Никто не знает точно, откуда берется альфа

Эта статья — версия нашего информационного бюллетеня Unhedged на сайте. Премиум-подписчики могут подписаться здесь, чтобы получать бюллетень каждый будний день. Стандартные подписчики могут перейти на Премиум здесь или ознакомиться со всеми бюллетенями FT.

Доброе утро. Менеджер по частному кредитованию Blue Owl приостановил выкуп средств одного из своих фондов, ориентированных на розничных инвесторов, и все виды частных управляющих активами вчера продали активы в ответ. Ожидалось, что желание розничных инвесторов иметь ликвидность будет сочетаться с моделью инвестирования в частный кредит — это было предсказуемо (даже Unhedged предвидел проблемы). Можно ли спасти эти отношения? Напишите нам свои мысли: unhedged@ft.com.

В финансах «не думайте, а смотрите!»

Хорошие академические статьи часто кажутся, парадоксально, одновременно очевидными и очень интересными. Хорошая статья Unhedged несколько дней назад — «Помогает ли рецензируемое исследование предсказывать доходность акций» — является хорошим примером.

Эта статья, авторы которой — Эндрю Чен, Алехандро Лопес-Лира и Том Циммерман (которого я буду называть CLZ), рассматривает два набора предикторов превышения рыночной доходности акций, или «альфы». Первый набор включает 200 сигналов, задокументированных в престижных рецензируемых журналах по экономике, финансам и бухгалтерскому учету; среди них — рост инвестиций, высокий уровень долгового или акционерного финансирования и сюрпризы по прибыли. В литературе эти сигналы сопровождаются историческими данными о превосходстве и, во многих случаях, экономическим объяснением. Объяснения обычно предполагают либо, что инвесторы получают вознаграждение за риск, либо что в работе присутствует устойчивая форма иррациональности инвесторов.

Второй набор предикторов был создан с помощью компьютера. CLZ взяли 29 000 бухгалтерских коэффициентов и «данные-майнили», ищущие те, что предсказывают превосходство с статистической значимостью.

Затем CLZ протестировали оба набора предикторов на исторических данных вне выборки. Они обнаружили, что оба набора показывают почти одинаковую эффективность. Тесты проводились путем построения длинных и коротких сделок так, чтобы ожидаемая доходность была нулевой при отсутствии предсказательной силы. На графике ниже демонстрируется, что дополнительная доходность каждого предиктора приведена к базе 100 для сравнения. Академические и «данные-майненные» предикторы потеряли примерно половину своей предсказательной силы при тестировании вне выборки и делали это примерно с одинаковой скоростью. Их график:

Как говорит CLZ,

После выборки, эффективность обоих типов предикторов снижается примерно до 50 процентов от исходных значений. Доходность, полученная с помощью данных-майнинга, немного снижается больше, чем опубликованные показатели, но разница небольшая как с экономической, так и со статистической точек зрения. В большинстве случаев графика, эталон данных-майнинга находится в пределах одной стандартной ошибки от опубликованных предикторов… Поствыборочная эффективность рецензируемых и данных-майнинговых предикторов удивительно похожа.

Объяснение альфы в академических исследованиях — риск, иррациональность или что-то еще — тоже не имело значения. На самом деле, «только исследования, которые не привязаны к теоретическому происхождению предсказуемости, показывают последовательное превосходство по сравнению с данными-майнингом»; даже этот эффект «скромен». Как Лопес-Лира объяснил мне, «не кажется, что есть что-то особенное в предикторах доходности, открытых учеными, по сравнению со статистически сильными предикторами». Обобщая, можно сказать, что знание причин, почему определенная стратегия количественного инвестирования работает, психологически или экономически, не приносит инвесторам никакой пользы.

Это вызывает ассоциации (как отмечали другие) с Джимом Саймоном, основателем Renaissance Technologies, самого успешного квантового хедж-фонда за всю историю. Он известен тем, что говорил, что единственное правило его фонда — «никогда не переигрывать компьютер» (см. минуту 49 и далее этого видео). Если компьютер говорит вам, что в рынках есть exploitable статистическая связь, не пытайтесь ее объяснить — торгуйте по ней. Потому что если бы было простое объяснение, эта связь уже была бы устранена. Лазейка была бы закрыта.

Результат CLZ кажется мне интуитивно понятным и естественным. Мы знаем, что по мере того, как рынок создает действенные возможности, эти возможности эксплуатируются и деградируют. Чем яснее экономическое или психологическое объяснение возможности, тем быстрее она исчезает. Удивительно было бы, если бы любая возможность получения дохода выше рыночного с учетом риска, которая подтверждается логической экономической или психологической теорией, сохранялась бы долго. Инвесторы, если они используют количественный подход к рынкам, должны следовать Витгенштейну — сначала смотреть, а думать — позже. Результат CLZ показывает, что теория — в лучшем случае слабый ориентир для достижения превосходства, а в худшем — бесполезный.

Что подумают количественные инвесторы о работе CLZ? Я спросил Роба Арнотта, основателя консультанта по «умным бета»-инвестициям Research Affiliates. Он ответил, что

если привлечь 29 000 академиков, ищущих профессорский статус, чтобы они искали предиктивные «факторы» в данных, то неудивительно, что компьютер, анализирующий 29 000 гипотетических факторов, дает почти одинаковые результаты…

Научный метод предполагает, что мы выдвигаем гипотезу, затем используем исторические данные для ее проверки, а затем ищем вне выборки (например, неамериканские рынки, или до-современной эпохи, или поствыборочные данные), чтобы дополнительно подтвердить гипотезу. Академическая финансы обычно разрабатывает гипотезу, которая соответствует данным, что не является научным методом. Затем используют бэктестинг для улучшения бэктеста, и гипотеза корректируется соответственно. Это классический пример data mining.

Арнотт утверждает, что исследование конкретного предиктора или факторов должно разбивать любую избыточную доходность на то, что он называет «переоценочной альфой» и «структурной альфой». Переоценочная альфа — это то, что происходит, когда акции с определенным фактором становятся дороже или дешевле относительно рынка, измеряемого по коэффициентам цена/прибыль и подобным. Структурная альфа — это та дополнительная доходность, которая остается после устранения переоценочной альфы, указывая на то, что «фактор предсказывает улучшение фундаментальных показателей, а не просто повышение доходности». Переоценочная альфа должна быть «в лучшем случае нерегулярной», а структурная — сохраняться.

По мнению Арнотта, более строгий интеллектуальный подход мог бы помочь найти устойчивые объяснения источников альфы. Работы еще много.

Хорошее чтение

Достаточно ли у вас акций?

Подкаст FT Unhedged

Не хватает Unhedged? Слушайте наш новый подкаст, 15 минут о последних новостях рынков и финансовых заголовках, дважды в неделю. Ознакомьтесь с прошлыми выпусками бюллетеня здесь.

Рекомендуемые бюллетени для вас

Due Diligence — Главные новости из мира корпоративных финансов. Подписывайтесь здесь

Сдвиг в ИИ — Джон Берн-Мёрдок и Сара О’Коннор рассказывают о том, как ИИ меняет мир труда. Подписывайтесь здесь