Tidak ada yang tahu banyak tentang dari mana alpha berasal

Artikel ini adalah versi di situs dari buletin Unhedged kami. Pelanggan premium dapat mendaftar di sini untuk mendapatkan buletin dikirim setiap hari kerja. Pelanggan standar dapat meningkatkan ke Premium di sini, atau menjelajahi semua buletin FT

Selamat pagi. Manajer kredit swasta Blue Owl menghentikan penebusan dari salah satu dana mereka yang ditujukan untuk investor ritel, dan manajer aset swasta dari berbagai jenis menjual saham kemarin sebagai respons. Bahwa keinginan investor ritel untuk likuiditas akan berbalik menjadi campuran yang tidak nyaman dengan model investasi kredit swasta memang sudah diperkirakan secara umum (bahkan Unhedged melihat masalahnya akan datang). Bisakah hubungan ini diselamatkan? Kirimkan pemikiran Anda kepada kami: unhedged@ft.com.

Dalam keuangan, ‘jangan berpikir, tapi lihat!’

Makalah akademik yang bagus sering terasa, secara paradoks, baik sangat benar maupun sangat menarik. Bacaan bagus dari Unhedged beberapa hari lalu — “Apakah penelitian yang peer-reviewed membantu memprediksi pengembalian saham” — adalah contoh yang baik.

Makalah ini, oleh Andrew Chen, Alejandro Lopez-Lira, dan Tom Zimmermann (yang akan saya sebut CLZ), melihat dua set prediktor pengembalian saham di atas pasar, atau “alpha”. Set pertama mencakup 200 sinyal yang didokumentasikan dalam jurnal peer-reviewed bergengsi di bidang ekonomi, keuangan, dan akuntansi; mereka meliputi hal-hal seperti peningkatan investasi, penerbitan utang atau ekuitas yang tinggi, dan kejutan laba. Dalam literatur, ini disertai bukti historis tentang kinerja lebih baik dan, dalam banyak kasus, penjelasan ekonomi yang menyertainya. Penjelasan tersebut cenderung mengusulkan bahwa investor dibayar untuk mengambil risiko, atau bahwa ada bentuk irasionalitas investor yang berlangsung secara terus-menerus.

Set prediktor kedua dibuat menggunakan komputer. CLZ mengambil 29.000 rasio akuntansi dan “menggali data”, mencari yang memprediksi kinerja lebih baik secara statistik signifikan.

CLZ kemudian menguji kedua set prediktor tersebut terhadap data historis di luar sampel. Apa yang mereka temukan adalah bahwa kedua kelompok tersebut hampir sama performanya. Pengujian dilakukan dengan membangun perdagangan long-short sehingga pengembalian yang diharapkan akan nol jika tidak ada kekuatan prediktif. Dalam grafik di bawah ini, pengembalian ekstra yang ditunjukkan oleh setiap prediktor di-rebase ke 100 untuk perbandingan. Prediktor akademik dan yang digali data kehilangan sekitar setengah dari kekuatan prediktifnya dalam pengujian di luar sampel, dan kehilangan kekuatannya dengan kecepatan yang sama. Berikut grafiknya:

Seperti yang dikatakan CLZ,

Setelah sampel, kinerja kedua jenis prediktor menurun menjadi sekitar 50 persen dari rata-rata sampel awal. Pengembalian yang digali data sedikit lebih menurun daripada pengembalian yang dipublikasikan, tetapi perbedaannya kecil, baik secara ekonomi maupun statistik. Untuk sebagian besar grafik, tolok ukur yang digali data berada dalam satu kesalahan standar dari prediktor yang dipublikasikan… kinerja pasca-sampel dari prediktor peer-reviewed dan yang digali data sangat mirip.

Penjelasan untuk alpha dalam studi akademik — risiko, irasionalitas, apa pun — juga tidak penting. Faktanya, “hanya penelitian yang bersikap netral terhadap asal-usul teoretis dari prediktabilitas yang menunjukkan kinerja yang konsisten lebih baik dibandingkan penggalian data”; bahkan efek ini “modest”. Seperti yang dirangkum Lopez-Lira kepada saya, “tidak tampak ada sesuatu yang istimewa tentang prediktor pengembalian yang ditemukan oleh akademisi dibandingkan prediktor yang secara statistik kuat”. Untuk menggeneralisasi poin ini: mengetahui mengapa strategi investasi kuantitatif tertentu berhasil, secara psikologis atau ekonomi, tampaknya tidak memberi manfaat apa pun bagi investor.

Apa yang terlintas di pikiran (seperti yang telah ditunjukkan orang lain) adalah Jim Simons, pendiri Renaissance Technologies, hedge fund kuantitatif paling sukses yang pernah ada. Ia terkenal karena mengatakan bahwa satu-satunya aturan fund-nya adalah “jangan pernah override komputer” (lihat menit 49 dan seterusnya dari video ini). Jika komputer memberi tahu Anda ada hubungan statistik yang dapat dieksploitasi di pasar, jangan coba jelaskan — lakukan perdagangan. Karena jika ada penjelasan yang rapi, hubungan itu sudah diperdagangkan habis. Celahnya akan tertutup.

Hasil CLZ terasa intuitif dan alami. Kita tahu bahwa sejauh pasar menciptakan peluang yang dapat diambil tindakan, peluang tersebut akan dieksploitasi dan menurun. Sejauh peluang tersebut didukung oleh penjelasan ekonomi atau psikologis yang jelas, peluang itu kemungkinan akan hilang lebih cepat lagi. Yang akan mengejutkan adalah jika ada peluang untuk pengembalian di atas pasar yang disesuaikan risiko dan ditangkap oleh teori ekonomi atau psikologis yang meyakinkan bertahan dalam jangka panjang. Investor, sejauh mereka mengambil pendekatan kuantitatif terhadap pasar saham, sebaiknya mengikuti Wittgenstein, melihat terlebih dahulu dan berpikir kemudian. Hasil CLZ menunjukkan bahwa teori paling baik hanyalah panduan lemah untuk outperformance, dan paling buruk adalah panduan yang tidak berguna sama sekali.

Apa pendapat investor kuantitatif tentang karya CLZ? Saya bertanya kepada Rob Arnott, pendiri penasihat investasi “smart beta” Research Affiliates. Dia menjawab bahwa jika Anda

menugaskan 29.000 akademisi yang mencari jabatan, mencari melalui data untuk menemukan “faktor” prediktif, dan tidak mengherankan jika sebuah komputer yang memeriksa 29.000 faktor hipotetis mendapatkan hasil yang hampir sama…

Metode ilmiah berarti kita mengembangkan hipotesis, lalu menggunakan data historis untuk menguji hipotesis tersebut, kemudian kita mencari data di luar sampel (misalnya, non-AS, atau era pra-modern, atau data pasca-sampel) untuk lebih memvalidasi hipotesis tersebut. Keuangan akademik cenderung mengembangkan hipotesis yang sesuai dengan data, yang bukan merupakan metode ilmiah. Kemudian backtest digunakan untuk memperbaiki backtest dan hipotesis disesuaikan. Ini adalah penggalian data yang khas.

Arnott berpendapat bahwa penelitian terhadap prediktor atau faktor tertentu harus membagi kelebihan pengembalian menjadi apa yang dia sebut “alpha revaluasi” dan “alpha struktural”. Alpha revaluasi adalah apa yang terjadi ketika saham dengan faktor tertentu menjadi lebih mahal atau lebih murah relatif terhadap pasar, diukur dengan rasio harga/pendapatan dan sejenisnya. Alpha struktural adalah sisa pengembalian ekstra yang tersisa setelah revaluasi alpha dihilangkan, menunjukkan “bahwa faktor tersebut bersifat prediktif terhadap fundamental yang membaik, bukan hanya meningkatkan pengembalian”. Alpha revaluasi seharusnya “tidak berulang, paling baik”; alpha struktural mungkin bertahan.

Dalam pandangan Arnott, maka, lebih banyak ketelitian intelektual dapat membantu kita menemukan penjelasan yang bertahan tentang sumber alpha. Masih banyak pekerjaan yang harus dilakukan.

Bacaan yang bagus

Apakah Anda memiliki cukup saham?

Podcast FT Unhedged

Tidak cukup dengan Unhedged? Dengarkan podcast baru kami, untuk penyelaman 15 menit ke berita pasar terbaru dan headline keuangan, dua kali seminggu. Ikuti edisi-edisi sebelumnya dari buletin ini di sini.

Buletin yang direkomendasikan untuk Anda

Due Diligence — Berita utama dari dunia keuangan perusahaan. Daftar di sini

The AI Shift — John Burn-Murdoch dan Sarah O’Connor membahas bagaimana AI mengubah dunia kerja. Daftar di sini