Může se faktorové investování stát vědeckým?

Většina odborných článků o faktorovém investování se omezuje na asociace, popírající kauzální obsah faktorových modelů. Autoři těchto studií neidentifikují kauzální grafy, které by odpovídaly pozorovaným jevům, nespecifikují svůj model na základě příčin a často ani nenavrhnou experimenty, které by umožnily vyvrátit dané kauzální mechanismy. Bez teoretického rámce, který by byl založen na kauzalitě, jsou jejich závěry zpravidla nesprávné, což je často důsledkem přehnané optimalizace historických dat a nesprávně zvolených specifikací modelů.

Rozdíl mezi typem-A a typem-B spurious tvrzeními může pomoci vysvětlit, jak oba typy mohou bránit faktorovému investování v jeho dalším pokroku. Typ-A tvrzení, která nejsou opodstatněná kauzálním základem, jsou v tomto ohledu nebezpečná zejména kvůli riziku přehnaného přizpůsobení modelu historickým datům. Na druhé straně typ-B tvrzení, která vycházejí z nesprávně definovaných korelací, mohou vést k vytvoření modelů, jež vypadají silně na papíře, ale zcela selhávají v reálném světě.

Pokud faktorové investování chce přejít na vyšší úroveň, musí se stát vědeckým. To znamená, že musí být schopno předkládat kauzální teorie, které mohou být testovány prostřednictvím experimentů a falsifikovány. V současnosti mnoho studií v oblasti finanční ekonomie využívá statistické techniky k analýze korelací mezi faktory a výnosy, ale tyto korelace jsou často chybně interpretovány jako příčinné vztahy.

Vědecký pokrok v oblasti faktorového investování by měl být založen na experimentálním přístupu, který umožní identifikovat skutečné kauzální vztahy. Například pokusy o manipulaci s faktory, podobně jako v jiných vědeckých oblastech, by umožnily zjistit, jak konkrétní faktory skutečně ovlivňují výnosy portfolií. Bez těchto pokusů je obtížné říci, zda skutečně existují faktory, které mají dlouhodobý a opakovatelný vliv na trhy, nebo zda jsou jejich účinky pouze náhodné.

Za klíčové považujeme i to, že faktorové investování potřebuje nový přístup k definici a testování faktorů. Namísto spoléhání se na historická data a jejich přizpůsobení konkrétním modelům, je nutné soustředit se na formování teoretických rámců, které mohou být podrobeny empirickým testům. Významným krokem by bylo zavedení Monte Carlo experimentů, které by umožnily simulovat různé scénáře a ověřit, zda modely skutečně fungují za různých podmínek, nebo zda jsou příliš specifické pro daný historický okamžik.

Důležité je i to, že současný stav faktorového investování ukazuje, že mnoho tvrzení o faktorech je založeno na empirických pozorováních, které mohou být mylné, pokud jsou interpretovány bez dostatečného teoretického základu. Korelace mezi faktory a výnosy nejsou samy o sobě dostatečným důkazem kauzality, a proto je nutné se zaměřit na hledání příčin a testování těchto kauzálních vztahů, aby se faktorové investování stalo vědeckou disciplínou s objektivními, ověřitelnými principy.

Jak chybějící konfunder může ovlivnit hodnocení rizika na trhu a predikci investičního chování

Pominutí konfunderu může vést k mnoha nežádoucím následkům v oblasti analýzy rizika a hodnocení výkonnosti trhů. Důsledky mohou být obzvlášť patrné v případě, kdy dochází k časově proměnlivým rizikovým prémiím. Představme si situaci, kdy trh odměňuje expozici vůči dvěma faktorům X a Z, přičemž oba faktory mají pozitivní koeficienty (β > 0, γ > 0). I když se rizikové prémie těchto faktorů nemění, změny v třetím faktoru δ mohou mít zásadní vliv na odhad β̂. Zejména v případě dostatečně negativní hodnoty δ se β̂ může stát negativním, což by vedlo k chybnému hodnocení, že trh začal potrestávat expozici vůči charakteristice rizika X. Tato ztráta by však neměla nic společného s pravými změnami v rizikových prémiích, ale spíše s proměnou kovariance mezi faktory X a Z, která nebyla adekvátně zohledněna.

Jedním z běžně používaných metodických nástrojů pro kontrolu konfunderů je metoda parciálních korelací. Tento přístup umožňuje zahrnout do modelu všechny viditelné konfunderové proměnné a odhadnout jejich vliv na vztah mezi faktory X a Y. Tento postup se zakládá na lineární regresi a je velmi efektivní, pokud jsou data normálně distribuována nebo splňují další specifické statistické podmínky. Nicméně je třeba si být vědom i omezení tohoto přístupu, zejména v případě vysoké multikolinearity mezi vysvětlujícími proměnnými, což může způsobit zkreslené výsledky. Tento problém může být ještě výraznější, pokud do modelu zahrneme nadbytečné proměnné.

Naopak, pokud se výzkumníci dopustí chyby přehnané kontroly, může dojít k ještě vážnějším problémům. Tradiční pohled na tuto chybu je, že zahrnutí irelevantní proměnné do modelu má pouze za následek snížení přesnosti odhadů. Tento přístup však ignoruje skutečnost, že ve skutečnosti může přehnané kontrolování vést k otevření "zadní cesty" v modelu, což vyvolá chyby v odhadech příčinné souvislosti. Tato chyba, známá jako kontrola mediátora nebo kolidující proměnné, může vést k tomu, že výsledky budou silně zkreslené, a to i tehdy, pokud je na první pohled všechno v pořádku.

Typickým příkladem této chyby je přehnané kontrolování za proměnné, které jsou kolidujícími proměnnými ve vztahu mezi faktory X a Y. Když kontrolujeme kolidující proměnnou, de facto otevíráme zadní cestu pro vliv dalších nepozorovaných faktorů, což v konečném důsledku zkreslí celý model. Takové chyby jsou časté v kvantitativních modelech, které zahrnují „black-box“ investiční strategie, a mohou vést k přechodu z konsistentního zisku na systematické ztráty. Tento přechod není většinou detekovatelný, dokud není příliš pozdě.

Investoři a manažeři by měli být obezřetní nejen při analýze rizik, ale i při výběru správného modelu pro hodnocení tržního chování. Zanedbání časově proměnlivých rizikových prémií, podhodnocení nebo přehnané hodnocení faktorů mohou vést k vážným investičním omylům. Co je však klíčové: správná analýza a kontrola příčinných vztahů mezi faktory je nezbytná pro zajištění stabilních a efektivních investičních strategií.