Stock Correlation

• Du möchtest wissen, welche Aktien dazu neigen, sich mit einem Ticker zu bewegen, den du beobachtest – z. B. „was korreliert mit NVDA" oder „Sympathy Plays für TSLA."
• Du analysierst ein bestimmtes Paar wie AMD/NVDA oder LITE/COHR und möchtest Kennzahlen wie Pearson-Korrelation, Beta, R-Quadrat und aktuellen Spread-Z-Score.
• Du hast einen Korb von Tickern und möchtest die vollständige Korrelationsmatrix sehen, Cluster eng verknüpfter Aktien identifizieren sowie potenzielle Diversifikatoren oder Hedging-Kandidaten ausfindig machen.
• Du möchtest verstehen, wie sich die Korrelation eines Paares im Laufe der Zeit verändert – einschließlich rollierender Fenster und ob die Korrelation während Ausverkäufen oder Hochvolatilitätsphasen ansteigt.

• Sie benötigen Echtzeit- oder Intraday-Korrelationsdaten; diese Funktion verwendet tägliche historische Kurse mit einem standardmäßigen Rückblickzeitraum von einem Jahr.
• Sie suchen nach Handelsempfehlungen oder Finanzberatung — die Funktion präsentiert ausschließlich Daten und gibt ausdrücklich keine Empfehlungen zu Positionen.
• Sie benötigen Korrelationsdaten für andere Anlageklassen als Aktien (z. B. Futures, Devisen, festverzinsliche Wertpapiere).

Klassifiziert Ihre Anfrage automatisch und leitet sie an eine von vier spezialisierten Analysen weiter: Co-Bewegungs-Erkennung (einzelner Ticker), Renditekorrelation (spezifisches Paar), Sektor-Clustering (Korb) oder realisierte Korrelation (zeitvariabel). Mehrdeutige Anfragen werden standardmäßig auf sinnvolle Alternativen zurückgeführt – ein einzelner Ticker wird zur Erkennung weitergeleitet, zwei Ticker zur paarweisen Analyse.

Ausgehend von einem einzelnen Ticker wird dynamisch ein Peer-Universum von 15–30 Aktien aufgebaut, indem Aktien aus derselben Branche und angrenzenden Branchen über yf.screen() und yf.EquityQuery gefiltert werden – ohne fest kodierte Listen. Das Ergebnis ist eine nach Korrelationsstärke geordnete Tabelle der am stärksten korrelierten Vergleichsunternehmen mit Firmennamen, Korrelationswerten und einer kurzen Erläuterung, warum die jeweilige Verbindung wahrscheinlich besteht.

Berechnet die Pearson-Korrelation, Beta, R-Quadrat, 60-Tage-Rolling-Korrelationsstatistiken (Mittelwert, Minimum, Maximum, Standardabweichung) sowie den aktuellen Log-Preis-Spread-Z-Score für zwei beliebige Ticker. Der Spread-Z-Score zeigt an, wenn ein Paar ungewöhnlich weit von seiner historischen Beziehung abgewichen ist.

Erstellt eine vollständige Korrelationsmatrix für eine Gruppe von Tickers und wendet hierarchisches Clustering (Ward-Verknüpfung über scipy, mit einem Fallback auf Durchschnittskorrelations-Sortierung) an, um die Matrix neu zu ordnen und natürliche Gruppierungen sichtbar zu machen. Identifiziert die stärksten Paare, schwächsten Paare sowie Ausreißer-Tickers, die als Diversifikatoren dienen können.

Berechnet rollende Korrelationen über 20-, 60- und 120-Tage-Fenster und schlüsselt die Korrelation nach Marktregime auf – Aufwärtstage, Abwärtstage, Tage mit hoher Volatilität und Tage mit starken Drawdowns. Hebt hervor, ob die Korrelation in Stressphasen ansteigt – ein entscheidender Aspekt für das Risikomanagement und die Absicherung.

Jede Antwort enthält den verwendeten Beobachtungszeitraum, die Anzahl der Datenpunkte, alle aufgrund unzureichender Daten ausgeschlossenen Ticker sowie den standardmäßigen Hinweis, dass Korrelation keine Kausalität bedeutet und vergangene Korrelation keine zukünftige gemeinsame Kursentwicklung garantiert. Es werden keinerlei Handelsempfehlungen gegeben.

Frage vor einem wichtigen Earnings-Ereignis: „Was bewegt sich zusammen mit NVDA?" Die Funktion durchsucht Sektor- und angrenzende Branchenvergleichswerte, ordnet sie nach realisierter Korrelation und erklärt den wahrscheinlichen Zusammenhang – so kannst du Aktien identifizieren, die möglicherweise auf NVDAs Ergebnis reagieren, ohne selbst zu berichten.

Gib zwei Ticker-Symbole wie AMD und NVDA ein. Die Funktion liefert Korrelation, Beta, R-Quadrat, rollierende Korrelationsstabilität sowie den aktuellen Spread-Z-Score – und bietet dir damit die quantitative Grundlage, um zu beurteilen, ob eine Mean-Reversion- oder Pairs-Trading-Idee durch historische Daten gestützt wird.

Geben Sie einen Korb von Positionen an und erhalten Sie eine gruppierte Korrelationsmatrix, die zeigt, welche Positionen sich effektiv gemeinsam bewegen und welche das Portfolio tatsächlich diversifizieren. Ausreißer-Ticker mit geringer durchschnittlicher Gruppenkorrelation werden als potenzielle Diversifikatoren gekennzeichnet.

Fragen Sie: „Wie hat sich die Korrelation zwischen LITE und COHR im Laufe der Zeit verändert?" Die Funktion berechnet rollierende Korrelationen über mehrere Zeitfenster und schlüsselt die Ergebnisse nach Marktphasen auf. Dabei wird gezeigt, ob sich die Beziehung während Kurseinbrüchen verstärkt – der sogenannte Effekt „Korrelationen streben in der Krise gegen 1", der für das Hedging besonders relevant ist.