en pl
en pl

Decyzje

Zobacz wydanie
Rok 08/2020 
Numer 33

Potrzeba struktury w analizie technicznej. Jak identyfikowanie informacji w ruchach cen zwiększa zaufanie traderów

Łukasz Markiewicz
Kozminski University

Marcin Czupryna
Cracow University of Economics

Elżbieta Kubińska
Cracow University of Economics

08/2020 (33) Decyzje

DOI 10.7206/DEC.1733-0092.141

Zawartość artykułu

Abstrakt

Analiza techniczna (AT) to narzędzie, które ma wspierać decyzje inwestycyjne inwestora. Nawet jeśli badania wykazały, że AT nie przyczynia się znacząco do osiągania systematycznych zysków w dłuższym okresie, to może jednak przynosić korzyści psychologiczne dla użytkowników. W badaniu eksperymentalnym wykazaliśmy, że: (1) inwestorzy wykazują nadmierną pewność siebie w stosowaniu analizy technicznej, przeceniając swoje umiejętności w rozpoznawaniu płynących z niej sygnałów; (2) sam akt nazwania obserwowanego trendu „formacją AT” podnosi pewność inwestora wobec własnego sądu, niezależnie od tego, czy w rzeczywistości jest to prawdziwa sekwencja
AT, czy też ciąg losowy. Zatem zarówno nazwanie istniejącej formacji AT jako „formacji AT”, jak i nazwanie losowej sekwencji jako „formacji AT” skutkuje wzrostem pewności siebie inwestora.

Powiązania

  1. Aronson, D. (2011). Evidence-based technical analysis: applying the scientific method and statistical inference to trading signals (Vol. 274): John Wiley & Sons. [Google Scholar]
  2. Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(i01), 1–48. doi:10.18637/jss.v067.i01 [Google Scholar]
  3. Burns, B. D., & Corpus, B. (2004). Randomness and Inductions From Streaks: “Gambler’s Fallacy” Versus “Hot Hand”. Psychonomic Bulletin and Review, 11(1), 179–184. [Google Scholar]
  4. Campbell, J.Y., Lo, A.W.-C., & MacKinlay, A. C. (1997). The econometrics of financial markets (Vol. 2): Princeton University Press, Princeton, NJ. [Google Scholar]
  5. Charlebois, M., & Sapp, S. (2007). Temporal Patterns in Foreign Exchange Returns and Options. Journal of Money, Credit and Banking, 39(2–3), 443–470. doi:10.1111/j.0022-2879.2007.00032.x [Google Scholar]
  6. Fama, E. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 383–417. [Google Scholar]
  7. Fama, E., & Blume, M. (1966). Filter Rules and Stock-Market Trading. The Journal of Business, 39(1), 226–241. Retrieved from http://www.jstor.org/stable/2351744 [Google Scholar]
  8. Hsu, P.-H., Hsu, Y.-C., & Kuan, C.-M. (2010). Testing the predictive ability of technical analysis using a new stepwise test without data snooping bias. Journal of Empirical Finance, 17(3), 471–484. doi:http://dx.doi.org/10.1016/j.jempfin.2010.01.001 [Google Scholar]
  9. [Google Scholar]
  10. Iacus, S.M. (2009). Simulation and inference for stochastic differential equations: with R examples: Springer Science & Business Media. [Google Scholar]
  11. Kossowska, M., Hanusz, K., & Trejtowicz, M. (2012). Skrócona wersja Skali Potrzeby Poznawczego Domknięcia. Dobór pozycji i walidacja skali. Psychologia Społeczna, 71(20), 89–99. [Google Scholar]
  12. Kounios, J., & Beeman, M. (2009). The Aha! Moment:The Cognitive Neuroscience of Insight. Current Directions in Psychological Science, 18(4), 210–216. doi:10.1111/j.1467-8721.2009.01638.x [Google Scholar]
  13. Kourtidis, D., Šević, Ž., & Chatzoglou, P. (2011). Investors’ trading activity: A behavioural perspective and empirical results. The Journal of Socio-Economics, 40(5), 548–557. doi:http://dx.doi. org/10.1016/j.socec.2011.04.008 [Google Scholar]
  14. Kruglanski, A.W. (1989). Lay epistemics and human knowledge: Cognitive and motivational bases: Springer. [Google Scholar]
  15. Kubińska, E., Czupryna, M., Markiewicz, Ł., & Czekaj, J. (2018). Technical analysis gives you courage, but not money – on the relationship between technical analysis usage, overconfidence and investment performance. Argumenta Oeconomica, 1(40). [Google Scholar]
  16. Kubińska, E., & Markiewicz, Ł. (2013). Wpływ nadmiernej pewności siebie na ryzyko portfela inwestycyjnego. In A. S. Barczak & P. Tworek (Eds.), Zastosowanie metod ilościowych w zarządzaniu ryzykiem w działalności inwestycyjnej (pp. 375–385). Katowice: Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach. [Google Scholar]
  17. Larrick, R., Burson, K., & Soll, J. (2007). Social comparison and confidence: When thinking you’re better than average predicts overconfidence (and when it does not). Organizational Behavior and Human Decision Processes, 102(1), 76–94. [Google Scholar]
  18. Lo, A.W., & Hasanhodzic, J. (2009). The Heretics of Finance: Conversations with Leading Practitioners of Technical Analysis. New York: Bloomberg Press. [Google Scholar]
  19. Lo, A.W., & Hasanhodzic, J. (2010). The evolution of technical analysis: financial prediction from Babylonian tablets to Bloomberg terminals. New York: Bloomberg Press. [Google Scholar]
  20. Lo, A.W., Mamaysky, H., & Wang, J. (2000). Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation. The Journal of Finance, 55(4), 1705–1765. doi:10.1111/0022-1082.00265 [Google Scholar]
  21. Lopes, L.L., & Oden, G. C. (1987). Distinguishing between random and nonrandom events. Journal of Experimental Psychology: Learning, Memory, and Cognition, 13(3), 392–400. doi:10.1037/02787393.13.3.392 [Google Scholar]
  22. Markiewicz, Ł., & Markiewicz-Żuchowska, A. (2012). Skłonności poznawcze sędziego wpływające na wysokość wymierzonej kary. Decyzje, 18, 49–81. [Google Scholar]
  23. Markiewicz, Ł., & Weber, E. U. (2013). DOSPERT’s Gambling Risk-Taking Propensity Scale Predicts Excessive Stock Trading. Journal of Behavioral Finance, 14(1), 65–78. doi:10.1080/154275762000 [Google Scholar]
  24. [Google Scholar]
  25. Mateus, A., & Caeiro, F. (2014). An R implementation of several randomness tests. Paper presented at the International conference of computational methods in sciences and engineering 2014 (iccmse 2014). [Google Scholar]
  26. Moore, D.A. (2007). Not so above average after all: When people believe they are worse than average and its implications for theories of bias in social comparison. Organizational Behavior and Human Decision Processes, 102(1), 42–58. Retrieved from http://www.sciencedirect.com/science/article/B6WP2-4M93P6S-3/2/af3bb54d1d3d6eb467fe8197957ccd69 [Google Scholar]
  27. Moore, D.A., & Healy, P.J. (2008). The trouble with overconfidence. Psychological review, 115(2), 502–517. [Google Scholar]
  28. Murphy, J.J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications: Penguin. [Google Scholar]
  29. R Core Team. (2016). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. Retrieved from http://www.R-project.org/. [Google Scholar]
  30. Rustichini, A., DeYoung, C.G., Anderson, J.E., & Burks, S.V. (2016). Toward the integration of personality theory and decision theory in explaining economic behavior: An experimental investigation. Journal of Behavioral and Experimental Economics, 64, 122–137. doi:http://dx.doi. org/10.1016/j.socec.2016.04.019 [Google Scholar]
  31. Schmitz, C. (2015). LimeSurvey: An Open Source survey tool. Hamburg, Germany: LimeSurvey Project Team. Retrieved from http://www.limesurvey.org [Google Scholar]
  32. Sternberg, R.J., & Davidson, J.E. (1995). The nature of insight. Cambridge, MA, US: The MIT Press. [Google Scholar]
  33. Sturm, R.R. (2014). A Turning Point Method For Measuring Investor Sentiment. Journal of Behavioral Finance, 15(1), 30–42. doi:10.1080/15427560.2014.877464 [Google Scholar]
  34. Tyszka, T., Markiewicz, Ł., Kubińska, E., Gawryluk, K., & Zielonka, P. (2017). A belief in trend reversal requires access to cognitive resources. Journal of Cognitive Psychology, 29(2), 202–216. doi:10.1080/20445911.2016.1245195 [Google Scholar]
  35. Tyszka, T., Zielonka, P., Dacey, R., & Sawicki, P. (2008). Perception of randomness and predicting uncertain events. Thinking & Reasoning, 14(1), 83–110. doi:10.1080/13546780701677669 [Google Scholar]
  36. Weber, E.U. (2004). Perception matters: Psychophysics for economists. The psychology of economic decisions, 2, 163–176. [Google Scholar]
  37. Weber, E.U., Siebenmorgen, N., & Weber, M. (2005). Communicating Asset Risk: How Name Recognition and the Format of Historic Volatility Information Affect Risk Perception and Investment [Google Scholar]
  38. Decisions. Risk Analysis, 25(3), 597–609. doi:10.1111/j.1539-6924.2005.00627.x [Google Scholar]
  39. Webster, D. M., & Kruglanski, A. W. (1994). Individual differences in need for cognitive closure. Journal of Personality and Social Psychology, 67(6), 1049–1062. doi:10.1037/0022-3514.67.6.1049 [Google Scholar]
  40. Williams, J.J., & Griffiths, T.L. (2013). Why are people bad at detecting randomness? A statistical argument. Journal of Experimental Psychology: Learning, Memory, and Cognition, 39(5), 1473– 1490. doi:10.1037/a0032397 [Google Scholar]
  41. Wojciszke, B. (2009). Dane i pseudodane w procesie postrzegania ludzi. In M. Kofta & T. Szustrowa [Google Scholar]
  42. (Eds.), Złudzenia, które pozwalają żyć: szkice ze społecznej psychologii osobowości: praca zbiorowa: Wydawnictwo Naukowe PWN. [Google Scholar]
  43. Zaleśkiewicz, T., Gąsiorowska, A., Stasiuk, K., Maksymiuk, R., & Bar-Tal, Y. (2016). Efekt aktywnej rekomendacji czy efekt konfirmacyjny? Mechanizm zniekształceń poznawczych w ocenie autorytetu epistemicznego na przykładzie ekspertów z dziedziny finansów. Psychologia Ekonomiczna (8), 59–74. [Google Scholar]
  44. Zielonka, P. (2002). How financial analysts perceive macroeconomic, political news and technical analysis signals. Financial Counseling and Planning, 13(1), 87–97. [Google Scholar]
  45. Zielonka, P. (2004). Technical analysis as the representation of typical cognitive biases. International Review of Financial Analysis, 13(2), 217–225. Retrieved from http://www.sciencedirect.com/ science/article/B6W4W-4BYF8YP-1/2/22eadef1501f5a0c1eb575f303539691 [Google Scholar]
  46. Zielonka, P., Białaszek, W. (2020). Technical analysis momentum and contrarian signals as a representation of common cognitive biases. Journal of Management and Business Administration. Central Europe, 3(2), 217–225 [Google Scholar]

Kompletne metadane

Cytowanie zasobu

APA style

Markiewicz, Łukasz & Czupryna, Marcin & Kubińska, Elżbieta (2020). Potrzeba struktury w analizie technicznej. Jak identyfikowanie informacji w ruchach cen zwiększa zaufanie traderów. (2020). Potrzeba struktury w analizie technicznej. Jak identyfikowanie informacji w ruchach cen zwiększa zaufanie traderów. Decyzje, (33), 75-96. https://doi.org/10.7206/DEC.1733-0092.141 (Original work published 08/2020n.e.)

MLA style

Markiewicz, Łukasz and Czupryna, Marcin and Kubińska, Elżbieta. „Potrzeba Struktury W Analizie Technicznej. Jak Identyfikowanie Informacji W Ruchach Cen Zwiększa Zaufanie Traderów”. 08/2020n.e. Decyzje, nr 33, 2020, ss. 75-96.

Chicago style

Markiewicz, Łukasz and Czupryna, Marcin and Kubińska, Elżbieta. „Potrzeba Struktury W Analizie Technicznej. Jak Identyfikowanie Informacji W Ruchach Cen Zwiększa Zaufanie Traderów”. Decyzje, Decyzje, nr 33 (2020): 75-96. doi:10.7206/DEC.1733-0092.141.

Prawa autorskie

copyright info

CC-BY

Podobne artykuły: