لا أحد يعرف الكثير عن مصدر الألفا

هذه المقالة هي النسخة الميدانية من نشرتنا الإخبارية “غير مغطاة”. يمكن للمشتركين المميزين الاشتراك هنا لتلقي النشرة كل يوم أسبوعي. يمكن للمشتركين العاديين الترقية إلى المميزين هنا، أو استكشاف جميع نشرات FT الإخبارية.

صباح الخير. أوقف مدير الائتمان الخاص Blue Owl عمليات السحب من أحد صناديقه الموجهة للمستثمرين الأفراد، وبيع مديرو الأصول الخاصة من جميع الأنواع أمس ردًا على ذلك. كان من المتوقع بشكل عام أن يتحول رغبة المستثمرين الأفراد في السيولة إلى مزيج غير مريح مع نموذج استثمار الائتمان الخاص (حتى أن “غير مغطاة” توقعت المشاكل القادمة). هل يمكن إنقاذ العلاقة؟ أرسل لنا أفكارك على: unhedged@ft.com.

في التمويل، “لا تفكر، بل انظر!”

غالبًا ما تبدو الأوراق الأكاديمية الجيدة، بشكل متناقض، واضحة جدًا ومثيرة للاهتمام في الوقت ذاته. أحد القراءات الممتعة من “غير مغطاة” قبل بضعة أيام — “هل تساعد الأبحاث المحكمة على التنبؤ بعوائد الأسهم” — هو مثال جيد.

تتناول الورقة، التي كتبها أندرو تشن، أليخاندرو لوبيز-ليرا، وتوم زيمرمان (الذي سأطلق عليه CLZ)، مجموعتين من المؤشرات على عوائد الأسهم فوق السوق، أو “الألفا”. تتضمن المجموعة الأولى 200 إشارة موثقة في مجلات مرموقة محكمة في الاقتصاد والتمويل والمحاسبة؛ وتشمل أشياء مثل زيادة الاستثمارات، إصدار ديون أو أسهم عالية، ومفاجآت الأرباح. في الأدبيات، تأتي هذه مع أدلة تاريخية على الأداء المتفوق، وغالبًا مع تفسير اقتصادي مرفق. تميل التفسيرات إلى اقتراح إما أن المستثمرين يتقاضون أجرًا مقابل تحمل المخاطر، أو أن هناك نوعًا ثابتًا من عدم عقلانية المستثمرين يعمل.

أما المجموعة الثانية من المؤشرات فتم توليدها باستخدام الحاسوب. أخذ CLZ مجموعة من 29000 نسبة محاسبية و"تنقيب عن البيانات"، بحثًا عن تلك التي تتنبأ بأداء متفوق بشكل ذي دلالة إحصائية.

ثم اختبر CLZ المجموعتين من المؤشرات مقابل بيانات تاريخية خارج العينة. ما وجدوه هو أن المجموعتين أدتا تقريبًا نفس الأداء. تم إجراء الاختبارات من خلال بناء صفقات طويلة وقصيرة بحيث يكون العائد المتوقع صفر إذا لم تكن هناك قدرة تنبئية موجودة. في الرسم أدناه، يتم إعادة أساس كل مؤشر إلى 100 للمقارنة. فقدت المؤشرات الأكاديمية والمؤشرات المستخرجة من البيانات حوالي نصف قدرتها التنبئية في الاختبار خارج العينة، وفقدتها بنفس الوتيرة تقريبًا. رسمهم البياني:

كما يقول CLZ،

بعد العينة، يتدهور أداء كلا النوعين من المؤشرات إلى حوالي 50 في المئة من متوسطات العينة الأصلية. تتدهور العوائد المستخرجة من التنقيب عن البيانات أكثر قليلاً من العوائد المنشورة، لكن الفرق صغير، اقتصاديًا وإحصائيًا. طوال معظم الرسم، يكون المعيار المرجعي المستخرج من البيانات ضمن خطأ معياري واحد من المؤشرات المنشورة… أداء المؤشرات بعد العينة من المحكمين والمستخرجة من البيانات متشابه بشكل ملحوظ.

كما أن التفسير للألفا في الدراسات الأكاديمية — المخاطر، عدم العقلانية، أو غير ذلك — لم يكن مهمًا أيضًا. في الواقع، “فقط الأبحاث التي تتسم بالحيادية تجاه الأصل النظري للتوقع تظهر أداءً متفوقًا ثابتًا مقارنة بالتنقيب عن البيانات”; وحتى هذا التأثير هو “متواضع”. كما لخص لي لوبيز-ليرا، “لا يبدو أن هناك شيئًا مميزًا حول مؤشرات العائد التي يكتشفها الأكاديميون مقارنة بالمؤشرات ذات القوة الإحصائية”. ولتعميم النقطة: معرفة سبب نجاح استراتيجية استثمار كمية معينة، نفسيًا أو اقتصاديًا، لا يبدو أنها تفيد المستثمرين على الإطلاق.

ما يتبادر إلى الذهن (كما أشار آخرون) هو جيم سيمونز، مؤسس شركة Renaissance Technologies، أنجح صندوق تحوط كمي على الإطلاق. هو معروف بقوله إن القاعدة الوحيدة لصندوقه كانت “عدم تجاوز الحاسوب أبدًا” (انظر الدقيقة 49 وما بعدها في هذا الفيديو). إذا أخبرك الحاسوب بوجود علاقة إحصائية قابلة للاستغلال في الأسواق، فلا تحاول تفسيرها — تداولها. لأنه إذا كانت هناك تفسير منظم، فسيتم تداول العلاقة بالفعل. وسيتم إغلاق الثغرة.

يبدو لي أن نتيجة CLZ بديهية وطبيعية. نحن نعلم أنه بقدر ما تخلق السوق فرصًا قابلة للتنفيذ، فإن تلك الفرص تُستغل وتتدهور. وكلما كانت فرصة مغطاة بتفسير اقتصادي أو نفسي واضح، فإنها من المحتمل أن تختفي بسرعة أكبر. وما سيكون مفاجئًا هو إذا أي فرصة لتحقيق عوائد فوق السوق معدل مخاطرها التي تم التقاطها بواسطة نظرية اقتصادية أو نفسية مقنعة استمرت على المدى الطويل. يجب على المستثمرين، بقدر ما يتبعون نهجًا كميًا في سوق الأسهم، أن يتبعوا فيتغنشتاين، ينظرون أولاً و يفكرون لاحقًا. تشير نتائج CLZ إلى أن النظرية هي على أفضل تقدير دليل ضعيف على الأداء المتفوق، وعلى أسوأ تقدير دليل عديم الفائدة.

ماذا سيعتقد المستثمرون الكميون عن عمل CLZ؟ سألت روب أرنوت، مؤسس شركة “الأحمال الذكية” للاستشارات الاستثمارية Research Affiliates. رد قائلاً إنه

إذا وضعت 29000 أكاديمي يسعون للحصول على وظيفة تدريس، يبحثون في البيانات عن “عوامل” تنبئية، فليس من المستغرب أن يحصل حاسوب يفحص 29000 عامل افتراضي على نتائج متشابهة جدًا…

تعني المنهجية العلمية أننا نطور فرضية، ثم نستخدم البيانات التاريخية لاختبار فرضيتنا، ثم نبحث عن بيانات خارج العينة (مثل، غير الأمريكية، أو من عصر ما قبل الحديث، أو بعد العينة) لمزيد من التحقق من صحة الفرضية. تميل التمويل الأكاديمي إلى تطوير فرضية تتوافق مع البيانات، وهو ما لا يتوافق مع المنهج العلمي. ثم يُستخدم الاختبار الخلفي لتحسين الاختبار الخلفي وتعديل الفرضية وفقًا لذلك. هذه هي التنقيب عن البيانات بشكل جوهري.

يجادل أرنوت بأن البحث في مؤشر أو عامل معين يجب أن يقسم أي عائد زائد إلى ما يسميه “الألفا من إعادة التقييم” و"الألفا الهيكلية". الألفا من إعادة التقييم هي ما يحدث عندما تصبح الأسهم ذات عامل معين أكثر أو أقل تكلفة بالنسبة للسوق، كما يُقاس بنسبة السعر إلى الأرباح وما شابه. أما الألفا الهيكلية فهي أي عائد إضافي يبقى بعد إزالة ألفا إعادة التقييم، مما يدل على أن “العامل يتنبأ بتحسن الأساسيات، وليس فقط بتحسين العوائد”. يجب أن يكون الألفا من إعادة التقييم “غير متكرر على أفضل تقدير”; أما الألفا الهيكلية فقد تدوم.

في رأي أرنوت، يمكن أن تساعد المزيد من الصرامة الفكرية في العثور على تفسيرات دائمة لمصادر الألفا. لا يزال هناك عمل يتعين القيام به.

قراءة جيدة

هل تملك ما يكفي من الأسهم؟

بودكاست “غير مغطاة” من FT

هل لا تزال غير مشبع بـ"غير مغطاة"؟ استمع إلى بودكاستنا الجديد، لمدة 15 دقيقة تغوص في أحدث أخبار الأسواق والعناوين المالية، مرتين في الأسبوع. يمكنك الاطلاع على الإصدارات السابقة من النشرة هنا.

النشرات الإخبارية الموصى بها لك

التحقيق الواجب — أهم الأخبار من عالم التمويل المؤسسي. اشترك هنا

تحول الذكاء الاصطناعي — جون بيرن-مورش، وسارة أوكونور يغوصان في كيف يغير الذكاء الاصطناعي عالم العمل. اشترك هنا