‘’Our end conclusion is that the LMG Gold Score is a 
useful indicator that will help add value to the 
Climate In...
Upgrade LMG Emerge GTAA Model – The New Gold Indicator 
By Erik L van Dijk (CEO/CIO); Jan 2014 
1. Introduction 
There hav...
i)

Why These International Currencies? 
Of course there  are  more currencies that  are  internationally  acceptable  as ...


markets like the one related to the 1987 crash, the various emerging market debt crises (end 
of the 1990s) and the Yea...
So  as  to  not  get  over‐dependent  on  outliers  –  neither  at  the  level  of  endogenous  or 
exogenous/explanatory ...
 
Gold Price  
Equity Return 
Predictor 
1m* 
1 month – HIST 
0.035045
1 year – HIST 
0.091892
3 years – HIST 
0.058904
5 ...
 

Example 2 - Relatively insignficant positive relationship
between last month's gold price movement and future
expected ...
,

,

,

,

,

 

Equation 2 

The relative weight of the individual SRET components incorporates the strength of the rela...
When looking at the volatility graph and comparing it with our gold price return analysis in Graph 1, 
we  see  a  relativ...
by definition have an average value of 0 and a standard deviation of 1 (assuming that the data are 
normally‐distributed)....
A) The 1970s to 1984 
During the bulk of this period the value of the LMG GOLDSCORE remained negative, basically 
indicati...
Upcoming SlideShare
Loading in...5
×

Gold As Leading Indicator of Stock Market Returns

373

Published on

Upgrade of LMG's Global Tactical Asset Allocation system. Many people - both scholars and practitioners - suggested that gold is not a good leading indicator of stock market returns anymore.

Our research shows that this is a premature conclusion. But gold will only have leading indicator qualities when BOTH changes in the gold price return AND gold price volatility movements are taken into account.

At the same token: since gold prices are always expressed in USD with currency movements being quite hectic in today's world of changing relative powers of major currencies, we do also need to make sure that we first immunize the analysis for currency-related factors. We do so by first creating a composite indicator in which 4 major currencies play a role, and not just the US Dollar.

The gold indicator thus constructed reveals that - at the time of writing (end of year 2013) - markets might enter into a tougher phase in 2014 after the fantastic returns in 2013.

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
373
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
8
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Gold As Leading Indicator of Stock Market Returns

  1. 1.       ‘’Our end conclusion is that the LMG Gold Score is a  useful indicator that will help add value to the  Climate Indicator component within our asset  allocation systems. We do therefore conclude that  lower gold prices AND lower gold price volatility  are useful indicators of good equity times to come.  The recent reductions in the gold price are good  news, but volatility levels have not come down  enough to an extent that this can give us full  comfort based on just this indicator. We disagree  with scholars and practitioners who believe that  the relationship between the two asset classes has  totally fallen apart.’’  Gold as Leading  Indicator of Equity  Market Returns    The Derivation of a New Component of the LMG Climate Indicator By Erik L van Dijk (CEO/CIO) 
  2. 2. Upgrade LMG Emerge GTAA Model – The New Gold Indicator  By Erik L van Dijk (CEO/CIO); Jan 2014  1. Introduction  There have been lots of discussions on the role of precious metals (especially gold) as a commodity  within diversified investment portfolios and the role their price developments could play as leading  indicator for what could happen with total returns of more traditional asset classes like equities and  bonds.  Notwithstanding the fact that pundits, practitioners and scholars have on various occasions hinted  to the fact that the traditional linkage between precious metals and equity prices has disappeared,  LMG has decided not to remove it from our models. Instead, we have taken a new look at it using a  long database with information covering the period December 1969 – November 2013.  In  our  research  we  ask  ourselves  the  question  (taking  into  account  that  in  our  models  we  look  at  monthly total asset returns covering periods of 1 month, 1 year, 3 years, 5 years and 10 years): ‘’Is  there  a  link  between  historical  gold  price  movements  and  future  total  equity  returns?’’.  When  looking at the impact of the historical gold price on the future performance of equities we have to  keep in mind that price movements might can have an impact in at least one of two ways:  i. Directional / Level  What can we expect equity returns to do after gold prices have gone up or down by a specific  amount?  ii. Amplitude  Does  a  larger  or  smaller  amplitude  of  gold  price  movements  in  the  past  –  i.e.  a  higher  or  lower gold price volatility – mean anything when looking at future equity returns?  2. Our Research  2.1 Creating a Gold Price Composite Index  Gold prices are normally expressed in US$ per troy ounce. However – taking into account that both  gold  and  the  US$  serve  as  ‘reserve  asset’  for  central  banks  across  the  globe  –  it  is  impossible  to  analyse  the  price  movement  of  gold  without  indirectly  blurring  the  picture  because  of  the  direct  relationship with currency movements in the US$ that are directly related to US monetary policy and  the country’s financial and macroeconomic health.  LMG’s solution to this problem is based on the fact that the US$ is not the only international reserve  currency for central banks. Having at our disposal data for the gold price in GBP pound sterling (£),  Euro (€)  and Japanese Yen (¥) as well,  we will  first translate dollar‐denominated gold prices into a  Global  Composite  Gold  Price  Index.  We  believe  that  this  will  mitigate  individual  currency  dependencies and leave us with a purer gold price movement that is more directly linked to supply‐ demand  movements  of  the  precious  metal  itself.  Obviously,  two  additional  comments  should  be  made: 
  3. 3. i) Why These International Currencies?  Of course there  are  more currencies that  are  internationally  acceptable  as reserve  currency, but the database that we derived from the World Gold Council – which is  also  the  one  we  will  be  using  in  the  future  when  applying  the  outcome  of  the  derived  LMG  Gold  Indicator  hands  on  –  contained  price  data  for  these  currencies.  Although the set might be considered limited, we believe that some 80‐90 percent  of  global  international  foreign  currency  reserves  will  be  held  in  these  currencies  albeit  that  recent  international  evidence  seems  to  indicate  that  the  Chinese  Yuan  Renminbi (RMB) should be added in a next update.  ii) Relative Currency Weights    So  as  to  incorporate  the  different sizes  of the  underlying economies  of the United  States,  Eurozone,  Japan  and  Great  Britain  on  the  one  hand  and  the  international  foreign  reserve  appeal  /  usage  of  their  currency  on  the  other,  we  derive  the  International Gold Composite (IGC) Index by using the following equation:    ,USD , , ,   Equation 1  With:  GC = Local Currency Gold Composite Indices (base value Dec 1969 = 100);  t = time indicator      Graph  1  below  shows  the  results  for  the  period  December  1969  to  November  2013.  During  this  period the US$ price of gold (per troy ounce) went from $ 35.20 to $ 1,253.00 with an all‐time‐high  (in  US$,  end‐of‐month;  mid‐month  values  above  $  1,900  were  reached  in  2011)  of  $  1,813.50  in  August  2011.  This  translated  into  the  index  development  shown  in  the  graph.  The  two  smaller  international  currencies  –  Pound  Sterling  and  Japanese  Yen  –  showed  the  most  extreme  index  development,  with  the  gold  price  in  GBP£  reaching  the  highest  levels  while  showing  the  largest  stability in JP¥. This is indicative of the fact that the GBP£ was relatively‐speaking the weakest and  the JP¥ the strongest currency during this period.  When looking at the International Gold Composite we see that the overall period consists basically  of three sub‐periods:   The 1970s  During  this  period  gold  prices  went  up  in  what  was  basically  a  depressed  global  economic  and political climate full of tension and recessions, albeit that different countries were hurt  at different levels. Japan for instance was doing relatively well.   The 1980s to Mid‐2000s    Prices remained relatively stable during this long period that can be characterized as one of  the largest bull markets in history, although there were of course incidental short‐term bear 
  4. 4.  markets like the one related to the 1987 crash, the various emerging market debt crises (end  of the 1990s) and the Year‐2000 / IT crises.    Second half of the 2000s to Current    During this period prices went up again, and with a vengeance.     Graph 1 – LMG Gold Price Composite Index; December 1969 (Index = 100) – November 2013  For  the whole  period  December  1969  to  November  2013 the  average  monthly  return on the LMG  Gold  Price  Composite  Index  was  0.83%,  or  about  10%  per  annum!  With  an  average  annualized  volatility over the period of 19.54% this basically means that the composite gold price seems to have  ‘equity‐like’ characteristics, but with a contra‐cyclical return pattern vis‐à‐vis equities.  Intermediate and Preliminary Conclusion 1  ‘’Gold does seem to have the characteristics of a low or even negative beta stock market index. We  should not dismiss it too quickly as a portfolio diversifier or stock market predictor.’’  2.2 Reduced Sensitivity to Outliers: Standardising the Data Set  Graph  1  does  indicate  that  gold  price  movements  are  rather  volatile  and  unstable  with  large  fluctuations  between (sub‐) periods  depending on the  global  economic,  political climate or sector‐ level‐induced supply‐ and demand‐shifts.  
  5. 5. So  as  to  not  get  over‐dependent  on  outliers  –  neither  at  the  level  of  endogenous  or  exogenous/explanatory  variables  –  a  standard  approach  within  our  framework  is  some  kind  of  standardization of the raw data.  Using the fact that both the gold price return and standard deviation are rather ‘equity‐like’, we opt  for  the  same  approach  as  the  one  we  use  for  the  standardization  of  equity  return  series.  Table  1  shows our standardization approach in which we label the standardized price return variable ‘SRET’  (see also equation 2 later in this note):  Standardized Value  Gold Price  Gold Price  Gold Price  Gold Price  Gold Price  Return 1m  Return 1 yr  Return 3 yr  Return 5 yr  Return 10 yr 1  > 2%  > 8% > 8% > 8%  > 8% 0  0%‐2%  0%‐8% 0%‐8% 0%‐8%  0%‐8% ‐1  < 0%  < 0%  < 0%  < 0%  < 0%  Table 1 ‐ Standardization of Raw Gold and Equity Returns in the LMG Models; purpose is to make  our analyses less outlier‐sensitive.  Annualized  returns  over  periods  of  12‐120  months  are  considered  ‘good’  (SRET  =  ‘1’)  when  they  exceed  8%.  Monthly  returns  (1‐month  period)  are  considered  ‘good’  (SRET  =  ‘1’)  when  they  are  larger than 2%. Negative returns are in all cases considered ‘bad’ (SRET = ‘‐1’). All other return levels  get the ‘neutral’ (SRET = ‘0’) standardized score.  REMARK:  This  is  just  one  of  various  possible  standardization  approaches.  It  is  not  our  intention  to  plea for this one as THE  best one. In paragraph 2.3 we will present an alternative approach when  analysing the gold volatility impact on equity returns.  2.3 Analyzing the Correlations: The Derivation of our LMG Gold Climate Indicator  2.3.1 Gold Price Level and Directional Analysis  After having translated our raw stock market return series into standardized (‐1, 0, 1) data as well,  we will now proceed with the analysis and deduct a best‐fit Gold Climate Indicator. To do so we will  not  just  incorporate  ‘level’  (i.e.  return‐/performance‐)  related  gold‐based  signals,  but  taking  into  account  the  erratic  jumps  in  gold  price  volatility  (‘amplitude’)  we  will  incorporate  those  shifts  as  well. Our Climate Indicator will then combine the ‘level’ and ‘amplitude’ based signals.  Table  2 present the  results  of  a correlation  analysis  in  which  we analyse the relationship  between  movements in the gold price and consecutive movements in the S&P500 gross total equity returns  (price return plus dividend yield). Note: we have analysed other stock market indices as well, but we  limit ourselves to a presentation of the US results (S&P500) here so as to not make this note too long.     
  6. 6.   Gold Price   Equity Return  Predictor  1m*  1 month – HIST  0.035045 1 year – HIST  0.091892 3 years – HIST  0.058904 5 years – HIST   -0.01469 10 years – HIST  -0.04065 Equity Return  1 yr*  Equity Return  3 yr*  0.124068 0.073035 -0.03514 -0.26671 -0.14258 0.004836 -0.11438 -0.31231 -0.30436 -0.05338 Equity Return  Equity Return  5 yr*  10 yr*  -0.03831 -0.27871 -0.28831 -0.17309 0.070389 -0.08286 -0.1123 -0.03383 0.052201 -0.16555 Notes: * = indicates lead variables (i.e. T to T+n at time T); HIST = indicates historical returns (i.e. period ending at time T  and starting T‐n), with n indicating the number of months in the relevant performance interval  Table 2 – Heat map of correlations between the standardized historical gold price return  (composite) and standardized total equity returns on the S&P500; various lead intervals  We  present  the  correlation  data  in  Table  2  in  a  so‐called  ‘heat  map’  style,  which  implies  that  correlations  are  categorized  from  relatively  ‘weak’  to  relatively  ‘strong’.  Weak  correlations  are  defined as those with an absolute value less than 0.1 (coloured red in the heat map). Absolute values  between 0.1 and 0.2 are considered ‘average’ (coloured yellow in the heat map) and those in excess  of 0.2 are labelled ‘strong’ (coloured green in the heat map).  Table 2 reveals that it is relatively difficult to forecast next month’s stock market returns based on  historical gold price movements: not just are all individual correlations in the first column ‘red’, they  also have opposite signs thereby reducing the overall impact further. On a net basis – calculated by  adding up the correlations per column in table 2 ‐ the relationship between the realized gold price  movements  (standardized)  and  future  equity  returns  (also  standardized)  is  relatively  small  but  positive (0.1305) for next month’s equity return and negative when we look at longer future periods.  Graph 2 provides an overview of the various summarized correlation coefficients derived from table  2 with us paying both attention to the aggregate values of the columns and the rows in table 2.      
  7. 7.   Example 2 - Relatively insignficant positive relationship between last month's gold price movement and future expected equity returns over intervals ranging from 1 month to 10 years. 0.2 0 GOLDRET Signal Impact EQRET Forecast ‐0.2 EQRET Forecast ‐0.4 GOLDRET Signal Impact ‐0.6 ‐0.8 Example 1 – Relatively strong negative relationship between historical gold price movements and expected equity returns over the next 3 years.   Graph 2 – Aggregated correlation coefficients between historical gold price movements  (standardized) and future total equity returns (also standardized) over the period Dec 1969 – Nov  2013; various measurement intervals ranging from 1 months to 10 years using the data presented  in Table 2 of this paper.  The  summarized  values  of  the  columns  in  table  2  are  labelled  EQRET  Forecast  in  Graph  2.  They  measure  the  overall  strength  and  direction  of  the  equity  return  forecast  when  looking  at  various  equity total return intervals.   Example  1:  the  third  blue  downward‐pointing  cylinder  (for  the  category  ‘3  Years’)  indicates  that  high  historical  gold  price  movements  translate  into  a  relatively  strong  expected  disappointing  equity total return over the next 3‐year period.   The summarized values of the rows are labelled GOLDRET Signal Impact in Graph 2. They measure  the overall  strength and direction of the equity  return forecast  when  looking  at  various gold  price  return intervals.   Example  2:  the  first  red  upward‐pointing  cylinder  (for  the  category  ‘Month’)  indicates  that  high  historical  gold  price  movements  over  the  most  recent  month  do  not  have  a  big  impact  on  the  expected equity returns in the future. The relationship is positive and relatively insignificant.  We now proceed by combining the results into a composite indicator that will predict future equity  returns based on historical gold price return patterns. To do so we take into account both the size  and the direction of the relationships shown above.  With  the  shortest‐term  relationship  (1  month  leading  indicator)  being  positive  (see  Table  2  and  Graph 2) and the other, longer‐term relationships (from 1 to 10 years) being negative (see also Table  2 and Graph 2) we derive: 
  8. 8. , , , , ,   Equation 2  The relative weight of the individual SRET components incorporates the strength of the relationships  shown in Graph 2 and Table 2, with the 3‐ and 5‐year linkages getting the largest weight (3) and the  short‐term monthly relationships the smallest (1).  An intermediate caveat applies:  CAVEAT: Of course we could have opted for more complicated regression‐style approaches so as  to  better  take  into  account  correlations  between  the  various  SRET  scores  for  different  time  intervals, and the actual proprietary indicator that we incorporate into our LMG systems is slightly  more complex. What we want to show however is that relatively simple quantitative approaches  that incorporate the right variables in a logical way do already have added value.  Now let’s proceed.  2.3.2 Gold Price Volatility Analysis  From our earlier work on the predictive value of (equity) volatility on equity returns – using the so‐ called VIX indicator from the Chicago Board of Options Exchange – we know that higher/increasing  (or  lower/decreasing)  volatility  signals  higher  (or  lower)  investor  uncertainty  concerning  future  return  patterns.  We  will  now  proceed  by  applying  this  idea  to  the  relationship  between  historical  gold price volatility and future equity returns.  Normally financial market volatility data are calculated over 36 to 60 months intervals to derive the  best ‘risk’ estimates. In our study, we calculate a 36‐months gold price volatility. This implies that we  lose the first 3 years of data (Dec 1969 to Nov 1972) because of the calculation of the first volatility  estimate; GOLDVOLA(t=Dec 1972). Graph 3 shows the results:    Graph 3 – 36‐months Gold Price Volatility; Dec 1972 – Nov 2013; including 12m moving average 
  9. 9. When looking at the volatility graph and comparing it with our gold price return analysis in Graph 1,  we  see  a  relatively  low  annualized  volatility  during  most  of  the  period  of  low  and  flat  gold  price  returns  (1980s  to  end  of  the  1990s)  after  which  gold  price  returns  start  to  creep  up.  However,  volatility  levels in the 2000s were  much lower  on  average than  those witnessed during the 1970s.  And that is not illogical. In the 1970s gold price increases were the result of hoarding behaviour of  central banks and others not trusting the macroeconomic and monetary situation during a period of  political turmoil and economic stagnation. In the 2000s a large part of the more or less disciplined  price  increases  that  went  hand‐in‐hand  with  a  gradual  rise  in  volatility  were  simply  the  result  of  growing groups of Emerging and Frontier Market nations now getting rich as well. On the one hand  this  translated  into  their  central  banks  piling  up  more  gold,  with  on  the  other  demand  from  consumers and jewellers (e.g. in China, India and the Gulf) doing the rest.  It is therefore not totally strange that the oldest period of substantial increases in gold prices (1970s)  is  associated  with  a  bad  economic  climate  and  negative  stock  market  returns,  whereas  things  are  less simple in the third sub‐period (2000s).   This leads us to a second intermediate and preliminary conclusion:  Intermediate and Preliminary Conclusion 2  ‘’To capture the true essence of the value of gold as leading indicator, we need to incorporate both  level/directional developments AND movements in gold volatility.’’  For  the  incorporation  of  the  gold  volatility  factor  we  use  the  same  approach  as  the  one  used  elsewhere  in  our  asset  allocation  systems  –  not  published  here  in  this  note  ‐  for  stock  market  volatility (using the VIX indicator). We disentangle the volatility into two components:  I) A volatility level component: i.e. is the volatility relatively high or low?  II) A directional component: i.e. is the volatility changing in upward or downward direction?  Of course we could use the same  standardization method as the one described above,  albeit with  different cut‐off rates to distinguish between high, medium and low volatility levels. But to make it  clear  that  what  is  important  here  is  ‘some  kind  of’  outlier  adjustment  we  will  use  a  different  approach.   With  respect  to  the  volatility  level  component  (I),  we  standardize  the  raw  data  shown  in  Graph  3  using a so‐called Z‐score approach. The Z‐score is calculated as:  ∑   Equation 3  With   X being the variable that is standardized (in this case the 36‐months gold price volatility);  i = 1 to n represents the set of n observations of variable X;  So basically, we subtract the average value of X from individual observations of the raw variable X  and divide this differential term by the standard deviation of X. The Z‐score that we are left with will 
  10. 10. by definition have an average value of 0 and a standard deviation of 1 (assuming that the data are  normally‐distributed).  For  the  second  –  i.e.  the  directional  ‐  component  of  the  volatility  analysis  (II)  we  use  a  similar  approach, albeit that the X variable is now not the raw value of the 36‐months gold volatility but the  change  in  the  monthly  value  of  the  36‐months  gold  volatility.  In  other  words,  the  variable  to  be  standardized – our X’ – is now ΔX with ΔX being calculated as:  ∆   Equation 4  We will then proceed to standardize Δ(X) in similar fashion.  Just like we did when deriving the VIX Climate Indicator for the LMG Asset Allocation models, we will  then optimize the standardized gold volatility indicator by taking a weighted average of the level and  directional components calculated above (see I and II). In this weighted average – called VOLASCORE  ‐ the level component (I; standardized value of the raw 36‐months gold price volatility) has a weight  twice as large as that of the directional component (II; standardized value of the monthly change in  the raw 36‐months gold price volatility).    This translates to equation 5:  ∆   Equation 5  With:  GOLDVOLA   Z(GOLDVOLA)  Z(Δ(GOLDVOLA))   = 36‐months volatility of the price return on gold investments; using  the composite (4‐currencies) gold returns as a basis;   =  standardized  value  of  the  level  component  of  GOLDVOLA  (see  I  above);  =  standardized  value  of  the  monthly  change  in  the  raw  value  of  GOLDVOLA (see II above);  Finally,  we  will  now  combine  our  analysis  of  the  impact  of  historical  gold  price  returns  on  future  stock market returns with that of gold price volatility on future stock market returns.  Our optimizations – not shown here – indicate that the best forward‐looking estimate for the LMG  GOLDSCORE would be based on the following equation:     Equation 6  For  the  DIRSCORE  we  refer  the  reader  to  equation  2  (paragraph  2.3.1)  and  the  VOLASCORE  was  explained in paragraph 2.3.2 (equation 5).  Graph 4 shows the development of the LMG GOLDSCORE as climate indicator during the period 1969  (December) to 2013 (November). For the first 3 years we only have the DIRSCORE at our disposal,  because we need 3 years of data to calculate the first volatility estimate.  The indicator shows an interesting pattern – especially when looking both at the monthly indicator  and  its  12‐month  historical  average  ‐  that  sub‐divides  the  period  under  study  basically  in  3  sub‐ periods: 
  11. 11. A) The 1970s to 1984  During the bulk of this period the value of the LMG GOLDSCORE remained negative, basically  indicating a bad climate for equities.    B) 1985 to 2008  During  this  period  the  indicator  remained  positive,  which  translates  into  a  positive  equity  climate based on signals from the gold market.    C) The period since 2008  We are back in what is mainly negative territory since mid‐2008. In other words:     Graph 4 – LMG GOLDSCORE; Climate Indicator based on gold price return and volatility patterns;  1969 – current  Indicator  warned  us  about  the  upcoming  crisis.  Since  then  it  remained  negative,  basically  signalling that we are not yet back in ‘safe’ territory. On the other hand: the problems of the  period  since  2008  –  Global  Financial  Crisis  and  European  Debt  Crisis  –  are  substantial,  but  nothing like what we experienced in the 1970s.  ‘’Our end conclusion is that the LMG Gold Score is a useful indicator that will help add value to the  Climate Indicator component within our asset allocation systems. We do therefore conclude that  lower  gold  prices  AND  lower  gold  price  volatility  are  useful  indicators  of  good  equity  times  to  come. The recent reductions in the gold price are good news, but volatility levels have not come  down  enough  to  an  extent  that  this  can  give  us  full  comfort  based  on  just  this  indicator.  We  disagree with scholars and practitioners who believe that the relationship between the two asset  classes has totally fallen apart.’’ 

×