This thesis aims to address the importance of data snooping considerations when evaluating the performance of trading rules. Data snooping occurs when a large number of trading rules is tested on the same data set to identify the rules with the best performance. We complement the existing data snooping literature from a methodological as well as an empirical point of view. Methodologically, we extend the Step-SPA test by Hsu et al. (2010) and implement a studentized version of the test for the Sharpe ratio as performance criterion. In the empirical domain, we are the first to apply any tests for superior predictive ability to nearest neighbor models. In addition, we examine the performance of technical trading rules as well as multivariate nearest neighbor models that combine technical analysis and nearest neighbor methods. We conduct several robustness tests on the input parameters of the data snooping tests. Our results emphasize that the consideration of data snooping is of crucial importance in a setting where an investor choses from a large universe of trading models. We find that the number of models that are identified as superior by the data snooping tests is significantly smaller than the number of models with a better in-sample performance than the benchmark. Overall, the data snooping analyses indicate that superior performance opportunities for both, technical rules and nearest neighbor models are limited, across all asset classes examined. Moreover, we find that the input parameters for the data snooping tests need to be chosen very carefully to obtain consistent and repeatable test outcomes.      «

This thesis aims to address the importance of data snooping considerations when evaluating the performance of trading rules. Data snooping occurs when a large number of trading rules is tested on the same data set to identify the rules with the best performance. We complement the existing data snooping literature from a methodological as well as an empirical point of view. Methodologically, we extend the Step-SPA test by Hsu et al. (2010) and implement a studentized version of the test for the S...     »

Diese Masterarbeit beschäftigt sich mit den Implikationen von Data Snooping bei der Performancebewertung von Handelsstrategien. Data Snooping tritt auf, wenn eine große Anzahl an Handelsstrategien auf demselben Datensatz getestet wird, um die Strategien mit der besten Performance zu identifizieren. Wir ergänzen die bestehende Literatur um methodologische sowie empirische Gesichtspunkte. Methodologisch, erweitern wir den Step-SPA Test von Hsu et al. (2010) und implementieren eine studentisierte Version des Tests mit der Sharpe Ratio als Performancekriterium. Aus empirischer Sicht sind wir die Ersten, die einen solchen Test für überlegene Vorhersagekraft auf Nearest Neighbor Modelle im Kapitalmarktkontext anwenden. Desweiteren untersuchen wir die Performance von technischen Handelsstrategien, sowie multivariaten Nearest Neighbor Modellen, die technische Analyse mit Nearest Neighbor Methoden verbinden. Außerdem testen wir die Robustheit der Ergebnisse der Data Snooping Tests im Hinblick auf verschiedene Inputparameter. Unsere Ergebnisse zeigen die Wichtigkeit der Berücksichtigung von Data Snooping in Situationen, in denen ein Investor aus einer Vielzahl an Handelsstrategien auswählen kann. Wir kommen zu dem Schluss, dass die Anzahl der Modelle, die von den Data Snooping Tests als überlegen eingestuft wird, deutlich geringer ist als die Anzahl der Modelle, die ohne Berücksichtigung dieser systematischen Verzerrung besser performen als die Benchmark. Insgesamt zeigen unsere Data Snooping Analysen, dass beide untersuchten Modelltypen, technische Analyse sowie Nearest Neighbor Modelle, nur wenig Möglichkeiten für überlegene Performance bieten. Darüber hinaus zeigt sich, dass eine adäquate Wahl der Inputparameter für die Konsistenz der Testresultate von entscheidender Bedeutung ist.      «

Diese Masterarbeit beschäftigt sich mit den Implikationen von Data Snooping bei der Performancebewertung von Handelsstrategien. Data Snooping tritt auf, wenn eine große Anzahl an Handelsstrategien auf demselben Datensatz getestet wird, um die Strategien mit der besten Performance zu identifizieren. Wir ergänzen die bestehende Literatur um methodologische sowie empirische Gesichtspunkte. Methodologisch, erweitern wir den Step-SPA Test von Hsu et al. (2010) und implementieren eine studentisierte V...     »