Jak faktorové investování formuje trhy a portfolio

Faktorové investování je investiční přístup, který se zaměřuje na vystavení se měřitelným charakteristikám (tzv. „faktorům“), které pravděpodobně vysvětlují rozdíly ve výkonnosti určitého souboru cenných papírů. Tento přístup je evolucí teorie oceňování aktiv, která vychází z práce Schippera a Thompsona (1981), jež používá analýzu faktorů a analýzu hlavních komponent k validaci těchto charakteristik. V rámci této teorie je cílem hledat empirické důkazy, které by podporovaly myšlenku, že určité faktory jsou schopny predikovat budoucí výnosy.

Jedním z nejznámějších faktorů je faktor hodnoty, který vychází z přesvědčení, že portfolio tvořené akciemi s vysokým poměrem účetní hodnoty k tržní hodnotě (tzv. „hodnotové akcie“) bude mít vyšší výkonnost než portfolio akcií s nízkým poměrem (tzv. „růstové akcie“). Tento základní princip je podporován výzkumy, které dokazují, že akcie s nižší cenou vzhledem k jejich hodnotě vykazují vyšší dlouhodobé výnosy než akcie, které jsou naopak nadhodnoceny.

Druhá metoda, inspirovaná Fama a Frenchem (1993), spočívá v seřazení akcií podle určité charakteristiky a následné aplikaci dvou operací. První operace zahrnuje rozdělení investičního univerza na podmnožiny podle kvantilů, což umožňuje vytvoření časové řady průměrných výnosů pro každou podmnožinu. Druhá operace se zaměřuje na výpočet časových řad výnosů long-short portfolia, kde akcie s vysokým hodnocením získávají pozitivní váhu a akcie s nízkým hodnocením váhu negativní. Tento přístup umožňuje nejen získat statistické důkazy o výkonnosti jednotlivých akcií, ale i potvrdit, že investoři, kteří se zaměřují na faktory, mohou dosáhnout nadprůměrných výnosů.

Faktorové investování se opírá o předpoklad, že vystavení se specifickým faktorům přinese nadprůměrné výnosy, což je silně spojené s určitou strukturou kauzality. Tento přístup si neklade za cíl pouze modelovat statistické závislosti mezi faktory a výnosy, ale spíše tvrdit, že přítomnost určitého faktoru způsobuje vyšší výnosy. Tento vztah mezi faktorem a výnosem je v teorii považován za kauzální, což znamená, že změny v hodnotách faktoru mohou přímo ovlivnit změny výnosů.

V praxi to znamená, že faktoroví investoři volí modely, které předpokládají, že určité faktory (např. hodnotové akcie) vedou k vyšším výnosům než trh jako celek. Vzhledem k těmto rozhodnutím se používají metodiky, jako je například metoda nejmenších čtverců, která upřednostňuje kauzální interpretaci před čistě prediktivní silou modelu. Toto rozhodnutí o volbě metody je součástí širšího souboru kauzálních předpokladů, které ovlivňují celé investiční rozhodování.

Factor research se většinou soustředí na ověřování nulové hypotézy H0: β = 0, což znamená, že mezi faktorem a výnosem neexistuje žádný kauzální vztah. Pokud je tato hypotéza zamítnuta, dochází k závěru, že mezi faktorem a výnosem existuje významný kauzální vztah. Tento přístup se liší od metod strojového učení, které se zaměřují na prediktivní výkon bez ohledu na kauzalitu a často se neprovozují testy statistických hypotéz.

Důležité je si uvědomit, že výběr modelu a metodologie má zásadní vliv na interpretaci výsledků. Pokud by byly zvoleny jiné metodiky, například pokročilé metody strojového učení, výsledky by mohly být jinak interpretovány. Faktoroví investoři se často zaměřují na hledání konkrétních faktorů, které jsou opakovaně spojeny s výkonnými portfolii, ale jejich metody jsou silně podmíněny předpoklady o kauzálním vztahu mezi faktory a výnosy.

Když se podíváme na investiční praktiky, faktorové investování může nabídnout systém pro identifikaci vzorců v historických datech, které by jinak nebyly zřejmé. Tento přístup může vést k lepší diversifikaci a efektivnějšímu rozdělení rizika v portfoliu. Nicméně je třeba mít na paměti, že faktorové investování není zaručeným receptem na úspěch. Významně záleží na správném výběru faktorů a správné interpretaci jejich dopadu na trhy.

Jak se vyhnout vědeckým pastem v modelování investičních faktorů

Výzkumná komunita v oblasti investičních faktorů čelí vážnému dilematu. Na jedné straně jsou vytvořeny sofistikované modely, které implementují komplexní příčinné vztahy, jež mají být základem pro rozvoj investičních strategií. Na straně druhé je zde výrazná mezera mezi teoretickými modely a skutečnou aplikací těchto faktorů v praxi, což se odráží v neuspokojivém výkonu mnoha faktorových investičních strategií. Tento paradox je v mnoha případech důsledkem logických nesrovnalostí v aplikaci příčinné analýzy, která je v těchto studiích přítomná, ale nikdy není plně formulována.

Výzkum zaměřený na faktorové investování trpí také metodologickými problémy, jako je například p-hacking – tedy manipulace s výběrem dat a modelů v procesu testování hypotéz. Autoři často upravují parametry svých modelů, dokud nedosáhnou p-hodnoty, která umožňuje odmítnutí nulové hypotézy. Tento proces vede k falešným pozitivním výsledkům, které nejsou podložené skutečnými příčinnými vztahy, ale jsou důsledkem náhodné variability v datech. Pokud se takový přístup stane běžnou praxí, výsledky ztrácejí svou vědeckou hodnotu, protože nejsou opakovatelné mimo původní vzorek dat. Problematika p-hackingu byla vyřešena v jiných oblastech výzkumu, například v medicíně, ale v oblasti finančního výzkumu stále zůstává velkým problémem, který nelze ignorovat.

Kromě p-hackingu je dalším faktorem, který vede k spurious claims (nepravdivým tvrzením), výběrový bias a opomenutí nákladů, které jsou spojeny s realizací faktorových strategií. Výzkum faktorového investování často nezohledňuje transakční náklady, náklady na půjčování akcií pro short pozice nebo poplatky za správu fondů, což vede k přehnaným a nepřesným výstupům ohledně očekávaných výnosů. V praxi to znamená, že i pokud je faktor investování teoreticky slibný, skutečný výnos je výrazně nižší, než se původně očekávalo, protože nezohledňuje všechny relevantní náklady.

Pokud tedy výzkum faktorového investování nemá jasně definovaný příčinný mechanismus a je ovlivněn metodologickými nedostatky, jeho aplikace v praxi se stává riskantní. I když je možné, že určité faktory skutečně mohou mít nějaký investiční potenciál, je třeba si uvědomit, že bez jasného a validního vědeckého rámce pro jejich hodnocení nelze mluvit o skutečně vědeckém přístupu k investování. Proto je kladeno důraz na nutnost transparentnosti v metodologii a schopnost výzkumníků přijmout a ověřit své hypotézy v rámci jasně definovaných a reprodukovatelných experimentů.

Pro čtenáře, kteří se zabývají faktorovým investováním nebo se o tuto oblast zajímají, je nezbytné si uvědomit několik klíčových skutečností. Za prvé, je nutné být opatrný při interpretaci údajů o faktorech, které nebyly řádně testovány v různých prostředích a za různých podmínek. Za druhé, je důležité mít na paměti, že empirie v této oblasti stále trpí mnoha neřešenými problémy, a tedy nelze přijímat výsledky výzkumu bez kritické analýzy metodologie. Konečně, pro reálnou aplikaci faktorového investování je třeba mít vždy na paměti skutečné náklady, které mohou výrazně ovlivnit výkon těchto strategií.

Proč je investování do faktorů často spojené s omyly a jak to změnit?

V oblasti faktorového investování se výzkum zaměřuje na identifikaci korelací mezi různými ekonomickými faktory a výkonností investic. Vědci často zjišťují, že určitý jev X je často předchůdcem události Y, což vede k formulaci pravidel pro investování, která mají na první pohled vysoce potenciální zisky. Zde však vzniká zásadní problém, protože tvrzení, že "X často předchází Y", v žádném případě neznamená, že Y je přímo závislé na X. Vzorcová korelace mezi těmito jevy může být pouhou náhodou, a tudíž případný obchodní model bude pravděpodobně selhávat.

Je důležité si uvědomit, že existují dva hlavní typy "spuriálních" korelací: první, kdy X a Y jsou spojeny čistě náhodně, což obvykle vede k selhání investiční strategie (tzv. type-A spurious correlation); a druhý, kdy korelace mezi X a Y existuje, ale není příčinou Y (tzv. type-B spurious correlation). Tento typ druhé korelace může vzniknout kvůli nepozorovanému proměnné Z, která ovlivňuje obě hodnoty, ale nebyla v analyzovaném modelu zahrnuta. Taková neúplnost modelu často vede k tomu, že korelace mezi X a Y se mění v čase a může dokonce změnit svůj směr, což vystavuje investora systémovým ztrátám.

Tento problém není omezen pouze na akademické sféru, ale má skutečné komerční důsledky. Mnohé strategie faktorového investování, které se opírají o historické korelace, nejsou vědecky podložené, což vede k nesprávnému prodeji těchto produktů jako "vědeckých" investičních nástrojů. Výsledkem je, že mnozí investoři, ať už jednotlivci nebo instituce, mohou být vystaveni velkému riziku. Důsledky toho jsou obzvlášť zřejmé v případech, kdy některé investiční strategie, jako je hodnota nebo momentum, vykazují ztráty, které nejsou vysvětlitelné žádným platným příčinným modelem.

V současnosti chybí jednoznačné příčinné vysvětlení pro úspěšnost některých faktorů, jako je hodnota nebo momentum. Tyto faktory mohou vypadat ziskově na základě historických dat, ale bez pochopení skutečných příčin zůstávají jako černé skříňky, které nelze považovat za spolehlivé nástroje pro dlouhodobé investování. Na rozdíl od akademických studií, které se často soustředí na asociace mezi proměnnými, skutečný pokrok v investování do faktorů spočívá v aplikaci příčinných teorií. Bez jasného pochopení příčin není možné správně alokovat riziko ani vytvořit stabilní investiční strategie.

Další zásadní problém spočívá v tom, že většina investičních produktů založených na faktorovém investování jsou podporovány komerčními zájmy, které nemají motivaci jít nad rámec asociativních studií. Tato situace je podporována tím, že asociativní studie jsou levnější a jednodušší na realizaci než studie založené na příčinných modelech. Výsledkem je vznik obrovského trhu s kvantitativními investičními produkty, který dosahuje hodnoty několika bilionů dolarů, aniž by bylo možné nabídnout vědecky podložený důkaz o jejich účinnosti.

Vzhledem k tomu, že tradiční přístupy k faktorovému investování jsou nekompletní a náchylné k chybám, je nutné začít budovat nové investiční produkty, které budou vycházet z příčinných teorií. Tyto přístupy by měly umožnit investorům správně rozumět dynamice trhů a lépe chránit jejich prostředky před náhodnými či nespolehlivými korelacemi, které dominují v současné podobě faktorového investování.

Jak vědecká teorie vzniká: od indukce k falzifikaci

Indukční myšlení se objevuje, když na základě daných premis činíme pravděpodobný závěr, který vychází z generalizace nebo extrapolace z konkrétních případů na obecné pravidlo. Důkazy pro tuto extrapolaci mohou pocházet z velkého počtu případů (enumerativní indukce) nebo z široké škály případů (variabilní indukce). Tato metoda je široce využívána v mnoha vědeckých oblastech, včetně finanční vědy a ekonometrie, kde například zkoumání šíření bid-ask spreadu u akcií na základě nerovnováhy v objednávkách může naznačovat tržní neefektivity.

V teoretickém kroku vědci navrhují možné vysvětlení pozorovaných souvisejících událostí. Tento krok je cvičením v logické abdukci (nebo také retrodukci): Na základě pozorovaného jevu se usuzuje na nejpravděpodobnější vysvětlení mezi konkurenčními alternativami. Vysvětlení nesmí být složitější než samotný pozorovaný jev, a mezi různými hypotézami by měla být upřednostněna ta nejméně komplikovaná. Ve vědeckém výzkumu je kladeno důraz na to, aby byla navržena falzifikovatelná příčinná hypotéza, tedy taková, která předpokládá existenci testovatelných vztahů mezi jednotlivými složkami systému.

Pokud by teorie mohly být dedukovány přímo z pozorování, nebylo by potřeba experimentů testujících platnost předpokladů. Vědecký výzkum však zahrnuje i subjektivní rámce předpokladů, které dávají význam pozorováním a činí celý proces objevování kreativní snahou. Tento rámec je nevyhnutelný, protože samotný akt měření a interpretace dat vždy zahrnuje určité subjektivní volby.

Pokud by teorie mohla být odvozena přímo z pozorování, pak by vědecký výzkum nevyžadoval žádné experimenty. V příkladu teorie Pravděpodobnosti informovaného obchodování (PIN) je popsán mechanismus, kdy nerovnováha orderflow způsobuje změnu střední ceny a širší bid-ask spread, což vede ke zvýšené volatilitě. Tento mechanismus popisuje nejen kauzální vztah mezi jednotlivými proměnnými, ale i testovatelnost těchto vztahů, což činí teorii vědeckou.

Matematici často používají termín "teorie" v jiném smyslu než vědci. Matematická teorie je oblast studia vycházející z axiomů, zatímco vědecká teorie je syntetická a posteriori, což znamená, že vědecké teorie musí být otevřeny falzifikaci a musí se podrobit experimentálním testům, zatímco matematické teorie naopak neumožňují empirické důkazy proti nim.

Tento proces zahrnuje metody analýzy, které umožňují testovat různé části teorie a odhalit, zda jsou skutečně platné. V případě, že některé klíčové předpoklady nebo implikace selžou, je teorie považována za falešnou. Tento přístup má zásadní význam pro vědecký pokrok, protože umožňuje neustálé zdokonalování a přehodnocování předchozích závěrů.