steht den
Analysten und Kunden zur Verfgung und enthlt umfangreiche Richtli-
nien ber die Einteilung von Asset Klassen
862
und geographischen Fo-
kus.
863
Hedgefonds werden aufgrund der Eigenangaben der Fondsmana-
ger (Investment Objectives), Fonds-Prospekte, das Fact Sheet eines Fonds
sowie die Jahres- und Halbjahresberichte gegliedert.
864
Die Klasse der
Hedgefonds (Hedge Classes) wird von Lipper in vier Kategorien einge-
teilt: Relative Value, Directional, Event Driven und Mixed and Other
Strategies.
865
Zustzlich gibt es zu jeder Hedgefonds-Kategorie eine
862 Als Asset Klasse bezeichnet man in diesem Zusammenhang die Kategorien von In-
vestments in einem Portfolio (z.B. Aktien, Bonds). Vgl. Ryland (2003), S. 24.
863 Die Zuordnung eines Hedgefonds zu einer LGC-Kategorie (Peer Group Style) er-
fordert eine bereinstimmung von mindestens 75% zwischen der LGC-Kategorie
und den Wertpapieren in die der Fonds investiert hat. Vgl. Lipper (2008), S. 2. Der
geographische Fokus erfordert bereinstimmungen von mindestens 50%. Vgl. Lip-
per (2008), S. 4.
864 Vgl. Lipper (2008), S. 2.
865 Relative Value fasst alle Strategien zusammen, die sich an Arbitrage-Konzepten be-
dienen. Dazu gehren Fonds, die eine ineffiziente Preisstellung bei Optionen aus-
nutzen (Options-Arbitrage/Options Strategies), Fonds, die in festverzinsliche Wert-
papiere investieren (Fixed Income Arbitrage), Fonds, die durch Long- und Short-
Positionen ein marktneutrales Portfolio anstreben (Equity Market Neutral) sowie
Fonds, die Preis-Diskrepanzen zwischen konvertierbaren Wertpapieren ausnutzen
(Convertible Arbitrage). Die Kategorie Directional fasst alle Strategien zusammen
die auf eine bestimmte Richtung in der Marktentwicklung wetten. Die Sub-Katego-
rien bilden hier Fonds, die sich auf Leerverkufe konzentrieren (Dedicated Short
Bias), Fonds, die Leerverkufe vermeiden und Long-Positionen eingehen (Long
Bias), Fonds, die Long- und Short-Positionen miteinander kombinieren und das
Portfolio diversifizieren (Long/Short Equity), Fonds, die in Emerging Markets in-
vestieren (Emerging Markets), Fonds, die in Futures oder CTA investieren (Mana-
ged Futures/CTA). (Fr eine Erklrung von direktionalen und nicht-direktionalen
Strategien vgl. Agarwal, Naik (2000b), S. 327ff). Die Kategorie Event Driven be-
zieht sich auf alle Strategien, die Corporate Events oder Marktereignissee (Market
Events) ausnutzen. In dieser Kategorie werden Fonds eingeordnet, die in notleiden-
de Wertpapiere investieren (Distressed Securities), Fonds, die auf Unternehmensfu-
sionen oder Akquisitionen wetten (Event Driven Risk /Merger Arbitrage) sowie
Fonds, die sich auf eine Kombination von Event Driven Strategies und Krediten
konzentrieren (Event-Driven Multi-Strategy). Zur letzten Kategorie, Mixed and
250
5 Renditen mit Algorithmic Trading
gleichnamige Kategorie fr Dach-Hedgefonds.
866
Eine Erklrung der Ka-
tegorien erfolgt jeweils ber die Sub-Kategorien (siehe Tabelle 22, S.
249).
Eine eindeutige Zuordnung von Algorithmic Trading zu einer Hedge-
fonds-Kategorie ist mit der Lipper-Klassifikation auch nicht mglich.
Denn es fehlen klare Definitionen der Formen von Algorithmic Trading.
Stattdessen werden Synonyme in den Beschreibungen der Strategien ver-
wendet, deren Zusammenhang mit Algorithmic Trading nicht belegt ist.
So werden nur Randbereiche von Algorithmic Trading erfasst, obwohl ei-
gentlich eine viel breitere Basis von Strategien gemeint ist. Die Begriffe
Algorithmic Trading und High Frequency Trading werden in der LGC
beispielsweise in der Sub-Kategorie Directional: Managed
Futures/CTA's eingeordnet (in Tabelle 22, S. 249 grau unterlegt).
867
Hier
heit es:
Algorithmic Trading and High Frequency trading strategies
are included in this classification. Broadly speaking, Managed
Futures manager can be divided into Systematic and
Discretional.
868
Von dieser Kategorie werden jedoch nur solche Fonds erfasst, die Mana-
ged Futures Fonds oder CTA's darstellen. Managed Futures investieren
nach dieser Gliederung in Futures, Forward-Kontrakte und Optionen.
869
Hedgefonds, die Algorithmic Trading zum Handel in anderen Wertpapie-
ren einsetzen, werden dabei nicht erfasst.
Other Strategies, gehren solche Fondsmanager, die mehrere Strategien parallel
verfolgen (Sub-Kategorie: Multi Strategy) oder die durch das Raster der anderen
Kategorien fallen (Sub-Kategorie: Other Hedge). Vgl. Lipper (2008), S. 30-35.
866 Vgl. Lipper (2008), S. 29.
867 Vgl. Lipper (2008), S. 33.
868 Lipper (2008), S. 33.
869 Vgl. Lipper (2008), S. 33.
251
5 Renditen mit Algorithmic Trading
Obwohl die Lipper-Klassifikation ber eine umfangreiche Definition von
Systematic Trading und Trendfolgemodellen verfgt, wird sie dem Algo-
rithmic Trading also nicht gerecht. Konkret heit es hier:
Systematic Trend Following Traders rely on computer-generated
trading signals that infer on historical price data and/or
historical relationship to anticipate future price movements.
Three main sub-strategies can be identified, within Systematic
trend following managers: Trend Following, Trend Reversal,
Contrarian.
870
Im Vergleich zur MAR-Datenbank wurde Algorithmic Trading in der
LGC aber schon besser bercksichtigt. So werden in der LGC z.B. die
Begriffe quantitative und statistische Arbitrage benutzt, um Formen des
Algorithmic Trading zu beschreiben. In der Sub-Kategorie Relative Va-
lue: Equity Market Neutral heit es:
Statistical arbitrage implies model based, short-term trading
using quantitative and technical analysis to select profit
opportunities.
871
870 Lipper (2008), S. 33.
871 Lipper (2008), S. 30.
252
5 Renditen mit Algorithmic Trading
[Link].5 HFR-Datenbank
Tabelle 23, S. 255, zeigt abschlieend die Klassifikation von Hedge-
fonds-Strategien (und ihren Sub-Kategorien) in der HFR-Datenbank zum
Zeitpunkt dieser Arbeit, im Januar 2010. Die Klassifikation soll die Evo-
lution der strategischen Trends in der Industrie reflektieren und unter-
liegt einem stetigen Wandel.
872
Eine eindeutige Zuordnung von Algorithmic Trading in den Hedgefonds-
Kategorien ist auch in der HFR-Datenbank nicht mglich. Denn auch
hier fehlt eine klare Definition von Algorithmic Trading. Zwar werden
Begriffe, wie z.B. quantitative Techniken (Quantitative Techniques), sys-
tematische Analysen (Systematic Analysis) oder mathematische, algorith-
mische oder technische Modelle (Mathematical, Algorithmic and Tech-
nical Models), zur Beschreibung von Algorithmic Trading verwendet.
873
Diese Begriffe werden aber nicht erlutert und finden sich relativ unge-
ordnet in fast allen Sub-Kategorien wieder. In der Sub-Kategorie Equity
Market Neutral heit es beispielsweise:
872 Vgl. HFR (2010), S. 1f. Die erste Kategorie, Equity Hedge, fasst alle Hedgefonds
zusammen, die in Equities und Derivate investieren, die Long- und Short-Positio-
nen kombinieren. Vgl. HFR (2010), S. 4. Nach Angaben von HFR kommen in den
Investment Prozessen sowohl quantitative als auch fundamentale Techniken zum
Einsatz. Die zweite Kategorie, Event Driven, fasst solche Hedgefonds zusammen,
die in Wertpapiere investieren, welche in Corporate Actions involviert sind. Die
dritte Kategorie, Macro, beschreibt Hedgefonds in deren Investment-Prozessen un-
terliegende makro-konomische Variablen einen groen Einfluss ausben. Nach
der Einteilung von HFR kommen dabei sowohl diskretionre und systematische
Analysen, top-down oder bottom-up Konzepte, quantitative oder fundamentale
Techniken zum Einsatz, die zu lang- oder kurzfristigen Halteperioden fhren. Die
vierte Kategorie, Relative Value, beschreibt Investment-Strategien, welche Diskre-
panzen bei der Bewertung von unterschiedlichen Wertpapieren ausnutzen. Dazu ge-
hren Arbitrage-Konzepte jedweder Art bei denen wiederum quantitative oder fun-
damentale Techniken eingesetzt werden. In der fnften Kategorie werden Dach-
Hedgefonds gesammelt, die in einzelne Hedgefonds investieren und hier nicht wei-
ter beachtet werden sollen. Vgl. HFR (2010), S. 4-11.
873 Vgl. HFR (2010).
253
5 Renditen mit Algorithmic Trading
...strategies employ sophisticated quantitative techniques of
analyzing price data to ascertain information about future price
movements and relationships between securities, select securities
for purchase or sale..
874

Eine hnliche Beschreibung findet sich in der Sub-Kategorie Quantitati-
ve Directional, wo es heit:
...strategies employ sophisticated, quantitative analysis of price,
other technical and fundamental data to ascertain relationships
among securities and to select securities for purchase or sale.
875
In der Sub-Kategorie Macro: Active Trading wird Algorithmic Trading
beschrieben als:
...strategies (that) employ either discretionary or rule-based
high-frequency strategies to trade multiple asset classes.
876
Ein weiteres Beispiel findet sich in der Sub-Kategorie Macro: Systematic
Diversified, in der solche Strategien zusammengefasst werden, die ma-
thematische, algorithmische oder technische Modelle verfolgen:
(strategies that)... have investment-processes typically as a
function of mathematical, algorithmical and technical models,
with little or no influence of individuals over the portfolio-
positioning.
877
874 HFR (2010), S. 4.
875 HFR (2010), S. 4.
876 HFR (2010), S. 7.
877 HFR (2010), S. 8.
254
5 Renditen mit Algorithmic Trading
Hedge Fund Strategy
Category
Sub Category
Equity Hedge Equity Market Neutral
Fundamental Growth
Fundamental Value
Quantitative Directional
Sector (Energy/Basic Materials;
Technology/Healthcare)
Short Bias
Multi-Strategy
Event-Driven Activist
Credit Arbitrage
Distressed/Restructuring
Merger Arbitrage
Private Issue/Regulation D.
Special Situations
Multi-Strategy
Relative Value Active Trading
Commodity (Agriculture, Energy,
Metals, Multi)
Currency (Discretionary, Systematic)
Discretionary Thematic
Systematic Diversified
Multi-Strategy
Fund of Funds Conservative
Diversified
Market Defensive
Strategic
Tabelle 23: Klassifikation von Hedgefonds-Strategien in der
HFR-Datenbank (Quelle: HFR (2010), S. 2)
255
5 Renditen mit Algorithmic Trading
[Link].6 Zusammenfassung
Die Bildung von Hedgefonds-Kategorien in allen drei groen Datenban-
ken ist insgesamt nicht konsistent. Das Fehlen einer universellen Hedge-
fonds-Klassifikation oder Richtlinie fhrt zu teilweise widersprchlichen
Einordnung von Hedgefonds-Strategien.
878
AGARWAL UND NAIK versuch-
ten, dieses Problem zu beheben, indem sie aus allen drei Datenbanken
(HFR, MAR und TASS) vier bergreifende Kategorien fr Hedgefonds
entwickelten und ihrer Stichprobe zuordneten.
879
Wie BOOKSTABER fest-
stellt, muss die Klassifikation von Peer Group Styles im Zeitverlauf auch
immer wieder korrigiert werden, wenn neue Strategien entstehen und alte
verschwinden.
880
Die chronologischen Darstellung der CISDM-Klassifi-
kation im Jahr 1997 bis zur HFR-Klassifikation in 2010 besttigt seine
Hypothese. Man kann beobachten, dass immer mehr technologische und
quantitative Begriffe fr die Beschreibung von Peer Group Styles ver-
wendet werden. Jedoch fehlt eine genaue Definition und Abgrenzung die-
ser Begriffe.
In keiner der drei groen Datenbanken kann man Algorithmic Trading ei-
ner Hedgefonds-Kategorie eindeutig zuordnen. Entweder Algorithmic
Trading wird nur in Randbereichen der Hedgefonds-Strategien definiert
oder die Klassifikationen enthalten allgemeine Begriffe, die quantitative,
numerische oder systematische Prozesse beschreiben. Welche Verbin-
dung zwischen diesen Definitionen und Algorithmic Trading besteht,
bleibt in den Klassifikationen unklar. Das Problem liegt nicht in der Klas-
sifikation der Hedgefonds-Strategien, sondern in einer fehlenden Defini-
tion fr Algorithmic Trading. Solange eine universelle Definition fr Al-
878 Vgl. Agarwal, Daniel, Naik (2004), S. 9.
879 Diese vier Kategorien (Broad Based Styles) sind: Directional, Relative Value, Secu-
rity Selection und Multi-Process Traders. Sie sind eine Zusammenfassung der Ka-
tegorien aus den Datenbanken HFR, MAR und TASS in dem Zeitraum von Januar
1994 bis Dezember 2000. Vgl. Agarwal, Daniel, Naik (2004) S. 42.
880 Vgl. Bookstaber (2003), S. 20.
256
5 Renditen mit Algorithmic Trading
gorithmic Trading fehlt, kann man auch die unterschiedlichen Formen
nicht unterscheiden (z.B. halb- und vollautomatischer Handel). Die Ren-
diten von Hedgefonds-Datenbanken erscheinen mit der Verwendung von
Peer Group Styles ungeeignet fr die Beantwortung der Forschungsfrage.
[Link].7 Quantitative Style-Faktoren
Anstatt die Hedgefonds Strategien nur qualitativ zu beschreiben, bieten
FUNG UND HSIEH eine Mglichkeit, diese Strategien (Style-Faktoren) auch
quantitativ zu bestimmen.
881
Dazu wenden die Autoren eine Principal
Component Analyse (PCA)
882
an, um die dominanten Strategien aus-
schlielich auf Basis der Renditen zu identifizieren (Return Based Style
Factors, RBS).
883
Hinter ihrem Vorsto steckt die Idee, dass die Renditen
von Hedgefonds Strategien zwar marktunabhngig sind, aber die Rendi-
ten hnlicher Strategien korrelieren mssten.
884
Sie erweitern dazu das
Regressionsmodell von SHARPE, das ursprnglich fr Investmentfonds
entwickelt wurde.
885
Eine alternative Mglichkeit, um die Hedge-
fonds-Strategien quantitativ zu bestimmen, stammt von MAILLET UND
ROUSSET, die eine Kohonen-Map
886
fr die Klassifikation benutzen.
887
Ihre
Methode konnte sich in der Literatur jedoch nicht durchsetzen.
Die Qualitt eines Regressionsmodells wird allgemein gemessen am Be-
stimmtheitsma ( R
2
).
888
Dieses gibt den Anteil der nicht-erklrten Vari-
anz ( c
2
( e) ) an der erklrten Varianz einer Stichprobe (hier c
2
(

R) ) wie-
der.
889

881 Vgl. Fung, Hsieh (1997).
882 Fr die Funktionsweise der Principal Component Analyse siehe Jolliffe (2002).
883 Vgl. Fung, Hsieh (1997), S. 284.
884 Vgl. Fung, Hsieh (1997), S. 284.
885 Vgl. Fung, Hsieh (1997), S. 284f und Sharpe (1992).
886 Fr eine Erklrung siehe Kohonen (1988).
887 Vgl. Maillett, Rousset (2001).
888 Vgl. Sharpe (1992), S. 8.
889 Ein zweiter Test besteht darin, die mit dem Regressionsmodell geschtzten
257
5 Renditen mit Algorithmic Trading
(5.1)
R
2
=1
(c
2
( e))
(c
2
(

R))
Um ihre Hypothese zu beweisen, fhrten die Autoren eine Faktorenana-
lyse mit 409 Hedgefonds aus drei Datenbanken
890
durch, um dominante
Charakteristika ihrer Stichprobe zu identifizieren und die einzelnen
Fondsrenditen allgemeinen Hedgefonds-Strategien zuzuordnen.
891
Sie
konnten in ihrer Stichprobe fnf orthogonale Komponenten identifizie-
ren, die, zusammen genommen, bis zu 43% der Varianz der Renditen aus
der Faktoren-Analyse erklrten.
892
Die Strategien derjenigen Hedgefonds,
die am hchsten mit einer dieser Komponente korrelierten, wurden als
Style-Faktoren herangezogen.
893
Die Autoren kombinierten diese Sty-
le-Faktoren mit der Selbsteinschtzung der Fondsmanager und konnten
so die Existenz von fnf Fonds-Strategien empirisch nachweisen: i) Sys-
tematische/Opportunistische Strategien (Systems/Opportunistic) ii) Glo-
bale Makro Strategien (Global Macro), iii) Value-Strategien (Value), iv)
Faktoren, fr einen Out-Of-Sample Test zu benutzen. Das heit, man versucht,
allein mit den geschtzten Faktoren, das Gesamtmodell zu schtzen, dass man dann
mit einer unbekannten Stichprobe vergleicht. Vgl. Sharpe (1992), S. 8.
890 Aus der TASS-Datenbank wurden 168 Hedgefonds und 89 CTA Pools untersucht.
152 Hedgefonds stammten aus der Datenbank von Paradigm LDC, einer Hedge-
fonds-Consulting Firma auf den Cayman Islands. Die Autoren dankten auch AIG
Global Investors fr den Zugang zu Hedgefonds-Datenbank bzw. CTA-Pools. Vgl.
Fung, Hsieh (1997), S. 275 und S. 302.
891 Vgl. Fung, Hsieh (1997), S. 284.
892 Vgl. Fung, Hsieh (1997), S. 284.
893 Vgl. Fung, Hsieh (1997), S. 284.
258
5 Renditen mit Algorithmic Trading
Trendfolgestrategien (Systems/Trend Following) und v) Ausnutzung von
Notlagen (Distressed Securities).
894
Eine bersicht dazu gibt Tabelle 24,
S. 259.
Quantitative Investment Styles Beschreibung
Systematische, opportunistische
Strategie
Fondsmanager benutzen mechanische
Handelsregeln (die auch fr direktionale Wetten
auf Finanzmarkt-Ereignisse angewendet werden)
Globale Makro-Strategie Wetten auf makro-konomische Ereignisse und
investieren in liquide Mrkte, wie z.B. Whrungen
oder Bonds
Value Strategien Fondsmanager benutzen die Fundamentalanalyse,
um unterbewertete Unternehmen zu identifizieren
Trendfolgestrategien Fondsmanager benutzen mechanische
Handelsregeln, die Trendfolgestrategien verfolgen
Ausnutzung von Notlagen Fondsmanager investieren in Unternehmen, die
kurz vor dem Bankrott stehen oder diesen
berwunden haben.
Tabelle 24: Kategorisierung von Hedgefonds-Strategien durch eine
Analyse von Renditen (Quelle: Fung, Hsieh (1997), S. 285)
Unter systematischen/opportunistischen Strategien verstehen die Autoren
Brsenhndler, die technisch orientiert sind und bei Bedarf regelbasierte
Handelssysteme einsetzen
895
Globale Makro-Strategien sind Fonds, die in
hoch-liquide Mrkte (wie z.B. Bonds, Whrungen) investieren und
fr/gegen makrokonomische Ereignisse wetten.
896
Dies knnen z.B.
894 FUNG UND HSIEH weisen darauf hin, dass anstelle dieser fnf quantitativen Kategori-
en in der Praxis weitere Style-Faktoren und Strategien genannt werden, die jedoch
nur qualitativ festgelegt werden. Die Zuordnung der Fonds in eine qualitative Kate-
gorie bei verschiedenen Datenanbietern ist dabei nicht konsistent. Ein Fonds kann
so z.B. in unterschiedlichen Kategorien oder mehrfach auftauchen. Vgl. Fung,
Hsieh (1997), S. 284.
895 Vgl. Fung, Hsieh (1997), S. 285.
896 In diese Kategorie wird z.B. der Hedgefonds von George Soros eingeordnet, der
259
5 Renditen mit Algorithmic Trading
Zinsentscheidungen, Whrungsabwertungen, politische Krisen oder Ar-
beitsmarktzahlen sein. Value-Strategien verfolgen ein Bottom-Up Kon-
zept.
897
Das heit, die Fondsmanager untersuchen die Fundamentaldaten
auf der untersten Ebene, um in unterbewertete Wertpapiere zu investieren
und berbewertete leer zu verkaufen.
898
Trendfolgestrategien verfolgen
Strategien der Chart-Analyse.
899
Fonds mit der Strategie Distressed Secu-
rities investieren in Wertpapiere von Unternehmen, die kurz vor dem
Bankrott stehen bzw. gerade die Insolvenz berwunden haben.
900
Die Einordnung der quantitativen Style-Faktoren kann der qualitativen
Zuordnung in einer Fond-Kategorie, bei Datenbankanbietern und Vendo-
ren, widersprechen.
901
FUNG UND HSIEH zeigten damit gravierende Unter-
schiede zwischen der Selbstdarstellung von Hedgefonds und ihrer tat-
schlichen Anlagestrategie.
902
BROWN UND GOETZMANN aktualisieren die
eben genannte Studie mit einem aktuellen Datensatz.
903
Sie stellen acht
unabhngige Style-Faktoren fest und belegen, dass einige Style-Faktoren
bereits miteinander verschmolzen sind.
904
Die verbale Kategorisierung
von Peer Group Styles hlt also einer quantitativen Kontrolle mit RBS-
Faktoren nicht stand.
905
1992 eine Wette auf die Abwertung des britischen Pfund gewann. Vgl. Fung, Hsieh
(1999), S. 16.
897 Vgl. Fung, Hsieh (1997), S. 285.
898 Vgl. Fung, Hsieh (1997), S. 285.
899 Vgl. Fung, Hsieh (1997), S. 285.
900 Vgl. Fung, Hsieh (1997), S. 285.
901 Vgl. Fung, Hsieh (1997), S. 285.
902 Vgl. Fung, Hsieh (1997), S. 285.
903 Vgl. Brown, Goetzmann (2003).
904 Zu den Style-Faktoren zhlen nach Brown, Goetzmann (2003): 1.) US-Equity
Hedge 2.) Non-US Equity Hedge, 3.) Event-Driven (Distressed), 4.) Non-Direc-
tional/Relative Value, 5.) Global Macro, 6.) Pure Leveraged Currency 7.) Pure
Emerging Markets, 8.) Pure Property. Vgl. Brown, Goetzmann (2003), S. 105f.
905 Vgl. Brown, Goetzmann (2003) und Fung, Hsieh (1997).
260
5 Renditen mit Algorithmic Trading
Selbstverstndlich lassen sich mit den Style-Faktoren nicht alle Hedge-
fonds Strategien kategorisieren, sondern sie reprsentieren nur die popu-
lrsten Strategien.
906
Dass es hier keine dominanten Style-Faktoren gibt,
ist ein Zeugnis dafr, wie diversifiziert die Hedgefonds-Strategien in der
Realitt sind.
907
FUNG UND HSIEH schreiben selbst dazu:
Indeed the lack of dominant style factors attests to the wealth of
performance diversity available among these managers.
908
Die Return Based Styles geben erste Anhaltspunkte fr die Einordnung
von Algorithmic Trading. Denn sowohl in der Gruppe systematisch, op-
portunistischer Strategien als auch in der Gruppe von Trendfolgestrategi-
en ist von mechanischen Handelsregeln die Rede. Man kann aber auch
nicht ausschlieen, dass Algorithmic Trading in den anderen Gruppen
eine Rolle spielt. Kapitel 4 zeigte, dass man Algorithmic Trading genau-
so gut fr die Fundamentalanalyse oder globale Makro-Strategien einset-
zen kann. Auch die Identifikation von Distressed Securities ber die Aus-
wertung von Textnachrichten wre denkbar. Die Ergebnisse von FUNG
UND HSIEH zu den RBS sind zudem auf eine Stichprobe beschrnkt, die
schon einige Jahre alt sind.
909
Folgt man der Annahme, dass Algorithmic
Trading in den vergangenen Jahren sprunghaft angestiegen ist, so msste
man die RBS-Faktoren aus diesen lteren Studien mit einer aktuellen Da-
tenbank neu berechnen. Zusammenfassend kann man sagen, dass die Re-
turn Based Styles zwar eine objektive Beurteilung der Strategien ermgli-
chen, aber zum derzeitigen Stand keine sicheren Aussagen ber Algorith-
mic Trading erlauben.
906 Vgl. Fung, Hsieh (1997), S. 290.
907 Vgl. Fung, Hsieh (1997), S. 290.
908 Vgl. Fung, Hsieh (1997), S. 290.
909 Vgl. Fung, Hsieh (1997).
261
5 Renditen mit Algorithmic Trading
Mit dieser Feststellung entsteht ein Dilemma fr die Forschungsfrage,
denn weder die Peer Group Styles aus den drei genannten Datenbanken
noch die Anwendung von Return Based Styles, lassen eine korrekte Zu-
ordnung von Algorithmic Trading zu. Algorithmic Trading ist entweder
kein Hedgefonds-Style oder wird von den gngigen Gliederungen noch
nicht erfasst. Damit stehen auch keine Renditen zur Verfgung, die auf
Eigenschaften von Algorithmic Trading hin untersucht werden knnten.
262
5 Renditen mit Algorithmic Trading
5.2 Zwischenfazit
Die Ergebnisse der vergangenen fnf Kapitel lassen sich wie folgt zu-
sammenfassen: Sell-Side Algorithmen haben die bergeordnete Zielset-
zung, den Market Impact bei der Transaktionsausfhrung zu minimieren.
Buy-Side Algorithmen haben die Aufgabe, einen Transaktionswunsch zu
entwickeln. Beide Formen des Algorithmic Trading bauen auf die Infra-
struktur elektronischer Handelssysteme auf. Das Handelsverhalten wird
auf der untersten Ebene durch die Marktmikrostruktur (Auktions-, Markt-
macher- oder Hybridsysteme) determiniert. Die Rendite eines Investors
setzt sich aus der Summe aller Transaktionsprozesse zusammen die auf
der Buy-Side und Sell-Side stattfinden. Die bisherigen Erkenntnisse wei-
sen darauf hin, dass die Prozesse, die beim Algorithmic Trading in der
Informationsphase ablaufen, komplexer Natur sind. Weitere Untersu-
chungen mssen aber prfen, ob diese Annahme der Realitt entspricht.
263
Abbildung 5.3: berblick zu den erluterten Transaktionsprozessen
Inf ormations-
phase
Inf ormations-
phase
Orderrouting-
phase
Orderrouting-
phase
Abschluss-
phase
Abschluss-
phase
Abw icklungs-
phase
Abw icklungs-
phase
Buy-Side
Algorithmic Trading
Sell-Side
Algorithmic Trading
Elektronische
Handelssysteme
5 Renditen mit Algorithmic Trading
Aus den ersten vier Kapiteln dieser Arbeit kann man die grundlegende
Annahme ableiten, dass beim Algorithmic Trading komplexe Anlagestra-
tegien zum Einsatz kommen und das einfache Strategien fr Algorithmic
Trading nicht in Frage kommen. Folgt man dieser Annahme entsteht die
Frage, ob sich diese Komplexitt auch in den Renditen von Fonds wider-
spiegelt und welche Schlsse man daraus auf Algorithmic Trading ziehen
kann. Als mgliche Quelle fr Renditen von Algorithmic Trading kom-
men auf den ersten Blick Hedgefonds-Datenbanken in Betracht. Die
Konzentration auf Hedgefonds bringt zustzlich den Vorteil, dass in der
Hedgefonds-Literatur eine universelle Gliederung von Investmentstrate-
gien verfgbar ist. Betrachtet man die Datenbanken aber genauer, wird
deutlich, dass Algorithmic Trading darin nicht klassifizierbar ist und dass
Hedgefonds-Datenbanken zur Beantwortung der Forschungsfrage nicht
ausreichen.
264
6 Multifaktorenanalyse
6 Multifaktorenanalyse
6.1 Gang der weiteren Untersuchung
Eines der wichtigsten Ergebnisse in Kapitel 4 war die Annahme, dass
beim Algorithmic Trading komplexe Prozesse ablaufen, mit denen kom-
plexe Handelsstrategien realisiert werden. Wie Kapitel 5 gezeigt hat,
kann man in Hedgefonds-Datenbanken keine Renditen von Algorithmic
Trading bestimmen, weil die Klassifikation der Styles dafr derzeit nicht
ausreicht. Mit der verfgbaren Literatur und Datenbanken ist es also
nicht mglich, Renditen zu identifizieren, die mit Algorithmic Trading in
Verbindung stehen. Diese Arbeit verfolgt daher einen experimentellen
Ansatz, um die Forschungsfrage zu beantworten. Den Ansatzpunkt dafr
bietet die Komplexitt.
Im Folgenden wird versucht, Algorithmic Trading ber die Komplexitt
seiner Prozesse zu erkennen. Hier besteht die Frage, wie man die Rendi-
ten einer einfachen und einer komplexen Strategie trennen kann, und ob
diese Unterscheidung Aussagen ber Algorithmic Trading ermglicht. Im
weiteren Verlauf dieser Untersuchung werden dazu eine komplexe (dyna-
mische) Strategie (mit Algorithmic Trading) und eine einfache (statische)
Strategie (ohne Algorithmic Trading) simuliert.
910
Nachdem die Zeitrei-
hen der Renditen beider Strategien zur Verfgung stehen, wird in Ab-
schnitt 6.3 (S. 280), ein Vergleich durchgefhrt, um festzustellen, ob die-
se Renditen signifikante Hinweise auf Algorithmic Trading enthalten
oder nicht. Als Vergleichsmethode dient die Style-Analyse und das Multi-
910 Die Simulation der Datenbasis war notwendig, weil erstens keine keine Datenbank
zur Verfgung stand, die zuverlssige Zuordnung ber Algorithmic Trading machte
und zweitens keine Informationen ber die Komplexitt von Algorithmic Trading in
einzelnen Hedgefonds zu erhalten waren. Siehe dazu Abschnitt 5 , S. 233.
265
6 Multifaktorenanalyse
faktorenmodell von FUNG UND HSIEH.
911
Die Style-Analyse basiert auf der
Arbeit von SHARPE und wurde fr die Analyse von Hedgefonds-Renditen
weiterentwickelt.
912
6.2 Simulation der Renditen
6.2.1 Vorgehensweise
Eine Methode, um eine Forschungsfrage zu beantworten, wenn die ver-
fgbaren Datenbanken nicht ausreichen, ist die Simulation von Hedge-
fonds-Renditen.
913
In der Literatur ist die Simulation von Hedge-
fonds-Renditen bisher nur wenig verbreitet, es lassen sich jedoch einige
Beispiele anfhren. MITCHELL UND PULVINO simulierten die Hedge-
fonds-Strategie der Merger Arbitrage.
914
Dazu betrachteten sie 4.750 Un-
ternehmensbernahmen und Fusionen (Mergers and Acquisitions) im
Zeitraum von 1963 bis 1998 und konstruierten zwei knstliche Zeitrei-
hen, um die Renditen der Hedgefonds-Strategie abzubilden.
915
BLESER un-
tersuchte, ob der Absolute Return Ansatz von Hedgefonds einen Vorteil
gegenber einem Benchmark-orientierten Portfolio-Management ver-
spricht.
916
Er stellt in seiner Arbeit eine fiktive Hedgefonds-Strategie vor,
die dem Absolut Return Ansatz folgt und in der Vergangenheit erfolgrei-
che Ergebnisse erzielt htte.
917
HASANHODZICA UND LO untersuchen die ge-
meinsamen Marktrisikofaktoren von Hedgefonds in der TASS-Daten-
bank.
918
Sie zerlegen zunchst die Renditen von Hedgefonds in Multifak-
911 Vgl. Fung, Hsieh (1997).
912 Vgl. Sharpe (1992).
913 Siehe z.B. Mitchell, Pulvino (2001), Bleser (2004), Hasanhodzica, Lo (2007).
914 Vgl. Mitchell, Pulvino (2001), S. 2136.
915 Die Autoren bezogen in ihre Stichprobe Stock Swap Mergers, Cash-Tender Offers
mit ein. Vgl. Mitchell, Pulvino (2001), S. 2136 Funote 1.
916 Vgl. Bleser (2004).
917 Vgl. Bleser (2004), S. 50ff.
918 Vgl. Hasanhodzica, Lo (2007).
266
6 Multifaktorenanalyse
torenmodellen, um die Sensibilitt der Fonds gegenber den Risikofakto-
ren zu schtzen.
919
Danach konstruieren sie aus den Modellparametern
passive Hedgefonds-Strategien (hier als lineare Klone bezeichnet), als
Spiegelbilder der Marktrisikofaktoren.
920
Die Aussagen dieser Studien
sind auf langfristige Zeithorizonte beschrnkt, weil Hedgefonds-Daten-
banken nur einmal monatlich, gemeldete Fondsrenditen enthalten. Die
Transaktionsprozesse auf der Buy-Side und der Sell-Side knnen jedoch
in Stunden, Minuten oder Sekunden ablaufen. Die Beantwortung der For-
schungsfrage mit tglichen Renditen ist also realistisch.
In dieser Studie vermeidet die Simulation eigener Renditen das Problem
der Bias und umgeht das Risiko einer falschen Klassifizierung von Algo-
rithmic Trading Strategien in Hedgefonds-Datenbanken. In einer Simula-
tion besteht zustzlich Sicherheit darber, welches Algorithmic Trading
Programm zum Einsatz kommt und welche Handelsstrategie auf der Buy-
Side und der Sell-Side vorliegt. So kann man mit 100%-iger Sicherheit
sagen, welche Methode, Mrkte und Wertpapiere mit welcher Fondsren-
dite verbunden sind. Dies wre z.B. bei der Verwendung von Hedge-
fonds-Datenbanken unmglich herauszufinden, weil bei den dort geliste-
ten Hedgefonds, erstens die Peer Group Styles (Buy-Side) nicht mit den
RBS-Faktoren bereinstimmen und zweitens, die Orderausfhrungen per
Algorithmus nicht mehr nachvollziehbar sind (Sell-Side). Die einzelnen
Transaktionen die bei den Hedgefonds zu den gemeldeten Renditen fh-
ren, sind in den Datenbanken nicht mehr erkennbar. Mit welcher Strate-
gie eine Order in kleinere Stcke aufgeteilt und ber unterschiedliche
Mrkte verstreut wurde, kann man auf Basis von Hedgefonds-Renditen
also nicht mehr nachweisen. Wenn man diese einzelnen Transaktionen
stattdessen unter Laborbedingungen simuliert, hat dies zwar den Nach-
teil, dass Transaktionskosten, wie z.B. Market Impact oder Slippage, nur
geschtzt werden knnen. Die Simulation hat aber den Vorteil, dass alle
919 Vgl. Hasanhodzica, Lo (2007), S. 6.
920 Vgl. Hasanhodzica, Lo (2007), S. 6.
267
6 Multifaktorenanalyse
Transaktionsprozesse transparent und nachvollziehbar sind. Die Berech-
nung der Renditen fr die komplexe und die einfache Strategie erfolgt in
dieser Untersuchung auf zwei Stufen:
I. Der erste Schritt besteht in der Auswertung historischer Marktda-
ten, aus denen Kauf- und Verkaufsentscheidungen abgeleitet wer-
den (Buy-Side Algorithmic Trading). Die Auswertung erfolgt bei
der komplexen Strategie mit Hilfe einer Algorithmic Trading
Software (bereitgestellt durch die Firma Tempelhove
921
,
Berlin/Potsdam) und bei der einfachen Strategie, ohne Software-
Untersttzung ausschlielich auf Basis von Marktdaten.
II. Im zweiten Schritt wird die Ausfhrung dieser Kauf- und Ver-
kaufsentscheidungen der komplexen und der einfachen Strategie
auf Basis aktueller Marktdaten simuliert (Backtesting). Smtliche
Transaktionen eines Tages werden saldiert. Die Renditen einer
Strategie ergeben sich jeweils aus den Vernderungen der tgli-
chen Kontoabschlsse zum Vortag.
6.2.2 Vereinfachung der Untersuchung
Damit ein Vergleich zwischen einer einfachen und einer komplexen Stra-
tegie mglich wird, muss man beide Strategien auf den kleinsten gemein-
samen Nenner reduzieren. In der vorliegenden Arbeit werden deshalb auf
beiden Seiten nur Renditen betrachtet, die das Ergebnis einer einzigen
Strategie, mit einer einzige Aktie und einem einzigen Algorithmus sind.
921 Die Software der Firma Tempelhove ist das Ergebnis eines interdisziplinren For-
schungsprojektes an der Universitt Potsdam zur Erforschung von Algorithmic Tra-
ding Technologie, welches durch Mittel des Bundesfrderungsprogramm BMWI-E-
XIST gefrdert und vom Lehrstuhl fr Corporate Governance und E-Commerce
von Professor Christoph Lattemann untersttzt wurde.
268
6 Multifaktorenanalyse
Die Bedingungen zur Orderausfhrung sind bei der einfachen und der
komplexen Strategie identisch, weil sie dieselbe Aktie handeln. Die Han-
delsstrategie (und der Algorithmus) unterscheiden sich aber jeweils. Die
Komplexitt im Inneren des Algorithmus wird also durch die Vereinfa-
chung der Analyse nicht berhrt. Ein weiterer potentiell strender Ein-
fluss besteht durch Leerverkufe, indem in der Realitt Wertpapiere ab-
wechselnd, dynamisch gekauft und verkauft (Long-Positionen) oder leer-
verkauft werden (Short-Positionen). Damit die Komplexitt des Algorith-
mus auch nicht durch Leerverkufe beeinflusst wird, beschftigen sich
beide simulierten Handelsstrategien auch nur mit Long-Positionen.
6.2.3 Beschreibung der einfachen Strategie
Die Simulation der einfachen Strategie erfolgte auf Basis der tglichen
Erffnungs- und Schlusskurse der drei betrachteten Aktien (Microsoft,
Google, Sun Microsystems) im Zeitraum vom 10. Oktober 2008 bis 20.
Mrz 2009. Die Transaktions-Daten wurden ber YAHOO Finance fr
die US-Brse NASDAQ bezogen.
Die einfache Strategie hat keinen Bezug zum Algorithmic Trading und
besteht im Kaufen und Halten einer Aktie (Buy-Hold Strategie). Das
heit, der Investor kauft ein Wertpapier zum Erffnungskurs und verkauft
es zum Schlusskurs des gleichen Tages. Diese Strategie reprsentiert eine
der einfachsten denkbaren mechanischen Handelsregeln. Aus der Simula-
tion der einfachen Strategie ergab sich eine Zeitreihe von 114 tglichen
Renditen pro Aktie.
269
6 Multifaktorenanalyse
6.2.4 Beschreibung der komplexen Strategie
[Link] Marktdaten
Die Datenbasis der komplexen Strategie bildet die Kursdatenbank der
Firma Tempelhove. Die Tempelhove-Datenbank enthlt hoch-dimensio-
nale Orderdaten (Ticks) fr einzelne Aktien der US-Brse Archipelago
(ARCA). Ein Tick ist die kleinstmgliche logische Einheit von Brsenin-
formationen, bestehend aus Volumen oder Preisinformationen (Rohdaten)
und Zeitstempel.
922
Aus ihnen lassen sich vollstndige Orderbcher im
Intervall von 1 Sekunde oder kleineren Intervallen rekonstruieren. In die-
se Datenbank wurde der Rohdatenstrom abgeleitet, der sonst die Tempel-
hove-Software durchluft. Fr diese Arbeit wurden die Tick-Daten der
Aktien Microsoft, Google und Sun Microsystems im Zeitraum von 10.
Oktober 2008 bis 20. Mrz 2009 gesammelt und verarbeitet.
[Link] Beschreibung der Software
Die Tempelhove-Software ist ein leistungsfhiges CEP-System
923
. Sie
wurde geschaffen, um Tick-Daten mit komplexen, wissenschaftlichen Al-
gorithmen der Econophysics in Echtzeit auszuwerten und automatische
Kauf- und Verkaufsbefehle zu generieren.
924
Die Software wendet sich di-
rekt an Hedgefonds und Investmentbanken und bietet ihnen ein Black
Box System, das mit austauschbaren wissenschaftlichen Algorithmen auf
individuelle Kundenbedrfnisse angepasst werden kann. Die Entwickler
legten dabei besonderen Wert auf geringe Latenzzeiten und die schnelle
Auswertung von Massendaten. Abbildung 6.1, S. 271, gibt einen groben
berblick ber den Aufbau der Tempelhove-Software.
922 Vgl. Darocogna, Gencay, Mller, Olsen, Pictet (2001), S. 1.
923 Fr eine Erklrung von CEP-Systemen siehe Abschnitt [Link] , S. 181 dieser Ar-
beit.
924 Siehe Abschnitt [Link] , S. 221, dieser Arbeit.
270
6 Multifaktorenanalyse
Die Tempelhove-Software wurde fr Proximity Hosting geschaffen. Das
heit, die Server knnen direkt im Data-Center einer elektronischen Br-
se platziert werden, ohne dass die Investmententscheidung und die Wert-
papierorder das Data-Center verlassen. Im Rechenzentrum werden die
Rohdatenstrme einer Brse (Datafeed) ber ein automatisches Interface
(API) abgefangen.
925
Die Rohdatenstrme werden automatisch decodiert
und in eine maschinennahe Sprache berfhrt. Das heit, der Datafeed
wird innerhalb der Tempelhove-Software durch sogenannte Orderbook
Handler auf Datenfehler untersucht und bereinigt (Aufgabe des Data
Cleaning). Die Software baut daraus selbststndig eine Orderbuchsituati-
on nach, die mit jedem Tick aktualisiert wird. In einem nchsten Schritt
wird das bereinigte Orderbuch an ein Software Framework bergeben,
welches die Laufumgebung fr die Bewertungs-Algorithmen (hier allge-
mein aus der Econophysics
926
) darstellt. Das Software Framework bildet
den strukturellen Rahmen fr alle Programmteile der Software und ver-
925 Wie RISCA, MALIK UND KESSLER darstellen gibt es keinen Industrie-Standard fr
Marktdaten. Praktisch kann jede Brse ein eigenes proprietres Datenformat an-
wenden, dass von der Software decodiert werden muss. Vendoren, wie z.B. Bloom-
berg und Reuters, aggregieren Marktdaten im Vorfeld. Vgl. Risca, Malik, Kessler
(2008), S. 3 Fr die Tempelhove-Software wurde ein unbereinigter Tick-Daten-
strom verwendet, der smtliche Preis und Volumeninformationen eines Orderbu-
ches einer einzelnen Aktie enthielt.
926 Siehe Abschnitt [Link] , S. 221.
271
Abbildung 6.1: Schematischer berblick ber den Aufbau der
Tempelhove-Software, als CEP-System
6 Multifaktorenanalyse
bindet alle Transaktionsprozesse ber Straight Through Processing mit-
einander. Es wurde in den Programmiersprachen Python, Cython bzw.
C/C++ entwickelt.
927
Die Bewertungs-Algorithmen im Software Frame-
work knnen je nach Bedarf ausgetauscht und entsprechend der Marktla-
ge aktualisiert werden. Alle Prozesse in der Informationsphase drfen im
Software Framework maximal eine Sekunde dauern.
928
Am Ende liefert
das Software Framework eine Kauf- oder Verkaufsempfehlung (Signal-
and Order-Generation). Eine Wertpapier-Order wird in der Tempelhove-
Software ohne menschliches Zutun generiert. Die Order kann entweder
an das universelle FIX Finanz-Protokoll
929
transformiert werden (FIX-
Connect), automatisch an SOR-Systeme weitergeleitet werden oder wird
direkt im Orderbuch einer Brse platziert (Sell-Side Algo Trading). Der
Ausfhrungsalgorithmus der Sell-Side ist aber nicht mehr Bestandteil der
Tempelhove-Software. Der Mensch berwacht die Funktionsweise des
Software Frameworks.
[Link] Beschreibung des komplexen Algorithmus
Fr diese Arbeit wurde eine mechanische Handelsregel in der Tempelho-
ve-Software programmiert, die gleichermaen auf Methoden der Econo-
physics
930
sowie der statistischen Arbitrage
931
aufbaut. Die Strategie wur-
de auf drei einzelnen Aktien berechnet, die auch im NASDAQ 100 Index
927 Wie ALDRIDGE darstellt, werden Software-Programme dieser Art immer in ihrer Pro-
duktionsumgebung in hoch-leistungsfhigen Programmiersprachen (z.B. C++,
JAVA) programmiert, damit auch innerhalb von maschinen-optimierten Software-
Code keine Medienbrche auftreten, die zu Zeitverlusten fhren. Vgl. Aldridge
(2009), S. 242.
928 Die Entwickler verfolgen das Ziel, diese Zeitspanne bis auf eine Tick-Frequenz zu
reduzieren.
929 Siehe dazu [Link]
930 Siehe Abschnitt [Link] , S. 221, dieser Arbeit.
931 Siehe Abschnitt [Link] , S. 207, dieser Arbeit.
272
6 Multifaktorenanalyse
enthalten sind (Microsoft [MSFT], Google [GOOG] und Sun Micro-
systems [JAVA]). So standen eine Versuchs- und zwei Kontrollgruppen
zur Verfgung.
Der komplexe Algorithmus basiert auf den Orderbuchdaten aus der Pre-
Trade Phase. Er verfolgt die Hypothese, dass die Preisverschiebungen
der Level1-Kurse (
P
Level1
=( B
Bid
, B
Ask
)
) im Orderbuch ber die nchsten
5 Minuten, allein auf Basis der dynamischen Volumenverteilung (hier be-
schrieben durch das Integral) der Quotes vorhersagen lassen. Dafr wer-
den mit Hilfe eines komplexen physikalischen Modells, auf Basis der
Frequenzanalyse, zwei Kennzahlen (eine fr die Bid und die Ask Seite
des Orderbuches) abgeleitet (
f (
t
t+1
V
Bid
)
und
f (
t
t+1
V
Ask
)
). Die Komplexitt
liegt in der Funktion
f
, die ausschlielich Volumendaten auswertet.
Preisinformationen spielen keine Rolle. Aus dem Vergleich der dynami-
schen Zeitreihen mit Benchmarks aus Marktpreisen (bezeichnet als
P
b
( B
Bid
)
und
P
b
( B
Ask
)
) werden dann Kauf- und Verkaufssignale abge-
leitet. Der Algorithmus lsst sich in vereinfachter Form wie folgt darstel-
len:

(6.1)
E(AP
Level1
)=E( P
Level1,t+1
P
Level1,t
)=
( f (

t
t +1
V
Bid
))
( f (
t
t +1
V
Ask
))
fr
( f (

t
t +1
V
Bid
))P
b
(B
Bid
) ( f (

t
t +1
V
Ask
))P
b
( B
Ask
)
Dem Modell liegt die Annahme zu Grunde, dass sich die Frequenz der
Preisschwankungen im Orderbuch einer Aktie dynamisch verndert, in-
dem eine Vielzahl heterogener Ausfhrungsalgorithmen kurzlebige Or-
ders platzieren. Die Orders dieser Ausfhrungsalgorithmen lassen sich
273
6 Multifaktorenanalyse
durch eigene Muster (Frequenzen) in den Volumeninformationen wieder-
erkennen, die innerhalb des Bruchteils einer Sekunde zu einer Verschie-
bung der Verteilung einer Orderbuchseite fhren. Eine Herleitung des Al-
gorithmus ist auf Nachfrage verfgbar.
[Link] Automatische Analyse und Backtesting
Die Berechnung der Renditen der komplexen Strategie erfolgte vollauto-
matisch durch die Tempelhove-Software. Im ersten Schritt simulierte die
Tempelhove-Software den Orderdatenstrom aus der Datenbank im Zeit-
raum vom 10. Oktober 2008 bis 20. Mrz 2009 und beschleunigte den
Datendurchsatz. Der gespeicherte Orderdatenstrom wurde von der Soft-
ware als Orderbuch aufbereitet und danach im Software Framework ana-
lysiert. Der Algorithmus lieferte automatische Kaufs- oder Verkaufsemp-
fehlungen, deren Ausfhrung mit Hilfe des Rohdatenstroms aus der Da-
tenbank simuliert wurde. Das heit, beim Auftreten eines Kauf- oder Ver-
kaufssignals wurde der jeweils beste Kauf- und Verkaufs-Preis bzw. des-
sen Volumen (Level 1 Quote) bestimmt und eine Transaktion simuliert
(Paper Trade). Der Wert des Portfolios wurde unter Einbeziehung der
Level 1 Quote jede Sekunde zum aktuellen Verkaufswert bestimmt.
932
Die
Ergebnisse des Durchlaufs eines Algorithmus wurden pro Tag im Zeitin-
tervall von 1 Sekunde in einer weiteren Datenbanktabelle abgespeichert.
Am Ende des Durchlaufes standen 107 Tabellen mit den Ergebnissen von
ebenso vielen Brsentagen zur Verfgung. Im zweiten Schritt wurde dar-
aus die tgliche Fondsrendite berechnet, die sich aus dem Wert des
Fonds-Portfolios am Ende des Tages, dividiert durch den Wert am An-
fang des Tages, ergibt.
932 Um die Probleme von Slippage und Latenz zu simulieren, enthlt der Softwarecode
eine Zufallskomponente, die auf den Kurs aufgeschlagen wird.
274
6 Multifaktorenanalyse
6.2.5 Simulationsergebnisse
Tabelle Nr. 25, S. 275, zeigt eine Kennzahlen-bersicht ber die sechs
Strategien. Die komplexe Strategie (benannt mit Algorithmus d01b4)
wurde fr die Symbole JAVA, GOOG und MSFT durchgefhrt und einer
einfachen Buy-Hold Strategie in den gleichen Aktien gegenber gestellt.

Komplexe Strategie (d01b4) Buy-Hold Strategie
Symbol JAVA GOOG MSFT JAVA GOOG MSFT
Mittelwert -2,158% -0,345% -0,320% 0,505% 0,088% -0,186%
Standard-
abweichung
10,135% 0,141% 0,148% 5,955% 3,326% 3,399%
Minimum -89,591% -0,457% -0,446% -13,333% -7,830% -7,010%
Maximum 0,003% 0,190% 0,060% 13,890% 8,760% 11,550%
Schiefe -7,055 2,026 1,479 0,060 0,095 0,499
Kurtosis 54,504 2,804 0,614 -0,429 -0,173 0,782
Tabelle 25: Deskriptive Statistiken der komplexen Strategie mit Algorith-
mic Trading und einer Buy-Hold Strategie ohne Algorithmic Trading
Die Ergebnisse zeigen auf den ersten Blick, dass die komplexe Strategie
im Mittelwert ber alle Untersuchungstage und Symbole schlechter ab-
schnitt als die einfache Strategie. Besonders schlecht ist die Performance
bei JAVA mit einem Mittelwert von -2,158% pro Tag und einem Mini-
mum von -89,591%. Auffllig ist hier die groe negative Schiefe (-7,055)
der Verteilung. Die negative Schiefe hier bedeutet, dass die Mehrzahl der
Renditen geringer ausfallen, als der Mittelwert. Die hohe Kurtosis von
JAVA (54,504) ist ein Zeichen, dass diese Renditen nicht normalverteilt
und hoch-dynamisch sind. Die extremen Werte fr Schiefe und Kurtosis
bei JAVA erklren sich aus nur wenigen verlustreichen Tag, bei dem die-
se Strategie extreme Verluste bis zu -89,591% ihrer Investition erlitt.
933
933 Bei genauerer Betrachtung kam der hohe Verlust dadurch zu Stande, dass das Risi-
275
6 Multifaktorenanalyse
Die Performance von GOOG und MSFT zeigt hingegen ein ausgegliche-
nes Bild. Die Mittelwerte der Renditen liegen bei -0,345% bzw. -0,320%.
Beide Werte weisen eine positive Schiefe von 2,026 bzw. 1,479 auf. Das
heit, die Mehrzahl der Renditen fiel hier hher als der Mittelwert aus.
Die vergleichsweise geringe Kurtosis von 2,804 bzw. 0,614 ist ein Be-
weis fr die geringe Dynamik in diesen beiden Renditen, im Vergleich zu
JAVA.
Die Renditen der einfachen Buy-Hold Strategie waren am Mittelwert ge-
messen besser als die komplexe Strategie. Sie zeigen jedoch enorme
Schwankungen zwischen den Extremwerten. Die Minimum und Maxi-
mum Werte der Buy-Hold Strategien reichen von -13,333% bis 13,890%
bei JAVA oder -7,830% bis 8,760% bei GOOG. Auch MSFT zeigt
Schwankungen von bis zu 18%. Auffllig ist die geringe Schiefe der
Rendite-Verteilungen im Vergleich zu den komplexen Strategien. Auch
die Kurtosis zeigt uneinheitliches Verhalten.
komanagement eine Position automatisch schloss, aber aufgrund der schlechten Or-
derbuchlage nur ein unvorteilhafter Ask mit hohen Abschlgen verfgbar war.
276
6 Multifaktorenanalyse
Abbildung 6.2, S. 277 vergleicht die Renditen der komplexen und einfa-
chen Strategie am Beispiel des Symbols GOOG. Die einfachen Strategi-
en weisen erheblich grere Kursschwankungen auf, als die komplexen
Strategien. Ein vollstndiges Bild der komplexen und einfachen Strategie
liefert die Betrachtung der Standardabweichungen. So zeigten die zwei
komplexen Strategien deutlich geringere Werte GOOG (
c
GOOG
=
0,141%) und MSFT
c
MSFT
= 0,148%, als die Buy-Hold Strategien fr
GOOG (
c
GOOG
= 3,326%) und MSFT (
c
MSFT
= 3,399%). Man knnte
277
Abbildung 6.2: Vergleich der Renditen komplexen und einfachen
Strategie nach Brsentagen
Tgliche
Rendite in %
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
4 10 16 22 28 34 40 46 52 58 64 70 76 82 88 94 100
103
106
109
112
-10,0000%
-8,0000%
-6,0000%
-4,0000%
-2,0000%
0,0000%
2,0000%
4,0000%
6,0000%
8,0000%
10,0000%
Rendite GOOG komplex
Rendite GOOG einf ach
Beobachtungszeitraum
in Tagen
6 Multifaktorenanalyse
deshalb annehmen, dass die komplexen Strategien die Marktschwankun-
gen besser abfedern knnen, indem sie geringere Risiken eingehen (ge-
messen an der Standardabweichung).
934
Bezieht man aber zustzlich die
Schiefe und Kurtosis in den Vergleich mit ein, so sind bei den komplexen
Strategien hohe Abweichungen feststellbar, so dass diese Einschtzung
relativ ist. Insgesamt muss man feststellen, dass die komplexen Strategi-
en der Tempelhove-Software zwar zu geringeren Renditen fhren, als die
einfachen Strategien. Die komplexen Strategien partizipieren aber auch
nicht so stark an Marktschwankungen und Kursverlusten, sondern wei-
sen, aufgrund der stark abweichenden Schiefe und Kurtosis, dynamische
Rendite-Verteilungen auf. Das bedeutet, dass die komplexen Handelsstra-
tegien in dieser Untersuchung risikoaverse und marktunabhngige Rendi-
ten anstreben.
935
6.2.6 Test auf Normalverteilung
Die Verteilung der Fondsrenditen wurde im Weiteren mit dem Kolmogo-
rov-Smirnov Test
936
auf Normalverteilung untersucht, um die Ergebnisse
aus dem letzten Abschnitt zu berprfen. Die Ergebnisse in Tabelle Nr.
26, S. 279 zeigen eine signifikante Abweichung von der Normalvertei-
lung bei den komplexen Strategien. Die Z-Werte bei JAVA, MSFT und
GOOG waren alle hoch-signifikant auf dem 5% Level. Das heit, bei den
komplexen Strategien liegen dynamische und nicht normalverteilte Ren-
934 Um diese Hypothese weitere zu validieren, wurden die vier Momente der Vertei-
lung der Renditen bestimmt, die in der Literatur zu Messung der dynamischen Risi-
ken von Hedgefonds vorgeschlagen wurden (diese sind Varianz, Schiefe, Kurtosis
und Heteroskedastizitt). Vgl. u.a. Ranaldo, Favre (2005).
935 Diese Feststellung ist auf die komplexen Strategien beschrnkt, die hier mit der
Tempelhove-Software untersucht wurden. Die Feststellung kann nicht ohne Weite-
res auf andere Algorithmic Trading Programme bertragen werden.
936 Vgl. Bhl, Zfel (2002), S. 221f.
278
6 Multifaktorenanalyse
diten vor. Die Hypothese der Nicht-Normalverteilung kann bei der Buy-
Hold Strategie jedoch deutlich abgewiesen werden. Das heit, die einfa-
chen Strategien zeigen deutliche Zeichen einer Normalverteilung.
Komplexe Strategien Buy-Hold Strategien
JAVA GOOG MSFT JAVA GOOG MSFT
N 114 114 114 114 114 114
Kolmogorov-
Smirnov Z
5,218 4,809 4,166 0,714 0,808 0,735
Asymp. Sig.
(2-tailed)
0,000 0,000 0,000 6,870 0,532 0,652
Tabelle 26: Ergebnisse des Kolmogorov Smirnov Tests zur Normalvertei-
lung
279
6 Multifaktorenanalyse
6.3 Vergleich der Renditen
6.3.1 Auswahl der Methode
Die Forschungsfrage lautete: Lassen sich Aussagen ber Algorithmic
Trading aus der Analyse von (Fonds-)Renditen ziehen?. Mit der Simu-
lation der Renditen steht nun eine individuelle Datenbasis zur Verfgung,
um die Forschungsfrage zu beantworten. Der nchste Schritt besteht dar-
in, die einfachen und komplexen Strategien miteinander zu vergleichen.
Nach FUNG UND HSIEH bietet sich fr den Vergleich von Handelsstrategi-
en, die Style-Analyse von SHARPE an, die fr die Renditen von Hedge-
fonds weiterentwickelt wurde.
937
In der Style-Analyse werden die Rendi-
ten eines Portfolios mit beobachtbaren Marktpreisen in Relation gesetzt,
um daraus eine dominante Investment-Strategie abzuleiten.
938
Die dafr
notwendige Multifaktorenregression wurde in der Hedgefonds-Literatur
weiterentwickelt und fr die Analyse von dynamischen und nicht-linea-
ren Zeitreihen vorbereitet, die Hedgefonds in der Regel aufweisen.
939
Durch die Anwendung der Style-Analyse fgt sich diese Arbeit in die
restliche Hedgefonds-Literatur mit ein. Im Mittelpunkt bisheriger Arbei-
ten standen bisher nur die Strategien der Fondsmanager. Ziel dieser Ana-
lyse ist es aber, ber die Multifaktorenanalyse Hinweise auf die Prozesse
im Algorithmic Trading zu gewinnen. Diese Studie erweitert also die Be-
deutung der Style-Analyse dahingehend, dass nicht nur menschliche
Fondsmanager betrachtet werden, sondern dass auch der Einfluss techni-
scher Algorithmic Trading Software auf die Fondsrenditen geprft wird.
937 Vgl. Sharpe (1992) und Fung, Hsieh (1997).
938 Vgl. Fung, Hsieh (1997), S. 284 und Fung, Hsieh (1999), S. 322 .
939 Vgl. Ghin (2006), S. 32f.
280
6 Multifaktorenanalyse
6.3.2 Style-Analyse
[Link] Herleitung des Modells
Investmentfonds verfolgen statische Strategien (z.B. Buy-Hold Strategie),
die ausschlielich Long-Positionen zulassen.
940
Leerverkufe und Kredit-
aufnahmen sind bei Investmentfonds meist gesetzlich beschrnkt oder
verboten.
941
Diese wichtigen Beschrnkungen existieren bei Hedgefonds
nicht, so dass sie dynamische Investmentstrategien verfolgen.
942
Das
heit, Hedgefonds Manager sind frei in ihrer Wahl der Portfolio-Gewich-
te, Leverage, Finanzinstrumente und der Frequenz von Transaktionen
(Flexible Investment Policies).
943
FUNG UND HSIEH schafften eine erste Grundlage fr die Diskussion von
Hedgefonds Renditen, indem sie das Modell von SHARPE anwendeten.
944
Fr eine Diskussion der unterschiedlichen Formen und Entwicklungsstu-
fen der Style-Analyse wird auf die Arbeit von GHIN verwiesen.
945
Im ein-
fachen Asset Class Faktor Modell (siehe Formel 6.2, S. 281) besteht die
Rendite eines Portfolios zum Zeitpunkt
t
aus der Summe aller Einzel-
renditen (
r
jt
) der
j
Wertpapiere darin, hier gewichtet mit dem Faktor
w
jt
.
946
(6.2)
R
t
=

j
(w
jt
r
jt
)
940 Vgl. Fung, Hsieh (1999), S. 314.
941 Vgl. Fung, Hsieh (1999), S. 314.
942 Vgl. Fung, Hsieh (1999), S. 314.
943 Vgl. Lhabitant (2002), S. 15.
944 Vgl. Sharpe (1992) und Fung, Hsieh (1997).
945 Vgl. Ghin (2006), S. 24ff.
946 Vgl. Fung, Hsieh (1997), S. 277.
281
6 Multifaktorenanalyse
Die Annahmen der Standard Arbitrage Pricing Theory (APT) gehen da-
von aus, dass die Renditen vieler Wertpapiere
j
in diesem Portfolio
miteinander korrelieren und sich diese Einzelwerte auf gemeinsame sys-
tematische Faktoren und deren Faktorladungen reduzieren lassen.
947
Die
systematischen Faktoren knnen als Asset Klassen interpretiert werden.
948
Dahinter steckt die implizite Annahme, dass die Wertpapiere einer Asset
Klasse sich bestimmten Marktfaktoren zuordnen lassen, welche die Ein-
zelwerte in einer Klasse hnlich beeinflussen.
949
Die Anzahl dieser
Marktfaktoren wird mit
k=1,... , K
bezeichnet.
950
Die Rendite eines
Wertpapiers (
r
jt
) lsst sich im Kontext eines Portfolios dann als
Summe aller systemischen Faktoren (
F
kt
), deren Faktorladungen (hier

jk
) und idiosynkratischen Renditen
c
jt
abbilden.
951
Die Rendite des
Fonds-Portfolios setzt sich so nicht mehr aus Einzelrenditen zusammen,
sondern ist der Durchschnitt von Asset Klassen.
(6.3)
r
jt
=

k

jk
F
kt
+c
jt
Ein voll spezifiziertes Multifaktorenmodell zur Style-Regression, nach
dem Vorbild von SHARPE, beinhaltet die Hedgefonds-Rendite
R
t
zum
Zeitpunkt
t
, Style-Faktoren
SF
( k , t)
und deren Faktorladungen

k
sowie
ein Residuum
c
t
.
952
Die Variable
o
steht fr den marktunabhngigen
Teil der Fondsrendite oder die Erfahrung des Managers (Management
Skill).
953
Das voll entwickelte Multifaktorenmodell lsst sich nach FUNG
UND HSIEH folgendermaen darstellen:
954

947 Vgl. Fung, Hsieh (1997), S. 277.
948 Vgl. Fung, Hsieh (1997), S. 277.
949 Vgl. Fung, Hsieh (1997), S. 277.
950 Vgl. Fung, Hsieh (1997), S. 277.
951 Vgl. Fung, Hsieh (1997), S. 277.
952 Vgl. Fung, Hsieh (2002a), S. 17 und Sharpe (1992).
953 Vgl. Fung, Hsieh (2002a), S. 17.
954 Vgl. Fung, Hsieh (2002a), S. 17.
282
6 Multifaktorenanalyse
(6.4)
R
t
=o+

k
SF
(k , t)
+c
t
Die ursprnglichen Return Based Style Factors knnen nach diesem Mo-
dell mit beobachtbaren Marktpreisen (von Assets) in Verbindung gebracht
werden, man beschreibt sie daher auch als Asset Based Style Faktors
(ABS).
955
[Link] Unabhngige Variable
[Link].1 Markt-Risikofaktoren
Die einzelnen Variablen in Formel 6.4, S. 283, lassen sich vielfltig in-
terpretieren. Die Faktorladungen

k
zeigen die Allokation des Fondsver-
mgens bezglich der Markt- oder Risikofaktoren
SF
kt
.
956
Sie zeigen,
mit welchen Marktfaktoren (z.B. Indizes) eine Fondsrendite korreliert
und wie sensibel das Fondsvermgen auf Vernderungen in diesem
Marktfaktor reagiert.
957
Wie hoch die Risiken im einzelnen sind, die mit
einem dieser Marktfaktoren verbunden sind, hngt davon ab, welcher
Marktfaktor wie das Risiko eines Marktfaktors eingeschtzt wird.
Eine grundlegende Annahme dabei ist, dass
2
k
=1
.
958
Die Variable
schliet auch Leverage und andere Formen der Finanzierung (wie z.B.
die Wertpapierleihe) mit ein, mit denen das Fondsvermgen ber das Ei-
genkapital hinaus knstlich erhht wird.
959
Die Marktrisikofaktoren
955 Vgl. Fung, Hsieh (2004a), S. 68.
956 Vgl. Fung, Hsieh (2002a), S. 17.
957 Die Regressoren der Style-Analyse knnen auch als Risiko-Faktoren interpretiert
werden, weil sich Schwankungen der Marktpreise direkt auf den Wert des Fonds-
Portfolios auswirken. Im Vergleich zu traditionellen Risikokennzahlen, wie z.B.
Value at Risk und Standardabweichung, bietet die Style-Analyse den Vorteil, dass
man das Risikoverhalten langfristig untersuchen kann und man in der Lage ist, das
dynamische Anlageverhalten zu bercksichtigen. Vgl. Fung, Hsieh (2002a), S. 17.
958 Vgl. Sharpe (1992), S. 8.
959 FUNG UND HSIEH erklren den Einfluss von Beta am Beispiel US-Hedgefonds Long
283
6 Multifaktorenanalyse
SF
kt
knnen aus frei verfgbaren Marktpreisen (z.B. Indizes) abgeleitet
werden (Asset Based Style Factors).
960
GHIN nennt solche Modelle ex-
plizite Makro-Faktor-Modelle.
961
Sie knnen aber auch Charakteristika
eines Fonds beschreiben, die einen potentiellen Einfluss auf die Fonds-
rendite ausben (z.B. Fondsalter, Managementerfahrung).
962
Dann spricht
man expliziten Mikro-Faktor-Modellen.
963
Die Faktorladungen knnen
einen schwer trennbaren Mix aus Strategien und Leverage beschreiben,
das heit, der Fondsmanager steuert die Hhe der

k
, indem er be-
stimmt, wie viel Geld aus dem Fondsvermgen an welchen Marktfaktor
k
gebunden wird.
964
Die Bestimmung dieser Marktfaktoren ist ein zen-
traler Streitpunkt in der Literatur.
965
Term Capital Management (LTCM). Bei LTCM war nicht klar, ob die Konzentrati-
on der Strategien auf ungewhnlich, hnliche Marktrisikofaktoren zum Kollaps des
Fonds fhrte, oder das geringe Eigenkapital des Fonds dazu beitrug. Denn die Fak-
torladungen geben nur wieder, wieviel Geld von einem Marktrisikofaktor abhngig
ist. Bei LTCM waren sie berall berdurchschnittlich hoch. Fondsmanager die eine
sonst identische Anlagestrategie in gleichen Mrkten verfolgen, sich aber durch ex-
zessiven Einsatz von Leverage unterscheiden, werden unterschiedlich hohe
k
aufweisen. Vgl. Fung, Hsieh (2002a), S. 17 und Funote Nr. 6 S. 26.
960 Vgl. Fung, Hsieh (2002a), S. 17.
961 Vgl. Gehin (2006), S. 29f.
962 Vgl. Ghin (2006), S. 25f.
963 Vgl. Ghin (2006), S. 25f.
964 Wie HUBBARD darstellt, sollten die
k
zu Brsenhochzeiten (Haussee) ansteigen,
um am Aufschwung des Gesamtmarktes zu partizipieren. Whrend Brsentiefzeiten
(Baissee) sollten die Faktorladungen tendenziell sinken, so dass das Fondsverm-
gen von Kursverlusten des Gesamtmarktes verschont bleibt. Vgl. Hubbard (2007),
S. 3
965 Vgl. Maillett, Rousset (2001), S. 2.
284
6 Multifaktorenanalyse
[Link].2 Individuelle Risikofaktoren fr jeden Fonds
Die Style-Faktoren
SF
kt
im Multifaktorenmodell mssen idealerweise
fr jeden Hedgefonds individuell abgeleitet werden.
966
Die Entwicklung
von individuellen Style-Faktoren ist angesichts der Anzahl von Hedge-
fonds und der Vielfalt ihrer Strategien zwar unrealistisch. Zumindest aber
sollte man fr jeden dominanten Style ein Set aus Risikofaktoren, ein
Faktor-Set (
2
k
SF
( kt )
), entwickeln.
967
FUNG UND HSIEH sehen hier die
Chance, ein universelles Rahmenwerks fr Hedgefonds-Strategien zu
entwickeln, wo jedem dominanten Hedgefonds-Style ein individuelles
Faktor-Sets (aus ABS-Faktoren) zugeordnet werden kann.
968
Unabhngig von der Anzahl und Qualitt der Faktoren knnen Bias und
Data Snooping die Regressionsmodelle rckwirkend beeinflussen. Denn
Datenfehler knnen Abweichungen in der Kalkulation von
o
,

k
oder
c
t
verursachen und zu fehlerhaften Interpretationen der Styles fhren.
969
Eine Mglichkeit, den Bias zu umgehen, ist es, statt der Renditen von
Einzelfonds, die Renditen von Dach-Hedgefonds zu verwenden.
970
Bei
der Simulation eigener Renditen knnen keine Bias auftreten, weil die
Stichprobenqualitt vom Untersuchungsdesign abhngt, und nicht von
den gemeldeten Renditen der Fondsmanager.
966 Vgl. Fung, Hsieh (2002a), S. 23.
967 Vgl. Fung, Hsieh (2002a), S. 23.
968 Vgl. Fung, Hsieh (2003), S. 11.
969 In der Literatur gibt es eine intensive Diskussion ber die Gren, den Einfluss und
die Signifikanz von Data Bias auf die Regressionen. FUNG UND HSIEH unterscheiden
zwischen natrlichen Bias (hervorgerufen durch die natrliche Geburt und den Tod
von Hedgefonds) und Spurious Bias (hervorgerufen durch Fehler in der Stichprobe
und Datenerhebung). Vgl. Fung, Hsieh (2000), S. 306. Fr einen berblick ber die
weitere Diskussion von Historischem Bias, berlebensbias und Selektions-Bias
und anderen Gefahren des Data Snooping vgl. Ghin (2006), S. 9ff.
970 FUNG UND HSIEH stellen fest, dass die Renditen von Dach-Hedgefonds viel weniger
von Bias-Problemen betroffen sind als einzelne Hedgefonds. Vgl. Fung, Hsieh
(2002c), S. 30 und Vgl. Fung, Hsieh (2004a), S. 66.
285
6 Multifaktorenanalyse
[Link].3 Beispiele fr Faktor-Sets von Hedgefonds
Strategy-
Category
Market Timing or
Directional
(High Beta's)
Event
Driven
Strategies
Long/Short or Relative Value
(Low Beta's)
ABS-
Factors
(Factor-
Sets)
Trend
Following
Reversal Merger
Arbitrage
Equity Fixed Income
Market
Factors
- Stocks
- Bonds
- Currencies
- Commodities
- Capitalization Spread
- Value Growth Spread
- Credit Spread
- Mortgage Spread
Authors Fung, Hsieh
(2001b)
Agarwal, Naik (2000a) Fung, Hsieh (2002b)
Mitchell,
Pulvino
(2001)
971
Tabelle 27: Gliederung der Style-Faktoren von Hedge Fonds (Quelle:
Fung, Hsieh (2003), S. 11).
In der Literatur zur Style-Analyse dominiert die Suche nach passenden
Faktor-Sets fr individuelle Hedgefonds-Strategien. FUNG UND HSIEH ent-
wickelten beispielsweise ein Faktor-Set fr Trendfolgestrategien von
CTA's.
972
In einer weiteren Arbeit entwickelten die Autoren Faktor-Set fr
971 MITCHELL UND PULVINO leiten keine eigenen Asset Based Faktoren sondern testen
ihre simulierten Renditen nur gegen die Risikofaktoren des Modells von FAMA UND
FRENCH aus dem Jahre 1993. In diesem Modell unterscheidet man die Regressoren
fr den Bondmarkt (Bond-Market Factors) und fr den Aktienmarkt (Stock Market
Factors) voneinander. Vgl. Fama, French (1993), S. 7 und Mitchell, Pulvino (2001).
972 Die Autoren verwenden fr ihre Multifaktorenregression fr die unabhngigen Re-
gressoren ( SF
kt
) einen selbst-konstruierten ABS-Faktor (TF-Factor). Als abhngi-
gen Faktor ( R
t
) benutzen die Autoren den Zurich Capital Market Trend-Follower
Index (TFI), der die durchschnittliche Rendite von CTA's mit Trendfolgestrategien
wiedergibt. Der selbstkonstruierte ABS-Faktor wurde aus den Auszahlungsstrmen
theoretischer, strukturierter Optionen hergeleitet (Lookback Straddles). Die Look-
back Straddles sind eine Kombination der Auszahlungsstrme von Aktien, Bonds,
3-Monats Zinsen, Whrungen und Rohstoffen. Die Autoren entwickelten daraus
fnf primitive Trendfolgestrategien (Primitive Trend Following Strategy, PTFS)
286
6 Multifaktorenanalyse
Hedgefonds mit Fixed Income Strategie.
973
Sie entwickelten auch ein
Faktor Set fr Hedgefonds mit Long/Short Equity Strategie.
974
AGARWAL
UND NAIK bemhten sich, ein generelles Faktor-Set fr Hedgefonds mit
Buy-Hold Strategie oder mit options-basierten Strategien zu entwi-
ckeln.
975
Diese Idee fr ein generelles Faktor-Set wurde auch von FUNG
UND HSIEH wieder aufgegriffen.
976
Mit Tabelle 27, S. 286, versuchten die
Autoren zunchst, die vielen anderen Faktor-Sets in der Literatur in Ein-
klang zu bringen.
977
Sie legten drei bergeordnete Kategorien fest, um
einen berblick zu behalten: Erstens direktionale Strategien (gekenn-
zeichnet durch hohe Faktorladungen

k
), zweitens Long/Short und Re-
lative Value (gekennzeichnet durch niedrige

k
) und drittens Event Dri-
ven.
978
In ihrer Arbeit aus 2004 entwickelten die Autoren schlielich ein
formales Modell.
979
Sie legten darin sieben allgemeine Risikofaktoren
fest, die geeignet waren, die Renditen von Hedgefonds in ihren Regressi-
onsanalysen zu erklren.
980
Zusammen genommen konnten diese sieben
Risikofaktoren die Renditen in der TASS-Datenbank mit Bestimmtheits-
maen von 57% und die Renditen in der HFR-Datenbank zu 37% erkl-
ren.
981
und testeten deren Erklrungskraft gegenber dem TFI mit einer Regressionsanaly-
se. Der TF-Factor wurde dann aus drei statistisch signifikanten PTFS zusammenge-
setzt. Wie die Autoren darstellen, approximiert der selbstkonstruierte Style-Faktor
die Charakterzge von Trendfolgestrategien von Hedgefonds besonders gut. Vgl.
Fung, Hsieh (2002a), S. 20ff. Siehe auch Fung, Hsieh (2001b).
973 Vgl. Fung, Hsieh (2002b).
974 Vgl. Fung, Hsieh (2006b).
975 Vgl. Agarwal, Naik (2001).
976 Vgl. Fung, Hsieh (2004a), S. 71f.
977 Vgl. Fung, Hsieh (2003), S. 11.
978 Vgl. Fung, Hsieh (2003), S. 11.
979 Vgl. Fung, Hsieh (2004a).
980 Vgl. Fung, Hsieh (2004a), S. 71.
981 Vgl. Fung, Hsieh (2004a), S. 71.
287
6 Multifaktorenanalyse
Dieses siebenteilige Faktor-Set stellt einen vorlufig letzten Meilenstein
in der Entwicklung von Faktor-Sets dar. Seine Bestandteile gliedern sich
wie folgt: Im Faktor-Set befinden sich zwei Equity Risk Factors: (1.) Der
S&P 500 Marktindex und (2.) der SC-LC Spread (die Differenz aus dem
Wilshire 1750 Small Cap Index (SC) und dem Wilshire 750 Large Cap
Index (LC)).
982
Im Faktor-Set weiterhin enthalten sind (3.) die Renditen
von 10-jhrigen US-Staatsanleihen (10-Year US Treasury Yield) und (4.)
der Spread der Renditen (Yield Spread) zwischen der 10-jhrigen Anleihe
und Moody's Baa Fonds.
983
Die drei weitere Risikofaktoren in diesem
Faktor-Set bestehen aus dem Portfolio vom Lookback Optionen fr (5.)
Anleihen, (6.) Whrungen und (7.) Commodities.
984
982 Beide Faktoren sind besonders geeignet fr Hedge Fonds mit Long/Short Equity
Strategie. Vgl. Fung, Hsieh (2004a), S. 71f.
983 Diese Faktoren sind besonders geeignet zur Erklrung der Renditen von Fixed In-
come Arbitrage Strategien. Vgl. Fung, Hsieh (2004a), S. 71f.
984 Diese Faktoren sind besonders geeignet, um die Renditen von Strategien mit Trend-
folgemodellen zu erlutern. Vgl. Fung, Hsieh (2004a), S. 71f.
288
6 Multifaktorenanalyse
[Link] Alpha
[Link].1 Definition
In Formel 6.4, S. 283, ergibt sich der Parameter
o
nach Abzug der Fak-
torladungen

k
und des unsystematischen Risikos
c
t
. Die konstante Va-
riable
o
steht allgemein fr den Anteil der Renditen, der nicht durch das
Faktorenmodell erklrt werden kann (die berrenditen).
985

Die Literatur dreht sich um zwei Fragen. Erstens, welche Beweise fr die
berrenditen (
o>0
) von Hedgefonds existieren und zweitens, ob
o
im
Zeitverlauf positiv bleibt (Performance Persistence).
986
Aufgrund ihrer
unterschiedlichen Datenbasis und unterschiedlichen Modellspezifikatio-
nen (z.B. individuelle Auswahl der Marktrisikofaktoren), kommen viele
Autoren bei der Beantwortung beider Fragen zu gegenteiligen Ergebnis-
sen, denn das Alpha fllt berall unterschiedlich hoch aus.
987
Eindeutige
Beweise fr die Existenz von positiven
o' s
gibt es nicht, eindeutige Be-
weise dagegen genauso wenig.
988
Anstelle des
o
im Multifaktorenmo-
dell, wird in der Literatur manchmal auch Jensen's Alpha (
o
jensen
) zur
Beschreibung der berrenditen benutzt.
989
Es gibt keine Vorschriften da-
fr, welche Methode wann angewendet werden muss.
990
985 Vgl. Lhabitant (2001), S. 3.
986 Vgl. Fung, Xu, Yau (2004), S. 22.
987 Vgl. Fung, Xu, Yau (2004), S. 22.
988 Vgl. Fung, Xu, Yau (2004), S. 22.
989 Jensen's Alpha stammt aus dem Capital Asset Pricing Modell (CAPM) und wurde
ursprnglich fr die Beschreibung von berrenditen von Investmentfonds genutzt.
Dabei reprsentiert R
H
die Rendite eines Fonds, R
f
den risikolosen Zins,
CAPM
steht fr das systematische Risiko und R
m
fr die Rendite eines Marktindex, eines
Marktportfolios oder einer Benchmark. Vgl. Fung, Xu, Yau (2004), S. 26.
990 EDWARDS UND CAGLAYAN beispielsweise schtzten Alpha mit einem Multifaktoren-
modell und den Style-Faktoren nach FAMA UND FRENCH aus dem Jahre 1993. FUNG,
289
o
jensen
=E( R
H
R
f
)
CAPM
| E( R
m
R
f
)
6 Multifaktorenanalyse
Die Forschung zur Performance Persistence versucht, allgemein zu kl-
ren, ob ein inhaltlicher Zusammenhang zwischen berrenditen und Ma-
nagement-Fhigkeiten existiert oder ob die berrenditen nur kurzfristig
durch Glck zu Stande kommen.
991
In der Literatur werden viele Synony-
me fr
o
verwendet, die einen inhaltlichen Zusammenhang zwischen
berrenditen und Management Fhigkeiten unterstellen. FUNG UND HSIEH
nennen die Variable z.B. Price for Talent.
992
KOSTOVETSKY, BERK UND
GREEN und andere Autoren sprechen von Managerial/Management
Skill.
993
Dieser Zusammenhang ist aber weder fr Hedgefonds noch fr Invest-
mentfonds belegt.
994
ADAMS beispielsweise untersucht, ob
o
das Ergeb-
nis von berlegenen Management Fhigkeiten oder einfach nur Glck ist
und kommt zu differenzierten Ergebnissen.
995
FUNG, XU UND YAU untersu-
chen, ob die berrenditen von Hedgefonds auch nach einer Korrektur
mglicher Fehlerquellen im Faktorenmodell noch vorhanden sind und
kommen zu dem Ergebnis, dass ein Zusammenhang zwischen Hedge-
fonds-Eigenschaften und berrenditen existiert.
996
EDWARDS UND
CAGLAYAN finden zwar empirische Belege fr Management Skill, sie ge-
ben aber auch zu, dass diese das Resultat besonders gnstiger historischer
Bedingungen sein knnen.
997
Insgesamt kann man zur Forschung der
Performance Persistence feststellen, dass noch keine Einigkeit ber die
Quellen von
o
besteht und darber, ob
o
das Ergebnis von Glck oder
systematischem Vorgehen ist.
998

XU UND YAU schtzen das Alpha hingegen auf Basis des CAPM. Vgl. Edwards,
Caglayan (2001), Fama, French (1993), Fung, Xu, Yau (2004).
991 Vgl. Fung, Xu, Yau (2004), S. 22.
992 Vgl. Fung, Hsieh (2006a), S. 29f.
993 Vgl. u.a. Kostovetsky (2007), S. 5, Berk, Green (2004).
994 Vgl. Fung, Xu, Yau (2004), S. 22.
995 Vgl. Adams (2007), S. 47ff.
996 Vgl. Fung, Xu, Yau (2004), S. 29f.
997 Vgl. Edwards, Caglayan (2001), S. 1022.
998 Zu dieser Feststellung kann man kommen, wenn man die vielen unterschiedlichen
Methoden betrachtet, mit denen man versucht, Performance Persistence zu bewei-
290
6 Multifaktorenanalyse
Im Folgenden wird von der Annahme ausgegangen, dass ein Zusammen-
hang zwischen
o
und Management-Fhigkeiten existiert. Die konstante
Variable
o
beschreibt die durchschnittliche Fhigkeit und Erfahrung ei-
nes Fondsmanagers berrenditen zu erzielen, die nicht mit einer einfa-
chen linearen Kombination (oder einem Mix) von Marktrisikofaktoren
repliziert werden knnen.
999
[Link].2 Erosion von Alpha
Je besser die Auswahl der Marktrisikofaktoren fr eine Hedgefonds-Stra-
tegie in Formel 6.4, S. 283, gelingt, desto hher ist die Erklrungskraft
des Faktorenmodells (die Modellgte der Regressionsanalyse steigt).
Aber je hher die Erklrungskraft der Variablen

k
ausfllt, desto mehr
sinkt auch
o
. Denn der Anteil der erklrten Varianz, der auf den kon-
stanten Parameter entfllt, sinkt. Es knnen ebenfalls Marktstrungen
oder Anomalien auftreten, die sich zwar nicht in den Preisen der Marktri-
sikofaktoren widerspiegeln, die sich aber im Laufe der Zeit dennoch auf
die Hhe von
o
auswirken und es reduzieren. Man spricht hier von einer
Erosion von Alpha.
1000
FUNG UND HSIEH untersuchen beispielsweise die
Erosion von Alpha in Renditen von Dach-Hedgefonds.
1001
sen. Fr einen umfangreichen berblick ber diese Methoden siehe Ghin (2006),
S. 45ff.
999 Vgl. Fung, Hsieh (1997), S. 292.
1000 Die Erosion von Alpha ber die Zeit kann vielfltige Grnde haben. Siehe dazu
z.B. Fung, Hsieh, Naik, Ramadorai (2008), Hornberg (2006), S. 53 oder Bac-
mann, Jeanneret, Scholz (2006) und andere.
1001 Dach-Hedgefonds haben den Vorteil, dass sich ihre Renditen relativ unkompli-
ziert in die Renditen von Single-Hedgefonds zerlegen lassen. Die Autoren stellen
fest, dass sich die absolute Gre und das Signifikanz-Level von Alpha bei Dach-
Hedgefonds dramatisch reduziert. Das bedeutet, dass die Fhigkeiten der Mana-
ger von Dach-Hedgefonds keine oder nur geringen Anteil an deren Renditen ha-
ben, je besser sich die Style-Faktoren in einem Modell bestimmen lassen und der
Realitt annhern. Die Autoren sprechen hier von einer Alpha-Illusion. Vgl.
Fung, Hsieh (2004a), S. 73f.
291
6 Multifaktorenanalyse
Andererseits kann eine misslungene Auswahl von Marktrisikofaktoren zu
einer sinkenden Gte des Faktorenmodells fhren, so dass ein hheres
Alpha ausgewiesen wird als der Fonds tatschlich erwirtschaftet.
1002
FUNG
UND HSIEH zeigen auch hier, dass eine falsch bestimmte Benchmark als
Style-Faktor, zu einem zuflligen Alpha fhren kann (Accidental Al-
pha).
1003
1002 Die Wahl eines falschen Style-Faktors SF
k
kann im Multifaktorenmodell dazu
fhren, das o entweder ber- oder unterschtzt wird. Diese Fehler knnen sich
auch auf nachgeordnete Analysen auswirken, wenn man versucht, die Quellen des
Alpha zu analysieren. Auch im CAPM kann die Wahl einer falschen Benchmark
R
m
dazu fhren, dass Jensens's Alpha ber- bzw. unterschtzt wird. Siehe dazu
Fung, Xu, Yau (2004), S. 27ff.
1003 Vgl. Fung, Hsieh (2007).
292
6 Multifaktorenanalyse
[Link].3 Transaktionsprozesse in Alpha?
Die Erfahrung eines Fondsmanagers (Management Skill) ist ein abstrak-
ter Begriff. Zu den Aufgaben des Fondsmanagers gehren z.B. die Aus-
wahl der Wertpapiere im Fonds-Portfolio, die Portfolio-Gewichtung oder
die Bestimmung des richtigen Zeitpunkts zur Ordererteilung. Seine Auf-
gaben gleichen sich mit den Transaktionsprozessen, die in der Informati-
onsphase ablaufen, so dass hier mglicherweise eine Verbindung zwi-
schen
o
aus dem Multifaktorenmodell und den Prozessen whrend der
Informationsphase existiert. Nach Meinung von FUNG UND HSIEH spiegelt
sich im
o
auch die Effizienz der Orderausfhrung wider.
1004
Das heit,
die Transaktionsprozesse der Orderroutingphase und der Preisabschluss-
phase knnten sich ebenfalls im
o
des Faktorenmodells ausdrcken.
Wenn man sich vorstellt, dass die Algorithmic Trading Technologie dazu
dient, die Informationsphase und die Orderroutingphase zu bewltigen,
wrde dies bedeuten, dass die Variable
o
auch fr ein technisches Sys-
tem stehen kann, dass einen Fondsmanager in der Informationsphase ent-
weder untersttzt oder ihn durch mechanische Handelsregeln vollstndig
ersetzt.
[Link].4 Portabilitt von Alpha
FUNG UND HSIEH stellen dar, dass die
o' s
fr Hedgefonds mit
Long/Short Equity Strategie unkorreliert mit den meisten konventionel-
len Marktindizes anderer Asset Klassen sind.
1005
Dies gilt sowohl unter
normalen Marktbedingungen als auch fr Bedingungen unter Stress,
wenn auergewhnliche Ereignisse auftreten.
1006
Diese Feststellung muss
nicht auf Hedgefonds mit Long/Short Equity Strategie beschrnkt blei-
1004 Vgl. Fung, Hsieh (2002a), S. 17.
1005 Vgl. Fung, Hsieh (2004b), S. 17.
1006 Vgl. Fung, Hsieh (2004b), S. 17.
293
6 Multifaktorenanalyse
ben. Denn wenn die
o' s
keinerlei lineare oder nicht-lineare Abhngig-
keiten aufweisen, spricht man allgemein von einer Portabilitt.
1007
Diese
Portabilitt knnte man auch so interpretieren, dass man die
o' s
auf be-
liebig viele Mrkte bertragen (portieren) kann und dass sie berall die
gleiche Wirkung auf die Renditen ausben.
In Abschnitt 4.3.2 , S. 190, dieser Arbeit wurden die Eigenschaften der
Mobilitt, Flexibilitt und der Autonomie von Software-Agenten disku-
tiert. Wenn man die Eigenschaften von Software-Agenten mit der Porta-
bilitt von
o
vergleicht, kann man feststellen, dass beide dazu dienen,
unabhngige Systeme zu beschreiben. Der Vergleich wre bedeutungslos,
wenn Software-Agenten in den Transaktionsprozesse von Hedgefonds
keine Rolle spielen. Bei einem Hedgefonds mit Algorithmic Trading
knnte dies aber bedeuten, dass die Mobilitt und Autonomie von Soft-
ware-Agenten eine mgliche Erklrung fr die Portabilitt von
o
sind.
[Link] Zusammenfassung
Die Forschungsfrage lautete: Lassen sich Aussagen ber Algorithmic
Trading aus der Analyse von (Fonds-)Renditen ziehen?. Im vergangenen
Abschnitt wurde die Style-Analyse in Formel 6.4, S. 283, formal vorge-
stellt und erlutert. Um diese Formel zur Beantwortung der Forschungs-
frage zu nutzen, kann man sie auf zwei Arten anpassen. Die erste Mg-
lichkeit besteht in der Neu-Entwicklung von unabhngigen Faktoren fr
das Multifaktorenmodell. Das heit, man benutzt keine ffentlich beob-
achtbaren Marktpreise fr

k
, sondern entwickelt seine eigene Bench-
marks. Die zweite Mglichkeit besteht darin, einen abhngigen Faktor
fr das Multifaktorenmodell zu verwenden, der mit Algorithmic Trading
in Verbindung steht. Das heit, man benutzt keine Renditen von Hedge-
fonds aus Datenbanken (
R
t
), sondern man simuliert seine eigene Zeitrei-
hen.
1007 Vgl. Fung, Hsieh (2004b), S. 5.
294
6 Multifaktorenanalyse
Die Style-Analyse wurde bislang eingesetzt, um die Renditen von Invest-
mentfonds und Hedgefonds zu untersuchen, und daraus Rckschlsse auf
deren statische oder dynamische Anlagestrategien zu ziehen.
1008
Bisherige
Forschungsergebnisse zeigen, dass Investmentfonds statische Anlagestra-
tegien mit hohen Bestimmtheitsmaen aufweisen, whrend Hedgefonds
dynamische (komplexe) Investmentstrategien verfolgen, die in niedrige
Bestimmtheitsmaen resultieren.
1009
Dies bedeutet, dass die Style-Analy-
se ein passendes Instrument ist, um eine komplexe Strategien (mit Algo-
rithmic Trading) und eine einfache Strategie (ohne Algorithmic Trading)
voneinander zu trennen.
Die Style-Analyse birgt noch einen weiteren wichtigen Vorteil. Die For-
schung zur Performance Persistence bei Hedgefonds beschftigt sich in-
tensiv mit dem konstanten Faktor
o
. Bisherige Erkenntnisse lassen ver-
muten, dass sich die Transaktionsprozesse von Algorithmic Trading in
den Eigenschaften von
o
widerspiegeln.
1008 Vgl. Fung, Hsieh (1997).
1009 Vgl. Fung, Hsieh (1997), S. 282.
295
6 Multifaktorenanalyse
6.3.3 Durchfhrung des Vergleichs
[Link] Analyseplan
Als Ergebnis von Abschnitt 6.2 , S. 266 stehen die Renditen einer
komplexen Strategie (mit Algorithmic Trading) und einer einfachen Buy-
Hold Strategie (ohne Algorithmic Trading) zur Verfgung. Der Vergleich
dieser Renditen mit dem Faktorenmodell aus Formel 6.4, S. 283, erfolgt
jetzt in zwei Schritten.
I. Erstens werden die Regressionsfaktoren aus dem Multifaktoren-
modell von FUNG UND HSIEH auf die vorliegende Problematik
bertragen.
1010
Das heit, als unabhngige Regressionsfaktoren
werden die gleichen externen Marktpreise benutzt, welche die
Autoren auf Renditen aus den Datenbank HFR und TASS anwen-
deten.
II. Zweitens werden eine Reihe von alternativen Regressionsfaktoren
benutzt, um das Bestimmtheitsma der Regressionsanalyse zu
steigern. Diese zustzlichen Regressionsfaktoren werden nicht
aus exogenen Marktpreisen abgeleitet, sondern aus den gleichen
endogenen Marktdaten, welche die Algorithmic Trading Software
auswertet.
1010 Siehe Fung, Hsieh (2004a).
296
6 Multifaktorenanalyse
[Link] Klassische Regressionsanalyse
[Link].1 Erklrung der Risikofaktoren
Den ersten Regressionsfaktor in der Studie von FUNG UND HSIEH bildete
der Marktindex (in dieser Arbeit mit der Variable
SF
Market
bezeichnet).
1011
Analog dazu wurden in dieser Analyse vier verschiedene
Indizes auf ihre Eignung als Marktrisikofaktoren berprft. Dazu
gehrten der S&P 500 Index, der NASDAQ-100, der Nasdaq-Computers
und NYSE ARCATEC Index.
1012
Als Risikofaktor wurde der NASDAQ-
100 ausgewhlt, weil die drei betrachteten Einzelaktien aus diesem Index
stammen und damit eine logische bereinstimmung von Strategie und
Marktindex gegeben ist.
Als zweiten Regressionsfaktor whlten FUNG UND HSIEH den Spread aus
dem Wilshire 1750 Small Cap Index und dem Wilshire 750 Large Cap
Index, um die Wechselbeziehungen zwischen groen und kleinen Aktien
zu bercksichtigen.
1013
Der Spread wird im Folgenden als SC-LC Spread
mit der Variablen
SF
SCLC
bezeichnet. Analog zum SC-LC Spread wurde
in dieser Arbeit der Spread aus dem S&P 600 (fr Small Caps) und dem
S&P 500 (fr Large Caps) verwendet.
1014
Die abweichende Indexwahl ist
durch die Annahme gerechtfertigt, dass die simulierten Renditen durch
den weiter bekannten S&P 500 Index geschtzt werden knnen, als durch
die weniger bekannten Wilshire Indizes.
1011 Vgl. Fung, Hsieh (2004a), S. 71-72.
1012 Die Rendite-Zeitreihen dieser Indizes wurden ber YAHOO Finance bezogen.
1013 Vgl. Fung, Hsieh (2004a), S. 71-72.
1014 Die Daten fr diese Renditen wurden ebenfalls ber YAHOO Finance bezogen.
297
6 Multifaktorenanalyse
Als dritten Regressionsfaktor whlten FUNG UND HSIEH die Renditen 10-
jhriger US-Staatsanleihen (10-year US-Treasury Yields) und als vierten
die Rendite-Differenz zwischen der 10-jhrigen US-Anleihen und dem
Moody's Baa Corporate Bond (Yield Spread between 10-year T-bonds
and Moody's Baa bond).
1015
Beide Risikofaktoren wurde ohne Vernde-
rungen in diese Analyse bernommen.
1016
Die US-Staatsanleihe wird im
Folgenden mit der Variable
SF
10Year
bezeichnet, die Rendite-Differenz
zum Corporate Bond als
SF
Moody
.
Die vorlufige Regressionsgleichung zur Untersuchung von Algorithmic
Trading lsst sich unter Einbeziehung der oben genannten Marktrisiko-
faktoren wie folgt zusammenfassen.
(6.5)
Als fnften, sechsten und siebenten Risikofaktor whlten FUNG UND HSIEH
die Renditen von Lookback Straddles fr (5.) Anleihen, (6.) Whrungen
und (7.) Commodities.
1017
Dies sind drei knstliche Portfolios mit opti-
onshnlichen Auszahlungsstrmen, welche die Autoren fr die Hedge-
fonds-Strategien entwickelten, die Trendfolge-Modellen folgen (ABS-
Factors for Trend Following Funds).
1018
Die Herleitung von Lookback
Straddles ist ausfhrlich in der Arbeit von Fung und Hsieh aus dem Jahr
2001 dokumentiert und basiert auf den Arbeiten von MERTON und
HENRICKSSON UND MERTON.
1019
Die Hedgefonds-Strategie wird dabei in
eine Komponente fr Market Timing und eine Komponenten fr Trend
Following zerlegt. Ein Market Timer versucht, Preisbewegungen vorher-
1015 Vgl. Fung, Hsieh (2004a), S. 71-72.
1016 Als Quellen fr diese Renditen dienten YAHOO Finance und Hussmann (2010).
1017 Vgl. Fung, Hsieh (2004a), S. 71-72.
1018 Vgl. Fung, Hsieh (2004a), S. 71.
1019 Siehe auch Merton (1981), Henricksson, Merton (1981), vgl. Fung, Hsieh
(2001b), S. 317f.
298
R
Thv
=o
Thv
+2(
Market
SF
Market
)+
SCLC
SF
SCLC
+
10Year
SF
10Year
+
Moody
SF
Moody
+c
6 Multifaktorenanalyse
zusagen und geht Long-Positionen ein, wenn er steigende Kurse vermutet
oder Short-Positionen wenn er fallende annimmt.
1020
Ein Trendfolger ver-
sucht, Markt-Trends
1021
frhzeitig durch ihre Muster zu erkennen, und
handelt dann in die Richtung dieser Trends.
1022
Die Autoren entwickelten
fr beide Komponenten eine primitive Market Timing-Strategie (PMTS)
und primitive Trendfolge-Strategie (PTFS), die nur eine einzige Transak-
tion pro Zeitintervall (hier 1 Tag) und Aktie beinhalten.
1023

Die Lookback Straddles wurden fr die Regressionsanalysen in dieser
Arbeit nicht weiter betrachtet. Denn die simulierten Renditen basieren
nur auf Einzelaktien, die in keiner Beziehung zu Anleihen, Whrungen
oder Commodities stehen.
[Link].2 Anwendung der Risikofaktoren
Tabelle 28, S. 300, gibt die Ergebnisse der klassischen Regressionsanaly-
se mit den Style-Faktoren von FUNG UND HSIEH wieder.
1024
Hier lassen sich
drei Beobachtungen machen.
1020 Vgl. Fung, Hsieh (2001b), S. 318.
1021 Unter einem Trend versteht man dabei konsistente Preisbewegungen in eine be-
stimmte Richtung ber ein Zeitintervall und gleichzeitig positiver serieller Korre-
lation. Vgl. Fung, Hsieh (2001b), S. 318.
1022 Vgl. Fung, Hsieh (2001b), S. 318.
1023 Die PMTS versucht, von den stndig wechselnden Kursbewegungen whrend ei-
nes Brsentages zu profitieren. Unter perfekten Bedingungen (das heit, ohne
Transaktionskosten) entspricht der Profit beim Market Timing daher dem Betrag
der Differenz aus Schlusskurs und Erffnungskurs des gleichen [Link] PTFS
profitiert hingegen von maximalen Kursschwankungen eines Brsentages. Unter
optimalen Bedingungen betrgt der Profit beim Trendfolger den Unterschiedsbe-
trag aus dem hchsten und dem niedrigsten Kurs eines Tages. Vgl. Fung, Hsieh
(2001b), S. 318.
1024 Siehe Fung, Hsieh (2004a).
299
6 Multifaktorenanalyse
Komplexe Strategie (d01b4) Einfache Strategie (Buy-Hold)
JAVA GOOG MSFT Mittelwert JAVA GOOG MSFT Mittelwert
R
adjustiert
2 -0,035 -0,018 0,015 -0,013 0,383 0,529 0,722 0,545
o
1025
-0,021
(0,030***)
-0,003
(0,000***)
-0,003
(0,000***)
-0,009
(0,001***)
0,007
(0,143)
-0,019
(0,383)
-0,001
(0,415)
-0,004
(0,314)

Nasdaq100
-0,019
(0,853)
-0,021
(0,837)
0,070
(0,478)
0,010
(0,751)
0,639
(0,000***)
0,727
(0,000***)
0,868
(0,000***)
0,745
(0,000***)

SCLC
-0,004
(0,969)
-0,086
(0,382)
-0,121
(0,212)
-0,0643
(0,723)
0,006
(0,938)
0,090
(0,178)
-0,077
(0,136)
0,006
(0,417)

10Year
0,033
(0,739)
0,015
(0,876)
-0,002
(0,986)
0,015
(0,867)
-0,010
(0,900)
0,018
(0,788)
-0,032
(0,536)
-0,008
(0,741)

Moody
-0,013
(0,892)
-0,086
(0,381)
-0,154
(0,111)
-0,084
(0,461)
0,050
(0,506)
0,040
(0,542)
-0,020
(0,695)
0,023
(0,581)
Tabelle 28: Style-Analyse der Renditen einer komplexen und einer einfa-
chen Strategie unter Verwendung der Regressionsfaktoren von Fung,
Hsieh (2004a).
1026
In Klammern stehen die Signifikanzniveaus auf 5% Le-
vel.
Die Ergebnisse zeigen erstaunlich niedrige Bestimmtheitsmae
( R
adjustiert
2
) von durchschnittlich -0,013 fr die komplexen Strategien und
durchschnittlich 0,545 fr die einfachen Buy-Hold Strategien. Diese Er-
gebnisse sind konsistent mit der Arbeit von FUNG UND HSIEH aus dem Jah-
re 2001.
1027
Dort stellten die Autoren ebenso niedrige Bestimmtheitsmae
fr dynamische Hedgefonds-Strategien von -3,2% bis +7,5% fest.
1028
Die
niedrigen Bestimmtheitsmae zeigen, dass sich die Fondsrenditen der
komplexen Strategien mit Algorithmic Trading nicht einfach mit den
Marktpreisen aus dem Sieben-Faktor-Modell
1029
replizieren lassen.
1025 Angabe bezieht sich auf den unstandardisierten Koeffizienten.
1026 Die komplexe Strategie wurde durch die Algorithmic Trading Software und einen
komplexen Algorithmus simuliert, die einfache Strategie besteht im Kauf der Ak-
tie zum Erffnungskurs und ihrem Verkauf am Schlusskurs des gleichen Tages.
Transaktionskosten wurden vernachlssigt.
1027 Vgl. Fung, Hsieh (2001b), S. 327.
1028 Vgl. Fung, Hsieh (2001b), S. 327.
1029 Siehe dazu Abschnitt [Link].3 , S. 286, dieser Arbeit.
300
6 Multifaktorenanalyse
Eine zweite Beobachtung sind die konstanten Parameter (
o
). Die kom-
plexe Strategie weist kontinuierlich negative
o' s
auf. Das schlechteste
o
wird bei JAVA mit einem Wert von -0,021 erreicht. Dem folgen
MSFT mit einem Wert von -0,003 und GOOG mit einem Eintrag von
-0,003. Alle drei
o' s
sind jedoch hoch-signifikant und weit unterhalb
der 5% Grenze. Die
o' s
der einfachen Strategie weisen positive und ne-
gative Werte auf, die alle nicht signifikant sind.
Tabelle 28, S. 300 zeigt schlielich die Hhe der Regressions-Koeffizien-
ten (

k
) und deren Signifikanzniveaus in Klammern. Auffllig ist, dass
bei der komplexen Strategie kein einziges

k
das Signifikanzniveau von
5% unterschreitet. Anders sieht das Bild bei den Regressions-Koeffizien-
ten der einfachen Strategie aus. Hier sind die Werte von

Nasdaq100
fr
GOOG mit 0,727 fr JAVA mit 0,639 und fr MSFT mit 0,868 hochsi-
gnifikant und liegen alle unterhalb des 5% Signifikanzniveaus.
[Link].3 Trennung von von dynamischen und einfachen Strategien
Das erste Ergebnis dieser Untersuchung ist, dass sich die
komplexen und einfachen Strategien auf Basis von R
2
trennen lassen.
Die niedrigen R
2
der komplexen Strategien sind ein Zeichen dafr, dass
dynamische Renditen vorliegen, die sich nicht durch beobachtbare
Marktpreise nachbilden lassen. Die hohen R
2
der einfachen Strategien
beweisen, dass die Renditen der Buy-Hold Strategien eng an die Renditen
beobachtbarer Marktpreise gebunden sind. Diese Ergebnisse besttigen
die Funktionsweise der Style-Analyse von FUNG UND HSIEH aus dem Jahre
1997.
1030
Die Autoren stellten in ihrer Arbeit auch signifikante Unter-
schiede im R
2
zwischen Investmentfonds (mit statischen Strategien) und
1030 Siehe dazu Fung, Hsieh (1997).
301
6 Multifaktorenanalyse
Hedgefonds (mit dynamischen Strategien) fest.
1031
Der Grund fr diese
Unterschiede lag nach ihrer Meinung in den engen Vorschriften fr In-
vestmentfonds-Manager, die zu statischen Renditen fhren, whrend
Hedgefonds durch Leerverkufe und Leverage dynamische Renditen auf-
wiesen.
1032

Anders als bei FUNG UND HSIEH stehen im Mittelpunkt dieser Analyse
nicht mehr die Beschrnkungen der Strategien bezglich Leerverkufe
und Leverage, sondern die Rolle von Software-Agenten und die Komple-
xitt von Algorithmen, die nicht mit den Marktpreisen in Verbindung ste-
hen.
1033
Die komplexe Strategie besteht nur aus einer Strategie, einem Al-
gorithmus und einer Aktie, der Long-Positionen zulsst. Die Erklrung
der dynamischen Renditen wird so auf den Algorithmus reduziert, der die
Informationsphase zur Auswertung von Marktdaten benutzt wird. Portfo-
lio-Effekte und Leerverkufe kommen als Quellen der dynamischen Ren-
diten in dieser Analyse nicht in Frage.
1034
Transaktionskosten wurden -
mit Ausnahme einer Zufallskomponente fr Slippage - whrend der Si-
mulation ebenfalls vernachlssigt und kommen als Quelle der dynami-
schen Renditen auch nicht in Frage.
Zusammenfassend kann man sagen, dass die Dynamik der komplexen
Strategie alleine auf die Komplexitt des Algorithmus zurckgefhrt wer-
den kann, weil dies das einzige wichtige Unterscheidungskriterium zwi-
schen der einfachen und komplexen Strategie war. Portfolio-Effekte und
Leverage spielten in dieser Analyse keine Rolle.
1031 Vgl. Fung , Hsieh (1997), S. 280.
1032 Vgl. Fung, Hsieh (1997), S. 283f.
1033 Siehe Fung, Hsieh (1997).
1034 Portfolio-Effekte knnten z.B. auftreten, wenn ein Portfolio aus mehreren Aktien
besteht, deren Renditen sich berschneiden oder die gegenstzliche Kursentwick-
lungen aufweisen. Leerverkufe knnten vorliegen, indem ein Fondsmanager (ge-
liehene) Wertpapiere verkauft, die sich gar nicht im Fonds-Portfolio befinden, um
an fallenden Kursen zu partizipieren.
302
6 Multifaktorenanalyse
[Link].4 Signifikante Alpha's bei komplexen Strategien
Das zweite wichtige Ergebnis dieser Untersuchung war,
dass die komplexe Strategie durchweg (hoch)-
signifikante
o' s
produzierte, whrend die Buy-Hold
Strategie nur nicht-signifikante
o' s
aufwies.
Dieses Ergebnis erscheint auf den ersten Blick trivial. Denn
o
knnte
sowohl das Ergebnis einer schlechten Modellschtzung mit geringen R
2
sein. Es knnte aber auch als Management Skill oder Glck interpretiert
werden.
1035
Das Management Skill kann man auch als Summe der Erfah-
rungen eines Fondsmanagers betrachten. Dazu gehren auch alle techni-
schen Systeme, die ihn bei seiner Arbeit untersttzen. Die signifikanten
o' s
knnten ein Hinweis auf den Einsatz von Software-Agenten sein.
Denn die Renditen der komplexen Strategie sind einzig und allein das Er-
gebnis des Algorithmus innerhalb der Tempelhove-Software. Ein nicht si-
gnifikantes
o
knnte man als Zeichen dafr interpretieren, dass die Ren-
1035 Bisher existieren keine Beweise dafr, dass o mit den Fhigkeiten des Managers
in Verbindung steht. In der Literatur wird immer mit der Korrelation der Renditen
zu Marktpreisen argumentiert, dass die Management Fhigkeiten denjenigen
konstanten Teil der Rendite darstellen, der auch durch Marktpreise nicht erklrbar
ist. Es ist unbestritten, dass Alpha ein konstanter Faktor in der Regression ist, der
unabhngig von der Entwicklung der Marktpreise ist. Die Frage ist hier,
inwieweit diese Unabhngigkeit durch das Knnen des Fondsmanagers oder die
technische Infrastruktur (Software und Algorithmen) zu Stande kommt. Genauso
gut, knnte das Risikomanagement eines Fonds dazu beitragen. Generell kommen
alle Prozesse dafr in Frage, die konstanten Einfluss auf die Fondsrendite
ausben und auf unterschiedliche Zeitreihen bertragbar (portierbar) sind. In der
vorliegenden Analyse besteht die einzige Konstante in der Benutzung der
Tempelhove-Software, so dass unter Laborbedingungen ein Rckschluss auf
Algorithmic Trading mglich war. Hier mssen weitere Analysen erst noch
zeigen, ob sich dieses konstante Alpha als Zeichen fr Algorithmic Trading auch
in der Realitt bewhren kann.
303
6 Multifaktorenanalyse
diten nur durch Glck zu Stande kommen. Ein hohes

k
wre ein Zei-
chen dafr, dass die Renditen an die allgemeine Marktentwicklung ge-
knpft sind.
[Link].5 Hohe

Market
bei einfachen Strategien
Das dritte wichtige Ergebnis dieser Untersuchung ist, dass
die Faktorladungen

Nasdaq100
der einfachen Strategie alle
hoch-signifikant sind. Die

Nasdaq100
weisen starke
Werte auf von 0,639 fr JAVA, 0,727 fr GOOG und
0,868 fr MSFT.
Die Beobachtung der Faktorladungen verrt den Inhalt der einfachen In-
vestmentstrategie. Die hohen Werte fr

Nasdaq100
beweisen, dass die
Renditen der Buy-Hold Strategie eng an die Entwicklung des Marktindex
Nasdaq 100 geknpft ist. Alle anderen Regressionsfaktoren sind unwich-
tig. Die
o' s
spielen bei der einfachen Strategie auch keine Rolle. Man
kann deshalb sagen, dass bei der einfachen Strategie keine Intelligenz zu
finden ist. Stattdessen wird nur der Marktindex mit einer Kaufen und
Halten Strategie nachgeahmt.
[Link].6 Begrenzte Aussagekraft der Regressionsanalyse
Der vergangene Abschnitt beschrieb die Durchfhrung einer Regressi-
onsanalyse mit hnlichen Faktoren, wie sie FUNG UND HSIEH im Jahre
2004 verwendeten.
1036
Wie Abschnitt 6.3.2 , S. 281, zeigte sind die Er-
gebnisse einer Style-Analyse stark abhngig von der richtigen Auswahl
der unabhngigen Style-Faktoren. Man knnte statistisch argumentieren,
dass die hier ausgewhlten Style-Faktoren ungeeignet sind und die Gte
1036 Siehe Fung, Hsieh (2004a), S. 71f.
304
6 Multifaktorenanalyse
des Regressionsmodells reduzieren, so dass der konstante Faktor
o
auto-
matisch hohe Signifikanzniveaus aufweist. Wrde man stattdessen andere
Regressionsfaktoren verwenden, wre
o
weder signifikant noch sonst ir-
gendwie auffllig.
Um dieses Argument zu entkrften, werden im Folgenden zustzliche
Style-Faktoren in die Regressionsgleichung in Formel 6.5, S. 298, einbe-
zogen. Als individuelle Regressionsfaktoren kommen alle Kennzahlen in
Frage, die sich aus exogenen oder endogenen Marktinformationen ablei-
ten lassen. Denn wenn keine interne Informationen ber das innere einer
Strategie vorliegen, sind diese die einzigen verfgbaren Informations-
quellen.
[Link] Einbeziehung zustzlicher Regressionsfaktoren
Tabelle 29, S. 306 zeigt die Ergebnisse der Regressionsanalyse mit zwei
zustzlichen Faktoren, die aus den endogenen Marktdaten (hier aus dem
aufbereiteten Orderbuch) abgeleitet wurden. Dazu wurde der durch-
schnittliche Ask Preis eines Brsentages (
SF
AVGDailyAsk
) und der durch-
schnittliche Bid Preis eines Brsentages (
SF
AVGDailyBid
) als zustzliche
Faktoren ergnzt.
1037
Die dafr notwendige Regressionsgleichung baut
auf Formel 6.5 auf und hat folgende Form:
(6.6) R
Thv
=o
Thv
+...+2(
AVGDailyBid
SF
AVGDailyBid
)+2(
AVGDailyAsk
SF
AVGDailyAsk
)+c
1037 Fr eine Erklrung des Bid und Ask im Orderbuch siehe Abschnitt [Link].2 , S.
54, dieser Arbeit.
305
6 Multifaktorenanalyse
Komplexe Strategie (d01b4) Einfache Strategie (Buy-Hold)
JAVA
komplex
GOOG
komplex
MSFT
komplex
Mittelwert JAVA
einfach
GOOG
einfach
MSFT
einfach
Mittelwert
R
adjustiert
2 -0,058 0,108 0,289 0,113 0,383 0,515 0,705 0,534
o
-0,024
(0,036***)
-0,004
(0,000***)
-0,003
(0,000***)
-0,010
(0,012***)
0,005
(0,344)
0,002
(0,420)
-0,001
(0,461)
0,002
(0,408)

Nasdaq100
-0,018
(0,867)
0,039
(0,685)
0,082
(0,332)
0,034
(0,628)
0,628
(0,000***)
0,717
(0,000***)
0,861
(0,000***)
0,735
(0,000***)

SCLC
0,002
(0,982)
-0,162
(0,090)
-0,182
(0,033)
-0,007
(0,368)
0,035
(0,668)
0,097
(0,170)
-0,086
(0,116)
0,015
(0,318)

10Year
-0,041
(0,700)
-0,001
(0,992)
-0,021
(0,800)
-0,021
(0,831)
-0,011
(0,890)
-0,028
(0,688)
-0,038
(0,481)
-0,026
(0,686)

Moody
-0,006
(0,953)
-0,102
(0,273)
-0,183
(0,031)
-0,097
(0,419)
0,040
(0,615)
0,039
(0,569)
-0,023
(0,668)
0,019
(0,617)

AvgDailyAsk
-0,029
(0,782)
-0,098
(0,383)
0,051
(0,886)
-0,025
(0,684)
0,114
(0,154)
0,048
(0,566)
0,246
(0,282)
0,136
(0,334)

AvgDailyBid
-0,025
(0,817)
-0,301
(0,009***)
-0,572
(0,109)
-0,299
(0,312)
0,012
(0,879)
-0,015
(0,860)
-0,269
(0,241)
-0,091
(0,660)
Tabelle 29: Style-Analyse der simulierten Renditen mit zustzlichen Re-
gressionsfaktoren
SF
AVGDailyBid
(durchschnittlicher Bid der Level1 Quo-
tierung im Orderbuch pro Tag) und quivalent
SF
AVGDailyAsk
fr die Quo-
tierung des Ask.
Durch Einbeziehung der zwei zustzlichen Faktoren konnte R
2
bei der
komplexen Strategie fr GOOG auf 0,108 und fr MSFT auf 0,289 ge-
steigert werden. Das heit, der Anteil statistischer Fehler im Modell ist
fr diese beiden Aktien geringer als in der ersten Analyse. Das R
2
von
JAVA verschlechterte sich jedoch durch die Einbeziehung der zwei neuen
Regressionsfaktoren und sank auf -0,058. Das heit fr diese Aktie er-
hhte sich der Anteil der statistischen Fehler im Modell. Der Mittelwert
von R
2
bei den einfachen Strategien liegt bei 0,534 und ist damit immer
noch deutlich hher als bei den komplexen Strategien. Die Einbeziehung
der zustzlichen Regressionsfaktoren hat nur einen sehr marginalen Ein-
fluss auf das R
2
der einfachen Strategie.
306
6 Multifaktorenanalyse
Die zweite Beobachtung in dieser Regressionsanalyse ist, das die

Nasdaq100
bei der einfachen Strategie weiterhin hohe Werte mit deutlich
signifikanten Niveaus aufweisen. Die Faktorladungen reichen von 0,628
fr JAVA, 0,717 fr GOOG bis zu 0,861 fr MSFT. Alle drei Faktorla-
dungen sind hoch signifikant mit
p
Sig
=0,000
. Das heit, die einfache
Strategie hat keine hohe Intelligenz und bildet nur den Marktindex mit
marginalen Abweichungen ab. Die Abweichungen zwischen Marktindex
und Strategie-Rendite erklren sich aus der Vermeidung von Overnight
Risk.
1038
Bei der einfachen Strategie sind auer

Nasdaq100
auch keine wei-
teren Regressoren signifikant, die einen Einfluss auf die Rendite ausben
knnten.
Die dritte Beobachtung dieser Regressionsanalyse betrifft die Signifi-
kanzniveaus von o bei der komplexen Strategie. Alpha ist bei allen drei
Aktien GOOG (
p
Sig
=0,000), JAVA (
p
Sig
=0,036) und MSFT (
p
Sig
=0,000) signifikant und liegt unterhalb der 5% Grenze. Im Vergleich dazu
liegt der Mittelwert der Signifikanzniveaus von
o
bei den einfachen
Strategien bei 0,408 und ist fr alle drei Aktien nicht signifikant. Diese
Beobachtung ist ein Beweis dafr, dass die hoch-signifikanten
o' s
der
komplexen Strategie bei den Aktien GOOG und MSFT nicht das Ergeb-
nis eines schlechten statistischen Modells sind, sondern dass die
o' s
auch bei hheren R
2
eine Signifikanz aufweisen. Daraus kann man
schlieen, dass die
o' s
bei der komplexen Strategie eine zentrale Rolle
spielen. Bei der einfachen Strategie sind sie fr die Erklrung der Rendi-
ten unwichtig.
Die vierte Beobachtung dieser Regressionsanalyse besteht darin, dass ei-
nige der Faktorladungen bei den komplexen Strategien signifikant sind,
andere hingegen nicht. Hier lsst sich kein eindeutiges Muster erkennen,
1038 So wird bei der einfachen Strategie zum Erffnungskurs gekauft und zum
Schlusskurs des gleichen Tages verkauft. Die Rendite des Marktindex wird hinge-
gen nur auf Basis der Schlusskurse des vorherigen Tages berechnet, so dass sich
Kursschwankungen zwischen Schlusskurs des vorherigen Tages und Erffnungs-
kurs des nchsten Tages ergeben.
307
6 Multifaktorenanalyse
dass bei allen drei Aktien der komplexen Strategie identisch ist. Bei der
Aktie GOOG ist die Faktorladung

AvgDailyBid
=-0,301 hochsignifikant.
Dies knnte bedeuten, dass der neue Marktfaktor
SF
AVGDailyBid
das Re-
gressionsmodell bei dieser Aktie und dieser Strategie besonders gut er-
klrt und der durchschnittliche tgliche Geldkurs im Orderbuch in Ver-
bindung mit der Tempelhove-Software steht. Bei der Aktie MSFT hinge-
gen sind nur die Faktorladungen

Moody
(Wert: -0,183) und

SCLC
(Wert:
-0,182) signifikant. Diese Beobachtung knnte bedeuten, dass die zwei
von FUNG UND HSIEH vorgeschlagenen Marktfaktoren
SF
Moody
und
SF
SCLC
, besonders gut, zu dieser Aktie und dieser Strategie passen.
1039
Bei der Aktie JAVA besitzt aber keiner dieser drei Style-Faktoren eine Er-
klrungskraft fr das Regressionsmodell. Bedenkt man den niedrigen
Wert fr die Schiefe und den extrem hohen Wert fr die Kurtosis bei
JAVA, knnte dies darauf hindeuten, dass die komplexe Strategie fr die-
se Aktie ungeeignet war. Allgemein muss man feststellen, dass die kom-
plexen Strategien sehr individuell sind, weil sie immer Sensibilitten zu
unterschiedlichen Marktfaktoren aufweisen. Eine komplexe Strategie
lsst sich, unter Umstnden, nicht einfach von einer Aktie auf eine andere
bertragen. Aussagen ber die im Hintergrund ablaufenden Transaktions-
prozesse, lassen sich auf Basis der Faktorladungen nicht machen.
[Link] Einbeziehung des Volumens als Regressor
Wie man Abschnitt [Link] , S. 272 entnehmen kann, basiert der Algo-
rithmus der komplexen Strategie alleine auf der Auswertung von Volu-
men-Informationen aus dem Orderbuch. Mit Kenntnis dieser Information
lsst sich die Hypothese ableiten, dass sich die Renditen der komplexen
Strategie besonders gut durch die Beobachtung des Orderbuch-Volumens,
getrennt nach Bid und Ask erklren lassen. Die Volumina stellen die ein-
zige Datenbasis dar, aus denen hier die Kauf- und Verkaufsempfehlungen
1039 Siehe Fung, Hsieh (2004a).
308
6 Multifaktorenanalyse
abgeleitet werden. Daher sollte eine Korrelation zwischen Volumendaten
und Rendite vorhanden sein. Um diese Hypothese zu berprfen, wird im
Folgenden das Volumen als zustzlicher Regressionsfaktor in die Regres-
sionsgleichung einbezogen. Wenn die Hypothese zutrifft, mssten die
R
2
der komplexen Strategie besonders hohe Werte aufweisen und die
Faktorladungen des Volumens signifikant sein. Die dafr notwendige Re-
gressionsgleichung baut wiederum auf Gleichung 6.5 auf und hat folgen-
de Form. Die beiden Regressionsfaktoren (
SF
VolumenBid
und
SF
VolumenAsk
)
wurden aus dem kumulierten Ordervolumens getrennt nach Bid-Seite
und Ask-Seite des Orderbuches abgeleitet.
(6.7)
R
Thv
=o
Thv
+...+2(
VolumenBid
SF
VolumenBid
)+2(
VolumenAsk
SF
VolumenAsk
)+c
Komplexe Strategie (d01b4) Einfache Strategie
JAVA
komplex
GOOG
komplex
MSFT
komplex
Mittelwert JAVA
einfach
GOOG
einfach
MSFT
einfach
Mittelwert
R
adjustiert
2 -0,049 -0,023 0,099 0,009 0,391 0,536 0,730 0,552
o
-0,003
(0,063**)
-0,003
(0,000***)
-0,002
(0,000***)
-0,003
(0,021***)
0,0142
(0,066)
0,003
(0,406)
-0,004
(0,178)
0,004
(0,217)

Nasdaq100
-0,021
(0,873)
-0,033
(0,745)
0,057
(0,550)
0,001
(0,723)
0,654
(0,000***)
0,722
(0,000)
0,878
(0,000***)
0,751
(0,000***)

SCLC
-0,015
(0,880)
-0,105
(0,291)
-0,113
(0,231)
-0,078
(0,467)
0,013
(0,870)
0,087
(0,193
-0,089
(0,086)
0,004
(0,383)

TenYearBond
-0,010
(0,921)
-0,011
(0,913)
-0,046
(0,632)
-0,022
(0,822)
-0,043
(0,595)
-0,029
(0,671)
-0,020
(0,696)
-0,031
(0,775)

MoodyAaa
-0,008
(0,934)
-0,114
(0,263)
-0,157
(0,093)
-0,093
(0,430)
0,057
(0,456)
0,027
(0,699)
-0,025
(0,627)
0,020
(0,594)
SF
VolumenAsk
0,014
(0,958)
-0,238
(0,723)
-0,465
(0,362)
0,230
(0,681)
-0,131
(0,520)
-0,865
(0,058)
-0,564
(0,045)
-0,520
(0,208)
SF
VolumenBid
0,065
(0,807)
0,146
(0,827)
-0,160
(0,754)
0,158
(0,796)
0,021
(0,917)
0,842
(0,064)
0,609
(0,032)
0,491
(0,338)
Tabelle 30: Regressionsanalyse mit Volumen als Regressionsfaktor
309
6 Multifaktorenanalyse
Tabelle 30, S. 309, zeigt die Ergebnisse dieser Regressionsanalyse mit
den zwei neuen Regressionsfaktoren. Dabei lassen sich vier Beobachtun-
gen machen.
Erstens zeigen die R
2
der komplexen Strategie wieder nur geringe Wer-
te. Das Bestimmtheitsma von JAVA betrgt nur -0,049 und von GOOG
nur -0,023. Bei MSFT fllt R
2
mit 0,099 zwar hher aus als in Tabelle
28, S. 300, ist aber immer noch niedriger als in Tabelle 29, S. 306. Die
relativ schwachen R
2
der komplexen Strategie widerlegen die Hypothe-
se, dass eine Korrelation zwischen Volumendaten und Renditen besteht.
Im Gegenteil, die Modellgte scheint sich durch die zwei neuen Regres-
soren sogar zu verschlechtern. Das R
2
der einfachen Strategie wird
durch die zwei neuen Regressionsfaktoren praktisch gar nicht beeinflusst
und betrgt im Mittelwert 0,552.
Zweitens zeigen die
o' s
der komplexen Strategie fr GOOG (
o
:-
0,003) und MSFT (
o
: -0,002) signifikante Werte. JAVA verfehlte das Si-
gnifikanz-Niveau knapp (
o
: -0,003). Betrachtet man gleichzeitig das ge-
ringe R
2
der Regressionen, so wird klar, dass die Signifikanzniveaus der
o' s
bei der komplexen Strategie durch das schlechte Regressionsmodell
zu Stande kommen. Wrde man diese Feststellung generalisieren, mss-
ten auch die
o' s
in Tabelle 28, S. 300 , durch die schlechten R
2
zu
Stande kommen. Die Ergebnisse von Tabelle 29, S. 306, zeigen jedoch,
dass bei einer hohen Modellgte signifikante
o' s
vorliegen.
Drittens zeigen weder die Faktorladungen

VolumenBid
noch

VolumenAsk
si-
gnifikante Werte bei der komplexen Strategie. Das heit, es ist besteht
kein signifikanter Zusammenhang zwischen Volumendaten und simulier-
ten Renditen. Dieses Ergebnis ist erstaunlich, weil der komplexe Algo-
rithmus (siehe Abschnitt [Link] , S. 272 ) ausschlielich auf Volumenda-
ten von Geld- bzw. Briefkursen basiert und keinerlei Preisdaten auswer-
tet. Diese Ergebnisse zeigen, dass, auch wenn man das Innere eines Algo-
rithmus kennt (die Funktion einer Black Box bekannt ist), keine nach-
weisbare, signifikante Beziehung zwischen den Renditen (hier von der
310
6 Multifaktorenanalyse
Tempelhove-Software) und der Datenbasis (dem kumulierten Ordervolu-
men von Bid und Ask) existieren muss. Umso ungewhnlicher sind die
Ergebnisse von Tabelle 29, S. 306, zu interpretieren. Denn dort wiesen
die Regressionsanalysen unter Einbeziehung von Preisdaten (in Form der
Style-Faktoren
SF
AVGDailyAsk
und
SF
AVGDailyBid
) relativ hohe R
2
auf, ob-
wohl der Algorithmus berhaupt keine Preisdaten auswertet (!). Dies ver-
rt viel ber die Funktionsweise der Algorithmen bei der komplexen
Strategie. Und zwar ist der komplexe Algorithmus in der Lage, alleine
auf Basis von Volumendaten eine Prognose ber Preisdaten zu machen.
Ein vllig anderes Bild ergibt sich bei den einfachen Strategien. Bei der
Aktie MSFT sind die Faktorladungen der Style-Faktoren
SF
VolumenBid
(Wert: 0,609) und
SF
VolumenAsk
(Wert: -0,564) signifikant und liegen un-
ter dem 5% Niveau. Die beiden Style-Faktoren knnten auch bei GOOG
einen Einfluss ausben, weil die Faktorladungen der beiden Style-Fakto-
ren das geforderte Signifikanz-Niveau nur marginal berschritten. Dies
bedeutet, dass die Renditen der einfachen Strategie bei MSFT und
GOOG durch das kumulierte Ordervolumen aller Geldkurse positiv und
durch das kumulierte Ordervolumen aller Briefkurse negativ beeinflusst
wurden. Dies knnte bedeuten, dass, bei den Aktien MSFT und GOOG,
ein Zusammenhang zwischen dem kumulierten tglichen Ordervolumen
und den Erffnungs- (Open) und Schlusskursen (Close) besteht, auf die
sich die einfachen Strategien sttzen (siehe OHLC-Daten). Bei JAVA
scheint dieser Zusammenhang zwischen kumuliertem Ordervolumen und
OHLC-Daten nicht gegeben zu sein. Das knnte wiederum die schlechte
Performance der komplexen Strategie bei dieser bestimmten Aktie erkl-
ren.
1040
Die komplexe Strategie scheint nur bei den Aktien MSFT und
GOOG zu relativ guten Ergebnissen zu fhren.
1040 Wie in Abschnitt [Link] , S. 272, dargestellt wurde verfolgt der Algorithmus bei
der komplexen Strategie die Annahme, dass ein Zusammenhang zwischen Volu-
mendaten und Brsenkursen existiert. Diese Annahme scheint bei JAVA nicht ge-
geben zu sein, so dass auch der Algorithmus nicht funktioniert und zu schlechten
Renditen fhrt.
311
6 Multifaktorenanalyse
Die vierte Beobachtung bezieht sich wiederum auf

Nasdaq100
bei der ein-
fachen Strategie. Die Faktorladungen liegen bei 0,654 fr JAVA, 0,878
fr GOOG und 0,722 fr MSFT und sind alle drei hochsignifikant mit
p=0,000
. Die Ergebnisse besttigen die Resultate der vorherigen Ana-
lysen, dass diese Strategie nur den Marktindex ohne jegliche Intelligenz
abbildet.
[Link] Ableitung von neuen Regressionsfaktoren
Die vergangenen Abschnitte [Link] , [Link] und [Link] dienten der
Suche nach einem geeigneten Multifaktorenmodell, mit einem hohen
R
2
, um sichere Aussagen ber Algorithmic Trading machen zu knnen.
In Abschnitt [Link] wurden dazu zuerst die unabhngigen Faktoren aus
dem Sieben-Faktor-Modell von FUNG UND HSIEH angewendet.
1041
Die Be-
stimmtheitsmae dieser Regressionen fielen auergewhnlich niedrig
aus, so dass die Modelle keine hohe Erklrungskraft besaen und keine
zuverlssigen Aussagen ber Algorithmic Trading mglich waren. In Ab-
schnitt [Link] wurden zustzlich die durchschnittlichen Kurse von Bid
und Ask aus dem Orderbuch als Regressionsfaktoren eingesetzt. Die Be-
stimmtheitsmae dieser Regressionen fielen fr die Aktien GOOG und
MSFT relativ hoch aus. Das heit, in diesen Regressionen konnte man
mit relativer Sicherheit Aussagen ber Algorithmic Trading machen. In
Abschnitt [Link] wurden schlielich die Volumendaten aus dem Order-
buch einbezogen. Diese Regressionen fhrten wiederum nur zu geringen
Bestimmtheitsmaen, welche die Interpretation des Modells erschwerten.
Welche Aussagen ber Algorithmic Trading mglich waren, ergibt sich
aus dem Gesamtbild aller drei Regressionen und wird im folgenden Ab-
schnitt erlutert.
1041 Siehe Fung, Hsieh (2004a).
312
6 Multifaktorenanalyse
Zuknftige Analysen knnten eine Reihe neuer Regressionsfaktoren aus
exogenen oder endogenen Marktdaten ableiten, um damit die Transakti-
onsprozesse des Algorithmic Trading noch besser zu verstehen. Eine ers-
te Erweiterungsmglichkeit wre z.B., die Autokorrelation von Geld oder
Briefkursen als Regressionsfaktoren einzubeziehen.
1042
Eine zweite Mg-
lichkeit besteht darin, die statistischen Eigenschaften der Marktrenditen
(z.B. Schiefe, Kurtosis, Heteroskedastizitt) in die Style-Analyse einzu-
beziehen.
1043
Eine dritte Mglichkeit wre, das Handelsvolumen einer
Aktie (z.B. den Anteil von ATP-Transaktionen am gesamten Handelsum-
satz) als Style-Faktor heranzuziehen.
1044
[Link] Zentrale Rolle von Alpha
Die Gesamtbetrachtung aller drei Regressionsanalysen in den Abschnit-
ten [Link] , [Link] und [Link] zeigt, dass
o
in allen Faktoren-Ana-
lysen eine zentrale Rolle einnimmt.
Erstens ist der konstante Parameter
o
ein Ausdruck fr statistische Un-
genauigkeit bei der Formulierung des Regressionsmodells. Die Auswahl
falscher Style-Faktoren (
SF
k
) fhrte immer zu einer schlechten Modell-
1042 Autokorrelation ist ein Zeichen fr Bewertungsfehler bei der Bestimmung des
Nettoinventarwerts eines Fonds, die sich auf verzgerte Preise (Stale Prices o..)
beziehen. Siehe auch Gomolka (2007). Ein signifikantes
k
fr den Style-Faktor
der Autokorrelation wrde aber nur Bewertungsfehler (z.B. Slippage) aufzeigen,
die sich in der Autokorrelation ausdrcken, aber keine Hinweise auf Algorithmic
Trading enthalten.
1043 Ein signifikantes
k
wrde hier aber nur bedeuten, dass sich die dynamischen
Rendite-Verteilungen eines Marktindex, in den Fondsrenditen widerspiegeln.
Auch dies wre kein expliziter Hinweis auf Algorithmic Trading.
1044 Ein signifikant, positives (negatives)
k
wrde hier nur bedeuten, dass die Ren-
dite mit zunehmenden Handelsvolumen ansteigt (oder fllt). Eine signifikant po-
sitive Faktorladung wre auch ein Zeichen dafr, dass die Orders als ATP-Trans-
aktionen und nicht manuell durchgefhrt wurden. Die Faktorladungen wrden
aber keine Aussagen ber die Transaktionsprozesse in der Informationsphase ma-
chen knnen.
313
6 Multifaktorenanalyse
gte, so dass die Regressionsmodelle mit unpassenden Style-Faktoren nur
geringe R
2
aufwiesen. Der erklrbare Teil der Varianz, der nicht auf die
Marktrisikofaktoren entfiel, wurde dann als Konstante interpretiert. Dies
lsst sich z.B. in den Abschnitten [Link].2 (siehe Tabelle 28, S. 300)
und [Link] (siehe Tabelle 30, S. 309) beobachten.
Zweitens zeigt der konstante Parameter
o
deutliche Unterschiede beim
Signifikanz-Niveau. Immer dann, wenn das Regressionsmodell relativ
hohe R
2
aufwies, und die passenden Style-Faktoren ausgewhlt wurden,
wies auch das
o
der komplexen Strategie eine Signifikanz auf (siehe Ta-
belle 29, S. 306). In der Kontrollgruppe (ohne Algorithmic Trading Soft-
ware) gab es hingegen keine Hinweise auf Signifikanz. Diese kann z.B.
in Abschnitt [Link] beobachtet werden. Aber auch in den Abschnitten
[Link] und [Link] . Die Signifikanz von
o
steht also in enger Verbin-
dung mit dem Einsatz der Tempelhove-Software. Diesen Zusammenhang
knnte man beispielsweise so interpretieren, dass die Realisierung kom-
plexer Strategien (mit Algorithmic Trading) mehr Management-Erfah-
rung erfordert, als bei einfachen Strategien (ohne Algorithmic Trading).
Unter der Management-Erfahrung wrde man hier die Erfahrung von
Wissenschaftlern und Programmierern verstehen, welche die Tempelho-
ve-Software programmiert haben. Folgt man dieser inhaltlichen Inter-
pretation wrde die absolute Hhe von
o
zwar keine Aussagen ber den
Einsatz von Algorithmic Trading Software machen, aber das Signifikanz-
Niveau von
o
knnte in Verbindung mit der Management-Erfahrung
stehen, die in die Programmierung einer solchen Software eingeflossen
ist.
Drittens knnte man argumentieren, dass die Signifikanz von
o
in dieser
Analyse nur dadurch zu Stande gekommen war, dass die Tempelhove-
Software mehrere Transaktionen pro Tag erlaubte, whrend bei den einfa-
chen Strategien nur zwei Transaktionen pro Tag mglich waren. Dies
knnte bei den komplexen Strategien zu geringeren, relativ konstanten
314
6 Multifaktorenanalyse
Renditen gefhrt haben, die sich im Signifikanzniveau von
o
widerspie-
gelten, whrend die einfachen Strategien die hohe Schwankungen der
Aktien im Tagesverlauf antizipierten.
6.3.4 Zusammenfassung des Vergleiches
Ziel der Forschungsfrage war es, festzustellen, ob man aus der Analyse
von (Fonds-)Renditen, Aussagen ber Algorithmic Trading machen kann.
Im letzten Kapitel wurde dazu eine komplexe Strategie untersucht, bei
der beide Seiten, Fondsrenditen und Algorithmic Trading Software, be-
kannt waren. Als Kontrollgruppe wurde eine einfache Strategie ohne
jegliche Intelligenz verwendet. Als Vergleichsmethode diente die Style-
Analyse von FUNG UND HSIEH.
1045
Der Vergleich beider Strategien zeigt, dass man Algorithmic Trading dem
o
im Multifaktorenmodell zuordnen kann. Durch diese Zuordnung wer-
den weitere Aussagen ber Algorithmic Trading im Kontext der Style-
Analyse mglich. Die konstante Variable
o
wird in der Hedgefonds-Li-
teratur benutzt, um Aussagen ber die Erfahrung von Fondsmanagern zu
machen.
1046
Sie dient zur Berechnung der berrenditen, die nicht durch
andere Style-Faktoren erklrt werden knnen. Bei der komplexen Strate-
gie war hier aber kein Fondsmanager beteiligt, so dass die Eigenschaften
von
o
auf die hier verwendete Algorithmic Trading Software bertragen
werden knnen. In der Gruppe der Algorithmic Trading Strategien war
o
fast immer signifikant und zeigte deutliche Unterschiede in der Signi-
fikanz zur Kontrollgruppe. In der Kontrollgruppe waren nur die

k
rele-
vant. Welcher Anteil von
o
allerdings auf menschliche Erfahrungen
(z.B. in der Softwareprogrammierung) und welcher Anteil auf die Soft-
ware (z.B. durch die Przision mechanischer Handelsregeln) zurckzu-
fhren ist, lsst sich mit Hilfe der Style-Analyse nicht feststellen.
1045 Siehe Fung, Hsieh (2004a).
1046 Vgl. z.B. Edwards, Caglayan (2001).
315
6 Multifaktorenanalyse
Die Betrachtung der Marktmikrostruktur liefert weiterhin wertvolle Hin-
weise ber das Innere der Software. Durch eine geschickte Auswahl von
Marktrisikofaktoren (
SF
k
) in der Style-Analyse, lassen sich die R
2
der
Regressionen verbessern. Die Signifikanz der Faktorladungen (

k
) zeigt
dann, welche Marktrisikofaktoren den hchsten Einfluss auf die Renditen
ausben und somit auch bei der Bewertung von Marktdaten eine Rolle
spielen. Bei den einfachen Strategien in dieser Analyse zeigte sich, wie
eng die Kursentwicklung an den Nasdaq 100 Index gekoppelt ist. Die
Renditen der komplexen Strategie waren an aber unterschiedliche Markt-
faktoren gekoppelt, aus denen sich kein einheitliches Bild ergab. Das
heit, die komplexen Strategien waren alle so individuell, dass ihre Ren-
diten bei jeder Aktie an einen anderen Marktrisikofaktor gebunden wa-
ren. Daraus kann man schlussfolgern, dass die komplexen Strategien auf
die Verteilungen der Renditen einer Aktie angepasst sind und sich nur
schwer auf andere bertragen lassen.
Dafr spricht auch, dass sich nur schwer neue, unabhngige Faktoren fr
die Regressionsmodelle konstruieren lassen, die zu einer komplexen Stra-
tegie passen. Denn auf Basis der Renditen ist es fast unmglich, diejeni-
gen Methoden zu schtzen, die zur Informationsbewertung benutzt wer-
den. Obwohl beispielsweise bekannt war, dass der komplexe Algorithmus
auf der Auswertung von Volumendaten basiert, konnte fr diesen Regres-
sionsfaktor keine Signifikanz nachgewiesen werden. Hier ist Detektiv-
Arbeit gefragt, um diejenigen Regressionsfaktoren systematisch zu tes-
ten, die eine hohe Signifikanz aufweisen und damit die Erklrungskraft
des Gesamtmodells ( R
2
) verbessern knnen.
316
7 Zusammenfassung und Ausblick
7 Zusammenfassung und Ausblick
7.1 Algorithmic Trading im Multifaktorenmodell
Ausgangspunkt dieser Arbeit war die Forschungsfrage, ob sich aus der
Analyse von (Fonds-)Renditen Aussagen ber Algorithmic Trading zie-
hen lassen. Das vergangene Kapitel 6 hat gezeigt, das mit Hilfe der Sty-
le-Analyse solche Aussagen mglich sind, weil man Algorithmic Trading
dem konstanten Faktor (
o
) im Multifaktorenmodell zuordnen kann (sie-
he Formel 7.1, S. 317). Es ist also mglich, Aussagen ber Algorithmic
Trading zu machen, ohne dass nhere Informationen ber die Software
vorliegen. Die Aussagen sind aber keiner technischen Natur, sondern be-
ziehen sich auf die Handelsstrategien (siehe Styles), die mit der Algorith-
mic Trading Software umgesetzt werden.
(7.1)
R
t
= o +

k
SF
(k , t)
+c
t
Die ersten vier Kapitel dieser Arbeit haben gezeigt, wie die Transaktions-
prozesse beim Algorithmic Trading aussehen, und dass sich gezielte In-
formationen ber diese Prozesse nicht mehr aus den Renditen extrahieren
lassen. Denn die Renditen stehen am Ende aller Prozesse, und sind erst
nach Abschluss aller Transaktionen verfgbar. Kapitel 6 zeigte aber,
dass man mit der Style-Analyse diese Renditen wieder in interpretierbare
Grundbestandteile zerlegen und Hinweise auf die Prozesse darin wieder-
finden kann. Denn jeder dieser Grundbestandteile der Style-Analyse be-
sitzt auch eine inhaltliche Bedeutung, die sich wie folgt darstellen lsst.
Der konstante Parameter
o
steht fr die Fhigkeiten und Erfahrungen
der Fondsmanager, die als Konstante in das Fondsmanagement einflie-
317
Management-Erfahrung bzw.
Algorithmic Trading
7 Zusammenfassung und Ausblick
en. Die Faktorladungen

k
zeigen die Korrelation der Style-Faktoren
SF
k
mit den Renditen. Die Style-Faktoren knnen dabei aus beobachtba-
ren Marktpreisen abgeleitet werden und zeigen an welchen Marktpreisen
sich eine Handelsstrategie orientiert. Der Fehlerterm
c
t
wurde hier zwar
nicht betrachtet, knnte aber Hinweise auf die (z.B. operationellen) Risi-
ken geben.
In Abschnitt [Link].7 , S. 257, wurde dargestellt, dass die Aussagekraft
einer Regressionsanalyse (und Style-Analyse) durch die Modellgte einer
Regression in R
2
gemessen wird. Eine Style-Analyse mit kleinen R
2
hat nur geringe Aussagekraft und knnte Ungenauigkeiten aufweisen, die
zu einer fehlerhaften Interpretation aller Faktoren fhren. Je besser aber
die ausgewhlten Style-Faktoren, zu einer Handelsstrategie passen, desto
hher fllt R
2
aus und desto genauer sind die Aussagen des Gesamtmo-
dells. In dieser Untersuchung konnte eine hinreichende Modellgte er-
reicht werden, so dass realistische Aussagen ber Algorithmic Trading
mglich waren. Diese Aussagen sind aber auf die Renditen beschrnkt,
die hier mit der Tempelhove-Software erzeugt wurden. Weitere Untersu-
chungen mssen zeigen, ob sich diese Aussagen auf andere Algorithmic
Trading Programme bertragen lassen.
Die Tempelhove-Software fhrten in der Style-Analyse zu bestimmten
statistischen Eigenschaften der Renditen, die sich im Signifikanzniveau
von
o
niederschlugen. Dadurch konnte man Algorithmic Trading ein-
deutig dem konstanten Faktor der Regression zuordnen. Die Signifikanz
von o bedeutet gleichzeitig, dass die Renditen der komplexen Strategie
relativ unabhngig vom Gesamtmarkt
1047
waren. Denn wenn sie abhn-
gig vom Gesamtmarkt wren, htten sich signifikante und hohe Faktorla-
dungen

k
bei den Marktrisikofaktoren
SF
k
gezeigt. Wodurch diese
1047 Der Gesamtmarkt wird hier durch die Marktrisikofaktoren reprsentiert, die in der
Regressionsanalyse als Regressoren eingesetzt wurden (
SF
Market
, SF
SCLC
,
SF
Moody
, SF
10Year
).
318
7 Zusammenfassung und Ausblick
Unabhngigkeit im
o
bei der komplexen Strategie zu Stande kam, dar-
ber lassen sich nur spekulative Angaben machen. Es lassen sich drei
mgliche Grnde dafr anfhren.
Die erste mgliche Begrndung ist, dass die Signifikanz von
o
in Ver-
bindung mit der Standardabweichung der Renditen stand. Wie Abschnitt
6.2.5 , S. 275, zeigte, wiesen die einfachen Strategien eine relativ hohe
Standardabweichung auf. Die komplexen Strategien zeigten hingegen nur
eine relativ geringe Standardabweichung. Diese knnte daran liegen, die
Transaktionen der Buy-Hold Strategien auf die Erffnungs- und Schluss-
kurse beschrnkt waren und dadurch die ganze Volatilitt der Aktienkurse
whrend eines Brsentages antizipierten. Die Handelsstrategien der Tem-
pelhove-Software erlaubten hingegen kurzfristige Halteperioden. Das be-
deutet, dass einmal gekaufte Aktien bereits nach wenigen Sekunden, Mi-
nuten oder Stunden wieder verkauft werden konnten, wenn der Algorith-
mus eine solche Empfehlung aussprach. Dadurch waren die Aktien nicht
so lange im Depot gehalten und das Portfolio partizipierte nicht so stark
an der Entwicklung des Gesamtmarktes bzw. der Kursentwicklung der
gehandelten Aktie. Kursverluste wurden mit der komplexen Strategie da-
durch nicht so stark antizipiert, Kursgewinne jedoch auch nicht. Die Si-
gnifikanz von
o
zeigt also nur, dass die Verteilung der Renditen der
komplexen Strategie, signifikant unabhngig von den Kursschwankungen
in der gehandelten Aktie war. Dies beweist, dass die Handelsstrategien
der Tempelhove-Software marktunabhngige Renditen verfolgen.
Eine zweite mgliche Begrndung ist, dass die Signifikanz von
o
auf
einen bestimmten konstanten (z.B. technischen) Einfluss in den Renditen
der komplexen Strategie hinweist. Der konstante Parameter wird in der
Style-Analyse immer als Management-Fhigkeit und Erfahrung des
Fondsmanagers interpretiert. Genauso gut knnten sich im konstanten
Faktor der Style-Analyse technische Systeme ausdrcken, die den Fonds-
manager bei seiner Arbeit untersttzen. Wie die Kapitel 3 und 4 zeig-
ten, dienen Softwareprogramme beim Buy-Side Algorithmic Trading der
319
7 Zusammenfassung und Ausblick
Entscheidungsuntersttzung und bernehmen beim Sell-Side Algorithmic
Trading die Funktion der Transaktionsuntersttzung. Beide Arten des Al-
gorithmic Trading knnten sich also in
o
wiederfinden. Diese Interpre-
tation wre konsistent mit der Interpretation von
o
als Management
Skill.
Die dritte Begrndung fr die Signifikanz von
o
liegt darin, dass sich
die Komplexitt einer Handelsstrategie im konstanten Faktor der Regres-
sion niederschlgt. In dieser Untersuchung bestand die Handelsstrategie
der Tempelhove-Software aus einem komplexen Algorithmus zur Aus-
wertung von Volumendaten. Die einfache Strategie zeigte hingegen keine
Intelligenz. Es knnte also sein, dass sich die Komplexitt einer Han-
delsstrategie im
o
der Multifaktorenregression niederschlgt.
7.2 Fazit und Ausblick
In den Kapiteln 1 bis 4 wurden schrittweise die Transaktionsprozesse
von Algorithmic Trading nachgezeichnet an deren Ende Transaktionen
stehen. Die (Fonds-)Renditen sind das Ergebnis vieler solcher Transak-
tionen, die in einem Portfolio vorgenommen werden. Wie Kapitel 4
zeigte, lassen sich in den Transaktionsprozessen keine gemeinsamen Ei-
genschaften feststellen, die man in den Renditen wiederfinden knnte. Es
wurden jedoch starke Hinweise darauf gefunden, dass die Transaktions-
prozesse, die beim Algorithmic Trading ablaufen, komplexer Natur sind.
Die Komplexitt der Transaktionsprozesse war hier der einzige Ansatz-
punkt, um in den Renditen von Hedgefonds nach Hinweisen von Algo-
rithmic Trading zu suchen. Wie Kapitel 5 zeigte, sind die existierenden
Hedgefonds-Datenbanken als Quelle dieser Renditen aber ungeeignet,
weil die Zuordnung von Algorithmic Trading in Hedgefonds-Kategorien
fehlerhaft ist. In Kapitel 6 wurden deshalb die Renditen mit Hilfe einer
Algorithmic Trading Software simuliert und mit der Style-Analyse mit ei-
ner einfachen Strategie (ohne Algorithmic Trading) verglichen. Hier zeig-
320
7 Zusammenfassung und Ausblick
ten sich deutliche Abweichungen im Signifikanzniveau von
o
, fr die
man unterschiedliche Begrndungen anfhren kann. Diese Beobachtung
ist aber auf die Style-Analyse mit den vorliegenden Renditen beschrnkt.
Weitere Arbeiten mssen prfen, ob sich diese Ergebnisse in einem gr-
eren Rahmen, auch fr andere Strategien und andere Algorithmic Tra-
ding Software besttigen lassen.
Der Nutzen dieser Analyse besteht darin, dass man Algorithmic Trading
erstmals im Multifaktorenmodell der Style-Analyse lokalisieren kann.
1048
Weitere Untersuchungen (z.B. von Hedgefonds-Renditen) knnen nun
darauf aufbauen und die Quellen des
o
untersuchen, um festzustellen,
welcher Anteil von
o
auf menschliche Management-Fhigkeiten, auf
Glck, auf den Einsatz von Algorithmic Trading Software oder auf eine
Kombination davon zurckgefhrt werden kann.
Mit der Beobachtung von signifikanten
o' s
lsst sich nicht abschlie-
end beweisen, ob (z.B. ein Hedgefonds) Algorithmic Trading Software
einsetzt oder nicht. Aber wie Kapitel 4 zeigte, gibt es auf diese Frage
auch keine Ja/Nein-Antwort, weil der bergang zwischen menschlichem
Fondsmanagement und vollautomatischer Algorithmic Trading Software
flieend ist. Das Paradigma der Software-Agenten bietet eine Hilfestel-
lung, um die vielen unterschiedlichen Konzepte zur Beschreibung von
Algorithmic Trading Software in einer funktionalen bersicht zusam-
menzufassen (siehe Abschnitt 4.3.2 , S. 190). Es ist jedoch noch nicht
abschlieend geklrt, ob die Softwareprogramme, die beim Algorithmic
Trading eingesetzt werden, tatschlich autonome Agenten sind oder ob
1048 Bisher war beispielsweise unklar, ob Algorithmic Trading eine selbststndige
Klasse von Strategien (ein Investment-Style) ist, der man ein individuelles Set
aus Marktrisikofaktoren ( SF
k
) zuordnen kann, oder ob dahinter ein technisches
System steht, dass den Fondsmanager bei seiner Arbeit untersttzt oder ersetzt.
Diese Arbeit hat gezeigt, dass man Algorithmic Trading nicht durch eine lineare
Kombination der Style-Faktoren nachbilden kann, sondern dass man es dem kon-
stanten o der Regression zuordnen muss. Algorithmic Trading bt einen kon-
stanten, kontinuierlichen Einfluss auf die Renditen aus.
321
7 Zusammenfassung und Ausblick
dahinter nur befehlsausfhrende Softwareprogramme stehen. Denn selbst
beim angeblich vollstndig automatischen Hochfrequenzhandel sind
Menschen beteiligt, die ihre Fachkenntnisse und Erfahrungen in die Pro-
grammierung der Software einbringen.
Die Erkenntnisse dieser Arbeit weisen abschlieend darauf hin, dass man
die Erforschung von Algorithmic Trading in die Erforschung komplexer
Systeme und nichtlinearer Prozesse einordnen muss. Denn es ist, auch
bei vollstndiger Kenntnis aller Umweltbedingungen, Software-Program-
me und Marktdaten, nicht voraussehbar, auf welche Art und Weise eine
Algorithmic Trading Software auf nderungen von Marktdaten reagieren
wird. Die Erforschung komplexer Systeme ist sehr anspruchsvoll, weil
sie eine interdisziplinre Herangehensweise erfordert. Wissenschaftler
sollten das Thema Algorithmic Trading daher mit Vorsicht behandeln.
Zuknftige Analysen des Algorithmic Trading sollten sich auf zwei Be-
reiche konzentrieren: Erstens mssen die Prozesse innerhalb von Algo-
rithmic Trading Software weiter modelliert werden. Zweitens mssen die
Beziehungen zwischen Algorithmic Trading Software und den Finanz-
mrkten weiter untersucht werden.
322
7 Zusammenfassung und Ausblick
323
7 Zusammenfassung und Ausblick
324
8 Literaturlisten
8 Literaturlisten
Journals & Working Papers
Adams, Brian D. (2007): The Effect of Investor Flows on Hedge Fund
Managers Performance and the Decision to Invest. Princeton
University. (Princeton Thesis, 11. April 2007).
Agarwal, Vikas, Naik, Narayan Y. (2000a): Performance Evaluation of
Hedge Funds with Option-Based and Buy-and-Hold Strategies.
London Business School. (Working Paper HF-003, EFA 0373 FA,
August 2000).
Agarwal, Vikas, Naik, Narayan Y. (2000b): Multi-Period Performance
Persistence Analysis of Hedge Funds, In: Journal of Financial and
Quantitative Analysis, Vol. 35 (3), September 2000, S. 327-342.
Agarwal, Vikas, Naik, Narayan Y. (2001): Characterizing Systematic
Risk of Hedge Funds: Buy-and-Hold and Option-Based
Strategies. London Business School. (Working Paper, 6. Juni
2001).
Agarwal, Vikas, Daniel, Naveen D., Naik, Narayan Y. (2004): Flows,
Performance, and Managerial Incentives in Hedge Funds. Georgia
State University, London Business School. (Working Paper, 22.
Juli 2004).
Aldridge, Irene (2009): High-Frequency Trading, A Practical Guide to
Algorithmic Strategies and Trading Systems. 1. Auflage, Hoboken
NJ: John Wiley & Sons.
Alexander, Carol (Hrsg.) (2003): Operational risk: regulation, analysis
and management. London: Financial Times Prentice Hall.
Almgren, Robert (2007): Analytic Foundations of Algorithmic Trading.
Presentation at Trade Tech 2007. Paris, 27. April 2007.
325
8 Literaturlisten
Almgren, Robert, Chriss, Neil (2000): Optimal Execution of Portfolio
Transactions. Working Paper. Auch erschienen in: Journal of Risk,
Vol. 3 (2), S. 5-39.
Almgren, Robert, Thum, Chee, Hauptmann, Emmanuel, Li, Hong (2005):
Equity market impact. In: Risk, Juli 2005, S. 57-62.
Almgren, Robert, Lorenz, Julian (2006): Adaptive Arrival Price. Bank of
America Securities, ETH Zrich. (Working Paper, 27. April
2006).
Almgren, Robert, Lorenz, Julian (2009): Continuously Adaptive Arrival,
Price. ETH Zrich, New York University Courant Institute/Quant-
itative Brokers. (Working Paper, 30. Juli 2009).
lvarez, Marc (2007): Market data explained, a practical guide to global
capital markets information. Elsevier World Capital Markets
Series. Oxford: Butterworth-Heinemann.
Amin, Gaurav S., Kat, Harry M. (2001): Hedge Fund Performance 1990 -
2000 Do the Money Machines really add Value?. ISMA Centre,
University of Reading. (Working Paper, 15. Mai 2001).
Andersen, Torben G. (2000): Some Reflections on Analysis of High-
frequency Data. In: Journal of Business and Economic Statistics,
Vol. 18 (2), S. 146-153.
Antweiler, Werner, Frank, Murray Z. (2002): Internet Stock Message
Boards and Stock Returns. University of British Columbia,
Faculty of Commerce and Business Administration. (Working
Paper, 7. November 2002).
Antweiler, Werner, Frank, Murray Z. (2004): Is All That Talk Just Noise?
The Information Content of Internet Stock Message Boards. In:
Journal of Finance, Vol. 59 (3), S. 1259-1295.
326
8 Literaturlisten
Antweiler, Werner, Frank, Murray Z. (2006): Do U.S. Stock Markets
Typically Overreact to Corporate News Stories?. University of
British Columbia (Sauder School of Business), University of
Minnesota (Carlson School of Management). (Working Paper,
August 2006).
Arnold, Tom M., Bertus, Mark, Godbey, Jonathan M. (2007): A Sim-
plified Approach to Understanding the Kalman Filter Technique.
University of Richmond (The Robins School of Business), Au-
burn University, James Madison University. (Working Paper, 21.
Dezember 2007).
Arnuk, Sal (2010): Inside High Frequency Trading, McGraw-Hill
Professional Publishing.
Arnuk, Sal L., Saluzzi, Joseph (2008): Toxic Equity Trading Order Flow
on Wall Street - The Real Force Behind the Explosion in Volume
and Volatility. Themis Trading LLC. (White Paper, 17. Dezember
2008).
Avellaneda, Marco, Lee, Jeong-Hyun (2008): Statistical Arbitrage in the
U.S. Equities Market. Courant Institute of Mathematical Sciences
(New York), Finance Concepts SA RL. (Paris). (Working Paper,
11. Juli 2008).
Bacmann, Jean-Francois, Jeanneret, Pierre, Scholz, Stefan (2006):
Performance, size, and new opportunities in the funds of hedge
funds industry. In: Gregoriou, Greg N. (Hrsg.): Funds of Hedge
Funds, Performance, Assessment, Diversification and Statistical
Properties. Burlington/Oxford: Butterworth Heineman (Quant-
itative Finance Series).
Bagnoli, Mark E., Beneish, Messod Daniel, Watts, Susan G. (1999):
Whisper Forecasts of Quarterly Earnings per Share. In: Journal
of Accounting & Economics, Vol. 28 (1). August 1999, S. 27-50.
327
8 Literaturlisten
Berk, Jonathan B., Green, Richard C. (2004): Mutual Fund Flows and
Performance in Rational Markets. In: Journal of Political
Economy, Vol. 112 (6), Dezember 2004, S. 1269-1295.
Berkowitz, Stephen A., Logue, Dennis E., Noser, Eugene A. J. (1988):
The total cost of transaction at the NYSE. In: The Journal of
Finance, Vol. 43 (1), Mrz 1988, S. 97-112.
Bestmann, Uwe (2007): Brsen- und Finanzlexikon. 5. Auflage, Mn-
chen: Deutscher Taschenbuch Verlag (Beck Wirtschaftsberater im
dtv).
Bialkowski, Jedrzej, Darolles, Serge, Le Fol, Gaelle (2006a): How to re-
duce the risk of executing VWAP orders? - New approach to
modelling intraday volume. Auckland University of Technology,
Socit Gnrale Asset Management AI (Center for Research in
Economics and Statistics), University of Evry. (Working Paper,
27. November 2006).
Bialkowski, Jedrzej, Darolles, Serge, Le Fol, Gaelle (2006b): Improving
VWAP Strategies: A dynamical volume approach. Auckland
University of Technology, Socit Gnrale Asset Management
AI (Center for Research in Economics and Statistics), University
of Evry. (Working Paper, Juni 2006).
Biermann, Harold Jr. (2007): The Bare Essentials of Investing: Teaching
the Horse to Talk. Singapore: World Scientific Publishing.
Billingsley, Randall S., Chance, Don M. (1996): Benefits and Limitations
of Diversification Among Commodity Trading Advisors. In:
Journal of Portfolio Management, Vol. 23 (1), S. 65-80.
Bleser, Sebastian (2004): Die Absolute Return-Strategie unter dem
Einsatz von Hedge Funds als Alternative zur Benchmarkorientie
rung im Portfolio-Management. Fachhochschule Mnster. (Di-
plomarbeit).
328
8 Literaturlisten
Blume, Marshall E. (2007): Competition and Fragmentation in the Equity
Markets: The Effects of Regulation NMS. University of
Pennsylvania, Wharton School (Rodney L. White Center for
Financial Research). (Working Paper No. 02-07).
Bookstaber, Richard (2003): Hedge Fund Existential. In: Financial
Analyst Journal, Vol. 59 (5), September/Oktober 2003, S. 19-23.
Bouchaud, Jean-Philippe (2000): Power-laws in Economy and Finance:
Some Ideas from Physics. AFA 2001 New Orleans. (Meetings
Paper, 7. August 2000).
Boulatov, Alex, George, Thomas J.(2008): Securities Trading when
Liquidity Providers are Informed. University of Houston (C. T.
Bauer College of Business), AFA 2008 New Orleans. (Meetings
Paper, April 2008).
Bretney, Kevin, Coburn, Zack (2008): High frequency trading with an
artificial neural network. (White Paper, 29. November 2008).
Brock, William, Lakonishok, Josef, Le Baron, Blake (1992): Simple
technical trading rules and the stochastic properties of stock re
turns. In: Journal of Finance, Vol. 47 (5), S. 1731- 1763.
Brown, Brian R. (2010): Chasing the Same Signals: How Black-Box
Trading Influences Stock Markets. Singapore: Jon Wiley & Sons.
Brown, Stephen J., Goetzmann, William N., Ibbotson, Roger G. (1999):
Off-shore Hedge Funds: Survival and Performance 1989-1995.
In: Journal of Business, Vol. 72 (1), Januar 1999, S. 91-117.
Brown, Stephen J., Goetzmann, William N. (2003): Hedge Funds With
Style Style Analysis and management are crucial to success. In:
Journal of Portfolio Management, Vol. 29 (2), Winter 2003, S.
101-112.
329
8 Literaturlisten
Brownless, Christian T., Cipollini, Fabrizio, Gallo, Giampiero M. (2009):
Intra-daily Volume Modelling and Prediction for Algorithmic
Trading. NYU (Stern School of Business), Universitt von
Florenz. (Working Paper, 13. Juni 2009).
Brunnermeier, Markus K., Pedersen, Lasse Heje (2005): Predatory
Trading. In: The Journal of Finance, Vol. 60 (4), August 2005, S.
1825-1863.
Budimir, Miroslaw, Schweickert, Uwe (2007): Benchmarking latency in
securities trading An in Depth View on Trading at Light Speed.
1st Special Focus Symposium on Market Microstructure: From
Orders to Prices - Best Execution in the Age of Algo Trading and
Event Stream Processing. Zadar, Croatia, 25.-27. Oktober 2007.
(Conference Paper, Oktober 2007).
Burkhard, Hans Dieter (1998): Einfhrung in die Agententechnologie. In:
Informationstechnik und Technische Informatik, Vol. 40 (4), S. 6-
11.
Bhl, Achim, Zfel, Peter (2002): SPSS 11 Einfhrung in die moderne
Datenanalyse unter Windows. 8. berarbeitete und erweiterte
Auflage Mnchen: Pearson Studium.
Cammack, Elizabeth B. (1991): Evidence on bidding strategies and the
information contained in Treasury bill auctions. In: Journal of
Political Economy, Vol. 99 (1), S. 100-130.
Campbell, John Y., Lo, Andrew W., MacKinlay, Craig A. (1997): The
Econometrics of Financial Markets. New Jersey: Princeton
University Press.
Canina, Linda, Figlewski, Stephen (1994): Program Trading and Stock
Index Arbitrage. Cornell University, New York University (Stern
School of Business). (Working Paper, No. FIN-94-023).
330
8 Literaturlisten
Capobianco, Enrico (2004): Multiscale Analysis of Stock Index Return
Volatility. In: Computational Economics, Vol. 23 (3), S. 219-237.
Capocci, Daniel P. J. (2007): An Analysis of Hedge Fund Strategies.
University of Liege. (Ph. D. Thesis).
Chaboud, Alain, Hjalmarsson, Erik, Vega, Clara, Chiquoine, Ben (2009):
Rise of the Machines: Algorithmic Trading in the Foreign
Exchange Market. Federal Reserve Board. (FRB International
Finance Discussion Paper, No. 980, Oktober 2009).
Chakrabarty, Bidisha, Tyurin, Konstantin (2008): Market Liquidity, Stock
Characteristics and Order Cancellations: The Case of Fleeting
Orders. Saint Louis University (John Cook School of Business),
ITG Inc.. (Working Paper, 18. Mrz 2008).
Chakravarty, Sugato, Holden, Craig W. (1995): An integrated model of
market and limit orders. In: Journal of Financial Intermediation,
Vol. 4 (3), Juli 1995, S. 213- 241.
Chan, Ernest. P. (2008): Quantitative Trading: How to Build Your Own
Algorithmic Trading Business. John Wiley & Sons.
Chan, Kalok, Hameed, Allaudeen, Tong, Wilson H. S. (2000):
Profitability of Momentum Strategies in the International Equity
Markets. In: Journal of Financial and Quantitative Analysis, Juni
2000, Vol. 35 (2), S. 153-172.
Chan, Louis, Jegadeesh, Narasimhan, Lakonishok, Joseph (1996): Mo-
mentum strategies. In: Journal of Finance, Vol. 51 (5), S. 1681-
1713.
Chan, Nicholas T., LeBaron, Blake, Lo, Andrew W., Poggio, Thomaso
(1999): Agent-Based Models of Financial Markets: A Comparison
with Experimental Markets. MIT Sloan School of Management.
(Working Paper, Nr. 124, September 1999).
331
8 Literaturlisten
Chan, Man-Chung, Wong, Chi-Cheong, Lam, Chi-Chung (2000): Finan-
cial Time Series Forecasting by Neural Network Using Conjugate
Gradient Learning Algorithm and Multiple Linear Regression
Weight Initialization. In: Society for Computational Economics
(Hrsg.): Computing in Economics and Finance, Vol. 61.
Chaturverdi, Hari Om (1999): Investment performance of equity shares:
a test of Indian market efficiency. Anmol Publications PVT.
Chen, Jing (2002): Information, Entropy and Evolutionary Finance.
University of Northern British Columbia (School of Business).
(Working Paper, Oktober 2002).
Chen, Jing (2004): Generalized Entropy Theory of Information and Mar-
ket Patterns. In: Corporate Finance Review, Vol. 9 (3), S. 21-32.
Chiarella, Carl, Iori, Giulia (2002): A simulation analysis of the micro-
structure of double auction markets. In: Quantitative Finance, Vol.
2 (5), S. 346-353.
Chiarella, Carl, Iori, Giulia (2004): The impact of heterogenous Trading
Rules on the Limit order book and order flows. Sydney Univer-
sity of Technology (Quantitative Finance Research Centre). (Re-
search Paper 152, 11. Juni 2007).
Chordia, Tarun, Roll, Richard, Subrahmanyam, Avanidhar (2008): Why
has trading volume increased?. Emory University, UCLA. (Tech-
nical Report, 19. August 2008).
Coenenberg, Adolf G. (2003): Handelsabschluss und Jahresabschlussana-
lyse. 19. Auflage, Stuttgart: Schffer-Poeschel.
Coenenberg, Adolf G., Schultze, Wolfgang (2002): Unternehmensbewer-
tung: Konzeptionen und Perspektiven. In: Die Betriebswirtschaft,
Vol. 62 (6), S. 597-621.
332
8 Literaturlisten
Coggins, Richard, Lim, Marcus, Lo, Kevin (2004): Algorithmic Trade
Execution and Market Impact. In: Proceedings of the First Inter
national Workshop on Intelligent Finance (IWIF 1), 13.-14.
December 2004, Melbourne, Australia, S. 518-547.
Cohen, Kalman J., Maier, Steven F., Schwartz, Robert A., Whitcomb,
David K. (1981): Transaction costs, order placement strategy and
existence of the bid-ask spread. In: The Journal of Political Eco-
nomy, Vol. 89 (2), S. 287-305.
Colin, Andrew (2000): A genetic programming-based approach to the
generation of foreign- exchange trading models. In: Barnett, Willi-
am A., Chiarella, Carl, Keen, Steve, Marks, Robert, Schnabl, Her-
mann (Hrsg.): Commerce, complexity, and evolution: topics in
economics, finance, marketing and management, Cambridge:
Cambridge University Press.
Cordero, Jonathan (2010) : Automatisierte Handelssysteme Eine Analy-
se der Elektrifizierung des Wertpapierhandels und deren Risiken.
Universitt Bayreuth. (Bachelorarbeit). Norderstedt: GRIN Ver-
lag.
Crowley, Patrick M. M. (2005): An Intuitive Guide to Wavelets for Eco-
nomists. Bank of Finland. (Discussion Paper No. 1/2005, Januar
2005).
Cushing, David, Madhavan, Ananth (2000): Stock Returns and Institu-
tional Trading at the Close. In: Journal of Financial Markets, Vol.
3 (1), S. 45-67.
Dacarogna, Michel M., Gencay, Ramazan, Mller, Ulrich A., Olsen, R.
B., Pictet, Olivier V. (2001): An Introduction to High-Frequency
Finance. London/San Diego: Academic Press.
333
8 Literaturlisten
Dabous, Feras, Rabhi, Fethi (2008): Information Systems and IT Archi-
tectures for Securities Trading. In: Seese, Detlef; Weinhardt,
Christof; Schlotmann, Frank (Hrsg.): Handbook on Information
Technology in Finance. Berlin-Heidelberg: Springer Verlag, S.
29-49.
Darolles, Serge, Le Fol, Gaelle (2003): Trading volume and arbitrage.
Centre de Recherche en Economie et Statistique (CREST).
(CREST Working Paper, Nr. 2003-46, Dezember 2003).
Das, Sanjiv R., Chen, Mike Y. (2006): Yahoo! for Amazon: Sentiment
Extraction from Small Talk on the Web. Santa Clara University,
Intel Research. (Working Paper, 5. Januar 2006).
Dash, Jan W. (2004): Quantitative finance and risk management: a physi
cist's approach. Singapore: World Scientific Publishing.
Davies, Ryan J. (2008): MiFID and a Changing Competitive Landscape.
Babson College - Finance Division. (Working Paper, 30. Juli
2008).
Davis, Angela K., Piger, Jeremy M., Sedor, Lisa M. (2008): Beyond the
numbers: An analysis of optimistic and pessimistic language in
earnings press releases. Federal Reserve Bank of St. Louis.
(Working Paper, 22. April 2008).
Degryse, Hans A., Van Achter, Mark, Wuyts, Gunther (2008): Shedding
Light on Dark Liquidity Pools. Tilburg University. (TILEC Dis
cussion Paper No. 2008-039, 18. November 2008).
Dempster, M. A. H., Jones, C. M. (2001): A realtime adaptive trading ad
aptive trading system using genetic programming. In: Quantitat
ive Finance Volume, Vol. 1 (4), April 2001, S. 397-413.
Demsetz, Harold (1968): The Cost of Transacting. In: The Quarterly
Journal of Economics, Vol. 82 (1), Februar 1968, S. 33-53.
334
8 Literaturlisten
Derman, Emanuel (2002): Cranks, academics and practitioners. In:
RISK, Vol. 15 (9), September 2002, S. 120.
Derman, Emanuel (2004): My Life as a Quant: Reflections of Physics
and Finance. New Jersey: John Wiley & Sons.
Deutsche Brse AG (2009a): Jahresbericht 2008. Frankfurt am Main. (er-
schienen Mrz 2009).
Dhanjani, Nitesh (2003): Hack-Notes, Linux and UNIX security Port-
able Reference. Emeryville: McGraw-Hill.
Dichev, Ilia D, Janes, Troy D. (2003): Lunar Cycle Effects in Stock Re-
turns. In: Journal of Private Equity, Vol. 6, S. 8-29.
Domowitz, Ian (1993): Automating the Continuous Double Auction in
Practice: Automated Trade Execution Systems in Financial
Markets. In: Friedman, Daniel, Rust, John (Hrsg.): The
Double Auction Market Institutions, Theories and Evidence.
Reading: Adison Wesley, S. 27-60.
Domowitz, Ian, Finkelshteyn, Ilya, Yegerman, Henry (2008): Cul de Sacs
and Highways: An Optical tour of dark pool trading performance.
ITG Inc.. (Consulting Paper, April 2008).
Domowitz, Ian, Yegerman, Henry (2005a): The Cost of Algorithmic
Trading A First Look at Comparative Performance. ITG Inc..
(Working Paper, Mrz 2005).
Domowitz, Ian, Yegerman, Henry (2005b): Measuring and Interpreting
the performance of Broker Algorithms. ITG Inc.. (Research Re-
port, August 2005).
Eckert, Michael, Bry, Francoise (2009): Aktuelles Schlagwort: Complex
Event Processing (CEP). In: Informatik-Spektrum, Vol. 32 (2), S.
163-167.
335
8 Literaturlisten
Edmonds, Bruce (1999): What is Complexity - The Philosophy of
Complexity per se with Application to some Examples in
Evolution. In: Heylighen, Francis, Bollen, Johan, Riegler,
Alexander (Hrsg.): The Evolution of Complexity The Violet
Book of Einstein meets Magritte. Brssel: Kluwer Academic
Publishers, S. 1- 18.
Edwards, Franklin R., Caglayan, Mustafa Onur (2001): Hedge Fund
Performance and Manager Skill, in: Journal of Futures Markets,
Vol. 21 (11), S. 1003-1028.
Elton, Edwin J., Gruber, Martin J., Brown, Stephen J. Goetzmann,
William N. (2003): Modern Portfolio Theory and Investment
Analysis. 6. Auflage: John Wiley & Sons.
Ende, B., Gomber, P., Lutat, M. (2009): Smart Order Routing Technology
in the New European Equity Trading Landscape. In: Software
Services for e-Business and e-Society, 9th IFIP WG 6.1
Conference, I3E 2009 (Proceedings). Nancy: Springer Verlag.
Engle, Robert F. (2000): The Econometrics of Ultra High Frequency
Data. In: Econometrica, Vol. 68 (1), S. 1-22.
Engle, Robert F. (2002): New frontiers for ARCH models. In: Journal of
Applied Econometrics, Vol. 17 (5), S. 425-446.
Engle, Robert, Ferstenberg, Robert (2006): Execution Risk. Center for
Financial Econometrics. (NBER Working Paper, 27. Mrz 2006).
Engle, Robert, Ferstenberg, Robert, Russel, Jeffrey (2006): Measuring
and Modelling Execution Cost and Risk. NYU, University of
Chicago. (NYU Working Paper No. FIN-06-044 April 2006).
Fabozzi, Frank J. (2009): Institutional Investment Management: Equity
and Bond Portfolio Strategies. Hoboken (NJ): Jon Wiley & Sons.
336
8 Literaturlisten
Fabozzi, Frank J., Drake, Pamela Peterson (2009): Finance Capital
Markets, Financial Management, and Investment Management.
New Jersey: Jon Wiley & Sons.
Fabozzi, Frank J., Focardi, Sergio M., Kolm, Petter N. (2010): Quantitat-
ive Equity Investing: Techniques and Strategies. New Jersey: Jon
Wiley & Sons.
Fabozzi, Frank J., Kolm, Petter N., Pachamanova, Dessislava, Focardi,
Sergio M. (2007): Robust portfolio optimization and manage-
ment. New Jersey: John Wiley & Sons.
Fabozzi, Frank J., Markowitz, Harry (2002): The Theory and practice of
investment management. Hoboken (NJ): Jon Wiley & Sons.
Fama, Eugene F. (1965): The Behaviour of Stock Market Prices. In:
Journal of Business, Vol. 38 (1), S. 34105.
Fama, Eugene (1970): Efficient Capital Markets: A Review of Theory
and Empirical Work. In: The Journal of Finance, Vol. 25 (1),
Mrz 1970, S. 383-417.
Fama, Eugene F. (1991): Efficient Capital Markets: II. In: Journal of
Finance, Vol. 46 (5), Dezember 1991, S. 1575-1617.
Fama, Eugene F., French, Kenneth R. (1993): Common risk factors in the
returns on stocks and bonds. In: Journal of Financial Economics,
Vol. 33 (1), Februar 1993, S. 3-56.
Farmer, J. Doyne (1999): Physicists attempt to scale the ivory towers of
finance. In: Computing in Science & Engineering, Vol. 1 (6), No-
vember/Dezember 1999, S. 26-39.
Finsterbusch, Stephan (2010): Der Algorithmus an der Brse, Hlfte des
Handels geschieht ohne Zutun des Menschen. In: Frankfurter
Allgemeine Zeitung (FAZ), Nr. 106, Samstag 8. Mai 2010, S. 21.
337
8 Literaturlisten
Fleuriet, Michel (2008): Investment Banking Explained An Insider's
Guide to the Industry. McGraw-Hill.
Foucault, Thierry, Menkveld, Albert J. (2008): Competition for Order
Flow and Smart Order Routing Systems. In: Journal of Finance,
Vol. 63 (1), Februar 2008, S. 119-159.
Fortuna, Luigi, Rizzotto, Gianguido, Lavorgna, Mario, Nunnari,
Guiseppe, Xibilia, Gabriella, Caponetto, Riccardo (2001): Soft
Computing: new trends and applications. London/Berlin/
Heidelberg: Springer Verlag.
Franklin, Stan, Graesser, Art (1997): Is it an Agent, or Just a Program?: A
Taxonomy for Autonomous Agents. In: Mller, Jrg P.,
Wooldridge, Michael J., Jennings, Nicholas R. (Hrsg.): Intelligent
Agents III: Agent Theories, Architectures and Languages,
ECAI'96 Workshop Proceedings. Berlin: Springer Verlag, S. 21-
35.
Frino, Alex, Gerace, Dionigi, Lepone, Andrew (2008): Limit Order Book,
Anonymity and Market Liquidity: Evidence from the Sydney Fu-
tures Exchange. In: Accounting & Finance, Vol. 48 (4), Dezember
2008, S. 561-573.
Fung, William A., Hsieh, David A.(1997), Empirical Characteristics of
Dynamic Trading Strategies: The Case of Hedge Funds. In: Re-
view of Financial Studies, Vol. 10 (2), S. 275-302.
Fung, William A., Hsieh, David A. (1999): A primer on hedge funds. In:
Journal of Empirical Finance, Vol. 6 (3), September 1999, S.
309-331.
Fung, William, Hsieh, David A. (2000): Performance Characteristics of
Hedge Funds and Commodity Funds: Natural vs. Spurious Biases.
In: The Journal of Financial and Quantitative Analysis, Vol. 35
(3), September 2000, S. 291-307.
338
8 Literaturlisten
Fung, William, Hsieh, David A. (2001a): Benchmarks of Hedge Fund
Performance: Information Content and Measurement Biases.
Duke University. (Working Paper, Februar 2001).
Fung, William, Hsieh, David A. (2001b): The Risk in Hedge Fund
Strategies: Theory and Evidence from Trend Followers. In: The
Review of Financial Studies, Vol. 14 (2), Juni 2001, S. 313-
341.
Fung, William A., Hsieh, David A. (2002a): Asset-Based Style Factors
for Hedge Funds. In: Financial Analysts Journal, Vol. 58 (5),
September/Oktober 2002, S. 16-27.
Fung, William, Hsieh, David A. (2002b): The Risk in Fixed-Income
Hedge Fund Styles. In: Journal of Fixed Income, Vol. 12 (2), S. 6-
27.
Fung, William, Hsieh, David (2002c): Hedge Fund Benchmarks:
Information Content and Biases. In: Financial Analyst Journal,
Vol. 58 (1), Januar/Februar 2002, S. 22-34.
Fung, William, Hsieh, David A. (2003): The Risks in Hedge Fund
Strategies: Alternative Alphas and Alternative Betas. Duke
University, London Business School (Working Paper). Auch
erschienen in: Jaeger, Lars (Hrsg.): The New Generation of Risk
Management for Hedge Funds and Private Equity Funds. London:
Euromoney Institutional Investors PLC, S. 72-87.
Fung, William, Hsieh, David A. (2004a): Hedge Fund Benchmarks: A
Risk Based Approach. In: Financial Analysts Journal, Vol. 60 (5),
September/Oktober 2004, S. 65-80.
Fung, William A., Hsieh, David A. (2004b): Extracting Portable Alphas
From Equity Long-Short Hedge Funds. In: Journal of Investment
Management, Vol. 2 (4), S.1-19.
339
8 Literaturlisten
Fung, William, Hsieh, David A. (2006a): Hedge Funds: An Industry in Its
Adolescence. In: Federal Reserve Bank of Atlanta (Hrsg.): Econo-
mic Review, Vol. 91 (4), S. 1-34.
Fung, William, Hsieh, David A. (2006b): The risk in Hedge Fund
Strategies Theory and Evidence from Long/Short Equity Hedge
Funds. (Working Paper).
Fung, William, Hsieh, David A. (2007): Will Hedge Funds Regress To-
wards Index-Like Products?. In: Journal of Investment Manage-
ment, Vol. 5 (2), 2. Quartal, 2007, S. 46-65.
Fung, William, Hsieh, David A., Naik, Narayan Y., Ramadorai, Tarun
(2008): Hedge Funds: Performance, Risk and Capital Formation.
In: Journal of Finance, Vol. 63 (4), S. 1777-1803.
Fung, Hung-Gay, Xu, Xiaoqing Eleanor, Yau, Jot (2004): Do Hedge Fund
Managers Display Skill?. In: The Journal of Alternative
Investments, Vol. 6 (4), S. 22-31.
Garrison, Sharon H. (1990): The Financial Impact of Corporate Events
on Corporate Stakeholders, New York/Wesport/London: Quorum
Books.
Gatev, Evan G., Goetzmann, William, Rouwenhorst, Geert (1999): Pairs
Trading: Performance of a Relative Value Arbitrage Rule. Yale
School of Management. (NBER Working Papers, No. 7032).
Ghin, Walter (2006): The Challenge of Hedge Fund Performance
Measurement: A Toolbox Rather Than a Pandora's Box. Edhec
Business School, Lille-Nice. (Working Paper, November 2006).
Gerke, Wolfgang, Rapp, Heinz-Werner (1994): Strukturvernderungen
im internationalen Brsenwesen. In: Die Betriebswirtschaft, Vol.
54 (1), S. 5-21.
340
8 Literaturlisten
Getmansky, Mila (2004): The Life Cycle of Hedge Funds: Fund Flows,
Size and Performance. MIT Laboratory for Financial Engineer-
ing. (Working Paper, 16. Januar).
Ghysels, Eric (2000): Some Econometric Recipes for High-Frequency
Data Cooking. In: Journal of Business and Economic Statistics,
Vol. 18 (2), S. 154-163.
Giraud, Jean-Ren (2004): Best Execution for buy side firms: A
challenging issue, a promising debate, a regulatory challenge.
Edhec-Risk. (Consulting Paper, Juni 2004).
Glosten, L. R. (1994): Is the electronic open limit order book inevitable.
In: Journal of Finance, Vol. 49 (4), S. 1127-1161.
Gomber, Peter (2000): Elektronische Handelssysteme, Innovative
Konzepte und Technologien im Wertpapierhandel. Heidelberg:
Physica Verlag.
Gomber, Peter, Lutat, Marco, Schubert, Steffen (2008): Capital Markets
in the Gulf: International Access, Electronic Trading, and Regu-
lation. In: Seese, Detlef; Weinhardt, Christof; Schlotmann, Frank
(Hrsg.): Handbook on Information Technology in Finance. Berlin/
Heidelberg: Springer Verlag, S. 141-165.
Gomber, Peter, Lutat, Marco, Wraning, Adrian (2008): Flexible VWAP
Executions in Electronic Trading. In: Enterprise Applications and
Services in the Finance Industry, Lecture Notes in Business
Information Processing, Vol. 4 (1), S. 1-14.
Gomber, Peter, Gsell, Markus (2006): Catching up with technology The
impact of regulatory changes on ECNs/MTFs and the trading
venue landscape in Europe. Working Paper. Auch erschienen in:
Competition and Regulation in Network Industries, Special Issue
on The Future of Alternative Trading Systems and ECNs in
Global Financial Markets, Vol. 1 (4), Dezember 2006, S. 535-557.
341
8 Literaturlisten
Gomber, Peter, Pujol, Gregor (2008): Best execution in electronic
banking and brokerage: an analysis of business and technical
requirements. In: International Journal of Electronic Banking,
Vol. 1 (1), September 2008 , S. 1-15.
Gomolka, Johannes (2007): Die Zwei Gesichter der Deutschen
Fondsbranche: Cut-Off Zeit und Zeitzonenarbitrage. In: Jasny,
Ralf (Hrsg.): Frankfurter Schriften zur Banking und Finance,
Band 6, Stuttgart/Hannover: IBIDEM Verlag.
Goodhart, Charles A. E., OHara, Maureen (1997): High Frequency Data
in Financial Markets: Issues and Applications. In: Journal of
Empirical Finance, Vol. 4 (2-3), S. 73-114.
Gordon, Myron J., Shapiro, Eli (1956): Capital equipment analysis: The
required rate of profit. In: Management Science, Vol. 3 (1),
Oktober 1956, S. 102-110.
Gouriroux, Christian, Jasiak, Joanna, Le Fol, Gaelle (1999): Intra-day
market activity. In: Journal of Financial Markets, Vol. 2 (3), Au
gust 1999, S. 193-226.
Graham, Benjamin (1973): The Intelligent Investor. 4. berarbeitete
Auflage (erstmals erschienen 1949) New York: Harper & Row.
Graham, Benjamin, Dodd, David (1934): Security Analysis.
Gresse, Carole (2006): The Effect of Crossing-Network Trading on
Dealer Market's Bid-Ask Spread. In: European Financial
Management, Vol. 12 (2), Mrz 2006, S. 143-160.
Griffioen, Gerwin A. W. (2003): Technical Analysis in Financial Markets.
University of Amsterdam. (Tinbergen Institute Research Series.
Nr. 305. Doctoral Thesis).
342
8 Literaturlisten
Griffiths, M., Smith, B., Turnbull, D. A., White, R. (2000): The Costs and
Determinants of Order Aggressiveness. In: Journal of Financial
Economics, Vol. 56 (1), S. 6588.
Grossman, Randy (2005): The Search for the Ultimate Trade: Market
Players in Algorithmic Trading. Financial Insights. (Consulting
report, Februar 2005).
Groysberg, Boris, Healy, Paul, Chapman, Graig, Shantikumar, Devin,
Gui, Yang (2007): Do Buy Side Analysts outperform the sell
side?. Harvard Business School, University of North Carolina
(Chapel Hill). (Working Paper, Mrz 2007).
Gsell, Markus (2006): Is Algorithmic Trading distinctively different?
Assessing its behaviour in comparison to informed, momentum
and noise traders. Universitt Frankfurt (E-Finance Lab).
(Discussion-Paper 15/2006). Auch erschienen in: Proceedings of
the International Conference on Business & Finance 2006
(Hyderabad/India).
Gsell, Markus (2008): Assessing the Impact of Algorithmic Trading on
Markets: A Simulation Approach. Universitt Frankfurt (E-Fin-
ance Lab). (CFS Working Paper 2008/49, Juni 2008).
Gsell, Markus (2009): Algorithmic Trading Activity on XETRA.
Working Paper. Auch erschienen in: The Journal of Trading, Vol.
4 (3), Sommer 2009, S. 74-86.
Hadzic, Maja, Wongthongtham, Pornpit, Chang,Elizabeth, Dillon,
Tharam (2009): Ontology-Based Multi-Agent Systems. In:
Kacprzyk, Janusz (Hrsg.): Studies in Computational Intelligence,
Vol. 219, Berlin/Heidelberg: Springer Verlag.
Hall, Tony, Hautsch, Nikolaus (2007): Modelling the Buy and Sell
Intensity in a Limit Order Book Market. In: Journal of Financial
Markets, Vol. 10 (3), S. 249-286.
343
8 Literaturlisten
Harris, Larry (1998): Optimal Dynamic Order Submission Strategies in
Some Stylized Trading Problems. In: Financial Markets, Institu-
tions, and Instruments, Vol. 7 (2), S. 176.
Harris, Larry (2003): Trading and Exchanges: Market Microstructure for
Practitioners. New York: Oxford University Press.
Hartmann-Wendels, Thomas, Pfingsten, Andreas, Weber, Martin (2004):
Bankbetriebslehre, 3. berarbeitete Auflage, Berlin/Heidelberg:
Springer Verlag.
Hasbrouk, Joel, Saar, Gideon (2007): Technology and Liquidity Provi-
sion: The Blurring of Traditional Definitions. NYU (Stern School
of Business), Cornell University. (Working Paper, 30. Dezember
2007).
Hasbrouk, Joel, Sofianos, George, Sosebee, Deborah (1993): New York
Stock Exchange Systems and Trading Procedures, New York
Stock Exchange (NYSE). (NYSE Working Paper #93-01, 27.
April 1993).
Hasanhodzica, Jasmina, Lo, Andrew W. (2007): Can Hedge Fund Returns
be Replicated?: The Linear Case. In: Journal of Investment
Management, Vol. 5 (2), S. 5-45.
Hastie, Trevor, Tibishirani, Robert, Friedman, Jerome (2001): The
Elements of Statistical Learning: Data Mining, Inference, and
Prediction. New York: Springer Verlag.
Hendershott, Terence, Jones, Charles M., Menkveld, Albert J. (2008):
Does Algorithmic Trading improve liquidity?. University of
California, Columbia Business School, VU University
Amsterdam. (Working Paper, 26. April 2008).
344
8 Literaturlisten
Henricksson, Roy D., Merton, Robert C. (1981): On Market Timing and
Investment Performance II: Statistical Procedures for Evaluating
Forecasting Skills. In: Journal of Business, Vol. 54 (4), S. 513-
533.
Heires, Katherine (2006): Algo Arms Race Has a Leader - For Now. In:
Securities Industry News and Source Media Inc. (Hrsg): 2006
Security Industry News. (White Paper, 18. Dezember 2006).
Hehn, Elisabeth (2002): Asset Management in Kapitalanlage- und
Versicherungsgesellschaften, Altersvorsorge, Nachhaltige
Investments, Rating. Wiesbaden: Gabler.
Hertle, Alexander, Schenk, Norman (1995): Computerbrse. In: Gerke,
Wolfgang (Hrsg.): Handwrterbuch des Bank- und Finanzwesens.
2. berarbeitete Auflage, S. 410-420.
Heylighen, Francis (2008): Complexity and Self-organization. Working
Paper. Auch erschienen in: Bates, Marcia J., Maack, Mary Niles
(Hrsg.): Encyclopedia of Library and Information Sciences,
Taylor & Francis.
HFR - Industry Report (2009): HFR Global Hedge Funds Industry
Report. Hedge Funds Research Inc.. 2. Quartal 2009.
Hilpold, Claus, Kaiser, Dieter G. (2010): Innovative Investmentstrategien
- Handelsstrategien fr eine optimierte Porftfoliodiversifikation.
Wiesbaden: Gabler.
Hirshleifer, David, Shumway, Tyler G. (2003): Good Day Sunshine:
Stock Returns and the Weather. In: Journal of Finance, Vol. 58
(3), S. 1009-1032.
345
8 Literaturlisten
Hogan, Steve, Jarrow, Robert A., Teo, Melvyn, Warachka, Mitch (2003):
Testing Market Efficiency using Statistical Arbitrage with
Applications to Momentum and Value Strategies. Cornell
University, Singapore Management University. (Working Paper,
15. April 2003).
Hornberg, Klaus Wilhelm (2006): Hedgefonds: Gute Renditen durch
Risikokontrolle und Verlustvermeidung. 1. Auflage Wiesbaden:
Gabler.
Hubbard, Carl M. (2007): Analysis of Hedge Fund Alphas And Betas In
The Context Of The Fama And French Three-Factor Model.
Seventh Annual IBER & TLC Conference Proceedings 2007, Las
Vegas Nevada, USA.
Hughart, David (1975): Informational asymmetry, bidding strategies, and
the marketing of offshore petroleum leases. In: Journal of
Political Economy, Vol. 83 (5), S. 969-985.
Ignatovich, Denis Andrey (2006): Quantitative Trading System.
University of Texas. (Working Paper, 28. April 2006).
Indjic, Drago, Heen, Aasmund (2003): AIMA Survey of Hedge Fund
Classification Practice. (White Paper). Auch erschienen in AIMA
Journal, September 2003.
Ingber, Lester (1996): Adaptive Simulated Annealing (ASA), Lessons
learned. In: Control and Cybernetics 2522m, Special issue of the
Polish journal Control and Cybernetics on "Simulated Annealing
Applied to Combinatorial Optimization, S. 33-54.
Ingber, Lester, Mondescu, Radu Paul (2000): Optimization of trading
physics models of markets. Working Paper. Auch erschienen in:
IEEE Trans. On Neural Networks, Vol. 12 (4), S. 776-790 .
346
8 Literaturlisten
Jger, Clemens (2008): The Principal-Agent-Theory Within the Context
of Economic Sciences: Summary, Norderstedt: Books on
Demand.
Jalote, Pankaj (2005): An integrated approach to software engineering, 3.
Auflage, Kanpur: Springer Verlag.
Jegadeesh, Narasimhan, Titman, Sheridan. (1993): Returns to buying
winners and selling losers: Implications for stock market
efficiency. In: Journal of Finance, Vol. 48 (1), Mrz 1993, S.
65 91.
Jegadeesh, Narasimhan, Titman, Sheridan (2001): Profitability of
Momentum Strategies: An Evaluation of Alternative
Explanations. In: Journal of Finance 56 (2), April 2001, S. 699-
720.
Jennings, Nicholas R., Wooldridge, Michael J. (1996): Software Agents.
In: IEEE Review, Vol. 42 (1), S. 17-20.
Jensen, Michael J. (1968): The Performance of Mutual Funds in the
Period 1945-1964. In: Journal of Finance, Vol. 23 (2), S. 389-416.
Johnson, Jeromee, Tabb, Larry (2007): Groping in the dark: Navigating
crossing networks and other dark pools of liquidity. TABB Group.
(Research Report, 31. Januar 2007).
Jolliffe, Ian T. (2002): Principal Component Analysis. 2. Auflage,
Springer Series in Statistics, New York: Springer Verlag.
Jorion, Philippe (2001): Value at Risk The New Benchmark for
Managing Financial Risk. 2. Auflage, McGraw-Hill.
Kaastra, Iebeling, Boyd, Milton S. (1995): Forecasting Futures Trading
Volume Using Neural Networks. In: Journal of Futures Markets,
Vol. 15 (8) , S. 953-970.
347
8 Literaturlisten
Kakade, Sham M., Kearns, Michael, Mansour, Yishay, Ortiz, Luis E.
(2004): Competitive Algorithms for VWAP and Limit Order
Trading. Proceedings of the 5th ACM conference on
Electronic commerce 2004.
Kamstra, Mark J., Kramer, Lisa A., Levi, Maurice D. (2003): Winter
Blues: Seasonal Affective Disorder (SAD) and Stock Returns. In:
American Economic Review, Vol. 93 (1), S. 324-343.
Kat, Harry M. (2003): The dangers of Mechanical Investment Decision-
Making: The Case of Hedge Funds. City University of London
(Cass Business School). (Working Paper, 28. November 2003).
Katz, Jeffrey, McCormick, Donna (2000): The Encyclopedia of Trading
Strategies. McGraw Hill.
Kaul, Michael (2001): Kurspolitik von Aktienhndlern, Ein Finanzmarkt-
modell mit unvollstndiger Information. Dissertation Humboldt-
Universitt Berlin. 1. Auflage Wiesbaden: Deutscher Universitts-
Verlag, Gabler (Gabler Edition Wissenschaft).
Kearns, Michael, Ortiz, Luis (2003): The Penn-Lehman automated
trading project. In: IEEE computer society (Hrsg.): IEEE
Intelligent Systems, Vol. 18 (6), November/Dezember, S. 22-31.
Keim, Donald, B., Madhavan, Ananth (1998): The Cost of Institutional
Equity Trades. In: Financial Analysts Journal, Vol. 54 (4),
Juli/August, S. 50-69.
Kendall, Kim (2007): Electronic and algorithmic trading technology: the
complete guide. In: Kaljuvee, Ayesha, Kaljuvee, Jrgen (Hrsg.):
Complete Technology Guides for Financial Services. Elesevier.
Kestner, Lars N. (2003): Quantitative Trading Strategies: Harnessing the
Power of Quantitative Techniques to Create a Winning Trading
Program. McGraw-Hill Professional.
348
8 Literaturlisten
Khotari, S. P., Warner, Jerold, B. (2006): Econometrics of Event Studies.
Tuck School of Business at Dartmouth. (Working Paper, 19. Mai,
2006). Auch erschienen in: Eckbo, Espen B. (Hsrg.): Handbook of
Corporate Finance (Handbooks in Finance Series): Empirical
Corporate Finance, Volume A. Kapitel 1. Elsevier: North Holland.
Kissell, Robert (2006): The Expanded Implementation Shortfall.
(Working Paper, Mai 2006). Auch erschienen in: The Journal of
Trading, Summer 2006, Vol. 1 (3), S. 6-16.
Kissell, Robert (2007): Statistical Methods to Compare Algorithmic
Performance. In: Journal of Trading, Vol. 2 (2), S. 53-62.
Kissell, Robert, Malamut, Roberto (2005): Algorithmic decision-making
framework. (Working Paper, Dezember 2005). Auch erschienen
in: Journal of Trading, Winter 2006, Vol. 1(1), S. 1221.
Knogler, Christian, Linsmaier, Michael (2008): Product Management
Systems in Financial Services Software Architecture. In: Seese,
Detlef, Weinhardt, Christof, Schlotmann, Frank (Hrsg.): Hand-
book on Information Technology in Finance, Berlin-Heidelberg:
Springer Verlag, S. 51-69.
Kohonen, Teuvo (1988): Self-Organizing and Associative Memory. 2.
Auflage, Berlin/Heidelberg: Springer Verlag.
Konishi, Hizuru (2002): Optimal slice of a VWAP trade. In: Journal of
Financial Markets, Vol. 5 (2), S. 197-221.
Kostovetsky, Leonard (2007): Brain Drain: Are Mutual Funds Losing
Their Best Minds?. University of Rochester (Simon School of
Business). (Working Paper, November 2007).
Kratz, Peter, Schneborn, Torsten (2009): Optimal Liquidation in Dark
Pools. EFA 2009 Bergen. (Meeting Paper, 29. Juni 2009).
349
8 Literaturlisten
Krauel, Wolfgang (2000): Insider-Handel. 1. Auflage, Baden-Baden:
Nomos Verlag.
Large, Jeremy H. (2004): Cancellation and Uncertainty Aversion on
Limit Order Books. University of Oxford (Nuffield College).
(Working Paper, Nr. 2004-W5, 4. Februar 2004).
Lattemann, Christoph, Gomolka, Johannes G. (2009): NGAT - Next
Generation Algorithmic Trading, Dow Jones Briefing on
Algorithmic Trading, Frankfurt (Main). (Prsentation, 18.
November 2009).
Le Breton, Victor (2007): Le Trading Algorithmique. Universit de
Paris1. (Doctorant au CES - MATISSE, Hal-00332823, Februar
2007).
Lee, Ruben (1998): What is an exchange?, The Automation, Management
and Regulation of Financial Markets. Oxford: Oxford University
Press.
Lhabitant, Francois-Serge (2001): Hedge Funds Investing: A Quantitative
Look Inside the Black Box. (Working Paper, August 2001).
Lhabitant, Francois-Serge (2002): Hedge Funds: Myths and Limits,
London: John Wiley & Sons.
Li, Feng (2006): Do stock market investors understand the risk sentiment
of corporate annual reports?. University of Michigan (Stephen M.
Ross School of Business). (Working Paper, 21. April 2006).
Liang, Bing (2003): The Accuracy of Hedge Fund Returns. In: Journal of
Portfolio Management, Vol. 29 (3), S. 111-122.
Liebenberg, Lauren (2002): The Electronic Financial Markets of the
Future: Survival Strategies of the Broker-Dealers. New York:
Palgrave Macmillan (Finance and Capital Markets).
350
8 Literaturlisten
Liebhart, Daniel, Schmutz, Guido, Lattmann, Marcel, Heinisch, Markus,
Knings, Michael, Klliker, Mischa, Pakull, Perry, Welkenbach,
Peter (2008): Integration Architecture Blueprint Leitfaden zur
Konstruktion von Integrationslsungen. Mnchen: Carl Hanser
Verlag.
Lippe, Wolfram-Manfred (2006): Soft-Computing: Mit neuronalen
Netzen, Fuzzy-Logic und evolutionren Algorithmen. Berlin/
Heidelberg: Springer Verlag.
Lo, Andrew W., MacKinlay, Craig A. (1997): Maximizing predictability
in the stock and bond markets. In: Macroeconomic Dynamics,
Vol. 1, S. 102-134.
Lo, Andrew W., MacKinlay, Craig, A. (1999): A Non-Random Walk
Down Wall Street, University Press of California.
Lo, Andrew, MacKinlay, Craig A., Zhang, June (2002): Econometric
models of limit-order executions. In: Journal of Financial
Economics, Vol. 65 (1), S. 3171.
Lo, Andrew W., Mamaysky, Harry, Wang, Jiang (2000): Foundations of
Technical Analysis: Computational Algorithms, Statistical
Inference, and Empirical Implementation. In: The Journal of
Finance, Vol. 55 (4), August 2000, S. 1705-1765.
Loader, David (2002): Clearing, Settlement and Custody. Securities
Institute, Operations Management Series. Oxford: Butterworth-
Heinemann Finance.
Los, Cornelis, A. (2001): Computational Finance, A scientific
perspective. Singapore: World Scientific Publishing.
Los, Cornelis A., Karuppiah, Jeyanthi (2000): Wavelet Multiresolution
Analysis of High-Frequency Asian FX Rates, Summer 1997.
AFA 2001 New Orleans, Adelaide University (School of
Economics). (Working Paper No. 00-6, 12. Oktober 2000).
351
8 Literaturlisten
Loss, Louis, Seligmann, Joel (2004): Fundamentals of securities
regulation. 5. Auflage New York: Aspen Publishers.
Lscher-Marty, Max (2008): Theorie und Praxis der Geldanlage 2,
Portfoliomanagement und Derivatprodukte. 1. Auflage, Zrich:
Compendio Bildungsmedien.
Lyons, Richard K. (2001): The Microstructure Approach to Exchange
Rates. Massachusetts Institute of Technology. Cambridge: MIT
University Press.
MacKinlay, A. Craig (1997): Event studies in economics and finance. In:
Journal of Economic Literature, Vol. 35 (1), S. 13-39.
Madhavan, Ananth (2000): Market Microstructure: A Survey. In: Journal
of Financial Markets, Vol. 3 (3), August, S. 205-258.
Madhavan, Ananth (2002): VWAP- Strategies, Transaction Performance:
The Changing face of trading. In: Bruce, Brian (Hrsg):
Investment Guides Series. Institutional Investor Inc., S. 32-
38.
Magerman, Tom, Van Looy, Bart, Xiaoyan, Song (2008): Exploring the
Feasibility and Accuracy of Latent Semantic Analysis Based Text
Mining Techniques to Detect Similarity between Patent
Documents and Scientific Publications. Katholieke Universiteit
Leuven. (Working Paper, 31. Juli 2008).
Maillet, Bertrand, Rousset, Patrick (2001): Classifying Hedge Funds with
Kohonen Maps: A First Attempt. Universit Paris 1 Pantheon
Sorbonne, Centre for Research on Education, Training and
Employment (CEREQ). (Working Paper, November 2001).
Mandelbrot, Benoit (1963): The Variation of Certain Speculative Prices.
In: Journal of Business, Vol. 36 (4), S. 394-419.
352
8 Literaturlisten
Mantegna, Rosario M., Stanley, H. Eugene (1999): An Introduction to
Econophysics, Correlations and Complexity in Finance.
Cambridge: Cambridge University Press.
Marcial, Gene G. (1999): Die Insider-Akte, die dunkle Seite des
Geldverdienens, Mnchen: Finanzbuchverlag.
Markowitz, Harry M. (1952): Portfolio Selection. In: Journal of Finance,
Vol. 7 (1), S. 77-91.
Markowitz, Harry M., Todd, Peter G., Sharpe, William F. (2000): Mean-
variance analysis in portfolio choice and capital markets.
berarbeitete Auflage, John Wiley & Sons.
Marshall, John F. (2000): Dictionary of Financial Engineering. New
York: John Wiley & Sons.
Massimb, Marcel N., Phelps, B. D. (1994): Electronic Market Structure
and Liquidity. In: Financial Analyst Journal, Januar-Februar, S.
39-50.
McAndrews, James, Stefanadis, Chris (2000): The Emergence of
Electronic Communications Networks in the U.S. Equity
Markets. In: Federal Reserve Bank of New York (Hrsg.): Current
Issues in Economic and Finance. Vol. 6 (12), Oktober 2000.
Menkhoff, Lukas, Schmidt, Ulrich (2005): The Use of Trading Strategies
by Fund Managers: Some First Survey Evidence. Universitt von
Hannover. (Discussions Paper No. 314).
Merton, Robert C. (1981): On Market Timing and Investment
Performance I: An Equilibrium Theory of Value for Market
Forecasts. In: Journal of Business, Vol. 54 (3), Juli 1981, S. 363-
406.
353
8 Literaturlisten
Micheloud, Marylne, Rieder, Medard (1997): Objektorientierte
Programmierung in C+: ein umfassender Ansatz. Lausanne: Press.
Polytechniques et Universitaires Romandes (PPUR).
Milgrom, Paul R, Weber Robert J. (1982): A theory of auctions and
competitive biding. In: Econometrica, Vol. 50 (5), S. 1089-1122.
Minai, Ali A., Braha, Dan, Bar-Yam, Yaneer (Hrsg.) (2010): Unifying
Themes in Complex Systems: Vol VI: Proceedings of the Sixth
International Conference on Complex Systems. New England
Complex Systems Institute Book Series. Cambridge: Springer
Verlag (Springer-Complexity).
Mitchell, Mark, Pulvino, Todd (2001): Characteristics of Risk in Risk
arbitrage. In: Journal of Finance, Vol. 56 (6), Dezember 2001, S.
2135-2175.
Mittal, Hitesh (2008): Are You Playing in a Toxic Dark Pool? A Guide to
Preventing Information Leakage. In: Journal of Trading, Vol. 3
(3), Sommer 2008, S. 20-33.
Morris, Derek, Kantor-Hendrick, Lenore (2005): Key Considerations in
Selecting an Algorithmic Trading Provider. In: Bruce, Brian
(Hrsg.): Algorithmic Trading: Precision, Control, Execution.
Institutional Investor Inc., S. 2028.
Nabben, Stefan (1996): Funktionen und Auswirkungen bedingter Brsen-
regeln. Wiesbaden: Gabler.
Nagaya, Shigeki, Chenli, Zhang, Hasegawa, Osamu (2009): An
Associated-Memory-Based Stock Price Predictor. In: Alippi,
Cesare, Polycarpou, Marios M., Panayiotou, Christos (Hrsg.):
Proceedings of the 19th International Conference on Artificial
Neural Networks: Part II Limassol, Zypern, September 2009,
Proceedings II. S. 345-357.
354
8 Literaturlisten
Narang, Rishi K. (2009): Inside the Black Box: The Simple Truth About
Quantitative Trading, Hoboken (NJ): John Wiley & Sons.
Nath, Purnendu (2003): High Frequency Pairs Trading with U.S.
Treasury Securities: Risks and Rewards for Hedge Funds. London
Business School. (Working Paper, November 2003).
Neely, Christopher (1997): Technical analysis in the foreign exchange
market: a layman's guide. In: Federal Reserve Bank of St. Louis
(Hrsg.): Review, September 1997, S. 23-38.
Neely, Christopher, Weller, Peter (1998): Technical trading rules in the
European monetary system. Federal Reserve Bank of St. Louis,
University of Iowa (Henry B. Tippie College of Business).
(Working Paper, Nr. 1997-015C, 17. November 1998).
Neely, Christopher, Weller, Peter, Dittmar, Robert (1997): Is technical
analysis in the foreign exchange market profitable? A genetic
programming approach. In: Journal of Financial and Quantitative
Analysis, Vol. 32 (4), Dezember 1997, S. 405 426.
Netzer, Oded, Lattin, James, Seenu, Srinivasan, V. (2007): A Hidden
Markov Model of Customer Relationship Dynamics. Columbia
University, Stanford University. (Stanford GSB Research Paper,
Nr. 1904, Juni 2007).
Niggemann, Britt (2010): Anlage von Firmen und Privatvermgen. In:
Hilse, Jrgen, Netzel, Werner, Simmert, Diethard (Hrsg):
Praxishandbuch Firmenkundengeschft, Geschftsfelder,
Risikomanagement, Marketing. 1. Auflage, Wiesbaden: Gabler, S.
321- 339.
Norman, David James (2002): Professional Electronic Trading. Singapur:
John Wiley & Sons.
OHara, Maureen (1998): Market Microstructure Theory. Blackwell
Publishing.
355
8 Literaturlisten
Ozenbas, Deniz (2009): Volatility and Price Discovery in Stock Markets:
An Intra-day Analysis of the New York Stock Exchange, Nasdaq
Stock Market, London Stock Exchange, Euronext Paris and
Deutsche Boerse. VDM-Verlag.
Pardo, Robert (2008): The Evaluation and Optimization of Trading
Strategies. New Jersey: John Wiley & Sons.
Park, Cheol-Ho, Irwin, Scott H.(2004): The Profitability of Technical
Analysis: A Review. (AgMAS Project Research Report No. 2004-
04, Oktober 2004).
Park, Andreas, Sabourian, Hamid (2009): Herding and Contrarian Beha-
viour in Financial Markets. University of Toronto, University of
Cambridge. (Working Paper, 29. Mai 2009).
Paraschiv, Daniel, Raghavendra, Srinivas, Vasiliu, Laurentiu (2009):
Algorithmic Trading with Human Agents and Computer Agents in
an Artificial Stock Market. Proceedings of the 15th International
Conference on Computing in Economics and Finance, Sydney,
Australia, 2009. Siehe dazu auch: Paraschiv et al. (2008):
Algorithmic Trading on an Artificial Stock Market, Buchkapitel
in: Studies in: Kacprzyk, Janusz (Hrsg.): Computational
Intelligence. Berlin/Heidelberg: Springer Verlag.
Paskelian, Oannes G. (2010): The Impact of Algorithmic Trading Models
on the Stock Market. In: Gregoriou, Greg N. (Hsrg.): The
Handbook of Trading Strategies for Navigating and Profiting
from Currency, Bond and Stock Markets. McGraw-Hill, S. 275-
286.
Pascual, Roberto, Veredas, David (2010): Does the Open Limit Order
Book Matter in Explaining Informational Volatility?. In: Journal
of Financial Econometrics, Vol. 8 (1), Winter 2010, S. 57-87.
356
8 Literaturlisten
Patnaik, Tirthankar C., Thomas, Susan (2004): Profitability of Trading
Strategies on High Frequency Data, with Trading Costs. (Working
Paper, 28. April 2004).
Perold, Andre F. (1988): The implementation Shortfall: Paper versus
Reality. In: Journal of Portfolio Management , Vol. 14 (3),
Frhling, S. 4-9.
Perotti, Pietro, Rindi, Barbara (2006): Market for Information and
Identity Disclosure in an Experimental Open Limit Order Book.
In: Economic Notes, Vol. 35 (1), S. 97-119.
Peterson, Mark, Sirri, Erik (2002): Order Submission Strategy and the
Curious Case of Marketable Limit Orders. In: The Journal of
Financial and Quantitative Analysis, Vol. 37 (2), Juni 2002,
S. 221-241.
Picot, A. Bortenlnger, C., Rhrl, H., (1996): Brsen im Wandel Der
Einfluss von Informationstechnik und Wettbewerb auf die
Organisation von Wertpapiermrkten. Frankfurt (Main): Fritz-
Knapp Verlag.
Poetzsch-Hefter, Arnd (2009): Konzept der objektorientierter
Programmierung Mit einer Einfhrung in JAVA. 2. Auflage
Berlin/Heidelberg: Springer Verlag.
Poggio, Tomaso, Lo, Andrew W. , Le Baron, Blake D. , Chan, Nicholas
T. (2001): Agent-Based Models of Financial Markets: A
Comparison with Experimental Markets. MIT Sloan School of
Management. (Working Paper No. 4195-01, Oktober 2001).
Pole, Andrew (2007): Statistical Arbitrage: Algorithmic Trading Insights
and Techniques. Hoboken (NJ): John Wiley & Sons.
Popova, Elmira, Popova, Ivilina (2010): Estimation of Performance and
Execution Time Effect on High Frequency Statistical Arbitrage
Strategies. In: Journal of Trading, Vol. 5 (2), S. 23-30.
357
8 Literaturlisten
Porter, M. E. (1996): What is a strategy?. In: Harvard Business Review,
Vol. 74 (6), November-Dezember, S. 61-78.
Posthuma, Nolke, Van der Sluis, Pieter Jelle (2003): A Reality Check on
Hedge Fund Returns. ABP Investments, Freie Universitt
Amsterdam. (Working Paper, Juli 2003).
Powell, Don (2008): Systematic Trading. In: Gregoriou, Greg N. (Hrsg.):
Encyclopedia of Alternative Investments. Chapman & Hall/CRC
Press.
Prix, Johannes, Loistl, Otto, Huetl, Michael (2007): Algorithmic trading
patterns in xetra orders. In: The European Journal of Finance, Vol.
13 (8), S. 717 739.
Prix, Johannes, Loistl, Otto, Huetl, Michael (2008): Chain-Structures in
Xetra Order Data. Universitt Wien. (Working Paper, Januar
2008).
Pujol, Gregor (2009): Smart Order Routing and Best Execution. AMCIS
2009 Proceedings.(Working Paper Nr. 155, 7. Oktober 2009).
Raberto, Marco, Cincotti, Silvano, Focardi, Sergio M., Marchesi,
Michele (2001): Agent-based simulation of a financial market. In:
Physica A, Vol. 299 (1-2), Oktober 2001, S. 319-327.
Ragvahendra, Srinivas, Paraschiv, Daniel, Vasiliu, Laurentiu (2008): A
Framework for Testing Algorithmic Trading Strategies. National
University of Ireland (Galway), Department of Economics.
(Working Paper No. 0139, Dezember 2008).
Ranaldo, Angelo (2004): Order Aggressiveness in Limit Order Book
Markets. In: Journal of Financial Markets, Vol. 7 (1), S. 53-74.
Ranaldo, Angelo, Favre, Lauren (2005): How to Price Hedge Funds:
From Two- to Four-Moment CAPM. Swiss National Bank. (UBS
Research Paper, 14. Juli 2005).
358
8 Literaturlisten
Ready, Mark J. (2002): Profits from technical trading rules, in: Financial
Management, Vol. 31 (3), S. 43-61.
Ready, Mark J. (2009): Determinants of Volume in Dark Pools. AFA
2010 Atlanta. (Meetings Paper, 12. Dezember 2009).
Rinker, Mike (2003): Vertragsschluss im brslichen elektronischen
Handelssystem. Berlin: Erich-Schmidt Verlag.
Risca, Mihaela, Malik, Dave, Kessler, Andy (2008): Trading Floor
Architecture. Cisco Systems Inc.. (Consulting Paper). Auch
erschienen in: Wall Street Technology Association (WSTA)
Ticker Magazine, Juli/August 2007.
Ross, Stephen, A., Westerfield, Randolph, W., Jaffe, Jeffrey (2004):
Corporate Finance. 7. Auflage Singapur: McGraw-Hill.
Rosu, Ioanid (2009): A Dynamic Model of the Limit Order Book. In:
Review of Financial Studies, Vol. 22 (11), S. 4601-4641.
Ryland, Philip (2003): Essential Investment. London: The Economist.
Samanidou, Eleni, Zschischang, Elmar, Stauer Dietrich, Lux, Thomas
(2007): Agent-based models in financial markets. In: Reports on
Progress in Physics, Vol. 70 (3), S. 409-450.
Schenk, Norman (1995): Brsenhandelssysteme. In: Gerke, Wolfgang,
Steiner, Manfred (Hrsg.): Handwrterbuch des Bank und
Brsenwesens. 3. berarbeitete Auflage Stuttgart: Schffer-
Pschel, S. 356-374.
Schenk, Norman (1997): Informationstechnologie und Brsensysteme.
Analyse und Architektur computerisierter Wertpapiermrkte.
Wiesbaden: Gabler.
359
8 Literaturlisten
Schmidt, Hartmut (1988): Wertpapierbrsen: Strukturprinzip,
Organisation und Kassa- und Terminmrkte, Mnchen: Verlag
Franz Vahlen.
Schmidt, Gnter (1999): Informationsmanagement: Modelle, Methoden,
Techniken. 2. Auflage Berlin/Heidelberg: Springer Verlag.
Schubert, Matthias (2007): Datenbanken, Theorie, Entwurf und Program-
mierung relationaler Datenbanken. [Link] Wiesbaden: Teubner
Verlag.
Schweitzer, Frank, Farmer, J. Doyne (2007): Brownian Agents and
Active Particles: Collective Dynamics in the Natural and Social
Sciences. Springer Series in Synergetics. Berlin/Heidelberg:
Springer Verlag.
Scott, James H., Wolf, Charles (1979): The Efficient Diversification of
Bids in Treasury Bill Auctions. In: Review of Economics and
Statistics, Vol. 61 (2), Mai 1979, S. 280-287.
Shapiro, Arnold F. (2003): Capital Market Applications of Neural
Networks, Fuzzy Logic and Genetic Algorithms. In: Proceedings
of the 13th International AFIR Colloquium, 1. Januar 2003, 1, S.
493-514.
Sharpe, William F. (1964): Capital Asset Prices: A Theory of Market
Equilibrium under Conditions of Risk. In: Journal of Finance,
Vol. 19 (3), September 1964, S. 425-442.
Sharpe, William F. (1992): Asset Allocation: Management Style and
Performance Measurement. In: Journal of Portfolio Management,
Vol. 18 (2), Winter 1992, S. 7-19.
Smith, Vernon L (1966): Bidding theory and the Treasury bill auction:
does price discrimination increase bill prices?. In: Review of
Economics and Statistics, Vol. 48, Mai 1966, S. 141-146.
360
8 Literaturlisten
Starke, Gernot (2009): Effektive Software-Architekturen: Ein praktischer
Leitfaden. 4. Auflage Mnchen: Carl Hanser Verlag.
Storkenmaier, Andreas, Mller, Marius, Weinhard, Christof (2010): A
Software-Framework for a News Event Driven Simulation of
Algorithmic Trading Strategies. In: Schumann, Matthias, Kolbe,
Lutz M., Breitner, Michael H., Frerichs, Arne (Hrsg.): Multi-
konferenz Wirtschaftsinformatik 2010, 23.- 25. Februar 2010, Zu-
sammenfassung der Kurzbeitrge. Gttingen: Universittsverlag,
S. 371-372.
Taylor, Mark P., Allen, Helen (1992): The use of technical analysis in the
foreign exchange market. In: Journal of International Money and
Finance, Vol. 11 (3), Juni 1992, S. 304-314.
Teo, Melvyn (2009): Does Size Matter in the Hedge Fund Industry?.
Singapore Management University. (Working Paper, 22. Januar
2009).
Tetlock, Paul C. (2007): Giving Content to Investor Sentiment: The Role
of Media in the Stock Market. In: Journal of Finance Vol. 62 (3),
Juni 2007, S. 1139-1168.
Tetlock, Paul C., Saar-Tsechansky, Maytal, Macskassy, Sofus (2008):
More than Words: Quantifying Language to Measure Firms'
Fundamentals. In: Journal of Finance, Vol. 63 (3), Juni 2008, S.
1437-1467.
Ting, Christopher (2006): Which daily Price is less noisy?. In: Financial
Management, Vol. 35, Herbst 2006, S. 81-95.
Tsay, Ruey S. (2001): Analysis of Financial Time Series. 1. Auflage, John
Wiley & Sons.
Tumarkin, Robert, Whitelaw, Robert F. (2001): New or Noise? Internet
Postings and Stock Prices. In: Financial Analysts Journal, Vol. 57
(3), Mai-Juni 2001, S. 41-51.
361
8 Literaturlisten
Von Rosen, Rdiger (1995): Brsen und Brsenhandel. In: Gerke,
Wolfgang, Steiner, Manfred. (Hrsg.): Handwrterbuch des Bank-
und Finanzwesens. 3. Auflage Stuttgart: Schffer-Poeschel, S.
333-345.
Vuorenmaa, Tommi A. (2004): A Multiresolution Analysis of Stock
Market Volatility Using Wavelet Methodology. University of
Helsinki. (Licentiate Thesis, 21. September 2004).
Weigend, Michael (2008): Python ge-packt: Schneller Zugriff auf
Module, Klassen und Funktionen. 4. aktualisierte Auflage
Heidelberg: MITP-Verlag.
Weigend, Andreas, Shi, Shanming (1998): Predicting Daily Probability
Distributions of S&P500 Returns. NYU (Stern School of
Business). (NYU Working Paper No. IS-98-23, (August 1998).
Wellons, Philip A., Germidis, Dimitri A., Glavanis, Bianca (1986): Banks
and specialised financial intermediaries in development. Paris:
OECD (Development Centre Studies).
Wilke, Jrgen (1998): Vom Flgeltelegraphen zum Internet. In: Teute-
berg, Hans-Jrgen, Neutsch, Cornelisu (Hrsg.): Vierteljahreszeit-
schrift fr Sozial- und Wirtschaftsgeschichte. VSWG Beiheft 147,
S. 163-178.
Williams, John Burr (1938): The Theory of Investment Value. Cam-
bridge: Harvard University Press.
Wittig, Hartmut (1999): Intelligent Media Agents, Key Technology for
Interactive Television, Multi media and Internet Applications,
Braunschweig/Wiesbaden: Vieweg Verlag.
Wranik, Adrian (2009): A Trading System for Flexible VWAP Executions
as a Design Artefact. Proceedings of the 13
th
Pacific Asia
Conference on Information Systems (PACIS), Hyderabad (India).
(Paper Nr. 15).
362
8 Literaturlisten
Wood, Robert A. (2000): Market Microstructure Research Databases:
History and Projections. In: Journal of Business and Economic
Statistics, Vol. 18 (2), April, S. 140-145.
Wooldridge, Michael (2002): Intelligent Agents: The Key Concepts. In:
Mark, V., Stepnovk, O. , Krautwurmova, H., Luck, M. (Hrsg).:
Multiagent Systems and Applications II, (Prague 2001, selected
revised Papers), Lecture Notes in Computer Science (LNCS), Vol.
2322. Springer Verlag, S. 3-43.
Wooldridge, Michael, Jennings, Nicholas R. (1995): Intelligent agents:
Theory and practice. In: The Knowledge Engineering Review,
Vol. 10 (2), S. 115-152.
Wysocki, Peter D. (1999): Cheap Talk on the Web: The Determinants of
Postings on Stock Message Boards. University of Michigan
(Business School). (Working Paper, November 1999).
Xetra (2004): XETRA Release 7.01 Marktmodell Aktien
(Dokumentation zu XETRA Release 7.1.). Deutsche Brse AG.
(10. September 2004).
Yan, Bingcheng, Zivot, Eric (2003): Analysis of High-Frequency
Financial Data with S-Plus. University of Washington
(Department of Economics). (Working Paper, 10. November
2003).
Yang, Jian, Jiu, Brett (2006): Algorithm Selection: A Quantitative
Approach. ITG Inc.. (Consulting Paper, 25. April 2006). Auch
erschienen in: Bruce, Brian R. (Hrsg.): Algorithmic Trading II:
Precision, Control, Execution. Institutional Investor Inc., S. 26-
34.
Yao, Jing Tao, Tan, Chew Lim (2001): Guidelines for Financial
Forecasting with Neural Networks. Proceedings of International
Conference on Neural Information Processing, Shanghai, China,
14-18 November, 2001. S. 757-761.
363
8 Literaturlisten
Zovko, Iilia I., Farmer, J. Doyne (2008): Correlations and Clustering in
the Trading of Members of the London Stock Exchange. In:
Zovko, Ilia I. (Hrsg.): Topics in Market Microstructure.
Kapitel 4. University of Amsterdam: Amsterdam University
Press, S. 59-76.
364
8 Literaturlisten
Internetquellen
CIMA (2009): Cayman Islands Monetary Authority - Investments
Statistical Digest 2007. Webseite:
[Link]
=488&terms=statistical+digest (abgerufen am 30. Mrz 2010).
Deutsche Brse AG (2003): Xetra: Many variations a single goal:
Accessing XETRA. Webseite:
[Link]
_20020628_1_en.pdf (abgerufen am 11. Februar 2009).
Deutsche Brse AG (2009b): ATP Agreement for participation in the
Automated Trading Program (ATP) via the electronic trading
system Xetra. Webseite:
[Link] docs/2938043/ATP-Agreement-for-
participation-in-the-Automated-Trading-Program-ATP/.
(abgerufen 18. April 2010).
Finanznachrichten (2009): [Link] - Schnappschuss eines
XETRA-Orderbuches. Webseite:
[Link] (abgerufen am 11.
Februar 2010).
FSC (2009): BVI Financial Services Commission - Statistical Bulletin
Second Quarter 2009. Vol. 15). Webseite:
[Link] (abgerufen am 3.
Dezember 2009).
365
8 Literaturlisten
Hafez, Peter (2010a): The Role of News in Financial Markets
(Presentation, 1st February 2010). Webseite:
[Link]
(abgerufen am 2. Juni 2010).
Hafez, Peter (2010b): Sentiment-News The Role of the News in
Finance. Webseite:
[Link] (abgerufen am 2. Juni 2010).
Harcourt Investment Consulting (2009): Introduction to Hedge Funds.
Webseite:
[Link]
739/[Link]. (abgerufen am 3. Dezember
2009).
Hussmann (2010): Hussmann Funds, Investment Resarch & Insight
Historical Data Series and Interesting Links, Provided by the
Federal Reserve Economic Data (FRED). Webseite:
[Link] (abgerufen am
14. Juni 2010).
Lingohr & Partner (2009): Imagebroschre fr Privatanleger, Lingohr &
Partner GmbH, Webseite:
[Link] Beratung und Service Dokumente.
(abgerufen am 15. Februar 2010).
Lipper (2008): Thomson Reuters: Lipper Global Classifications
Extended, Definitions Document. Webseite:
[Link]
_LGC_Definitions.pdf. (abgerufen am 30. Mrz 2010).
366
8 Literaturlisten
NYSE (2007): New York Stock Exchange Information Memorandum Nr.
07-52, Subject: PROGRAM TRADING UNDER RULE 80A,
June 11th of 2007. Webseite:
[Link]
0/85256FCB005E1 (abgerufen am 14. November 2009).
Weil, Jonathan (2009): Bloomberg - Goldman Sachs Loses Grip on Its
Doomsday Machine. Webseite:
[Link]
=aFeyqdzYcizc (abgerufen am 5. Januar 2010).
World Wealth Report (2009): World Wealth Report 2009. Cap Gemini
Consulting und Merril Lynch Wealth Management. Webseite:
[Link] (abgerufen am 14.
Dezember 2009).
o.V. (2005a): FINextra - Lipper buys hedge fund data and research firms.
Webseite:
[Link]
comment& newsitemid=13342. (abgerufen am 6. Juni 2010).
o.V. (2005b): The Center for International Securities and Derivatives
Markets (CISDM) - CISDM joins Forces with Leading Asset
Management Business, AIRT LLC, to distribute and
manage the oldest hedge fund database. Webseite:
[Link] [Link].
(abgerufen am 6. Juni 2010).
367
8 Literaturlisten
o.V. (2005c): The Center for International Securities and Derivatives
Markets (CISDM) - Hedge Fund/CTA Database Composition.
Webseite:
[Link]
(abgerufen am 6. Juni 2010).
368
8 Literaturlisten
Gesetzestexte
EU und Deutschland
BrsG: Brsengesetz : Ausfertigungsdatum 16. Juli 2007 (BGBl. I S.
1330, 1351). Zuletzt gendert durch Artikel 3a des Gesetzes vom
20. Mrz 2009 (BGBl. I S. 607).
Mifid: Ausfertigungsdatum 30. April 2004, Richtlinie 2004/39/EG des
Europischen Parlaments und des Rates vom 21. April 2004 ber
Mrkte fr Finanzinstrumente, zur nderung der Richtlinien 85
/611/EWG und 93/6/EWG des Rates und der Richtlinie 2000/
12/EG des Europischen Parlaments und des Rates und zur
Aufhebung der Richtlinie 93/22/EWG des Rates.
InvG: Investmentgesetz: Ausfertigungsdatum: 15. Dezember 2003,
(BGBl. I S. 2676). Zuletzt gendert durch Artikel 13, des
Gesetzes vom 30. Juli 2009 (BGBl. I S. 2479).
WpHG: Wertpapierhandelsgesetz, Fassung der Bekanntmachung vom 9.
September 1998 (BGBl.I S. 2708). Zuletzt gendert durch Artikel
3 des Gesetzes vom 20. Mrz 2009 (BGBl. I S. 607).
USA
ICA: Investment Company Act of 1940: As Amended Through P. L.111-
72. Approved Oct. 13, 2009.
IAA: Investment Advisor Act of 1940: As Amended Through P. L. 111-
72. Approved Oct. 13, 2009.
Reg-NMS: Regulation National Market System, Securities and Exchange
Commission, 17 CFR PARTS 200, 201, 230, 240, 242, 249, and
270 [Release No. 34-51808; File No. S7-10-04], RIN 3235-
AJ18.
SEC-Act: Securities and Exchange Act of 1934: As Amended Through P.
L. 111-72. Approved Oct. 13, 2009.
369
8 Literaturlisten
370
Anhang
Anhang
A1. Objektorientierte Programmierung der
Tempelhove-Software
Die Programmierung der Tempelhove-Software kann aus urheberrechtli-
chen Grnden in dieser Arbeit nicht vollstndig dargestellt werden. Um
die softwaretechnische Umsetzung fr den Leser trotzdem nachvollzieh-
bar zu machen, wird hier die softwaretechnische Umsetzung in den wich-
tigsten Punkten kurz erlutert.
Fr die Programmierung der Tempelhove-Software wurde mit Python
eine objektorientierte Programmiersprache eingesetzt. Unter der objekt-
orientierten Programmierung versteht POETZSCH-HEFTER die Anwendung
von objektorientierten Konzepten bei der Software-Herstellung.
1049
Das
bedeutet, die Software wurde entsprechend der bentigten Funktionen
bzw. Konzepte, in einzelne Objekte getrennt, die untereinander Nachrich-
ten austauschen knnen, aber trotzdem derselben Software angehren.
1050
In der objektorientierten Programmierung unterscheidet man sogenannte
Klassen, Subklassen, Methoden, Attribute und Instanzen, zwischen denen
eine klare Hierarchie besteht.
1051
Die Klassen bzw. auch Subklassen gel-
ten als Bauplne fr die Objekte, mit dem man den Aufbau und das Ver-
halten eines Objekttypen definieren kann.
1052
Jedem Objekt werden eige-
ne Methoden (Handlungsoptionen) und Attribute (aus den Handlungen
resultierende Eigenschaften) zugeordnet.
1053
Unter der Instanziierung ver-
steht man die Konstruktion einer Klasse (den Konstruktor Aufruf), die ei-
nem bestehenden Bauplan folgt sowie die bergabe der bentigten Para-
1049 Vgl. Poetzsch-Hefter (2009), S. 325.
1050 Vgl. Weigend (2008), S. 297.
1051 Vgl. Weigend (2008), S. 298f.
1052 Vgl. Weigend (2008), S. 298.
1053 Vgl. Weigend (2008), S. 298.
371
Anhang
meter beinhaltet.
1054
Es gibt in der objektorientierten Programmierung
zahlreiche Begriffe, die fr die Charakterisierung der Software benutzt
werden knnen, deren Erklrung den Rahmen dieser Arbeit weit berstei-
gen wrden (z.B. sogenannte Vererbung, Subtyping, Zero One Infinity
Rule bzw. Wiederverwendung, Parallelitt).
1055
Fr eine Erklrung dieser
Begriffe und einen berblick ber die objektorientierte Programmierung,
wird auf die einschlgige Literatur in der Informatik verwiesen.
1056
Tabelle 31, S. 374, zeigt eine Auswahl der objektorientierten Klassen, die
in der Tempelhove-Software gebildet wurden und erklrt kurz deren
Funktion. Eine ausfhrliche Darstellung aller Klassen, Subklassen, Me-
thoden, Attribute und Instanzen ist aus den genannten Grnden nicht
mglich und wrde den Rahmen dieser Arbeit bersteigen. Der Nach-
richtenaustausch zwischen diesen Klassen erfolgt ber das Software Fra-
mework, welches den technischen Rahmen fr alle Objekte bildet. Die
einzelnen Klassen besitzen jeweils klar definierte und abgrenzbare Auf-
gaben, knnen aber nicht isoliert voneinander gesehen werden, weil sie
zu Erfllung ihrer Funktionen aufeinander angewiesen sind. Mit Ausnah-
me von Backtesting und Execution kann dieser einzelnen Klassen kann
einer Teilaufgabe in der Informationsphase zugeordnet werden, wie sie in
den Abschnitten 2.1.3 , S. 51, bzw. 4.4 , S. 197, erlutert wurden. Einen
berblick dazu bietet Abbildung 1, S. 373.
1054 Vgl. Weigend (2008), S. 300.
1055 Siehe dazu Vgl. Poetzsch-Hefter (2009).
1056 Vgl. beispielsweise fr die Programmiersprache Python Weigend (2009), fr
JAVA vgl. Poetzsch-Hefter (2009), fr C/C++ vgl. Micheloud, Rieder (1997).
372
Anhang
373
Abbildung A1: Zuordnung der Klassen objektorientierten
Programmierung zu den Teilaufgaben im Transaktionsprozess der
Informationsphase
Methoden zur
Inf ormations-
auswertung
Mechanische
Handelsregeln
Trans-
aktions-
wunsch
Anlage-
prozesse
Auswahl der
Marktdaten
Auf bereitung
der Markt-
daten
Teilprozess: Informations-
beschaffung und
Bereitstellung
Teilprozess: Informations-
auswertung
Klasse:
Algorithmus
Klasse:
Algorithmus
Klasse:
Feedhandler
Klasse:
Feedhandler
Klasse:
Orderbookf ilter
Klasse:
Orderbookf ilter
Klasse: Order-
bookhandler
Klasse: Order-
bookhandler
Klasse: Signal-
generierung
Klasse: Signal-
generierung
Klasse: Risiko-
management
Klasse: Risiko-
management
Anhang
Bezeichnung der Klassen
1057
Beschreibung der Klassen
Feedhandler (API) bernahme des Marktdatenstroms vom Vendoren und Decodie-
rung entsprechend der geltenden Protokolle
Orderbookhandler Zusammenfassung der Tickdaten und Nachbildung des Orderbu-
ches, je nach vorgegebener Aggregationsstufe und Geschwindig-
keit. Die Anzahl der Dimensionen im Orderbuch ist nicht begrenzt
und kann je nach Anforderungen der Algorithmen variable ange-
passt werden.
Orderbookfilter Variable Analyse der Orderbuchdaten nach Datenfehlern und An-
omalien mit Hilfe statistischer Methoden. Hier werden unterschied-
liche Filter zur Verfgung gestellt, je nachdem welche Datenbasis
fr die Informationsbewertung angefordert wird.
Algorithmus bernahme von Orderbuchdaten, die vom Orderbuchfilter und Or-
derbookhandler im standardisierten Format zur Verfgung gestellt
werden (auch von mehreren Aktien gleichzeitig). Auswertung der
Marktdaten in Sub-Klassen. Erzeugung eines binren Signals fr
Kauf- oder Verkauf pro Aktie.
Signalgenerierung Zusammenfassung aller binren Signale aus den Algorithmen-
Klassen und Ableitung einer Wahrscheinlichkeitsfunktion fr die
zuknftige Kursentwicklung.
Risikomanagement berwachung des Wertentwicklung des aktuellen Portfolios unter
Einbeziehung aktueller Marktdaten. Permanente Risikobewertung
des Portfolios unter Einbeziehung einer individuellen Nutzenfunkti-
on und Ableitung eines effizienten Portfolios. Filterung der Kauf-
und Verkaufssignale.
Backtesting bernahme der Kauf- und Verkaufssignale aus den vorhergehen-
den Klassen und Simulation eines fiktiven Portfolios, sofern ntig,
unter Einbeziehung von Zufallskomponenten.
Execution bernahme der Kauf- und Verkaufssignale aus den vorhergehen-
den Klassen, Formulierung der Order entsprechend geltender
Kommunikationsprotokolle und bermittlung der Order.
Tabelle 31: Vereinfachte Auswahl objektorientierten Klassen der
Tempelhove-Software
1057 Eine Klasse kann aus mehreren Unterklassen bestehen, die hier aus Grnden der
bersichtlichkeit zusammengefasst wurden.
374
Anhang
Unter den aufgefhrten Klassen in Tabelle 31, S. 374, ist die Klasse der
Algorithmen, die vielleicht Wichtigste, weil hier die Methoden zur Infor-
mationsbewertung definiert werden. Die Informationsbeschaffung und
-aufbereitung (hier dargestellt mit den Klassen: Feedhandler, Orderbook-
handler und Orderbookfilter) wird auf die Anforderungen, der Auswer-
tungsmethode (hier dargestellt mit der Klasse: Algorithmus) abgestimmt.
Dabei kommen die Vorteile der objektorientierten Programmierung zum
Tragen, so dass pro Orderbuch mehrere Sub-Klassen (z.B. Algorithmen)
gleichzeitig, den Datenstrom berwachen und auswerten knnen. Keine
dieser Klassen steht isoliert voneinander, sondern es findet eine perma-
nente Kommunikation zwischen diesen Klassen statt. Als ein Problem
dieses objektorientierten Programmierung stellte sich die Koordination
der Prozesse dar.
1058
1058 Zur Koordination der Entwicklungs- und Produktionsprozesse wurde ein eigenes
Software-Verfolgungssystem (Trac-System) entwickelt, dass mit der Algorithmic
Trading Software verknpft wurde. Diese Trac-System ist ein eigenstndiges Soft-
wareprogramm und organisatorisch und technisch von der Tempelhove-Software
getrennt.
375
Anhang
376
Anhang
A2. Ethik von Algorithmic Trading
Wie die vorliegende Arbeit zeigte, ist der Bereich des Algorithmic Tra-
ding bisher nur wenig erforscht. Es ist nur wenig ber die Funktionswei-
se von Software-Programmen fr Algorithmic Trading bekannt und die
Auswirkungen dieser Programme auf den Wertpapierhandel sind fr Wis-
senschaftler sehr schwierig abzuschtzen. Trotzdem wird der Begriff des
Algorithmic Trading in den Medien hufig als Ursache von Finanzkrisen,
Brsenschwankungen oder irrationalem Verhalten der Marktteilnehmer
angefhrt.
1059
Eine mglicher Grund dafr ist, dass man mit dem Begriff
einen technologischen Wandel und die Automatisierung der Finanzmrk-
te fr den Menschen erfassbar machen kann. Algorithmic Trading steht
dabei im Kontext einer ganzen Reihe von anderen Innovationen, die zur
Entwicklung der Finanzmrkte beigetragen haben (z.B. die Einfhrung
des bargeldlosen Zahlungsverkehrs, Telegraphie, Brsen-TV). Es ist
mglich, dass die Vor- und Nachteile dieser Technologie momentan noch
nicht greifbar sind, sondern dass sie sich erst im Laufe der historischen
Betrachtung zeigen werden. Die vorliegende Arbeit beweist aber, dass
Algorithmic Trading bereits zu einem Strukturwandel in den Handelsstra-
tegien der Marktteilnehmer gefhrt hat.
1060

1059 Die Frankfurter Allgemeine Zeitung zitiert beispielsweise den Nobelpreistrger
Paul Krugmann mit den Worten: der Hochfrequenzhandel gehe ber wirtschaft-
lich gesunde Effekte von Brsenspekulationen hinaus, denn er beschneide die
Funktion der Aktienmrkte als Allokationsplatz des Kapitals und lasse am Primat
des Menschen im Verhltnis zur Maschine zweifeln. Finsterbusch (2010).
1060 Abschnitt 4.4.3 , S. 204, stellte beispielsweise dar, welche Handelsstrategien
beim Algorithmic Trading auf der Buy-Side mglich sind. Bei fast all diesen Han-
delsstrategien besteht eine Tendenz dazu, Overnight Risiken zu vermeiden und die
Halteperioden von Wertpapieren zu verkrzen. Kapitel 3 stellte das Algorithmic
Trading auf der Sell-Side dar. Hier besteht ein allgemeiner Konsens, dass die
durchschnittlichen Ordergren kontinuierlich sinken und die Ausfhrung einer
Order entweder zeitlich in die Lnge gezogen oder ber gleichzeitig auf mehrere
Mrkte (Trading Venues) verteilt wird.
377
Anhang
Bisherige Untersuchungsergebnisse lassen vermuten, das Algorithmic
Trading eine genauere Kontrolle der Risiken erlaubt, indem Wertpapier-
positionen nicht mehr langfristig gehalten werden und den Schwankun-
gen auf den Kapitalmrkten ausgesetzt sind, sondern nur noch kurzfristig
ge- und verkauft werden, um extreme, unkontrollierbare Kursbewegun-
gen zu vermeiden. Diese Vermutung wird durch die Simulation der kom-
plexen Algorithmic Trading in Kapitel 6 vorlufig besttigt, sie muss
aber in einem greren Zusammenhang mit vielen weiteren Handelsstra-
tegien genauer berprft werden. Zwar fhren die simulierten Algorith-
mic Trading Strategien in Kapitel 6 zu schlechteren Renditen fr den In-
vestor. Im Gegenzug machen sie aber auch nur einen Bruchteil der Risi-
ken aus, die bei der einfachen Strategie in der Simulation auftreten. Diese
Erkenntnis steht im Kontext der wachsenden Intransparenz der Finanz-
mrkte. Je undurchsichtiger die Anlageprozesse sind und je mehr Ge-
heimhaltung dabei stattfindet, desto geringere Risiken wollen rationale
Investoren auf den Finanzmrkten eingehen.
378
Anhang
A3. Rohdaten: Renditen der komplexen und einfachen
Strategien
Komplexe Strategie Einfache Strategie
Datum GOOG JAVA MSFT GOOG JAVA MSFT
bookevents20081007 -0,001080 -0,004061 -0,000487 -0,073179 -0,087963 -0,070056
bookevents20081008 -0,000332 0,000002 -0,002183 0,024079 -0,012216 0,004803
bookevents20081009 -0,004060 -0,004278 -0,003459 -0,045106 -0,103270 -0,061843
bookevents20081010 -0,004010 -0,004848 -0,004004 0,060161 -0,038076 -0,013309
bookevents20081013 -0,000474 -0,000792 -0,000170 0,070913 0,138889 0,115486
bookevents20081014 -0,002586 -0,004359 -0,001231 -0,078317 -0,071547 -0,060062
bookevents20081015 -0,004094 -0,002242 -0,001004 -0,043649 -0,089744 -0,047098
bookevents20081016 -0,004020 -0,000397 -0,001618 0,060885 0,035294 0,054490
bookevents20081017 0,000000 0,000000 0,000000 -0,016941 0,089844 0,015274
bookevents20081020 -0,002625 -0,003203 -0,003454 -0,001132 0,033989 0,021488
bookevents20081021 -0,004075 -0,004445 -0,002971 -0,025887 -0,057312 -0,038683
bookevents20081022 -0,000968 -0,004384 -0,004035 -0,003698 0,000000 -0,065538
bookevents20081023 -0,004034 -0,004349 -0,001942 -0,003761 -0,027837 0,035731
bookevents20081024 -0,004069 -0,002337 0,000596 0,039269 0,108911 0,042735
bookevents20081027 0,000000 0,000000 0,000000 -0,015890 0,054632 -0,022612
bookevents20081028 -0,002858 -0,001805 -0,001925 0,087598 0,021834 0,067468
bookevents20081029 -0,002529 -0,004367 -0,003303 -0,021296 0,043197 -0,005620
bookevents20081030 -0,004077 -0,004196 -0,004031 -0,023802 0,066532 -0,044745
bookevents20081031 -0,004140 -0,004290 -0,004018 0,008985 -0,080000 -0,008877
bookevents20081103 -0,004076 -0,043482 -0,004029 -0,031014 0,029724 0,006228
bookevents20081104 -0,004029 -0,004800 -0,003068 0,038196 -0,008048 0,017294
bookevents20081105 -0,004295 -0,004142 -0,004029 -0,054977 -0,043478 -0,053579
bookevents20081106 -0,004012 0,000006 -0,004031 -0,025738 -0,070022 -0,045267
bookevents20081107 -0,004214 -0,004105 -0,004109 -0,005944 -0,027778 0,008443
bookevents20081110 -0,004059 -0,004252 -0,004033 -0,028110 -0,041570 -0,025172
bookevents20081111 -0,004121 -0,004414 -0,002270 0,008973 -0,028916 -0,004227
bookevents20081112 -0,004174 -0,116512 -0,004018 -0,036583 -0,083544 -0,028243
bookevents20081113 -0,004122 0,000000 0,000601 0,069610 0,127072 0,054591
bookevents20081114 -0,004300 -0,004431 -0,004062 0,022325 0,043038 -0,024319
bookevents20081117 -0,004213 -0,004119 -0,004017 -0,009505 -0,086076 -0,021277
bookevents20081118 0,000000 0,000000 0,000000 -0,013761 0,010899 0,006154
bookevents20081119 -0,004003 -0,004528 -0,004141 -0,051491 -0,108992 -0,068263
bookevents20081120 -0,001639 0,000000 -0,004064 -0,055768 -0,040373 -0,032561
379
Anhang
Fortsetzung der Tabelle
Komplexe Strategie Einfache Strategie
Datum GOOG JAVA MSFT GOOG JAVA MSFT
bookevents20081121 -0,002138 -0,000639 0,000217 -0,000305 -0,022654 0,092120
bookevents20081124 -0,004034 -0,004491 -0,003052 -0,043898 0,038961 0,040221
bookevents20081125 -0,004095 0,000000 -0,001761 0,049762 -0,058462 -0,041707
bookevents20081126 -0,004137 0,000000 -0,004074 0,042136 0,036667 0,038520
bookevents20081128 -0,004114 -0,062866 -0,004068 0,008191 0,032573 -0,000494
bookevents20081201 -0,004268 -0,003994 -0,002743 -0,072171 -0,075163 -0,063883
bookevents20081202 -0,004236 -0,004076 -0,004086 0,019946 0,120690 0,008425
bookevents20081203 -0,004074 -0,004226 -0,004055 0,035501 0,022436 0,065416
bookevents20081204 -0,004016 -0,029331 -0,004041 -0,007920 0,022222 -0,014948
bookevents20081205 -0,004011 -0,001226 -0,004053 0,047856 0,090625 0,050767
bookevents20081208 -0,004270 -0,004202 -0,004080 0,041795 0,084986 0,032432
bookevents20081209 -0,004179 -0,004111 -0,004047 0,027814 0,005263 -0,000970
bookevents20081210 -0,004073 -0,004081 -0,004035 -0,001358 -0,005115 -0,010086
bookevents20081211 -0,004045 -0,004484 -0,004098 -0,012986 0,062992 -0,032819
bookevents20081212 -0,004235 -0,004104 -0,004021 0,067803 0,032828 0,010966
bookevents20081215 -0,004189 -0,004479 -0,004074 -0,010637 -0,017157 -0,015512
bookevents20081216 -0,004045 -0,003768 -0,004032 0,034211 0,054321 0,046851
bookevents20081217 -0,004020 -0,004337 -0,004039 -0,010670 0,016990 -0,007572
bookevents20081218 -0,004111 -0,004166 -0,004022 -0,020272 -0,004819 -0,028197
bookevents20081219 -0,004020 -0,004337 -0,004017 -0,002637 -0,004785 -0,015448
bookevents20081222 -0,004072 -0,004488 -0,004057 -0,037108 -0,075650 -0,003119
bookevents20081223 -0,004177 -0,004212 -0,004031 -0,008022 -0,050000 0,000000
bookevents20081224 -0,004082 -0,895908 -0,004460 0,004876 0,029650 -0,004673
bookevents20081226 0,000000 0,000000 0,000000 -0,012201 0,029650 -0,003646
bookevents20081229 -0,004026 -0,004582 -0,004024 -0,009326 0,007853 -0,009922
bookevents20081230 -0,004152 -0,299890 -0,003000 0,007680 0,002597 0,017359
bookevents20081231 0,000000 0,000000 0,000000 0,011341 -0,005208 0,006732
bookevents20090102 -0,004091 -0,004301 -0,004038 0,041218 0,104712 0,040963
bookevents20090105 -0,004025 -0,004208 -0,004027 0,021963 0,069378 0,015842
bookevents20090106 0,000000 0,000000 0,000000 0,003243 0,119369 0,000482
bookevents20090107 0,000000 0,000000 0,000000 -0,019219 0,040900 -0,033680
bookevents20090108 -0,000319 -0,004162 -0,001358 0,021710 -0,043033 0,024962
bookevents20090109 -0,002080 0,000031 -0,004025 -0,037954 -0,006397 -0,032226
380
Anhang
Fortsetzung der Tabelle
Komplexe Strategie Einfache Strategie
Datum GOOG JAVA MSFT GOOG JAVA MSFT
bookevents20090112 -0,004001 -0,004440 -0,004092 -0,011444 -0,036403 -0,012177
bookevents20090113 -0,004092 -0,001357 -0,004005 0,008179 -0,068889 0,015369
bookevents20090114 -0,004038 -0,004101 -0,004041 -0,029129 -0,044010 -0,022529
bookevents20090115 -0,004061 0,000000 -0,004030 0,004772 0,023256 0,008915
bookevents20090116 -0,004140 0,000000 -0,004075 -0,017540 -0,029340 0,004075
bookevents20090120 0,000000 0,000000 -0,004066 -0,054790 -0,133333 -0,050360
bookevents20090121 -0,004005 -0,004460 -0,004001 0,051084 0,041667 0,027027
bookevents20090122 -0,004077 -0,000554 -0,002006 0,028385 0,022599 -0,052078
bookevents20090123 0,001902 0,000000 -0,000221 0,049892 0,057143 0,013553
bookevents20090126 -0,004057 -0,004185 -0,004067 -0,003017 0,032787 0,019665
bookevents20090127 -0,003239 -0,004137 -0,000563 0,015408 0,039063 -0,006749
bookevents20090128 -0,004040 -0,004341 -0,004105 0,031629 0,125000 0,013483
bookevents20090129 -0,004037 -0,004146 -0,004024 -0,003541 -0,038793 -0,010686
bookevents20090130 -0,004194 -0,004032 -0,004005 -0,017871 -0,075556 -0,036077
bookevents20090202 -0,004033 -0,004202 -0,004093 0,018786 0,095588 0,046976
bookevents20090203 -0,004004 -0,004054 -0,004055 -0,006189 0,042506 0,036415
bookevents20090204 -0,004038 -0,004026 -0,004007 0,008616 0,059701 0,004854
bookevents20090205 -0,004139 -0,004064 -0,003239 0,037576 0,132231 0,028633
bookevents20090206 -0,004030 -0,004223 -0,004032 0,041575 0,045620 0,026096
bookevents20090209 -0,004053 -0,516423 -0,004007 0,020173 0,030411 -0,010183
bookevents20090210 -0,004027 0,000000 -0,004003 -0,046465 -0,108392 -0,023377
bookevents20090211 -0,004067 0,000000 -0,004033 -0,002535 -0,001912 0,014256
bookevents20090212 -0,004020 0,000034 -0,004021 0,028004 0,053150 0,015287
bookevents20090213 -0,004109 -0,004375 -0,004024 -0,012452 0,009823 -0,009341
bookevents20090217 0,000000 0,000000 -0,004048 -0,011111 0,008065 -0,021633
bookevents20090218 -0,004158 0,000000 -0,004057 0,016905 -0,025194 -0,005488
bookevents20090219 -0,004133 -0,004400 -0,004196 -0,041486 -0,061630 -0,021311
bookevents20090220 -0,004130 0,000000 0,000000 0,024848 0,029787 0,012943
bookevents20090223 -0,004037 -0,004250 -0,004068 -0,048818 -0,051760 -0,044950
bookevents20090224 -0,004154 0,000000 -0,004047 0,043593 0,066955 0,008221
bookevents20090225 -0,004001 0,000000 -0,004167 -0,001491 -0,006135 -0,002939
bookevents20090226 -0,004044 -0,004052 -0,004035 -0,025379 -0,020534 -0,036950
bookevents20090227 -0,004098 -0,004152 -0,004111 0,015137 -0,006369 -0,008594
381
Anhang
Fortsetzung der Tabelle
Komplexe Strategie Einfache Strategie
Datum GOOG JAVA MSFT GOOG JAVA MSFT
bookevents20090302 -0,004148 -0,004292 0,000000 -0,018510 -0,049784 -0,010652
bookevents20090303 -0,004566 -0,004020 -0,004098 -0,013906 0,027335 -0,009357
bookevents20090304 -0,004017 -0,004116 -0,004041 -0,013120 -0,008602 0,000000
bookevents20090305 -0,004100 -0,004032 -0,003055 -0,034252 -0,075055 -0,037201
bookevents20090306 -0,004025 -0,004369 -0,004017 0,004394 -0,081395 -0,004560
bookevents20090309 -0,004006 -0,004032 -0,004025 -0,030302 -0,002597 -0,003289
bookevents20090310 -0,004006 -0,006568 -0,004048 0,033261 0,065990 0,072219
bookevents20090311 -0,004038 -0,004087 -0,004006 0,025185 0,065421 0,028863
bookevents20090312 -0,004194 -0,004223 -0,004074 0,018864 0,026374 0,000000
bookevents20090313 -0,004016 -0,004321 -0,004112 -0,005152 0,023555 -0,019435
bookevents20090316 -0,004008 -0,004194 -0,004047 -0,019326 -0,016736 -0,033888
bookevents20090317 -0,004093 -0,181532 -0,004074 0,047348 0,031120 0,035539
bookevents20090318 -0,004062 -0,004206 -0,004050 -0,005107 0,063397 -0,004110
bookevents20090319 -0,004038 -0,004054 -0,004057 -0,005246 0,001160 -0,013241
bookevents20090320 -0,004026 -0,004004 -0,004018 -0,000424 -0,055944 -0,015012
Tabelle 32: Rohdaten der Simulation der komplexen Strategie
(Algorithmus D01b4) und der einfachen Strategie (Buy-Hold). An Tagen
an denen kein Handel stattfand, wurde das Portfolio mit dem
Ausgangswert des Tages angesetzt und eine Rendite von 0,000
festgestellt.
382
Anhang
Eidesstattliche Erklrung
Ich erklre hiermit an Eides statt, dass ich die vorliegende Arbeit selbst-
stndig und ohne fremde Hilfe verfasst, mich anderer als der im beige-
fgten Verzeichnis angegebenen Quellen nicht bedient und die aus frem-
den Werken wrtlich oder sinngem entnommenen Stellen als solche
kenntlich gemacht habe.
Diese Arbeit wurde weder vollstndig noch teilweise in einem anderen
Verfahren zur Erlangung eines akademischen Grades vorgelegt.
Johannes Gomolka, Potsdam, 14. Januar 2011.
383
Der Begriff Algorithmic Trading beschreibt ein Phnomen auf den Finanzmrk-
ten, bei dem nicht mehr der Mensch, sondern Computerprogramme die Hauptrolle
spielen. Algorithmic Trading steht dabei im Kontext einer Reihe von Innovationen,
welche die Entwicklung des Brsenhandels entscheidend geprgt haben (z.B. die Er-
ndung der Telegraphie, des Telefons, des FAX oder der elektronischen Wertpapier-
abwicklung). Die Elektronisierung der Finanzmrkte ist in den letzten Jahren so weit
vorangeschritten, dass praktisch jede Brse ber ein elektronisches Handelssystem
verfgt. Die Frage ist nicht, ob Computerprogramme hier im Brsenhandel einge-
setzt werden, sondern wo die Grenze zwischen vollautomatischem Handel, durch
Computer, und manuellem Handel, durch Menschen, liegt.
Die Erforschung des Algorithmic Trading konfrontiert die Wissenschaft mit dem
Problem, dass keinerlei Informationen ber diese Computerprogramme zugng-
lich sind. Die Idee dieser Dissertation bestand darin, dieses Problem zu umgehen
und Informationen ber Algorithmic Trading indirekt aus der Analyse von (Fonds-)
Renditen zu extrahieren. Johannes Gomolka untersucht daher die Forschungsfrage,
ob sich Aussagen ber Algorithmic Trading aus der Analyse von (Fonds-)Renditen
ziehen lassen. Zur Beantwortung dieser Forschungsfrage nimmt der Autor zuerst
eine umfangreiche Denition vor und unterscheidet mit Buy-Side und Sell-Side Algo-
rithmic Trading zwei grundlegende Funktionen der Computerprogramme (die Ent-
scheidungs- und die Transaktionsuntersttzung) voneinander. Fr die weitere Un-
tersuchung greift der Autor auf das Multifaktorenmodell zur Style-Analyse von Fung
und Hsieh (1997) zurck. Mit Hilfe dieses Modells ist es mglich, die Zeitreihen von
Fondsrenditen in interpretierbare Grundbestandteile zu zerlegen und den einzelnen
Regressionsfaktoren eine inhaltliche Bedeutung zuzuordnen. Die Ergebnisse dieser
Dissertation zeigen, dass man mit Hilfe der Style-Analyse Aussagen ber Algorith-
mic Trading aus der Analyse von (Fonds-)Renditen machen kann. Die Aussagen sind
jedoch keiner technischen Natur, sondern auf die Analyse von Handelsstrategien
(Investment-Styles) begrenzt.
ISBN 978-3-86956-125-7