Fire år med Dagens case - en oppsummering (13. oktober 2004)


Av forskningssjef Geir Linløkken

Abstract: Investtech har publisert daglige aksjecase på Oslo Børs i over 4 år. To tenkte porteføljer bestående av aksjer blant disse casene har vist solid meravkastning i forhold til hovedindeksen på Oslo Børs. En sensitivitetsanalyse viser at modellen synes robust for parameterendringer, samtidig som den identifiserer områder for ytterligere avkastningspotensiale.

Investtech startet abonnementstjenester på Oslo Børs i juni 1999. Ett år senere, 20.6.2000, lanserte vi dagens case som en ny tjeneste til våre abonnenter. Målet med dagens case er først og fremst å angi aksjer som vi tror skal stige den nærmeste tiden, selv om vi av og til også har salgscase, eller angir selskaper som snart vil kunne gi signaler. Valget av dagens case gjøres av Investtechs analytikere hver morgen basert utelukkende på Investtechs tekniske analyser og innsidehandelanalyser. Det angis to vurderinger, en på kort sikt og en på mellomlang sikt.

Vi har nå gjort en undersøkelse av hvilken avkastning man kunne fått ved å følge dagens case. Utgangsmodellen er som følger:

  • Data fra 20.6.2000 til 31.8.2004 er brukt som grunnlag for statistikken. I denne tidsperioden falt hovedindeksen på Oslo Børs først med ca 50%, for så å stige med ca 100%, slik at den sluttet omtrent der den startet. Vi har dermed fått statistikk fra både nedgangs- og oppgangsperioder, samt fra flere sidelengse perioder under veis.
  • Porteføljene og beregningene er 100% automatiske basert på de foreliggende og dokumenterte casene og morgenrapportene.
  • Et selskap som har fått vurderingen "Kjøp" gis en score på 100. "Svak kjøp" gir 50, mens "Avvent" gir 0.
  • Scoren avtar automatisk med tiden, slik at kjøpsvurdering (100 poeng) etter 10 dager bare er verd ca 75 poeng, etter 22 dager ca 50 poeng, etter 66 dager ca 25 poeng og etter 132 dager ca 6 poeng.
  • Dersom selskapet senere er omtalt i en morgenrapport, og da får en negativ vurdering, settes score til -100 på den dagen selskapet var i morgenrapporten. Selskaper som blir teknisk negative kan altså gå ut av porteføljen uten at de har blitt valgt som salgscase.
  • Porteføljen består av de 6 aksjene som til enhver tid har høyest score. Antallet 6 gir en passende risikospredning samtidig som det ikke blir altfor mange aksjer å følge med på, eller krever altfor stor kapital for å handle effektivt med hensyn på kurtasje.
  • For å hindre altfor hyppige utskiftninger i porteføljen, får aksjer som allerede er inne en "bonusscore" på 25 eller 50 poeng. Det betyr at en aksje vanligvis trenger en ren kjøpsanbefaling for å komme inn, mens den kan bli værende i porteføljen selv om den bare får en svak kjøpsanbefaling.
  • Hvert selskap i porteføljen vektes likt (med 1/6), og porteføljen rebalanseres hver dag.
  • Siste kjente kurs, det vil si sluttkurs den dagen analysen ble laget, brukes som inngangs/utgangskurs.
  • Alle selskaper som har vært valgt ut som dagens case inngår i utvalget til porteføljen. Dette inkluderer aksjer som ikke lenger er notert på Oslo Børs grunnet for eksempel oppkjøp, fusjon eller konkurs.
  • Kurser justeres for splitter, utbytte, fisjoner, tegningsretter og andre kapitalendringer.
  • Referanseindeks er hovedindeksen på Oslo Børs, OSEBX.

Portefølje 1: Kort sikt
Her brukes Investtechs kortsiktige casevurdering som grunnlag for score-beregning. Det gjøres daglig oppdatering av porteføljen og det gis en bonusscore på 25 poeng til gamle porteføljeaksjer (slik at en aksje med kjøpsanbefaling blir liggende minst 10 dager før en ny aksje med kjøpsanbefaling kan dytte den ut).

Avkastning ved å følge Investtechs kortsiktige casevurderinger (blå kurve) mot Hovedindeksen. Avkastning for porteføljen før kurtasje var 282%, noe som tilsvarer 36% annualisert. Hovedindeksen hadde en avkastning på 13%, annualisert 3%, i samme periode. Det ble gjennom ført 1324 handler. Etter kurtasje på 0.2% per handel var porteføljeavkastningen 145%, annualisert 23%. Gjennomsnittlig avkastning er altså 33 prosentpoeng bedre enn indeksen per år, eller 20 prosentpoeng etter kurtasje. Porteføljen hadde en gjennomsnittlig månedsvolatilitet på 15.4% mot Hovedindeksens 9.0%. Annualisert tracking error var 31% og information ratio 1.09.
I store trekk ser vi at porteføljen følger indeksen, men at den stiger mer når indeksen stiger og faller mer når indeksen faller. Dette er ikke overraskende: Når totalmarkedet er negativt, vil færre kjøpssignaler slå til. Kjøp på støtte, som er en god strategi når markedet stiger, vil fungere svært dårlig hvis markedet faller og støtten blir brutt, for da blir i stedet et salgssignal utløst. En portefølje basert på kjøpssignaler vil derfor fungere bedre i et stigende marked enn i et fallende marked. Dette kan også delvis være en effekt av risiko, som er noe høyere for porteføljen enn for Hovedindeksen, men vi bør ha fått jevnet ut mesteparten av risikoeffekten, i og med at statistikken er kjørt over en periode der markedet slutter omtrent på samme nivå som der det startet. Detaljer

Sensitivitetsanalyse
Avkastningen over er basert på en standard portefølje. Vi ønsker å se hvor robust denne porteføljemodellen er med tanke på endringer i parametre. Dette er viktig for å se om de gode resultatene over skyldes tilfeldigheter, eller om vi får tilsvarende resultater med variasjoner i parametrene.

Antall aksjer

Sensitivitetsanalyse på antall aksjer i porteføljen. Grafen viser avkastning bedre enn indeks for alle porteføljer på 4 til 30 aksjer. For porteføljer med 1, 2 eller 3 aksjer er avkastningen lavere enn indeks. Dette kan ha sammenheng med at så få aksjer gir meget hyppige skifter i porteføljen, og at porteføljeaksjene da ikke får med seg den oppgangen som forventes før de blir byttet ut. Tilfeldigheter kan også spille inn, med så få som 1-3 aksjer i porteføljen.
Grafen viser god avkastning spesielt hvis vi har mellom 6 og 12 aksjer i porteføljen. Grafen er relativt glatt over hele parameterområdet, og modellen anses dermed robust med hensyn på valg av antall aksjer i porteføljen.

Bonus score

Sensitivitetsanalyse på bonusscore. Aksjer som allerede er inne i porteføljen får en bonusscore for å hindre altfor hyppige utskiftninger. Vi ser at økende bonusscore gir økende avkastning for bonusscores opp til 50 poeng. Dette indikerer at aksjer i porteføljen trenger å få tid på seg før de innfrir det forventede potensialet. Med en bonusscore på 50 vil en kjøpskandidat bli værende i porteføljen i ca en måned før den byttes ut av en ny (og fersk) kjøpskandidat. Bonusscores over 50 vil imidlertid gi svakere avkastning igjen, noe som indikerer at mesteparten av det kortsiktige potensialet tas ut i løpet av en måned.
Alle variasjoner over bonusscore gir positiv avkastning, og grafen er relativt glatt, så modellen anses robust overfor endringer i denne parameteren.

Handelsforsinkelse

Sensitivitetsanalyse på handelsforsinkelse. Grafen viser hvilken innvirkning handelstidspunktet har på avkastningen. En handelsforsinkelse på 0 betyr at man kjøper på siste kjente kurs, det vil si gårsdagens sluttkurs. Handelsforsinkelse lik 1 betyr at man kjøper på neste dags sluttkurs, handelsforsinkelse lik 2 er dagen etter det igjen og så videre.
I praksis vil det være vanskelig å handle til gårsdagens sluttkurs. At det er gitt et kjøpssignal og aksjen er valgt til dagens case betyr jo at den er forventet å stige. Grafen viser da også at dette skjer, i og med at avkastningen er vesentlig lavere ved å handle på neste dags sluttkurs (man får altså en dårligere inngangskurs). Hvis man derimot venter 4-5 dager ser vi at avkastningen faktisk blir enda bedre enn om man kunne handle til gårsdagens sluttkurs. Det kan se ut som om aksjene derfor overreagerer oppgangen på dag 1, men også på dag 0 (som utløste signalet), og at man kan få vesentlig bedre kurser ved å vente på en reaksjon tilbake den nærmeste uken. Falske kjøpssignaler kan dessuten gi kraftige reaksjoner i motsatt retning, og man vil da ikke tape så mye på slike investeringer hvis man avventer kjøpet noen dager.
Hvis man derimot venter så mye som 10-20 dager med å handle på de kortsiktige casene, vil mesteparten av oppsiden være tatt ut, og man oppnår er avkastning bare svakt over indeksen.

Minimumslikviditet

Sensitivitetsanalyse på minimumslikviditet. Grafen viser avkastning ved forskjellige grenser for minimum påkrevd likviditet for å komme i betraktning for porteføljen. Likviditetsgrenser angis i gjennomsnittlig millioner kroner i omsetning per dag.
Overordnet kan vi si at jo høyere krav vil setter til likviditet jo svakere blir avkastningen. Dette kan dels være et resultat av at mindre selskaper gir bedre avkastning enn store, men også at utvalget på Oslo Børs blir vesentlig dårligere når vi krever likviditet over for eksempel 2 millioner kroner per dag. Per 31. august 2004 er det for eksempel bare 57 selskaper som har en gjennomsnittsomsetning på 2 millioner kroner eller mer. Og i 2002-2003 var dette tallet vesentlig lavere.
Skal man ha den beste avkastningen, viser grafen at man må tillate selskaper helt ned til 200.000 kr i dagsomsetning i porteføljen. Settes minimumskravet til 1.5 millioner kroner eller lavere er imidlertid fortsatt avkastningen god. Analysen av handelsforsinkelse, se over, viser dessuten at det ikke er kritisk å komme raskt inn, slik at man eventuelt kan bruke flere dager på å kjøpe seg opp til den ønskede posten i små selskaper med lav likviditet.

Maksimumslikviditet

Sensitivitetsanalyse på maksimumslikviditet. Grafen viser avkastning ved forskjellige grenser for maksimal likviditet for å komme i betraktning for porteføljen.
Vi ser at med lav grense til maksimumslikviditet blir avkastningen lav. Dette skyldes at det blant casene er få selskaper med svært lav likviditet. Da blir utvalget lite, og i mange tilfeller ikke engang nok til å fylle opp alle plassene i porteføljen, slik at en del vil være i kontanter (det beregnes ikke renter på kontanter). Grafen viser at avkastningen øker gradvis jo høyere tillatte grense vi setter til likviditet, helt til vi kommer opp i 7 millioner kroner per dag i gjennomsnittsomsetning. Dette er naturlig fordi utvalget da blir større, men effekten er sterkere enn forventet. Vi ser dessuten at avkastningen faller markant igjen hvis vi tillater også de største selskapene i porteføljen. Dette kan tyde på at Investtechs tekniske analyser, og spesielt case-angivelsene, er aller best på de mellomstore selskapene, og at selskaper med dagsomsetning på over ca 7 millioner kroner er så store og gjennomanalyserte at det er mindre å hente på disse.
Merk at modellen virker slik at et selskap kan bli tatt inn når omsetningen er lavere enn maksimumslikviditeten, men at det blir kastet ut hvis deretter omsetningen skulle øke til over grensen. Når denne grensen er 7-8 millioner kroner, kan det derfor se ut til at selskapene har steget nok (økt kurs gir økt omsetning), og/eller fått nok oppmerksomhet (flere aktører gir økt omsetning) til å ha tatt ut det meste at potensialet på kort sikt. En mulig tolkning, kan være at det er gunstig å kjøpe på lavt volum (som ofte sammenfaller med kursbunner i stigende trender) og selge på høyt volum (som ofte sammenfaller med kurstopper i stigende trender).

Er modellen fornuftig?

Det er lett å gjøre feil ved testing av historisk porteføljeavkastning. En av de vanligste feilene er å glemme selskaper som ikke lenger er listet på børsen. En annen feil som kan gi altfor optimistiske resultater, er å sammenligne mot en markedsveid indeks (slik som hovedindeksen på Oslo Børs) hvis denne blir styrt av et fåtall store selskaper, mens bredden på børsen har en helt annen sektorfordeling. Det er også vanlig å bruke testresultater til å modifisere modellen, og på den måten få en modell som bedre reflekterer det foreliggende datamaterialet.
Vi har prøvd så godt vi kan å unngå alle biaser i beregningene over. Delistede selskaper er med og vi har kun brukt de faktisk publiserte case-analysene i beregningene. Sensitivitetsanalysen viser dessuten at modellen synes robust på alle parametrene, så resultatene anses ikke å være et utslag av tilfeldigheter. Det kan likevel være usynlige biaser som vi ikke har tenkt over, programmeringen av porteføljemodellen kan inneholde feil, eller sammenligning mot den markedsveide hovedindeksen kan være misvisende.
Vi ønsker derfor å gjøre følgende test: Beregn først vekter i modellporteføljen for alle aksjer for alle dager (som ved normal porteføljesimulering). Flytt så disse vektene til tilfeldige aksjer som var notert i samme tidsrom, og beregn avkastning. Et resultat vil kunne være at hvis modellen for eksempel sier kjøp Storebrand, vil man heller kunne kjøpe StepStone, Hydro, Wilhelmsen, eller et hvilket som helst annet selskap. Handelshyppigheten og porteføljekarakteristika blir altså lik, men valget av selskaper blir vilkårlig. Dette skal gi et bilde av avkastningen man ville fått dersom man plukket aksjer helt vilkårlig.
Grafen viser resultater fra 40 slike simuleringer. Vi ser at avkastningen hopper opp og ned, og at det er omtrent like mange med positiv som negativ avkastning i forhold til referanseindeksen. I ca 10% av simuleringene får vi en avkastning på rundt 200%, mens medianavkastning var 21%. Dette indikerer at man ved en ren pilkastmetode i snitt ville slått hovedindeksen med noen få prosentpoeng, og i ett av ti tilfeller gjort det meget bra. Man ville imidlertid i nesten halvparten av tilfellene gjort det dårligere enn hovedindeksen, og i ca ett av ti tilfeller tapt 40-60 prosentpoeng i forhold til indeksen. Basert på dette og hva vi har skrevet over, tror vi at en eventuell bias er relativt liten. Vi konkluderer med at Investtechs cases har gitt betydelig bedre avkastning enn man ville fått ved å plukke aksjer vilkårlig.

Portefølje 2: Mellomlang sikt
Her brukes Investtechs mellomlange casevurdering som grunnlag for score-beregning. Det gjøres ukentlig oppdatering av porteføljen og det gis en bonusscore på 50 poeng til gamle porteføljeaksjer. Denne porteføljen vil gi færre handler enn den kortsiktige porteføljen, og det er ikke nødvendig å følge med daglig for å implementere den. På den andre siden vil vi sannsynligvis gi fra oss noe av potensialet, i og med at vi bruker cases som er inntil fire dager gamle når vi oppdaterer porteføljen.

Avkastning ved å følge Investtechs mellomlange casevurderinger (blå kurve) mot Hovedindeksen. Avkastning for porteføljen før kurtasje var på 198%, noe som tilsvarer 29% annualisert. Hovedindeksen hadde en avkastning på 13%, annualisert 3%, i samme periode. Det ble gjennom ført 520 handler. Etter kurtasje på 0.2% per handel var porteføljeavkastningen 151%, annualisert 24%. Gjennomsnittlig avkastning er altså 26 prosentpoeng bedre enn indeksen per år, eller 21 prosentpoeng etter kurtasje. Gjennomsnittlig månedsvolatilitet var 13.5%. Årlig tracking error var 25% og information ratio 1.02.
I store trekk ser vi at porteføljen følger indeksen, men at den drar fra spesielt når markedet er i en langsiktig stigende trend. Som for den kortsiktige porteføljen, kan vi derfor slutte at analysene gir høyest meravkastning når markedet er positivt, mens de i noen tilfeller gir mindreavkastning i fallende markeder. Detaljer

Sensitivitetsanalyse
Vi gjør samme type sensitivitetsanalyse som for den kortsiktige porteføljen.

Antall aksjer

Sensitivitetsanalyse på antall aksjer i porteføljen.
Grafen viser et stort hopp for 2-3 aksjer. Dette har sammenheng med at det her blir stor vekt på de få aksjene som er i porteføljen, slik at tilfeldigheter kan spille kraftig inn. Vi tror dette er tilfelle her. Grafen viser god avkastning mellom 4 og 9 aksjer i porteføljen. Den faller med høyere antall, noe som kan forklares med at det da må godtas flere aksjer med lavere score i porteføljen. Grafen er relativt glatt over hele parameterområdet, og modellen anses dermed robust med hensyn på valg av antall aksjer i porteføljen.

Bonus score

Sensitivitetsanalyse på bonusscore. Grafen er ganske jevn, og det er små variasjoner i avkastning avhengig av bonusscore. Dette tyder på at modellen er robust, og at omløpshastigheten har lite å si for den totale avkastningen (høy bonusscore gjør at aksjer som har kommet inn blir værende lenger i porteføljen, og vi får lav omløpshastighet, mens lav bonusscore gir høy omløpshastighet). Justerer man for kurtasje (grønn kurve) er det en fordel med lav omløpshastighet, og dermed høy bonusscore. Når bonusscore blir 100 vil aksjer som først har kommet inn i porteføljen bli værende helt til de blir teknisk negative i en senere morgenrapport. Dette fører til at nye cases, som kanskje da er mer positive, ikke slipper til. Vi får liten omløpshastighet i porteføljen (kun ca 130 handler), men avkastningen faller markert.

Handelsforsinkelse

Sensitivitetsanalyse på handelsforsinkelse.
Med en periodelengde på 5 dager har vi allerede en handelsforsinkelse på inntil 4 dager innbakt i modellen. Grafen viser at en tilleggsforsinkelse på 1-8 dager vil redusere avkastningen ganske betraktelig. Vi ser imidlertid også at ved å vente 11-16 dager, altså 2-3 uker, vil avkastningen stige markant igjen, og vi kan oppnå enda bedre resultater enn uten tilleggsforsinkelse. Som for den kortsiktige porteføljen, kan det altså se ut som om aksjene overreagerer oppgangen de første dagene, og at man kan få vesentlig bedre kurser ved å vente på en reaksjon tilbake den nærmeste tiden. Ved falske kjøpssignaler med etterfølgende kraftige reaksjoner i motsatt retning, vil man dessuten ikke tape så mye hvis man avventer kjøpet noen uker.

Minimumslikviditet

Sensitivitetsanalyse på minimumslikviditet.
Grafen viser den samme effekten som for den kortsiktige porteføljen, nemlig at jo strengere krav vi setter til minimumslikviditet, jo lavere blir avkastningen.

Maksimumslikviditet

Sensitivitetsanalyse på maksimumslikviditet.
Også her ser vi den samme effekten som for den kortsiktige porteføljen. Hvis vi kutter ut de aller største selskapene fra porteføljen, vil vi kunne oppnå høyere avkastning. Det ideelle ser her ut til å være ca 4 millioner kroner i gjennomsnittlig daglig omsetning som øvre grense. Ved altfor lav grense på maksimumslikviditet, blir utvalget for lite. Ofte får vi ikke engang nok til å fylle opp alle plassene i porteføljen, og avkastningen blir dertil svak.

Oppdateringsfrekvens

Sensitivitetsanalyse på periodelengde, det vil si antall dager mellom hver porteføljeoppdatering. Periodelengde 1 betyr daglig oppdatering, periodelengde lik 5 betyr ukentlig og så videre.
Hvis vi ser bort fra svingningene ved 5-7 dager og 16-18 dager viser grafen fallende avkastning ved økende periodelengde. Dette tyder på at jo sjeldnere vi oppdaterer porteføljen, jo svakere avkastning får vi. Dette er helt naturlig fordi vi da taper mye av potensialet som ligger i casene som blir gitt mellom oppdateringene. Vi hadde imidlertid ikke trodd at effekten skulle ha vært så stor, da vi anser de mellomlange casene til å være gode investeringer på helt inntil 6 måneders sikt.
Hvis vi øker oppdateringsfrekvensen fra ukentlig (periodelengde=5) til daglig (periodelengde=1), ser vi at avkastningen øker fra under 200% til rundt 400%. Dette tyder på at det er et stort kortsiktig potensial ved de mellomlange casene, og at man ved å være aktiv faktisk kunne ha fått bedre avkastning enn på de kortsiktige casene. Dette skal vi se mer på senere.

Er modellen fornuftig?

Som for de kortsiktige casene, gjør vi en test på avkastning ved investering i vilkårlige aksjer, i stedet for de som ble valgt ut som cases. Grafen viser at disse i snitt gir en avkastning på nivå med, eller litt høyere enn, hovedindeksen og at nesten like mange har positiv og negativ relativavkastning.

Mellomlange analyser, men kortsiktig investeringshorisont
Den mellomlange porteføljen over er bygget opp med tanke på investorer som omtrent en gang per uke sjekker markedet og gjør handler. Hvis man har anledning til å følge med daglig, kan man da oppnå enda bedre avkastning basert på de mellomlange vurderingene? Vi har en indikasjon på dette fra sensitivitetsanalysen av oppdateringsfrekvens, se over. For å undersøke dette mer nøye, kjørte vi en porteføljesimulering basert på de mellomlange casevurderingene, men med daglig oppdatering og bonusscore 25 poeng, det vil si de samme parametrene som for den kortsiktige porteføljen. Resultatene er som følger:

Vi ser at grafen kvalitativt er lik grafen for utgangsporteføljen. Den store forskjellen ligger i at porteføljen ikke faller i samme grad når markedet faller. Dette skyldes nok at salgssignaler i fallende markeder har stor gjennomslagsgrad (høy sannsynlighet for å bli innfridd) og at vi ved daglig oppdatering kommer oss raskt ut når slike salgssignaler blir gitt. Oppgangen i 2003 er også sterkere enn for utgangsporteføljen, noe som antas å skyldes at vi da kommer raskere inn når gode kjøpssignaler gis. Total avkastning for porteføljen før kurtasje var på 714%, noe som tilsvarer 62% annualisert. Det ble gjennomført 1082 handler. Årlig tracking error var 29% og information ratio 2.08. Etter kurtasje på 0.2% per handel var porteføljeavkastningen 465%, annualisert 49%. Med en handelsforsinkelse på en dag, faller avkastningen til 277%, annualisert 36%. Det er altså mye å hente på å komme inn og ut tidlig. Handelsforsinkelser på 2-5 dager gir 257-336% i avkastning.

Aksjer som er positive både på kort og mellomlang sikt
Porteføljene over er bygget opp av aksjer som er positive enten på kort sikt eller på mellomlang sikt. Hvordan går det hvis vi ser på aksjer som er positive både på kort sikt og på mellomlang sikt? Vi undersøker dette ved å bruke følgende scoreberegning:
score=caseShort.*caseMedium/100 - (evalShort<0)*100 - (evalMedium<0)*100
Vi tar altså casevurdering på kort sikt og multipliserer med casevurdering på mellomlang sikt. Så trekker vi fra 100 poeng hvis en analyse i morgenrapporten sier at aksjen er teknisk negativ på kort eller lang sikt. Vi kjører med daglig oppdateringsfrekvens og 25 bonuspoeng, som for den kortsiktige porteføljen. Resultatene er som følger:

Total avkastning for porteføljen før kurtasje var på 559%, noe som tilsvarer 54% annualisert. Det ble gjennomført 892 handler. Årlig tracking error var 30% og information ratio 1.73. Etter kurtasje på 0.2% per handel var porteføljeavkastningen 387%, annualisert 44%. Med en handelsforsinkelse på en dag, faller avkastningen til 254%, annualisert 34% før kurtasje. Gjennomsnittlig månedsvolatilitet var 14.2%. Detaljer

Avsluttende bemerkninger
Resultatene over synes veldig gode. Når vi trekker fra kurtasje, faller avkastning en del. Også hvis vi regner med at vi ikke får like gode inngangs- og utgangskurser som casene var basert på, og legger inn en handelsforsinkelse, mister vi en del av avkastningen. Hvis vi i tillegg holder oss borte fra de minste selskapene, taper vi enda mer. Sensitivitetsanalysen viser imidlertid at avkastningen fortsatt vil være klart positiv. Samtidig identifiserer denne forhold som gjør oss optimistiske med hensyn på å kunne oppnå enda bedre resultater (for eksempel ved å utelukke de aller største selskapene). Sensitivitetsanalysen synes også å bekrefte at modellen er relativt robust for mindre parameterendringer, slik at resultatene ikke er en tilfeldighet. En studie av de enkelte handlene som blir gjort for porteføljene, viser dessuten at ekstremt heldige resultater i enkelthandler ikke forklarer de samlede resultatene (vi hadde omtrent like mange ekstremt uheldige resultater som ekstremt heldige). Vi er derfor av den oppfatning at Investtechs cases over tid viser solid meravkastning i forhold til markedet, og at man ved å følge disse vil kunne oppnå god avkastning.

Til slutt må det understrekes at historisk avkastning ikke er noen garanti for framtidig avkastning. Avkastningen vil kunne bli bedre eller dårligere, og den vil kunne bli negativ.

 


Investtech guarantees neither the entirety nor accuracy of the analyses. Any consequent exposure related to the advice / signals which emerge in the analyses is completely and entirely at the investors own expense and risk. Investtech is not responsible for any loss, either directly or indirectly, which arises as a result of the use of Investtechs analyses. Details of any arising conflicts of interest will always appear in the investment recommendations. Further information about Investtechs analyses can be found here disclaimer. The content provided by Investtech.com is NOT SEC or FSA regulated and is therefore not intended for US or UK consumers.


Investtech guarantees neither the entirety nor accuracy of the analyses. Any consequent exposure related to the advice / signals which emerge in the analyses is completely and entirely at the investors own expense and risk. Investtech is not responsible for any loss, either directly or indirectly, which arises as a result of the use of Investtechs analyses. Details of any arising conflicts of interest will always appear in the investment recommendations. Further information about Investtechs analyses can be found here disclaimer. The content provided by Investtech.com is NOT SEC or FSA regulated and is therefore not intended for US or UK consumers.

Titlex

OK
+

Cookie consent

We use cookies to give you a better user experience. If you continue to use the website, you accept this. For further details click here.

Our use of cookies

When you use our website, we store a cookie on your device. The cookie is used to recognize your device so that your settings work when you use our websites. The information that is stored is completely anonymised. Cookies are automatically deleted after a certain time.

Necessary cookies

Investtech uses cookies to ensure basic functions such as page navigation and language selection. Without such cookies, the website does not function as it should. You cannot therefore make a reservation against these. If you still want to disable such cookies you can do so in your browser settings. In the Cookies section add this website to the list of sites which are not allowed to save cookies on your device.

Cookies from Google

We use services from Google Analytics and Google AdWords. These register cookies on your device when you visit our website. Google registers your IP address in order to keep statistics on user activity on the website. The IP address is anonymised, so that we have no opportunity to link the activities to a specific person. We use these statistics to be able to offer more interesting content on the website and to constantly improve ourselves. Google AdWords collects data so that our advertising on other websites gives better results. We cannot trace the data of individuals.

Allow cookies from Google