ڈوئچے بینک کی رپورٹ کے مطالعہ کے نوٹ، مقداری حکمت عملیوں میں کئی عام غلطیوں کی فہرست

---

• ### ایک، زندہ بچ جانے والا تعصب

زندہ بچ جانے والا تعصب سرمایہ کاروں کا سب سے عام مسئلہ ہے ، اور بہت سے لوگ زندہ بچ جانے والے تعصب کے وجود کے بارے میں جانتے ہیں ، لیکن بہت کم لوگ اس کے اثرات کو سنجیدگی سے لیتے ہیں۔ ہم صرف موجودہ کمپنیوں کو استعمال کرنے کی طرف مائل ہیں ، جس کا مطلب یہ ہے کہ ہم ان کمپنیوں کے اثرات کو خارج کردیں گے جو دیوالیہ پن ، تنظیم نو اور مارکیٹ سے باہر ہیں۔

تاریخی اعداد و شمار کو ایڈجسٹ کرتے وقت ، کچھ دیوالیہ ، غیر منقولہ اور ناقص کارکردگی کا مظاہرہ کرنے والے اسٹاک کو باقاعدگی سے خارج کردیا جاتا ہے۔ اور یہ خارج شدہ اسٹاک آپ کی حکمت عملی کے اسٹاک پول میں ظاہر نہیں ہوتے ہیں۔ یعنی ، ماضی کی جانچ پڑتال کرتے وقت صرف موجودہ اجزاء اسٹاک کی معلومات کا استعمال کیا جاتا ہے ، ان حصص کے اثرات کو چھوڑ کر جو مستقبل میں کارکردگی یا حصص کی قیمت کی خراب کارکردگی کی وجہ سے اجزاء اسٹاک سے خارج کردیئے جاتے ہیں۔

تصویر 1

زندہ بچ جانے والا تعصب سرمایہ کاروں کا سب سے عام مسئلہ ہے ، اور بہت سے لوگ زندہ بچ جانے والے تعصب کے وجود کے بارے میں جانتے ہیں ، لیکن بہت کم لوگ اس کے اثرات کو سنجیدگی سے لیتے ہیں۔ ہم صرف موجودہ کمپنیوں کو استعمال کرنے کی طرف مائل ہیں ، جس کا مطلب یہ ہے کہ ہم ان کمپنیوں کے اثرات کو خارج کردیں گے جو دیوالیہ پن ، تنظیم نو اور مارکیٹ سے باہر ہیں۔

تاریخی اعداد و شمار کو ایڈجسٹ کرتے وقت ، کچھ دیوالیہ ، غیر منقولہ اور ناقص کارکردگی کا مظاہرہ کرنے والے اسٹاک کو باقاعدگی سے خارج کردیا جاتا ہے۔ اور یہ خارج شدہ اسٹاک آپ کی حکمت عملی کے اسٹاک پول میں ظاہر نہیں ہوتے ہیں۔ یعنی ، ماضی کی جانچ پڑتال کرتے وقت صرف موجودہ اجزاء اسٹاک کی معلومات کا استعمال کیا جاتا ہے ، ان حصص کے اثرات کو چھوڑ کر جو مستقبل میں کارکردگی یا حصص کی قیمت کی خراب کارکردگی کی وجہ سے اجزاء اسٹاک سے خارج کردیئے جاتے ہیں۔

تصویر 2

اس کا مطلب یہ ہے کہ جب ہم پچھلے 30 سالوں میں بہترین کارکردگی کا مظاہرہ کرنے والی کمپنیوں کا جائزہ لیتے ہیں ، یہاں تک کہ اگر کچھ کمپنیاں اس وقت کریڈٹ رسک میں تھیں ، جب آپ جانتے ہیں کہ کون زندہ رہے گا ، تو کریڈٹ رسک میں یا پریشانی میں خریدنا بہت زیادہ منافع بخش ہے۔

اور بہت سے عوامل ہیں جو زندہ بچ جانے والوں کے انحراف کے بارے میں سوچتے ہیں اور اس کے برعکس نتیجہ اخذ کرتے ہیں۔

تصویر نمبر 3

• ### دوئم، آگے کی طرف دیکھنا

تصویر 4

زندہ بچ جانے والوں کے تعصب کا ایک سب سے بڑا جرم یہ ہے کہ ہم ماضی میں کھڑے ہیں اور یہ پیش گوئی نہیں کرسکتے ہیں کہ کون سی کمپنیاں زندہ بچیں گی اور آج بھی انڈیکس کے اجزاء ہیں ، اور زندہ بچ جانے والوں کا تعصب صرف ایک پیش گوئی تعصب کی ایک مثال ہے۔ پیش گوئی کا تعصب اس وقت پیش کیا جاتا ہے جب جائزہ لیا جاتا ہے جب جائزہ لیا جاتا ہے تو اس وقت دستیاب نہیں تھا یا ابھی تک عوامی طور پر دستیاب نہیں تھا ، جو جائزہ لینے میں سب سے عام غلطی ہے۔

ایک واضح مثال جس میں مستقبل کی طرف مائل ہونے کا خدشہ ہے وہ مالیاتی اعداد و شمار پر ظاہر ہوتا ہے ، اور مالیاتی اعداد و شمار میں ترمیم کرنے سے زیادہ آسانی سے ناقابل شناخت غلطیاں پیدا ہوسکتی ہیں۔ عام طور پر ، ہر کمپنی کے مالی اعداد و شمار کو مختلف وقت پر جاری کیا جاتا ہے ، اور اکثر اس میں تاخیر ہوتی ہے۔ اور جب ہم پیمائش کرتے ہیں تو ہم کمپنی کی مالی حالت کا اندازہ اس وقت کرتے ہیں جب ہر کمپنی کے اعداد و شمار کو جاری کیا جاتا ہے۔

تاہم ، جب اس وقت پوائنٹ ڈیٹا (پوائنٹ ان ٹائم ڈیٹا ، یا پی آئی ٹی ڈیٹا) دستیاب نہیں ہوتا ہے تو ، مالیاتی رپورٹوں میں تاخیر کا مفروضہ اکثر غلط ہوتا ہے۔ مندرجہ ذیل تصویر میں پی آئی ٹی ڈیٹا اور غیر پی آئی ٹی ڈیٹا کے استعمال سے پیدا ہونے والے اختلافات کی تصدیق کی گئی ہے۔ اس کے علاوہ ، ہم تاریخی میکرو ڈیٹا ڈاؤن لوڈ کرتے وقت اکثر ترمیم شدہ اختتام حاصل کرتے ہیں ، لیکن بہت سے ترقی یافتہ ممالک میں جی ڈی پی کے اعداد و شمار کی اشاعت کے بعد دو بار ایڈجسٹمنٹ کی ضرورت ہوتی ہے ، بڑی کمپنیوں کے مالیاتی بیانات میں ترمیم بھی اکثر ترمیم کی جاتی ہے۔ جب ہم ریٹرننگ کرتے ہیں تو ، اختتامی قیمت اکثر نامعلوم ہوتی ہے ، صرف ابتدائی قیمت کا تجزیہ استعمال کیا جاسکتا ہے۔ کچھ لوگوں کا خیال ہے کہ معمولی ترمیمات نتائج پر اثر انداز ہوسکتی ہیں ، لیکن حقیقت یہ ہے کہ: بہت سے میکرو ڈیٹا ابتدائی قیمت کی واپسی پر مبنی نتائج پر نمایاں اثر انداز نہیں ہوتے ہیں ، اور مالی اعداد و شمار کو ایڈجسٹ کرنے سے اسٹاک انتخاب کے نتائج پر براہ راست اثر پڑے گا۔

تصویر 5

• ### کہانی سنانے کا گناہ

تصویر 6

کچھ لوگ بغیر کسی اعداد و شمار کے کہانیاں سنانا پسند کرتے ہیں ، اور مقداری لوگ اعداد و شمار اور نتائج کے ساتھ کہانیاں سنانا پسند کرتے ہیں۔ دونوں صورتوں میں بہت ساری مماثلتیں ہیں۔ کہانی سنانے میں ماہر افراد یا اعداد و شمار کے نتائج کی ترجمانی کرنے میں ماہر افراد اکثر اعداد و شمار سے پہلے ہی اسکرپٹ تیار کرلیتے ہیں ، صرف اعداد و شمار کی حمایت کرنے کی ضرورت ہوتی ہے۔

1997-2000 اور 2000-2002 کے دوران امریکی ٹیک اجزاء کے حصص اور رسل 3000 انڈیکس کا جائزہ لیتے ہوئے ، ہم ایک بالکل مخالف نتیجہ اخذ کرتے ہیں۔ 1997-2000 کے دوران امریکی ٹیک اجزاء کے حصص سے ، منافع کی شرح ایک اچھا عنصر ہے ، اور اس کے نتائج بھی قابل اعتماد ہیں۔ تاہم ، اگر ہم 2002 تک طویل عرصے تک پھیلائیں تو ، ہمیں پتہ چلتا ہے کہ منافع کی شرح کا اشارے اب ایک اچھا عنصر نہیں ہے۔

تصویر 7

لیکن جب ہم راسل 3000 انڈیکس کی مارکیٹ کی کارکردگی کو دیکھتے ہیں تو ہم اس کے برعکس نتیجہ اخذ کرتے ہیں کہ منافع کی شرح کا اشارے اب بھی ایک موثر عنصر ہے ، جیسا کہ اسٹاک پول کے انتخاب اور جانچ پڑتال کے وقت کی لمبائی اس عنصر کی تاثیر پر بہت زیادہ اثر ڈالتی ہے۔ لہذا کہانی سنانے والے صحیح نتیجہ نہیں نکال سکتے ہیں۔

تصویر 8

مارکیٹوں میں روزانہ نئے اور اچھے عوامل دریافت ہوتے ہیں ، مستقل محرک کی تلاش میں۔ جو حکمت عملی جاری کی جاسکتی ہے وہ اچھی کارکردگی کا مظاہرہ کرتی ہے۔ اگرچہ کہانی سنانے والوں کی تاریخ کی وضاحت بہت دل چسپ ہے ، لیکن مستقبل کی پیش گوئی کرنے میں اس کا کوئی فائدہ نہیں ہے۔ مالیاتی معیشت میں ربط اور اسباب کو سمجھنا اکثر مشکل ہوتا ہے ، لہذا ، جب ہم عام فہم کے خلاف یا اپنے پہلے فیصلے کے مطابق نتائج اخذ کرتے ہیں تو ، بہتر ہے کہ کہانی سنانے والے کی حیثیت سے کام نہ کریں۔

• ### ڈیٹا مائننگ اور ڈیٹا اسنوپنگ

تصویر 9

اعداد و شمار کی کھدائی اس وقت بہت زیادہ توجہ کا مرکز ہے ، جس میں بڑے پیمانے پر اعداد و شمار اور کمپیوٹر کی طاقت کی حمایت کی جاتی ہے ، لوگ اکثر یہ چاہتے ہیں کہ وہ ناقابل شناخت اچھے عوامل حاصل کریں۔ تاہم ، اصل مالی اعداد و شمار ابھی تک بہت زیادہ نہیں ہیں ، اور ٹرانزیکشن کے اعداد و شمار کم شور کے اعداد و شمار کی پیش گوئی نہیں کرتے ہیں۔

بعض اوقات ڈیٹا کھدائی تقریبا ineffective غیر موثر ہوتی ہے۔ مثال کے طور پر ، ہم نے ایس ایم پی 500 انڈیکس کو دو مختلف فیکٹر ویٹڈ الگورتھم ماڈلنگ کے ساتھ منتخب کیا ہے ، جس میں 2009-2014 کے اعداد و شمار کو واپس کرنے کے لئے منتخب کیا گیا ہے۔ نتائج سے پتہ چلتا ہے کہ 2009-2014 کے اعداد و شمار کو استعمال کرتے ہوئے بہترین کارکردگی کا مظاہرہ کرنے والے 6 عوامل کو منتخب کیا گیا ہے ، مساوی وزن کے الگورتھم کا استعمال کرتے ہوئے واپس کرنے کے نتائج بہت کامل ہیں ، جبکہ تاریخی اعداد و شمار کے ساتھ نمونہ سے باہر کی جانچ پڑتال کے نتائج ایک سیدھی لائن ہیں۔

تصویر 10

لہذا ، حکمت عملی تیار کرتے وقت یا اچھے فیکٹرز ڈھونڈتے وقت ، ہمارے پاس واضح منطق اور محرک ہونا چاہئے۔ مقداری تجزیہ صرف اپنے منطق یا محرک کی تصدیق کرنے کا ایک ذریعہ ہے ، نہ کہ منطق کی تلاش کا شارٹ کٹ۔ عام طور پر ، حکمت عملی تیار کرنے یا عوامل تلاش کرنے کی ہماری ترغیب فنانس کی بنیادی نظریاتی معلومات ، مارکیٹ کی افادیت ، اور طرز عمل فنانس جیسے شعبوں سے حاصل ہوتی ہے۔ یقینا ، ہم اعداد و شمار کی کھدائی کی مقدار کے شعبوں میں اطلاق کی قدر سے انکار نہیں کرتے ہیں۔

• ### سگنل کی کمی، ٹرن اوور، اور ٹرانزیکشن لاگت

تصویر 11

سگنل کی کمی کا مطلب یہ ہے کہ ایک عنصر کی تخلیق کے بعد اسٹاک کی واپسی کی پیش گوئی کرنے کی صلاحیت ہے کہ مستقبل میں کتنا عرصہ تک اس کی واپسی ہوگی۔ عام طور پر ، اعلی تبادلہ کی شرح اور سگنل کی کمی کا تعلق ہے۔ مختلف اسٹاک سلیکشن فیکٹرز میں اکثر معلومات کی کمی کی مختلف خصوصیات ہوتی ہیں۔ تیزی سے سگنل کی کمی کا مطلب یہ ہوتا ہے کہ منافع کمانے کے لئے زیادہ تبادلہ کی شرح کی ضرورت ہوتی ہے۔ تاہم ، زیادہ تبادلہ کی شرح کا مطلب اکثر تجارت کی زیادہ لاگت بھی ہوتا ہے۔ پورٹ فولیو کی تعمیر میں تبادلہ کی شرح کو محدود کرنا ایک نسبتا simple آسان طریقہ ہے ، لیکن یہ سب سے زیادہ مثالی نہیں ہے ، کیونکہ تبادلہ کی شرح کی حد کبھی کبھی ہمیں منافع کو روکنے میں مدد ملتی ہے اور کبھی کبھی پہلے سے طے شدہ پورٹ فولیو کی کارکردگی کو بھی نقصان پہنچاتی ہے۔ لہذا ، سگنل کی کمی ، تجارتی لاگت کے ماڈل اور پیش گوئی کی صلاحیت کا توازن بنانا ایک اہم سرمایہ کاری ہے۔

تو ، کس طرح زیادہ سے زیادہ ایڈجسٹمنٹ کی فریکوئنسی کا تعین کیا جائے؟ ہمیں یہ نوٹ کرنے کی ضرورت ہے کہ تبادلہ کی شرح کی پابندیوں کو سخت کرنے کا مطلب یہ نہیں ہے کہ ایڈجسٹمنٹ کی فریکوئنسی کو کم کیا جائے۔ مثال کے طور پر ، ہم اکثر اس طرح کی باتیں سنتے ہیں کہ ہم طویل مدتی ویلیو انویسٹر ہیں اور ہم اسٹاک کو 3-5 سال تک رکھنے کی توقع کرتے ہیں۔ لہذا ، ہم سال میں ایک بار ایڈجسٹ کرسکتے ہیں۔ تاہم ، معلومات بہت تیزی سے چلتی ہے ، ہمیں اپنے ماڈل اور توقعات کو بروقت ایڈجسٹ کرنے کی ضرورت ہے۔ یہاں تک کہ اگر ہماری تبادلہ کی شرح کی پابندی سخت ہے تو ، ہمیں مناسب وقت پر پوزیشن کی تعدد کو تیز کرنے کی ضرورت ہوگی۔ ایک انتہائی کیس جس میں ایک عنصر تیزی سے زوال پذیر ہوتا ہے اس کی مثال ذیل میں دی گئی ہے۔

تصویر 12

جب ہر روز بند ہونے پر اس دن کی بدترین کارکردگی کا مظاہرہ کرنے والے 100 اسٹاک خریدیں ، ماضی کی انعقاد کو فروخت کریں ، روزانہ تجارت جاری رکھیں ، بہت زیادہ واپسی کی شرح۔ یہاں کی غلطی بھی ایک پیش گوئی کا انحراف ہے ، اور نہ ہی بند ہونے والے اسٹاک کو ہم نہیں جانتے ہیں کہ اس دن کون سے اسٹاک بدترین کارکردگی کا مظاہرہ کریں گے ، یعنی پروگرام ٹریڈنگ کا استعمال کریں ، یہ حکمت عملی بھی ناقابل عمل ہے۔ ہم صرف 100 اسٹاک خرید سکتے ہیں جو کل کی بدترین کارکردگی کا مظاہرہ کرتے ہیں۔ اس کے برعکس ، کھلنے کی قیمت پر خریدنے کی حکمت عملی تقریبا a سیدھی لائن ہے۔

• ### چھ، غیر معمولی اقدار (Outliers)

تصویر 13

روایتی غیر معمولی قیمت کنٹرول تکنیک میں بنیادی طور پر ونسوریزیشن اور ٹرنکیشن دونوں شامل ہیں۔ اعداد و شمار کی معیاری کاری کو بھی غیر معمولی قیمت کنٹرول کے طریقوں میں سے ایک کے طور پر دیکھا جاسکتا ہے۔ معیاری کاری کی تکنیک ماڈل کی کارکردگی پر نمایاں اثر ڈالنے کا امکان رکھتی ہے۔ مثال کے طور پر ذیل میں دیئے گئے گراف میں اسٹینڈرڈ بی ایم آئی کوریا انڈیکس اجزاء کے حصص کی منافع کی شرح ، اوسط ، 1٪ ، 2٪ انتہائی قیمت کو ہٹانے جیسے طریقوں کے نتائج میں بہت زیادہ فرق ہے۔ میکرو ڈیٹا میں اکثر اس طرح کے مسائل ہوتے ہیں ، اگر کچھ انتہائی قیمتوں پر پہلے سے علاج نہ کیا جائے تو ، نتائج کو شدید متاثر کیا جاسکتا ہے۔

تصویر 14

اگرچہ غیر معمولی اقدار میں مفید معلومات ہوسکتی ہیں ، لیکن زیادہ تر معاملات میں ، ان میں کوئی مفید معلومات نہیں ہوتی ہے۔ یقینا ، قیمت کی حرکیات کے عوامل کے لئے ایک استثنا ہے۔ جیسا کہ نیچے دیئے گئے گراف میں دکھایا گیا ہے ، نیلی لائن غیر معمولی اقدار کو ہٹانے کے بعد مجموعی کارکردگی ہے ، اور سرخ لائن اصل اعداد و شمار ہے۔ ہم دیکھ سکتے ہیں کہ اصل اعداد و شمار کی متحرک حکمت عملی غیر معمولی اقدار کو ہٹانے کے بعد حکمت عملی سے کہیں بہتر کارکردگی کا مظاہرہ کرتی ہے۔

تصویر 15

• ### The asymmetric payoff pattern and shorting (غیر متناسب ادائیگی کا نمونہ اور مختصر کرنا)

تصویر 16

عام طور پر ، ایک سے زیادہ عوامل کی حکمت عملی کرتے وقت زیادہ استعمال ہونے والی حکمت عملی ایک کثیر فاصلہ حکمت عملی ہے ، یعنی بہت سارے اچھے اسٹاک جو ایک ہی وقت میں خسارے میں ہیں۔ بدقسمتی سے ، تمام عوامل یکساں نہیں ہیں ، زیادہ تر عوامل کی کثیر فاصلہ آمدنی کی خصوصیت میں عدم مساوات موجود ہے ، اس کے ساتھ ساتھ اس کی لاگت اور حقیقت میں اس کے قابل عمل ہونے کے ساتھ ، اس نے مقدار کی سرمایہ کاری میں بھی کافی پریشانی پیدا کردی ہے۔ مندرجہ ذیل گراف میں عوامل کی کثیر فاصلہ آمدنی کی خصوصیت دکھائی گئی ہے ، جس میں فرق کی مقدار کے مطابق ترتیب دیا گیا ہے۔ زیادہ سے زیادہ عوامل پر انحصار کرنا ، زیادہ سے زیادہ الفا حاصل کرنا مشکل ہے۔

تصویر 17

فوٹو: وال سٹریٹ پر چہل قدمی