Miksi tekijäinvestointien tutkimuksessa on loogisia ristiriitoja ja virheellisiä väittämiä?

Tekijäinvestointien tutkimus on joutunut ristiriitojen ja epäjohdonmukaisuuksien pyörteeseen, joka estää sen kehittymistä tieteelliseksi alaksi. Tämä johtuu osittain siitä, että monet tutkijat lisäävät syy-yhteyksiä malleihinsa ilman, että he määrittelevät selkeitä syy- ja seurausmekanismeja. Näin ollen tieteellinen yhteisö ei voi suunnitella kokeita, jotka haastaisivat taustaoletuksia ja -teorioita. Vaikka tutkijat luovat malleja, joissa on syy-seurausperustaisia oletuksia, nämä oletukset jäävät usein epäselviksi tai piiloon. Tämä jäävää tekijäinvestointitutkimuksen kehitykselle ja johtaa siihen, että sijoitusteoriaa ei voida kunnolla testata eikä sen oikeellisuutta voida kyseenalaistaa.

Jos mallin rakenteessa ei ole määriteltyjä syy-yhteyksiä tai syy-ehdotuksia, niin sen käyttö ei voi olla tieteellisesti pätevää. Käytännössä tämä tarkoittaa, että tutkijat esittävät p-arvoja, jotka eivät oikeastaan mittaa mitään konkreettista tai merkityksellistä, vaan vain heijastavat epävarmuuksia, jotka liittyvät täysin satunnaisiin yhteyksiin tai virheellisiin oletuksiin. Tällöin tekijäinvestointitutkimus jää pelkän fenomenologian tasolle, jossa sijoitustekijöiden esitetyt väittämät hyväksytään ilman kriittistä tarkastelua.

On myös tärkeää huomata, että vaikka sijoitustekijöitä voidaan tarkastella ja mitata, tämä ei tarkoita, että niitä olisi oikeasti olemassa. Tieteellisesti pätevän tutkimuksen puute johtaa siihen, että tutkimukset, jotka eivät perustu selkeisiin syy-seurausmalleihin, jäävät hylätyiksi tai vääristyneiksi. Tämä epäselvyys syy-yhteyksien suhteen on yksi tärkeimmistä syistä siihen, miksi tekijäinvestointi ei ole saavuttanut suurta suosiota käytännön tasolla.

Yksi suurimmista käytännön haasteista on se, että tekijäinvestoinnin käytännön tuotto ei ole ollut odotetun kaltainen. Esimerkiksi Bloomberg–Goldman Sachs Asset Management US Equity Multi-Factor Index, joka seuraa USAn osakkeiden momentumia, arvoa, laatua ja matalariskisiä tekijöitä, on tuottanut vain 1,13 prosentin vuosittaisen tuoton ja sillä on ollut alhainen Sharpen suhdeluku. Tämä luku ei ota huomioon kaupankäyntikustannuksia, lainakuluja tai muita hallinnointimaksuja, ja ilman näitä kustannuksia tuotto on yhä epämerkittävä pitkällä aikavälillä.

Mikäli tämän tyyppinen tekijäinvestoinnin strategia ei tuo odotettuja tuloksia, se voi johtua tieteellisistä virheistä tutkimuksen alkuperäisissä hypoteeseissa. Tutkimuksissa usein valitaan mallivaihtoehtoja, jotka eivät ole perusteltuja tai jotka eivät täytä tieteellisiä standardeja. Erityisesti ns. "p-hacking", eli tilastollisten virheiden käsittely ilman korjaustoimenpiteitä, on vakava ongelma. P-hacking tarkoittaa sitä, että tutkijat valitsevat vain ne mallit, jotka tuottavat tilastollisesti merkitseviä tuloksia ilman, että he ottavat huomioon mahdollisia virheitä tai valintabiasseja. Tämä johtaa siihen, että tekijäinvestoinnin tutkimuksissa esitetyt tulokset ovat usein harhaanjohtavia ja ne eivät ole toistettavissa.

Vaikka monet muut tieteenalat ovat ottaneet käyttöön korjausmenetelmiä, kuten perusmalleja p-hackingin estämiseksi, tekijäinvestointitutkimus on jäänyt jälkeen. Tämä ei ole pelkästään tietämättömyyttä, vaan myös tietoinen valinta, joka estää alan tieteellisen kehityksen. Ilman asianmukaista tilastollista käsittelyä ja ilman moninkertaisten testien korjaamista, tekijäinvestoinnin tutkimus jää helposti harhaanjohtavaksi.

Lopputuloksena on, että tekijäinvestointi ei ole saavuttanut odotettua tieteellistä perustaa, koska monet sen tutkimukset perustuvat satunnaisille yhteyksille, jotka esitetään perusteettomina sijoitusteorioina. Tämä epäjohdonmukaisuus estää tekijäinvestointien luotettavien mallien ja strategioiden kehittämisen.

Miksi osakekurssien selitysmallit ovat usein virheellisiä?

Osakekurssien käyttäytymistä on pitkään pyritty selittämään yksinkertaistetuilla taloudellisilla malleilla, jotka perustuvat useisiin tekijöihin, kuten markkinatilanteeseen, yrityksen kokoon ja sen arvoon. Esimerkiksi Fama ja French (FF93) esittivät mallin, jossa osakekurssien liikkeitä pyrittiin selittämään kolmella päätekijällä: markkinan yleinen kehitys, yrityksen koko (mitattuna osakkeen hinnan ja osakemäärän tulona) ja yrityksen arvo (kirjanpidollinen arvo suhteessa markkinahintaan). Myöhemmissä tutkimuksissaan Fama ja French lisäsivät tähän malliin kaksi uutta tekijää, jotka liittyivät yrityksen laatuun, kuten kannattavuus ja investointien taso, pyrkien näin parantamaan mallin selitysvoimaa.

Vaikka mallit kuten FF93 ja FF15 ovat saavuttaneet suurta huomiota, niillä on useita ongelmia, jotka tekevät niistä epäluotettavia ja jopa harhaanjohtavia. Ensinnäkin, tutkimuksessa ei ole raportoitu kaikkia kokeiluja, joita tekijät ovat suorittaneet ennen lopullisen mallin valintaa, mikä viittaa niin sanottuun p-hakkerointiin. Tämä tarkoittaa sitä, että malli on saattanut valikoitua pelkästään sen perusteella, että se näyttää parhaalta tilastollisesti, vaikka sen taustalla ei olisikaan todellista syy-seuraussuhdetta.

Toiseksi, mallit perustuvat yksinomaan tilastolliseen selitysvoimaan, ilman selkeää syy- ja seurausmekanismia. Tämä tekee malleista epätäydellisiä, sillä ilman selkeää kausaalista ymmärrystä on mahdotonta olla varma siitä, mitkä tekijät todella vaikuttavat osakekurssien liikkeisiin. Tässä on suuri ero ennustavien mallien ja kausaalisten mallien välillä. Ennustavat mallit saattavat olla käyttökelpoisia käytännön sijoitusstrategioiden luomisessa, mutta ne eivät välttämättä paljasta, miksi tietty riski on palkittu markkinoilla.

Kolmas ongelma on se, että FF93 ja FF15 eivät huomioi makrotalouden tekijöitä, kuten inflaatiota, bruttokansantuotteen (BKT) kehitystä ja taloussyklin vaiheita, jotka voivat vaikuttaa osakekurssien käyttäytymiseen. Erityisesti liiketoimintasyklien vaikutus yrityksen kokoon ja arvostukseen on jäänyt huomiotta, vaikka aiemmissa tutkimuksissa on jo todettu sen olevan merkittävä tekijä. Tämä puute voi johtaa siihen, että malli ei ole täydellinen, koska se ei ole ottanut huomioon kaikkia tärkeimpiä häiriötekijöitä.

Neljänneksi, on hyvin dokumentoitu, että momentumin ja arvon tekijöiden välillä on yhteys. Tämä vuorovaikutus saattaa johtua kolmannen tekijän, kuten markkinan yleisen tilanteen, vaikutuksesta, joka vuorostaan saattaa tehdä momentumin ja arvon suhteen epätarkaksi. Tällöin momentum saattaa olla niin sanottu puuttuva häiriötekijä (confounder), joka vääristää mallin tuloksia. Tämä viittaa siihen, että vaikka malli saattaa näyttää tilastollisesti merkittävältä, sen takana voi olla syvempi ongelma, joka jää huomaamatta.

Viidenneksi, mallien tekijät eivät esitä selkeää kausaalista mekanismia, joka selittäisi heidän havaintonsa. Tämä on merkittävä puute, sillä ilman kausaalista ymmärrystä ei ole mahdollista tehdä perusteellista analyysia siitä, miksi tietyt tekijät vaikuttavat osakekurssien kehitykseen. Ilman tätä tietoa ei myöskään voida luotettavasti testata mallin pätevyyttä.

Vaikka Carhart (1997) laajensi FF93:n mallia lisäämällä momentumin neljänneksi tekijäksi, tämä laajennus perustui edelleen vain siihen, että malli paransi tilastollista selitysvoimaa, ei siihen, että momentum olisi oikeasti poistanut arvon vääristymiä. Tämä on sama itse-ristiriitainen perustelu, jota Fama ja French käyttivät lisätessään laatuun liittyviä tekijöitä malliin.

On myös tärkeää ymmärtää, että väärin määritetty malli voi selittää osan havainnoista samalla tavalla kuin oikea malli, mutta vääristetyllä tavalla. Tämä ei tarkoita, että malli olisi oikein, vaan että se voi olla tilastollisesti väärä, mutta silti tuottaa tuloksia, jotka näyttävät olevan yhteydessä osakekurssien liikkeisiin.

Mallien kehittäjien olisi tärkeää tehdä kausaalinen rakenne selväksi ja esittää, millä mekanismilla eri tekijät vaikuttavat toisiinsa. Vain tällöin voidaan luottaa siihen, että malli on hyvin määritelty ja että sen tuottamat ennusteet ovat luotettavia. Jos FF93, FF15 ja C97 olisivat ehdottaneet ennustavaa mallia, jossa tekijöiden arvioinnit eivät ole yhtä tärkeitä, ei olisi yhtä suurta huolta siitä, että mallin ennusteet saattavat olla vinoutuneita. Tällöin tärkeintä olisi se, kuinka hyvin malli ennustaa osakekurssien liikkeitä ja auttaa sijoittajia luomaan voittoa tuottavia strategioita.

Sijoittajien kannalta kausaalisuus on tärkeä elementti, sillä se mahdollistaa riskin ja tuoton oikean kohdistamisen. Ilman kausaalista mallia sijoittajat voivat tehdä vääriä päätelmiä ja menettää mahdollisuuden rakentaa tehokkaita portfoliosuunnitelmia. Kausaaliset mallit myös mahdollistavat vaihtoehtoisten skenaarioiden arvioimisen ja siten sijoitusportfolion stressitestauksen. Tämä puolestaan auttaa sijoittajia varautumaan mahdollisiin mustiin joutseniin eli ennakoimattomiin markkinashokkeihin.

Miksi faktoreiden sijoittaminen ei täytä odotuksia ja miksi kausaalisuus on ratkaisevaa?

Faktoriesi sijoittaminen on jäänyt akateemisesti ja kaupallisesti keskeneräiseksi prosessiksi, joka ei ole kyennyt täyttämään sille asetettuja odotuksia. Sijoittajat saattavat löytää tilastollisesti merkittäviä korrelaatioita, kuten ilmiö X, joka usein edeltää tapahtumaa Y, ja tämän perusteella he saattavat kehittää kaupankäynnin sääntöjä, joiden he uskovat tuottavan voittoa. Tämä lähestymistapa kuitenkin perustuu virheelliseen oletukseen siitä, että X:llä olisi syy-yhteys Y:hin, vaikka pelkkä korrelaatio ei osoita syy-seuraus-suhdetta. Yksi ongelma on niin sanottu "tyyppi-A" väärinkäsitys, jossa X ja Y saattavat näyttää olevan yhteydessä vain sattumalta. Tällöin strategiat, jotka perustuvat näihin korrelaatioihin, epäonnistuvat todennäköisesti. Toinen mahdollisuus on, että X ja Y ovat yhteydessä toisiinsa, mutta Y ei ole X:n funktionaalinen seuraus. Tämä voi johtua esimerkiksi muuttujasta Z, jota ei ole otettu huomioon analyysissa, tai kollidointimuuttujasta, jonka tutkijat ovat virheellisesti mieltäneet sekaannukseksi.

Tällaiset virheelliset oletukset voivat johtaa siihen, että X:n ja Y:n välinen korrelaatio muuttuu ajan myötä, ja jopa kääntyy päinvastaiseksi, mikä altistaa sijoittajan järjestelmällisille tappioille. Tämän vuoksi faktoriesi sijoittaminen on jäänyt pelkäksi data-kaivamiseksi, joka tuottaa lukemattomia väärinkäsityksiä, mutta ei oikeasti auta saavuttamaan kaupallisia tavoitteita. Sijoittajille annetaan usein virheellistä tietoa siitä, että historiassa toimineet strategiat toimisivat myös tulevaisuudessa, vaikka tieteellistä pohjaa tälle uskolle ei ole.

Faktoriesi sijoittamisen suuri ongelma on se, että lähes kaikki akateemiset artikkelit tästä aiheesta jättävät huomiotta kausaalisen sisällön. Tutkijat eivät yritä määrittää kausaalista verkkoa, joka selittäisi havaitut yhteydet, vaan keskittyvät pelkästään tilastollisiin malleihin ja korrelaatioihin. Tämä tekee tutkimustulosten kumoamisesta lähes mahdotonta, sillä ilman kausaaliteoriaa on vaikea todistaa, että jokin malli on väärä. Esimerkiksi arvo-osakkeiden pitäminen ei voi todistaa, että se suoraan aiheuttaa markkinoiden voittamisen, koska todellinen syy-seuraus-suhde on testattavissa vain kausaaliteorian avulla.

Erityisesti instituutioiden sijoittajien, kuten eläkekassojen, suvereeneiden varallisuusrahastojen ja vakuutusyhtiöiden, on tärkeää esittää kysymys "miksi", koska heidän vastuullaan on hallinnoida varoja, jotka palvelevat yleistä etua. Faktoriesi sijoittaminen voi olla sopivaa varakkaalle yksityishenkilölle, joka pystyy kestämään suuria tappioita, mutta se ei ole järkevä valinta henkilölle, joka on säästänyt koko elämänsä eläkettä varten. Sijoittajien, jotka eivät voi antaa tieteellistä perustelua toiminnalleen, pitäisi pidättäytyä myymästä faktoriesi sijoittamista tieteellisesti vakuuttavana tuotteena. Tämä on erityisen tärkeää tilanteessa, jossa sijoitusstrategiat voivat olla "mustia laatikoita", joista ei tiedetä, miksi ne toimivat, tai miksi ne epäonnistuvat.

Kaupallisella puolella suurten rahastojen, kuten JP Morganin ja BlackRockin, arvioimat määrät — yli 2,5 biljoonaa Yhdysvaltain dollaria faktoriesi rahastoissa — antavat osviittaa siitä, kuinka valtava teollisuus on rakennettu ilman todellista tieteellistä perusta. Tässä ympäristössä sijoittajat joutuvat kohtaamaan riskin, että tieteelliset tutkimukset saattavat olla enemmän taloudellisten kannustimien ohjaamia kuin oikean tieteellisen tiedon etsintää. Akateemisten tutkimusten tila on jäänyt osittain kaupallisten intressien valtaan, sillä korrelaatiotutkimukset ovat edullisempia ja helpompia toteuttaa kuin syy-seuraus-suhteiden selvittäminen, vaikka ne eivät välttämättä tarjoa sijoittajille realistista käsitystä tulevaisuuden tuotoista.

Kausaalisuus on avain siihen, miksi faktoriesi sijoittaminen ei ole saavuttanut akateemista tai kaupallista menestystä. Kausaliteetti voi auttaa selittämään riskien ja tuottojen jakautumista, parantamaan sijoitusportfolion tehokkuutta ja antamaan selkeitä vastauksia sijoittajille siitä, miksi heidän sijoituksensa toimivat tietyllä tavalla. Kausaaliteorian avulla voidaan myös tehdä sijoitusstrategioista läpinäkyvämpiä ja tuloksia selittävämpiä, mikä on erityisen tärkeää institutionaalisille sijoittajille, joiden vastuulla on selittää sijoitusten tuotto ja riskit yleisölle.

Faktoriesi sijoittamisen tulevaisuus edellyttää tieteellisten ja kausaalisesti perusteltujen mallien kehittämistä. Tämä tarkoittaa, että tutkimuksessa on otettava käyttöön syy-seuraus-ketjut, jotka ovat testattavissa ja jotka voivat tarjota sijoittajille parempia työkaluja riskien hallintaan ja tuottojen ennustamiseen. Kausaaliteoria ei ole pelkästään akateeminen haaste, vaan se voi olla ratkaiseva tekijä sijoittajien päätöksenteon parantamisessa, erityisesti niille, jotka hallinnoivat suuria varoja ja jotka eivät voi ottaa liiallisia riskejä.

Miten koneoppiminen voi parantaa taloudellista analyysia ja sijoitusstrategioita?

Koneoppiminen on viime vuosina herättänyt merkittävää kiinnostusta taloustieteessä ja erityisesti sijoitusstrategioiden kehittämisessä. Yksi keskeisistä haasteista, johon koneoppiminen voi tarjota ratkaisuja, on väärien sijoitusstrategioiden tunnistaminen. M. López de Prado on useissa julkaisuissaan tuonut esiin, kuinka koneoppiminen voi auttaa erottamaan todelliset ja väärät sijoitusstrategiat, erityisesti vertaamalla niitä perinteisiin tilastollisiin menetelmiin. Koneoppiminen mahdollistaa suuremman datamäärän käsittelyn ja tarkempien, aiemmin piilossa olleiden yhteyksien havaitsemisen.

Perinteisessä taloustieteessä, kuten regressioanalyysissä, oletetaan usein lineaarinen suhde muuttujien välillä. Koneoppimisen avulla voidaan kuitenkin tunnistaa myös ei-lineaarisia suhteita ja monimutkaisempia malleja, jotka perinteinen ekonometrian menetelmä ei aina pysty havaitsemaan. Tällöin voidaan paremmin ymmärtää, miten eri taloudelliset tekijät, kuten markkinahäiriöt tai globaalit tapahtumat, vaikuttavat sijoitusstrategioihin.

Erityisesti López de Prado on korostanut, kuinka tärkeää on ymmärtää testausvirheitä, kuten tyypin I ja II virheitä, Sharpen suhteessa. Tämä on keskeistä taloudellisessa analyysissä, sillä useiden testien tekeminen voi johtaa virheellisiin johtopäätöksiin, mikä puolestaan altistaa sijoittajat suuriin riskeihin. Monet tutkijat ovat huomanneet, että perinteiset tilastolliset menetelmät eivät ota riittävästi huomioon useiden testien vaikutusta, mikä saattaa johtaa väärään strategiaan ja epäonnistumisiin.

Koneoppimismenetelmien kuten epätarkkuus- ja reaktiotesteissä on paljon potentiaalia. Näiden avulla voidaan testata sijoitusstrategioiden robustiutta eri olosuhteissa, mikä on erityisen tärkeää muuttuvassa taloudellisessa ympäristössä. Tällöin voidaan arvioida, kuinka hyvin strategiat toimivat eri markkinakonteksteissa ja muissa mahdollisissa häiriötilanteissa. Samalla voidaan vähentää tilastollisten virheiden mahdollisuutta, sillä koneoppiminen pystyy paremmin erottamaan signaalit kohinasta.

Merkittävä osa koneoppimista taloustieteessä on myös sen kyky yhdistää suuria tietomääriä ja tunnistaa piileviä kausaalisuhteita. Kausalitekniikat, kuten Bayesin verkot ja akyllinen kausaalitodistus, auttavat meitä ymmärtämään, miten taloudelliset tekijät vaikuttavat toisiinsa. Kausaalinen ajattelu tuo taloustieteeseen tarvittavaa tarkkuutta ja syvyyttä. Jos pystymme tunnistamaan, mitkä tekijät todella vaikuttavat toisiinsa ja mitkä ovat vain korreloivia, voimme tehdä tarkempia ennusteita ja optimoida sijoitusstrategioita.

Tärkeä osa on myös ymmärtää, että kaikki koneoppimisen mallit eivät ole samalla tavalla luotettavia kaikissa tilanteissa. Kuten Pearl ja muut tutkijat ovat korostaneet, on olemassa tärkeitä eroavaisuuksia erilaisten mallien välillä. Esimerkiksi, vaikka itse oppiminen voi tuottaa hyviä ennusteita, se ei aina ole oikea työkalu, jos käytettävä malli ei ole identifioitavissa tai jos se ei pysty käsittelemään epälineaarisuuksia asianmukaisesti. Koneoppimisen käytön edellytyksenä on siis syvällinen ymmärrys siitä, mitä malli on todella oppinut ja mitä se ei ole oppinut.

Erityisesti sijoittajille, jotka pyrkivät optimoimaan portfoliosijoituksiaan tai arvioimaan riskitasojaan, koneoppiminen tarjoaa mahdollisuuden parantaa päätöksentekoa ja vähentää virheellisiä johtopäätöksiä. Näin voidaan paremmin arvioida, mitkä sijoitusstrategiat todella toimivat ja mitkä voivat olla vain tilastollista sattumaa.

On myös tärkeää huomioida, että koneoppiminen ei ole ratkaisu kaikkiin taloudellisiin ongelmiin. Koneoppiminen voi vain tuottaa parempia ennusteita ja analyysityökaluja, mutta se ei pysty täysin korvaamaan asiantuntijatason taloudellista ymmärrystä ja intuitiota. Mallien tulkitseminen ja niiden validointi ovat avainasemassa, ja siksi koneoppimista ei tule nähdä ainoana työkaluna, vaan osana laajempaa taloudellista analyysiä.

Taloustieteilijöiden ja sijoittajien on tärkeää muistaa, että vaikka koneoppiminen tuo merkittäviä etuja, sen käyttöön liittyy myös haasteita. Erityisesti suuri datamäärä ja mallien monimutkaisuus voivat aiheuttaa ylikuormitusta ja vaikeuttaa oikeiden päätöksien tekemistä. Näin ollen koneoppimisen tulisi olla osa kokonaisstrategiaa, jossa yhdistyvät perinteiset taloustieteelliset mallit ja uudemmat teknologiat, kuten koneoppiminen, kausaalitietoisuus ja suuri data.