Ніхто не знає точно, звідки береться альфа

Ця стаття є версією нашої розсилки Unhedged на сайті. Преміум-підписники можуть підписатися тут, щоб отримувати розсилку щодня у будні дні. Стандартні підписники можуть оновити свій статус до Преміум тут або ознайомитися з усіма розсилками FT.

Доброго ранку. Менеджер приватного кредитування Blue Owl припинив викуп акцій одного з його фондів, орієнтованих на роздрібних інвесторів, і приватні менеджери активів усіх видів продали свої активи вчора у відповідь. Очікувалося, що бажання роздрібних інвесторів мати ліквідність буде неспокійною сумішшю з моделлю інвестицій приватного кредитування (навіть Unhedged передбачав цю проблему). Чи вдасться врятувати ці відносини? Надсилайте нам свої думки: unhedged@ft.com.

У фінансах «не думай, а дивись!»

Добрі академічні статті часто здаються, парадоксально, одночасно очевидно правдивими і дуже цікавими. Хороший приклад — стаття Unhedged кілька днів тому — «Чи допомагає рецензоване дослідження прогнозувати доходи акцій» — є гарним прикладом.

Автори, Ендрю Чен, Алехандро Лопес-Ліра і Том Ціммерман (яких я називатиму CLZ), аналізують два набори предикторів перевищення ринкової доходності акцій, або «альфу». Перший набір включає 200 сигналів, задокументованих у престижних рецензованих журналах з економіки, фінансів і бухгалтерського обліку; вони включають такі речі, як зростання інвестицій, високий рівень випуску боргів або акцій, і несподіванки у прибутках. У літературі ці сигнали мають історичні докази переваги і, у багатьох випадках, супроводжуються економічним поясненням. Пояснення зазвичай пропонують або що інвестори отримують плату за ризик, або що в роботі присутня стійка форма ірраціональності інвесторів.

Другий набір предикторів був створений за допомогою комп’ютера. CLZ взяли набір із 29 000 коефіцієнтів бухгалтерського обліку і «зробили data mining», шукаючи ті, що прогнозують перевагу з статистично значущою ймовірністю.

Після цього CLZ протестували обидва набори предикторів на історичних даних, що не входили у навчальний набір. Вони виявили, що обидві групи показали майже ідентичну продуктивність. Тести проводилися шляхом побудови довгих і коротких позицій так, щоб очікувана доходність була нульовою, якщо предикторів не було. На діаграмі нижче кожен предиктор показаний з додатковою доходністю, переформатованою до 100 для порівняння. Академічні та data mining предиктори втратили приблизно половину своєї прогностичної сили під час тестування на нових даних і втрачали її з приблизно однаковою швидкістю. Їхня діаграма:

Як зазначає CLZ,

Після вибірки продуктивність обох типів предикторів зменшується до приблизно 50 відсотків від початкових значень. Доходність, отримана за допомогою data mining, зменшується трохи більше, ніж публікації, але різниця є невеликою як з економічної, так і з статистичної точки зору. Протягом більшої частини графіка, бенчмарк, створений за допомогою data mining, знаходиться в межах одного стандартного помилкового відхилення від публікаційних предикторів… продуктивність предикторів, що пройшли рецензування і data mining, виявилася надзвичайно схожою.

Пояснення альфи у академічних дослідженнях — ризик, ірраціональність, що завгодно — також не має значення. Насправді, «лише дослідження, яке є байдужим до теоретичного походження передбачуваності, показує стабільну перевагу порівняно з data mining»; навіть цей ефект є «скромним». Як підсумував Лопес-Ліра, «здається, немає нічого особливого у предикторах доходності, відкритих академіками, порівняно з статистично сильними предикторами». Узагальнюючи цю ідею: знати, чому певна кількісна інвестиційна стратегія працює, психологічно або економічно, зовсім не допомагає інвесторам.

Що це нагадує (як вже зазначали інші) — Джим Саймонс, засновник Renaissance Technologies, найуспішнішого квантового хедж-фонду всіх часів. Він відомий тим, що говорив, що єдине правило його фонду — «ніколи не переказуйте комп’ютер» (див. 49-у хвилину і далі цього відео). Якщо комп’ютер каже, що існує exploitable статистичний зв’язок на ринках, не намагайтеся його пояснити — торгуйте цим. Адже якщо б існувало чітке пояснення, ця зв’язок уже була б усунена. Відповідно, лазівка була б закрита.

Результат CLZ здається мені інтуїтивним і природним. Ми знаємо, що в міру того, як ринок створює можливості для дій, ці можливості використовуються і зменшуються. Чим більше можливість підкріплена чітким економічним або психологічним поясненням, тим швидше вона зникне. Що було б дивним — це якщо будь-яка можливість отримати доходність вище за ринок з урахуванням ризику, яка була б зафіксована логічною економічною або психологічною теорією, збереглася б довго. Інвестори, якщо вони застосовують кількісний підхід до ринку, мають слідувати Вітггенштейну, дивлячись спершу, а думати — пізніше. Результат CLZ свідчить, що теорія — це в кращому випадку слабкий орієнтир для перевищення, а в гіршому — марна.

Що подумають кількісні інвестори про роботу CLZ? Я запитав Роберта Арнотта, засновника «розумних бета»-інвестиційних консультантів Research Affiliates. Він відповів, що якщо

залучити 29 000 академіків, які шукають посаду, і змусити їх шукати предиктивні «фактори» у даних, то цілком природно, що комп’ютер, що аналізує 29 000 гіпотетичних факторів, дасть майже ідентичні результати…

Науковий метод полягає в тому, що ми формуємо гіпотезу, потім використовуємо історичні дані для її перевірки, а потім шукаємо дані за межами вибірки (наприклад, неамериканські, або до- або постмодерні епохи) для подальшої валідації гіпотези. Академічні фінанси зазвичай формують гіпотезу, що відповідає даним, що не є науковим методом. Потім бек-тест використовується для покращення бек-тесту, і гіпотеза коригується відповідно. Це класичний приклад data mining.

Арнотт стверджує, що дослідження певного предиктора або факторів має розділяти будь-який надлишковий дохід на те, що він називає «рецінкову альфу» і «структурну альфу». Рецінкова альфа — це те, що трапляється, коли акції з певним фактором стають більш або менш дорогими відносно ринку, за показниками ціна/прибуток і подібними. Структурна альфа — це будь-який додатковий дохід, що залишається після вилучення рецінкової альфи, що свідчить про «те, що фактор прогнозує покращення фундаментальних показників, а не просто підвищення доходів». Рецінкова альфа має бути «не повторюваною в кращому випадку», тоді як структурна альфа може тривати.

З погляду Арнотта, більш науковий підхід міг би допомогти нам знайти стійкі пояснення джерел альфи. Потрібно ще працювати.

Хороший матеріал для читання

Чи маєте ви достатньо акцій?

Подкаст FT Unhedged

Не можете насититися Unhedged? Послухайте наш новий подкаст, що дає 15-хвилинний огляд останніх новин ринків і фінансових заголовків, двічі на тиждень. Ознайомтеся з попередніми випусками розсилки тут.

Рекомендовані розсилки для вас

Due Diligence — Топ-новини з світу корпоративних фінансів. Підписатися тут

The AI Shift — Джон Берн-Мердох і Сара О’Коннор досліджують, як штучний інтелект трансформує світ праці. Підписатися тут