Какие факторы определяют доходность импульсных стратегий?

Импульсные (momentum) стратегии вызывают большой интерес, и заслуженно являются «главной рыночной аномалией», как назвал их сам скептик Юджин Фама (Eugene Fama). Для тех, кто не слышал о Юджине Фама, это основатель и ярый сторонник так называемой «Гипотезы эффективных рынков». Вера в импульс в качестве обоснованной рыночной аномалии в финансовых кругах сопровождается не меньшей страстью, чем религия. Засомневайтесь в существовании импульса, и вас назовут шарлатаном или низведут в любители.

Но любой настоящий ученый, который не зря ест свой хлеб, всегда должен задаваться вопросом «почему?», если он хочет добиться лучшего понимания этого явления. Это не только академический, но и практический вопрос для тех, кто торгует реальными деньгами. Более глубокий анализ причин результативности импульса и условий, в которых он может существовать, может выявить потенциал для создания превосходных стратегий. Существует несколько значительных работ, которые проливают свет на этот вопрос, но они забыты или проигнорированы из-за своего технического характера. Например, работа Эндрю Ло (Andrew W. Lo) и Крейга Маккинлей (A. Craig MacKinlay) «Когда противоположные инвесторы получают доход из-за чрезмерной реакции фондового рынка» (When Are Contrarian Profits Due to Stock Market Overreaction) и работа Дженнифер Конрад (Jennifer Conrad) и Гаутама Каула (Gautam Kaul) «Анатомия торговых стратегий» (An Anatomy of Trading Strategies). Аргументы и доказательства, приведенные в этих статьях, помогают совместить то, как Юджин Фама может верить и в эффективные рынки, и одновременно считать, что импульс существует в качестве обоснованной аномалии. Это не причуда квантовой физики, а скорее базовая математика, убедительно иллюстрирующая использование смоделированных финансовых данных.

В одном из предыдущих постов я представил и протестировал некоторые идеи, связанные с выявлением лучших вселенных активов для стратегий импульса. Простой наивный метод нахождения самых эффективных вселенных посредством перебора грубой силой дает некоторые результаты, но существуют и подводные камни, потому что этот метод не отражает то, что создает доходность импульса. Итак, давайте начнем с инверсии базовой математики, введенной Ло и Маккинлей, которая описывает благоприятные условия конкретной вселенной акций для противоположных (contrarian) стратегий или стратегий возврата к среднему (mean-reversion). Поскольку импульс является обратной стороной противоположного инвестирования, то, что хорошо для одного, плохо для другого. В приведенной ниже таблице показаны три компонента, которые влияют на результативность импульса:

Первый фактор – прогнозируемость временного ряда – показывает, на сколько предсказуемым или «авто-коррелируемым» является актив или группа активов на основе того предсказывает ли высокая (низкая) прошлая доходность высокую (низкую) будущую доходность. Если вселенная акций содержит весьма предсказуемые активы, то импульсная стратегия сможет лучше использовать измерения прошлых результатов.

Второй фактор – дисперсия среднего изменения – показывает, обладает ли группа активов похожей доходностью, которая, скорее всего, будет существенно отличаться у каждого актива. Неоднородная вселенная активов, например, содержащая различные классы активов, будет иметь различные источники доходности и, следовательно, большую дисперсию, чем однородная вселенная, такая как сектора в рамках фондового индекса.

Последний фактор – взаимосвязь опережения/запаздывания – это мера устойчивости любой тенденции определенных активов или акций к опережению или запаздыванию относительно друг друга. Эта тенденция может возникнуть, например, между крупными ликвидными акциями и небольшими неликвидными акциями. В этом случае положительная взаимосвязь будет означать, что если, скажем, компания Coke сегодня начала расти, то небольшие компании по производству колы начнут расти завтра. Это хорошо для противоположных стратегий, которые будут покупать акции меньших компаний и продавать в шорт акции Coke, но, очевидно, плохо для импульсных стратегий, следовательно, имеет место факт, что этот фактор отрицательно влияет на прибыль импульсных стратегий.

Таким образом, уравнение показывает, что «оценка импульса» может быть получена путем сложения факторов предсказуемости временного ряда и дисперсии среднего изменения, и вычитания фактора взаимосвязи опережения/запаздывания.

Давайте рассмотрим реальный пример, чтобы увидеть, как математика соотносится с интуицией. Я рассчитаю оценку импульса, используя данные за последние пять лет как для области разных классов активов (SPY, DBC, GLD, TLT, IEF, RWX, IYR, EEM, EWJ, IEV), так и для области секторов (XLE, XLU, XLP, XLB, XLV, XLF, XLK, XLY, XLI). Обратите внимание, что данные за последние пять лет охватывают бычий рынок, что затрудняет понимание сравнений, основанных только на результатах бэктестирования импульсных стратегий в каждой вселенной. Оценка импульса (чем выше, тем лучше) представлена с разбивкой по факторам в каждой таблице для двух разных вселенных.

Ясно, что вселенная классов активов для импульсных стратегий лучше вселенной только секторов. Но более интересно что именно дает наибольший вклад в различие между двумя вселенными. Мы видим, что дисперсия средних изменений или вариация средней доходности по группе пока является самым важным фактором, который отделяет вселенную классов активов от вселенной секторов. Другие два фактора практически компенсируют друг друга. Это имеет смысл, поскольку большая часть доходности секторов имеет доминирующий общий фактор – доходность фондового рынка или, скажем, доходность S&P 500. Когда рынок растет (или падает), большинство секторов растет (или падает) в большей или меньшей степени. И, наоборот, во вселенной классов активов у вас больше разнообразия – акции могут расти, облигации могут падать, товары тоже могут расти. Варьирование результатов гораздо более существенное. Обратите внимание, что вариация результатов или дисперсия средних не эквивалентны корреляции, которая измеряет относительную взаимосвязь между краткосрочными изменениями. Иметь вселенную с низкими кросс-корреляциями – не является хорошим приближением для этого эффекта. Чтобы лучше продемонстрировать эффект от добавления вариаций, давайте посмотрим, как добавление различных активов по отдельности во вселенную секторов может изменить оценку импульса:

Оценка импульса для вселенной секторов с добавлением одного нового актива

Если просто добавить долгосрочные облигации (TLT), это почти удваивает оценку импульса по сравнению с базовым уровнем при использовании только секторов. С другой стороны, добавление основного общего фактора – S&P 500 (SPY) – снижает оценку импульса по сравнению с базовым уровнем. Добавление золота (GLD) на самом деле лучше, чем добавление 10-ти летних/промежуточных казначейских облигаций (IEF), которые обычно используются для приближения к облигациям в большинстве портфелей, несмотря на то, что корреляция с IEF гораздо более негативна, чем с GLD. Использование этого анализа может привести к некоторым очень интересным, а иногда и контр-интуитивным прозрениям (хотя большинство выводов согласуются с интуицией). Но в практическом смысле он может быть использован для создания хорошей вселенной для применения импульсных стратегий или других стратегий, получающих большую часть своей доходности от эффекта импульса.

Автор: David Varadi

Источник: What Factors Drive the Performance of Momentum Strategies?

Другие статьи по теме:

В поисках универсальной модели: импульсная стратегия с динамическим окном

Работает ли Momentum-инвестирование?

Корреляция классов активов: ненадежный страховой полис


Подпишитесь на уведомления о новых постах

И получите доступ к специальным материалам сайта