Laporan Deutsche Bank Learning Notes menyenaraikan beberapa kesilapan yang biasa dilakukan dalam strategi pengukuran

Laporan Deutsche Bank Learning Notes menyenaraikan beberapa kesilapan yang biasa dilakukan dalam strategi pengukuran

• Satu, bias survivorship.

  Penyimpangan penyelamat adalah salah satu masalah yang paling biasa dihadapi oleh pelabur, dan ramai yang tahu bahawa penyimpangan penyelamat wujud, tetapi sedikit yang mengambil kira kesannya. Kami cenderung menggunakan syarikat yang masih ada ketika penilaian semula, yang bermaksud kami menghilangkan kesan syarikat yang keluar dari pasaran kerana kemelut, penyusunan semula.

  Dalam penyesuaian kepada data sejarah, beberapa saham yang gagal, keluar dari pasaran, atau yang tidak berprestasi baik secara berkala akan dibuang; dan saham-saham yang dibuang tidak muncul dalam kumpulan saham strategi anda, iaitu, ketika melakukan kajian semula masa lalu, hanya menggunakan maklumat saham komponen sekarang, menghilangkan kesan saham-saham komponen yang dibuang di masa depan kerana prestasi atau harga yang tidak baik. Gambar berikut menunjukkan berat saham komponen MSCI European Index sebagai prestasi portfolio di masa lalu. Garis biru adalah portfolio yang betul, garis merah adalah kombinasi hasil yang menyimpang.

  Rajah 1

  Penyimpangan penyelamat adalah salah satu masalah yang paling biasa dihadapi oleh pelabur, dan ramai yang tahu bahawa penyimpangan penyelamat wujud, tetapi sedikit yang mengambil kira kesannya. Kami cenderung menggunakan syarikat yang masih ada ketika penilaian semula, yang bermaksud kami menghilangkan kesan syarikat yang keluar dari pasaran kerana kemelut, penyusunan semula.

  Dalam penyesuaian kepada data sejarah, beberapa saham yang gagal, keluar dari pasaran, atau yang tidak berprestasi baik secara berkala akan dibuang; dan saham-saham yang dibuang tidak muncul dalam kumpulan saham strategi anda, iaitu, ketika melakukan kajian semula masa lalu, hanya menggunakan maklumat saham komponen sekarang, menghilangkan kesan saham-saham komponen yang dibuang di masa depan kerana prestasi atau harga yang tidak baik. Gambar berikut menunjukkan berat saham komponen MSCI European Index sebagai prestasi portfolio di masa lalu. Garis biru adalah portfolio yang betul, garis merah adalah kombinasi hasil yang menyimpang.

  Rajah 2

  Maksudnya, apabila kita mengambil semula syarikat-syarikat yang berprestasi terbaik dalam tempoh 30 tahun yang lalu, walaupun beberapa syarikat pada masa itu mempunyai risiko kredit yang tinggi, apabila anda tahu siapa yang akan bertahan, anda akan membeli dengan keuntungan yang sangat tinggi apabila risiko kreditnya tinggi atau berada dalam masalah. Jika anda mengambil saham yang gagal, keluar dari pasaran, atau yang tidak berprestasi, kesimpulan yang bertentangan adalah bahawa pelaburan dalam syarikat-syarikat yang berisiko kredit tinggi mempunyai pulangan yang jauh lebih rendah dalam jangka panjang daripada syarikat-syarikat yang mempunyai kredibiliti yang kuat.

  Terdapat banyak lagi faktor yang memberikan hasil yang bertentangan apabila mempertimbangkan kecacatan yang berlaku di kalangan mangsa.

  Rajah 3

• 2. Kebiasaannya melihat ke hadapan.

  Rajah 4

  Sebagai salah satu daripada tujuh kesalahan utama, bias survivors adalah bahawa kita tidak dapat meramalkan syarikat mana yang akan bertahan dan masih menjadi komponen indeks hari ini pada masa lalu, sedangkan bias survivors adalah hanya satu contoh bias forwards. Bias forwards merujuk kepada penggunaan data yang tidak tersedia atau tidak diumumkan pada masa itu dalam kajian semula, yang juga merupakan salah satu kesilapan yang paling biasa dalam kajian semula.

  Satu contoh yang jelas dari kesesatan melihat ke hadapan adalah dalam data kewangan, di mana penyempurnaan data kewangan lebih mudah menyebabkan kesilapan yang sukar dijumpai. Secara amnya, setiap syarikat mengeluarkan data kewangan pada masa yang berbeza, dan sering ada kelewatan. Dalam penilaian semula, kita sering menilai keadaan kewangan syarikat berdasarkan masa setiap syarikat mengeluarkan data.

  Walau bagaimanapun, apabila data titik (data titik-in-time, atau data PIT) tidak tersedia pada masa itu, hipotesis keterlambatan laporan kewangan sering salah. Gambar berikut membuktikan perbezaan yang disebabkan oleh penggunaan data PIT berbanding data bukan PIT. Pada masa yang sama, nilai akhir yang sering kita perolehi ketika memuat turun data makro sejarah yang telah diubah, tetapi banyak data KDNK negara maju dikeluarkan setelah dua kali penyesuaian, dan hasil syarikat besar juga sering diubah. Pada masa yang sama, nilai akhir masih tidak diketahui dan hanya boleh digunakan untuk analisis nilai awal. Beberapa orang mungkin menganggap bahawa perubahan kecil tidak akan mempengaruhi kesimpulan, tetapi kenyataannya menunjukkan: banyak perubahan dalam data makro berdasarkan hasil pulangan nilai awal tidak penting, dan penyesuaian data kewangan syarikat akan memberi kesan langsung kepada keputusan saham.

  Rajah 5

• 3. Bercerita (The sin of storytelling)

  Rajah 6

  Orang yang suka bercerita tanpa data, orang yang suka kuantitatif suka bercerita dengan data dan hasil. Kedua-dua keadaan mempunyai banyak persamaan, orang yang pandai bercerita atau orang yang pandai menerangkan hasil data seringkali mempunyai skrip yang telah ditetapkan di dalam diri mereka sebelum mendapatkan data, hanya perlu mencari sokongan data.

  Dengan melihat kembali kepada dua tempoh, 1997-2000 dan 2000-2002, saham komponen teknologi Amerika Syarikat dan Indeks Russell 3000, kita akan mendapati kesimpulan yang bertentangan. Dari segi saham komponen teknologi Amerika Syarikat antara 1997-2000 kadar keuntungan adalah faktor yang baik, dan hasil retrospeksi juga sangat dipercayai, namun jika kita menarik masa yang lama hingga 2002, kita akan mendapati bahawa indikator kadar keuntungan tidak lagi menjadi faktor yang baik.

  Rajah 7

  Tetapi dari prestasi pasaran pada indeks Russell 3000, kita dapat membuat kesimpulan yang bertentangan, bahawa indikator margin masih merupakan faktor yang berkesan, dan dapat dilihat bahawa jangka masa yang singkat untuk memilih dan menilai semula kumpulan saham sangat mempengaruhi penilaian keberkesanan faktor tersebut. Oleh itu, orang yang bercerita tidak dapat membuat kesimpulan yang betul.

  Rajah 8

  Setiap hari di pasaran terdapat penemuan-penemuan baharu dan faktor-faktor yang baik, mencari enjin kekal. Strategi yang dapat dikeluarkan menunjukkan prestasi yang baik. Walaupun jurucerita menerangkan sejarah dengan sangat menarik, ramalan mereka tentang masa depan hampir tidak berguna. Dalam ekonomi kewangan, perhubungan dan sebab-sebab seringkali sukar difahami, jadi, apabila kita membuat keputusan yang bertentangan dengan akal sehat atau sesuai dengan penilaian asal, lebih baik tidak menjadi jurucerita.

• Data mining dan data snooping

  Rajah 9

  Penggalian data boleh dikatakan merupakan bidang yang sangat menarik perhatian pada masa ini, berdasarkan data besar dan komputer yang disokong, orang sering berharap untuk mendapatkan faktor kebaikan yang tidak dapat dilihat. Tetapi data kewangan asal belum mencapai jumlah besar, dan data transaksi tidak memenuhi prasyarat data yang rendah.

  Kadang-kadang penggalian data hampir tidak berkesan. Sebagai contoh, kami menggunakan dua algoritma berat faktor yang berbeza untuk mengkaji semula Indeks S&P 500 dan memilih data 2009-2014 untuk diuji semula. Hasilnya menunjukkan bahawa hasil pengkaji semula dengan menggunakan 6 faktor terbaik untuk mengkaji semula data 2009-2014, menggunakan algoritma berat dan lain-lain adalah sangat sempurna, sedangkan hasil pengkaji semula dengan sampel data sejarah adalah lurus.

  Rajah 10

  Oleh itu, kita semua harus mempunyai logika dan motivasi yang jelas ketika membina strategi atau mencari faktor-faktor yang baik. Analisis kuantitatif hanyalah alat untuk mengesahkan logika atau motivasi kita sendiri, bukan mencari jalan pintas untuk logika. Secara umum, motivasi kita untuk membina strategi atau mencari faktor banyak berasal dari pengetahuan teori asas kewangan, keberkesanan pasaran, kewangan tingkah laku dan lain-lain. Sudah tentu, kita juga tidak menafikan nilai aplikasi perlombongan data dalam bidang kuantitatif.

• 5. Pemudaratan isyarat, kadar pertukaran, kos transaksi

  Rajah 11

  Pengurangan isyarat merujuk kepada keupayaan untuk meramalkan berapa lama pulangan saham akan datang selepas faktor yang dihasilkan. Secara umum, kadar pertukaran yang tinggi dan penurunan isyarat berkaitan. Faktor pilihan saham yang berbeza sering mempunyai ciri pengurangan isyarat yang berbeza. Penurunan isyarat yang lebih cepat sering memerlukan kadar pertukaran yang lebih tinggi untuk memperoleh keuntungan. Walau bagaimanapun, kadar pertukaran yang lebih tinggi sering juga bermaksud kos urus niaga yang lebih tinggi. Menambah batasan kadar pertukaran dalam pembinaan portfolio adalah kaedah yang agak mudah, tetapi bukan kaedah yang paling ideal, kerana batasan kadar pertukaran kadang-kadang membantu kita mengunci pendapatan, tetapi kadang-kadang juga menjejaskan prestasi gabungan yang ditetapkan. Oleh itu, mengukur penurunan isyarat, kos urus niaga, dan keupayaan ramalan model adalah penting untuk membina portfolio.

  Jadi, bagaimana untuk menentukan kekerapan penyesuaian yang optimum? Kita perlu perhatikan bahawa kekangan kadar pertukaran yang ketat tidak bermakna pengurangan kekerapan penyesuaian. Sebagai contoh, kita sering mendengar yang serupa. Kami adalah pelabur nilai jangka panjang, dan kami menjangkakan untuk memegang saham selama 3-5 tahun. Oleh itu, kami melakukan penyesuaian sesekali setahun.

  Rajah 12

  Apabila membeli 100 saham yang paling buruk pada hari itu pada hari penutupan, menjual pegangan masa lalu, perdagangan harian yang berterusan, pulangan yang sangat tinggi. Kesalahan di sini juga adalah kesesuaian masa depan, dan sebelum penutupan, kita tidak tahu saham mana yang paling buruk pada hari itu, iaitu menggunakan perdagangan terprogram, strategi ini juga tidak dapat dilaksanakan. Kita hanya boleh membeli 100 saham yang paling buruk pada hari itu pada harga pembukaan setiap hari. Dengan perbandingan, strategi membeli dengan harga pembukaan hampir lurus.

• 6. Nilai luar biasa (Outliers)

  Rajah 13

  Teknik kawalan nilai keanehan tradisional terutamanya termasuk dua jenis winsorization dan truncation, standardisasi data juga boleh dilihat sebagai salah satu kaedah kawalan nilai keanehan, dan teknik standardisasi berpotensi mempunyai kesan yang signifikan terhadap prestasi model. Sebagai contoh, kadar keuntungan saham komponen indeks S&P BMI Korea dalam gambar di bawah, terdapat perbezaan besar dalam hasil menggunakan kaedah purata, menghilangkan 1% atau 2% margin. Masalah seperti ini sering berlaku dalam data makro, dan sedikit margin yang tidak diproses terlebih dahulu boleh menjejaskan hasil regresi dengan teruk.

  Rajah 14

  Walaupun nilai-nilai keanehan mungkin mengandungi maklumat yang berguna, dalam kebanyakan kes, mereka tidak mengandungi maklumat yang berguna. Sudah tentu, pengecualian untuk faktor dinamika harga. Seperti yang ditunjukkan di bawah, garis biru adalah persembahan gabungan selepas menghilangkan nilai keanehan, dan garis merah adalah data mentah. Kita dapat melihat bahawa strategi dinamika data mentah jauh lebih baik daripada prestasi strategi selepas menghilangkan nilai keanehan.

  Rajah 15

• 7. The asymmetric payoff pattern and shorting.

  Rajah 16

  Secara amnya, strategi yang lebih biasa digunakan untuk melakukan strategi multi-faktor adalah strategi banyak ruang, iaitu melakukan banyak saham yang baik dan melakukan saham yang buruk. Malangnya, tidak semua faktor adalah sama, ciri-ciri pendapatan banyak ruang kebanyakan faktor tidak seimbang, ditambah dengan kos yang mungkin ada dan kelayakan realiti yang mungkin ada, dan juga menimbulkan masalah yang besar kepada pelaburan kuantitatif. Gambar berikut menunjukkan ciri-ciri pendapatan banyak ruang faktor, yang disenaraikan mengikut saiz perbezaan.

  Rajah 17

Sumber: Walking Wall Street