V oblasti kvantitativního investování je klíčové rozlišovat mezi asociativními a příčinnými vztahy. Zatímco tradiční statistické metody analyzují korelace mezi proměnnými, příčinné modely jdou o krok dál a snaží se zjistit, jak jednotlivé faktory skutečně ovlivňují vývoj trhů. Výzkumník, který zkoumá faktory ovlivňující ceny akcií, se často setká s otázkou, jakým způsobem mohou různé dynamiky trhu ovlivnit konečný výsledek. Tento proces zahrnuje modelování příčinných mechanismů, které umožňují analyzovat a případně vyvrátit teorie založené na daných datech.

V konkrétním výzkumu je popsána situace, kdy faktor momentum (MOM) ovlivňuje budoucí ceny akcií (PC) tím, že zpomaluje konvergenci cen podle hodnotového faktoru HML. Tento efekt může být vysvětlen dvěma klíčovými skutečnostmi. První je, že MOM zpožďuje časovou osu cenového vývoje, což znamená, že investoři, kteří se rozhodnou sázet na konvergenci hodnotového faktoru HML příliš brzy, mohou čelit neúspěchu. Druhá skutečnost spočívá v tom, že investoři, vědomi si tohoto zpoždění, se vyhýbají investicím do HML v obdobích vysokého MOM, čímž se tato dynamika stává důležitým faktorem při modelování tržních strategií.

Z pohledu příčinného modelování je MOM považován za rušivý faktor, který může ovlivnit odhad vztahů mezi HML a PC. V tomto případě je MOM identifikován jako "backdoor" cesta, která by mohla zkreslit výsledky, pokud by nebyla zohledněna. Pro úpravu tohoto rušení je možné použít různé metody, například metodu "backdoor adjustment", která umožňuje blokovat tento vliv pomocí vhodných proměnných, které jsou pozorovatelné, jako je například otevřený zájem (OI). Pokud MOM není přímo pozorovatelný, lze použít alternativní metody, jako je "front-door adjustment", které zohledňují zprostředkující proměnné.

V tomto konkrétním případě je použití příčinné struktury, vyjádřené soustavou strukturálních rovnic, klíčové pro odhad účinků jednotlivých faktorů. Výzkumník, který pracuje s tímto modelem, může například odhadnout, jak HML ovlivňuje OI, a následně, jak OI ovlivňuje PC. V těchto analýzách je kladeno důraz na správné zohlednění MOM jako potenciálního zkreslujícího faktoru.

Při aplikaci těchto nástrojů na empirická data, výzkumník zjistí, že modelované příčinné struktury jsou kompatibilní s teoretickým procesem generování dat, což dává důvěryhodnost jeho analýzám. Nicméně, i když se model může zdát přesvědčivý, vědecká komunita je vždy připravena jej testovat a vyvracet. Tento proces zahrnuje nejen běžnou validaci modelu, ale i testování jednotlivých hypotéz, které tvoří základy dané příčinné struktury.

Ve vědeckém přezkumu se objeví i námitky, například týkající se nepozorovatelnosti některých proměnných. Recenzent může upozornit na to, že OI není přímo měřitelný a jeho odhad může být ovlivněn pasivními obchodníky. V tomto případě je argumentováno, že otevřený zájem může být zkreslen, pokud velký fond provádí pasivní objednávky, což se jeví jako "prodej iniciovaný" výměnou, i když ve skutečnosti jde o nákup. Recenzent může tedy navrhnout, aby byly zohledněny faktory jako bid-ask spread (BAS) nebo likvidita trhu (LIQ), které by mohly být lepšími indikátory přítomnosti informovaných obchodníků.

Výzkumník se ale brání tím, že i když OI může skutečně ovlivnit šíření bid-ask spreadu, tento faktor je zároveň "kolidující" proměnnou, která by otevřela cestu k falešnému vztahu, což by zkreslilo interpretaci příčinných vztahů. Proto je nezbytné vyloučit tyto faktory z modelu, aby se neotevřely nepravé příčinné dráhy.

Příčinné grafy a mechanismy, které výzkumník používá, jsou klíčové pro správné porozumění dynamice investičních strategií. Tyto grafy nejen že pomáhají vizualizovat teoretické vztahy mezi faktory, ale také poskytují prostor pro testování a vyvracení těchto teorií prostřednictvím experimentů. V budoucnu mohou alternativní datové sady poskytnout nové možnosti pro testování a refutaci stávajících teorií, což bude mít zásadní význam pro další rozvoj příčinného investování.

Pokud se výzkumník rozhodne provést další experimenty, může testovat jednotlivé vztahy mezi proměnnými pomocí přirozených nebo kontrolovaných experimentů. Například rozdíl v otevřeném zájmu mezi akciemi, které byly aktualizovány podle HML, a těmi, které aktualizovány nebyly, může poskytnout hodnotné informace pro testování příčinných vztahů.

Kromě teoretického rámce je nezbytné mít i empirické důkazy, které podpoří formulované hypotézy a příčinné mechanismy. Důležitým aspektem je, že příčinné investiční strategie mají širší potenciál pro vědecký pokrok než tradiční asociativní přístupy, které se omezují pouze na testování distribucí dat nebo výkonu na základě historických údajů.

Jak randomizované kontrolované pokusy a přírodní experimenty přispívají k určení kauzálních vztahů v vědeckém výzkumu?

Vědecké metody výzkumu, které se zaměřují na odhalení kauzálních vztahů, čelí složitým problémům, zejména když nejsou všechny proměnné v daném experimentu pod přímou kontrolou. Klíčovým faktorem pro správné provedení pokusu je schopnost výzkumníka ovládat všechny relevantní proměnné, což umožňuje splnění podmínky ceteris paribus (všechny ostatní věci jsou stejné). Když jsou některé proměnné mimo kontrolu (například počasí ve výzkumu o utonutích), nelze tuto podmínku zajistit. V takových případech vědci často využívají randomizované kontrolované pokusy (RCT), které jsou navrženy tak, aby vytvořily dvě co nejvíce porovnatelné skupiny, u nichž lze jakýkoli rozdíl ve výsledcích připsat na vrub léčbě.

V randomizovaném kontrolovaném pokusu jsou subjekty náhodně přiřazeny buď do kontrolní, nebo experimentální skupiny. Tento proces zajišťuje, že jakýkoli rozdíl v výsledcích je způsoben samotnou intervencí, nikoliv jinými faktory. Náhodné přiřazení také umožňuje kvantifikovat nejistotu experimentu pomocí metod jako je Monte Carlo, což umožňuje výzkumníkům spočítat standardní odchylku průměrného účinku léčby (ATE) z různých podvzorků. Při správném provedení tohoto typu pokusu jsou jednotky ve skupinách navzájem porovnatelné a výsledek studie se tím stává validním.

Randomizované kontrolované pokusy zajišťují, že rozdíl mezi výsledky ve dvou skupinách odpovídá rozdílu mezi průměrnými hodnotami, což znamená, že podmínka ceteris paribus je splněna i v přítomnosti proměnných, které výzkumník nemůže ovlivnit. Tento přístup je výhodný, protože minimalizuje zaujatost jak účastníků, tak experimentátorů, zejména pokud jsou studie dvojitě zaslepené, což zaručuje vyšší objektivitu výzkumu.

Nicméně, existují i situace, kdy je provedení tradičních kontrolovaných experimentů obtížné, neetické nebo finančně náročné. V těchto případech se vědci uchylují k přírodním experimentům, které jsou známé také jako kvazi-experimenty. U přírodních experimentů jsou subjekty do různých skupin přiřazeny náhodně, ale tento proces není řízen výzkumníkem, nýbrž faktory mimo jeho kontrolu, například přírodní události nebo politická rozhodnutí. Přírodní experimenty, i když jsou observační (na rozdíl od intervenčních), mají tu výhodu, že náhodné přiřazení jednotek k různým skupinám umožňuje atribuci rozdílů v výsledcích na základě intervence, i když výzkumník nemá přímý zásah.

Jedním z příkladů přírodních experimentů je design regresní diskontinuity (RDD), kde se porovnávají výsledky jednotek, které obdržely léčbu, protože hodnota přiřazovací proměnné byla těsně nad prahovou hodnotou, a jednotky, které léčbu neobdržely, protože hodnota byla těsně pod touto prahovou hodnotou. Klíčová předpoklad RDD je, že rozdíl mezi těmito dvěma skupinami je způsoben pouze náhodným šumem v přiřazovací proměnné, a tím pádem lze přičítat rozdíl v výsledcích přímo účinku léčby. Tento přístup je velmi užitečný při studiích, kde není možné vykonat plně kontrolovaný experiment, ale existuje přirozená diskontinuita v přiřazování.

Další metodou, která může nahradit tradiční kontrolované experimenty, je metoda křížových studií (COS). Tato longitudinální studie se používá, když je expozice jednotek určitému zásahu náhodně odstraněna na určitou dobu a poté znovu obnovena. Výhodou COS je, že každý subjekt slouží jako svůj vlastní kontrolní vzorek, což snižuje vliv zmatených proměnných. Také, protože studie může probíhat v menších vzorcích, jsou statisticky efektivnější než jiné longitudinální metody. Nicméně, COS může být nevhodná, pokud pořadí zásahů ovlivňuje výsledek, což je známé jako efekt pořadí. Pro správnou aplikaci COS je nutné zajistit dostatečně dlouhé období mezi jednotlivými zásahy, aby se minimalizovaly efekty přenášení předchozích zásahů.

Pokud v čase ovlivňují výsledek i jiné faktory než samotná intervence, vědci mohou využít metodu rozdílů v rozdílech (DID). V tomto přístupu porovnávají rozdíl v výsledcích mezi dvěma skupinami, které byly vystaveny zásahu, ale v různých obdobích. Tento přístup umožňuje kontrolovat pro faktory, které se mění v čase, a tím poskytuje lepší odhad kauzálního efektu.

Je důležité mít na paměti, že všechny tyto metody, ať už jde o randomizované kontrolované pokusy, přírodní experimenty, nebo kvazi-experimenty, mají svá omezení. I když jsou schopné poskytnout cenné nástroje pro analýzu kauzality, vždy je třeba pečlivě zvážit podmínky, za kterých byly provedeny, a správně interpretovat jejich výsledky. Výzkumník musí být vždy opatrný při zobecňování závěrů, zejména v případě přírodních experimentů, kde náhodné přiřazení jednotek není plně pod kontrolou.

Jak se v minulosti tvořily legendy o kovbojích?
Jak nekonečný vesmír ovlivňuje naše vnímání reality?
Jak ovlivňuje tragédie lidské životy a víru?
Jaké vlastnosti 2D polovodičových materiálů umožňují jejich využití v moderních technologiích?