В последнее время мы часто обсуждали качество инвестиционного моделирования и надежность бэктестов. В частности, мы рассмотрели в качестве двух убедительных причин деградации результатов «вне выборки» одновременное открытие и степени свободы. Оба этих источников деградации относятся к самой модели.
Одновременное открытие предполагает, что наиболее ценные прорывы в одной области часто совершаются многими людьми одновременно, но при этом независимо друг от друга. Само собой разумеется, что в этих случаях, скачок в логике часто может совершаться в одно и то же время независимыми сторонами. И даже в тех случаях, когда кто-то делает прорыв, у смышленых и конкурирующих соперников не займет много времени использовать обратное преобразование (reverse engineering) и наверстать упущенное.
Понятие количества необходимых степеней свободы является контр-интуитивным в том смысле, что чем больше независимых переменных имеет модель, т.е. чем она сложнее с точки зрения количества независимых «движущихся частей», тем менее достоверным обычно бывает бэктест. Это потому, что большее число независимых переменных создают большее количество потенциальных состояний модели, каждое из которых должно соответствовать своему собственному стандарту статистической значимости. Модель, которая объединяет очень много переменных, кажется, должна быть надежной, но она, наоборот, скорее всего, будет весьма хрупкой.
Сегодня мы попытаемся расширить тему степеней свободы, добавив слой, который часто игнорируется: поведение человека. В качестве количественных инвесторов и исследователей мы в большинстве случаев не хотели бы связываться с «вязкими» областями социальных наук. Однако в качестве доверенных финансовых консультантов мы знаем, что, когда мы сидим напротив клиента, он нуждается не только в подходе к инвестированию, основанном на фактах. Часто он нуждается в поощрении, заботе и обучении.
В процессе принятия решений люди в качестве факторов используют факты, но они совершают действия под влиянием эмоций. Мы разрабатываем инвестиционные стратегии, которые должны работать не только в лабораторных условиях, но и на практике с реальными клиентами, чье поведение и действия никогда не удастся отделить от их эмоционального состояния. Другими словами, основанные на условиях подходы, которые мы применяем, на практике должны быть совместимы с весьма непредсказуемым черным ящиком внутри нашей головы.
В мире статистики существуют классификации для разных типов переменных. В блоге мы много говорили о «системных переменных». Это правила, которые направляют наши исследование и инвестиции. Они относятся к тому, как мы анализируем модели и проводим стресс-тесты для достижения статистически значимых результатов, и как мы, в конечном счете, принимаем инвестиционные решения. Эти переменные являются процедурными, и они в высшей степени контролируемые.
Мы реже обсуждали «контекстные переменные». Эти переменные относятся конкретно к инвестору, его когнитивным и поведенческим ответам на текущее положение дел. Например, каждый инвестор по-разному реагирует на прибыли и убытки разных размеров. Их иногда называют «оценочными переменными», но мы считаем, что термин «контекстные переменные» является более интуитивным.
Если разница не очевидна, то представьте, что вас доставили в полицейский участок для дачи свидетельских показаний. Полицейские будут проводить опрос согласно своей процедуре. Вы будете смотреть на реальных подозреваемых? Вам покажут фотографии? Если да, то фотографии покажут по одной? Или по шесть штук сразу? В это время офицер будет заглядывать через ваше плечо? Какого пола, расы и возраста будет офицер по отношению к свидетелю? Или по отношению к подозреваемым?
Все переменные в этом процессе являются «системными переменными», потому что они находятся под прямым контролем лица, управляющего системой. Это выбор, который нужно сделать при проведении конкретной процедуры.
А теперь представьте свое психическое состояние, когда вы сидите в полицейском участке. Как ваш психический и эмоциональный статус может меняться в зависимости от характера преступления? Что, если при преступлении было использовано оружие, вы сосредоточитесь на оружии или на нападавшем? Насколько уверенно вы будете отвечать на вопросы, если преступление произошло час назад или же день назад, или неделю назад? Если оно произошло по-соседству или далеко от вашего дома? Вы с большей или меньшей степенью вероятности укажите на фотографию, соответствующую вашей расе или полу? Люди с татуировками – это злоумышленники или творческие личности?
Все это «контекстные переменные», поскольку они относятся к вам и контексту, окружающему ваш индивидуальный процесс принятия решений, в нашем случае – к вашей способности предоставить достоверные свидетельские показания.
Внесем ясность: между системными и контекстными переменными есть связь, они не являются полностью независимыми друг от друга. Например, оптимизация системных переменных путем внедрения процедур, которые уменьшают беспокойство свидетеля и период времени между преступлением и выяснением обстоятельств, может помочь стабилизировать другие волатильные контекстные переменные, что приведет к более точным показаниям очевидцев.
Инвестирование во многом работает таким же образом. Мы постоянно стремимся исследовать новые инвестиционные методы, интегрируя идеи, где это уместно, и вводя в рабочую систему переменные, которые показывают сильную статистическую значимость. И мы знаем, что если добьемся успеха, то, скорее всего, по другим волатильным контекстным переменным получим эффект подавления. Простыми словами, если мы разрабатываем систему, которая обеспечивает стабильность и рост, мы знаем, что наши клиенты, скорее всего, будут принимать более рациональные финансовые решения и в целом покажут более высокий уровень приверженности к долгосрочному инвестиционному плану.
К сожалению, это не всегда будет так, что возвращает нас к деградации результатов. Каждый год, компания DALBAR публикует релизы своего обновленного Количественного анализа поведения инвесторов (Quantitative Analysis of Investor Behavior, QAIB). Как и следовало ожидать, анализ показывает, что средний инвестор получает значительно худшие результаты, чем инвестор, который придерживается простой стратегии «купить и держать». Большая часть этого разрыва результатов объясняется поведенческими недостатками (они же – контекстные переменные). Очень многие инвесторы, которыми завладели страх и жадность, покупают задорого и продают задешево.
Один из вопросов, на который QAIB не отвечает – существует ли связь между системными и контекстными переменными. Если вы инвестируете в S&P 500, где шестимесячная волатильность цен с 2000 года имела спокойные минимумы около 7% и крутые максимумы выше 58%, то кажется почти естественным то, что ваши ответные реакции будут отражать прогнозируемую нисходящую спираль совершения неправильных действий в неподходящий момент. Иными словами, инвестиционная система не является совершенно безупречной для эмоционально несовершенного инвестирования.
Волатильные результаты инвестирования вызывают волатильные эмоциональные реакции, которые почти всегда вредят инвестору. Несмотря на 1987 год, стратегия «купить и держать» в 1982-2000 г.г. была относительно легко выполнимой, а с тех пор пришло время эмоциональных американских горок.
У нас в офисе есть девиз: «Мы скорее потеряем 50% наших клиентов на пике резкого бычьего рынка, чем 50% активов наших клиентов во время неизбежных медвежьих рынков». Если многие советники будут честны перед собой, они признают, что их советы приводят к прямо противоположным результатам. А именно, если советник для большой части акций выступает за «стратегическое распределение активов» или философию «купить и держать», это определенно не согласуется с нашей философией. Все потому, что от такого типа портфеля примерно раз в 7 лет можно ожидать снижение стоимости 30-50%. Этот советник будет набирать большинство своих клиентов в конце долгого бычьего рынка, когда его краткосрочные результаты заведомо сильны. Вскоре после этого клиенты понесут огромные убытки. Это почти универсальный цикл при управлении капиталом.
… вот почему у нас такой девиз.
В своем методе адаптивного распределения активов мы старались обеспечить впечатляющие результаты, усиленно сфокусировавшись на управлении рисками. Из-за этого, мы знаем, что настанет время, когда наша модель будет отставать от рынка, хотя фондовый индекс попадет во все газетные заголовки. Мы знаем, что иногда это отставание будет длиться в течение долгих периодов времени. Кроме того, мы знаем, что почти наверняка потеряем некоторых клиентов ближе к концу этой бычьей гонки. Это случалось раньше, и это случится снова.
Но разница в том, что когда фондовый рынок падает на 50%, мы не хотим смотреть нашим клиентам в глаза и говорить, что нам удалось потерять лишь 45%. Это в нашей крови. И именно поэтому мы призываем инвесторов анализировать результаты советников, рассматривая их на протяжении всего рыночного цикла, который включает в себя как бычьи, так и медвежьи рынки. Мы считаем, что тем самым мы помогаем нашим клиентам разорвать порочный круг, который ежегодно пересматривает QAIB.
В конце концов, разве мы должны судить о результатах спортивной команды только по тому, как она сыграла в первой половине игры? Или может быть вторая половина тоже имеет значение?
Правда, что в этом блоге мы не часто обсуждаем поведенческие финансы, как это делают наши коллеги. Теперь вы знаете, почему: мы считаем, что лучший способ ограничить негативные последствия неудачного поведения, заключается в предоставлении нашим клиентам профиля доходности, который не заставит их делать неправильный выбор под давлением.
Автор: GestaltU
Источник: The Black Box: Eyewitness Testimony and Investment Models