Kan faktorinvestering bli vitenskapelig?

I nær sagt alle vitenskapelige artikler om faktorinvestering blir det gjort assosiative påstander, samtidig som det nektes for den kausale betydningen av faktormodeller. Forfattere identifiserer ikke den kausale grafen som er i samsvar med det observerte fenomenet, de rettferdiggjør valgte modellspesifikasjoner ut fra korrelasjoner, og de foreslår ikke eksperimenter for å falsifisere de kausale mekanismene. I fravær av en kausal teori er det stor sannsynlighet for at funnene er feil, på grunn av overfitting i tilbakeprøving og feilaktige spesifikasjonsvalg. Denne Finance Element differensierer mellom type-A og type-B spuriøse påstander, og forklarer hvordan begge typer hindrer at faktorinvestering kan gå videre fra sitt nåværende fenomenologiske stadium. Den analyserer den nåværende tilstanden av kausal forvirring i faktorinvesteringens litteratur og foreslår løsninger som har potensial til å transformere faktorinvestering til en virkelig vitenskapelig disiplin.

Faktorinvestering som konsept har blitt utbredt i akademiske kretser, men det er i stor grad blitt behandlet som en empirisk utforskning der korrelasjoner mellom faktorer og avkastning er hovedfokuset. Dette er et problem, fordi det er en vesentlig forskjell mellom å observere en sammenheng og å etablere en årsak-virkning-relasjon. Et av de største problemene med eksisterende forskning på faktorinvestering er at det sjelden stilles spørsmål ved de underliggende kausale mekanismene som forklarer observasjonene. Korrelerte variabler kan fremstå som årsaker, men de kan i realiteten være effekter av en underliggende, ukjent faktor. For eksempel kan en økning i aksjeprisene i en spesifikk sektor være korrelert med en økning i den økonomiske veksten, men det betyr ikke nødvendigvis at den økonomiske veksten er årsaken til aksjeprisene. Det kan også være en tredje, skjult variabel som påvirker begge, som for eksempel endringer i rentenivået.

De fleste artikler på området benytter seg av historiske data og benytter seg av ulike regresjonsmodeller for å analysere sammenhenger mellom faktorer og økonomiske resultater. Dessverre er det lite fokus på å teste kausale forhold. Uten en systematisk tilnærming til å identifisere og teste kausale mekanismer er det svært vanskelig å trekke pålitelige konklusjoner om hvilke faktorer som faktisk driver resultatene. Uten en solid kausal teori vil alle observasjoner i beste fall være en tilfeldig assosiasjon, og i verste fall kan de føre til feilaktige investeringer og beslutninger. Dette gjør at mange av de påstandene som fremsettes i eksisterende litteratur om faktorinvesteringer er enten spuriøse eller utilstrekkelig fundamenterte.

Det finnes en viktig forskjell mellom type-A og type-B spuriøse påstander. Type-A spuriøse påstander omhandler tilfeller hvor en korrelasjon mellom en faktor og en økonomisk variabel blir tolket som en årsakssammenheng, uten at det er vitenskapelig grunnlag for det. Type-B spuriøse påstander innebærer at en påstått kausal mekanisme kan være et resultat av feilaktig modellspesifikasjon eller overfitting av dataene. I begge tilfeller er det en systematisk feil som hindrer oss i å forstå de virkelige drivkreftene bak økonomiske fenomener.

Faktorinvesteringens nåværende tilstand er fenomenologisk. Den beskriver mønstre i data uten å nødvendigvis forklare hvorfor disse mønstrene eksisterer. Dette er en viktig, men begrenset tilnærming, fordi det ikke gir oss verktøyene til å gjøre forutsigelser om fremtidige resultater under ulike betingelser. Videre innebærer en fenomenologisk tilnærming at vi ikke nødvendigvis lærer noe fundamentalt nytt om markedene eller økonomiske prosesser. For å kunne bevege seg fra et fenomenologisk nivå til et vitenskapelig nivå, er det nødvendig å utvikle en solid kausal forståelse av de mekanismene som driver de observerte fenomenene.

Å etablere en kausal teori for faktorinvesteringer krever en grundig analyse av de underliggende økonomiske prosessene som styrer faktorenes dynamikk. Dette innebærer blant annet å identifisere relevante kausale faktorer, forstå deres interaksjoner og formulere tester som kan falsifisere eller validere disse teoriene. Det er også viktig å utvikle metodiske verktøy som kan skille mellom korrelasjon og kausalitet på en robust og pålitelig måte. For eksempel kan Monte Carlo-simuleringer bidra til å evaluere hvor godt en gitt kausal modell passer til virkelige data, ved å simulere et bredt spekter av mulige scenarier og vurdere om modellens forutsigelser er konsistente med de observerte resultatene.

En viktig tilnærming i denne sammenhengen er å bruke eksperimentelle metoder, der det er mulig å manipulere enkelte faktorer for å observere de kausale effektene i et kontrollert miljø. Selv om det ikke er praktisk mulig å gjennomføre slike eksperimenter på finansmarkeder i stor skala, kan man benytte seg av andre metoder, som for eksempel naturlige eksperimenter, der markeder eller faktorer uventet endres, og man deretter observerer de kausale konsekvensene.

Det er også avgjørende at forskere og praktikere innen faktorinvestering begynner å anerkjenne at det er nødvendig med en mer integrert tilnærming til å forstå de underliggende økonomiske drivkreftene. Bare ved å utvikle en teori som kan forklare hvorfor visse faktorer har en påvirkning på markedsavkastningene, vil man kunne gjøre mer pålitelige investeringer som ikke er basert på tilfeldige eller kortsiktige observasjoner.

Avslutningsvis er det essensielt å forstå at faktorinvestering, som et forskningsområde, ikke kan forbli i sitt nåværende stadium. For å utvikle en solid vitenskapelig disiplin er det avgjørende å identifisere og validere kausale mekanismer. Dette krever et skifte fra observasjon til forståelse, fra korrelasjon til årsak. Uten dette grunnleggende skrittet vil faktorinvestering forbli et fenomen som ikke er i stand til å gi pålitelige, langtidsvarende resultater.

Hvordan spesifikasjonssøk kan føre til skjevhet i kausale estimater i finansforskning

I kausalmodellering er det viktig å forstå at de ulike fasene i analysen ikke bør blandes sammen. Spesielt er det nødvendig å holde fase 1, som handler om å finne den kausale grafen, separat fra fase 2, hvor en faktor-modell spesifiseres for å estimere de kausale effektene. Dette skiller seg fra tradisjonelle metoder som bruker korrelasjons- eller regressjonsanalyser, hvor det er lett å bli misledet av tilsynelatende sammenhenger. I fase 1 oppdages den kausale strukturen som best forklarer fenomenet som helhet, og som inkluderer både observasjonelle data og ekstra-statistisk informasjon. Fase 2, derimot, fokuserer på å estimere de spesifikke kausale effektene ved hjelp av verktøy som do-kalkulus, og krever en korrekt spesifikasjon av faktormodellen for å unngå skjevhet i estimatene.

En vanlig feil i fase 2 er å velge faktormodellen basert på dens forklaringskraft, det vil si hvor godt modellen predikerer utfallet Y. Dette kan føre til at de estimerte kausale effektene blir skjeve. For eksempel, hvis en forsker kombinerer flere årsaker til Y for å oppnå høyere forklaringskraft, kan dette føre til multikollinearitet, der variablene er sterkt korrelert, eller overkontrollering av en kolliderende variabel. Begge disse feilene kan føre til at de estimerte parameterne blir skjeve. Det er viktig å merke seg at modellspesifikasjonen ikke handler om å finne den beste prediktive modellen, men om å estimere de kausale effektene på en pålitelig måte i tråd med den kausale grafen.

Når det gjelder modellspesifikasjon, kan feilvalg føre til falske positiver, hvor feilaktige kausale sammenhenger blir tilskrevet variablene, noe som påvirker beslutningene som blir tatt. Dette er en viktig risikofaktor i finansforskning, spesielt når det gjelder investeringer. Skjevheten som oppstår fra spesifikasjonssøk er forskjellig fra p-hacking, som er knyttet til feilaktig valg av signifikante resultater etter flere tester. I stedet for å handle om seleksjons-bias, fører spesifikasjonssøk til det som kalles spesifikasjons-bias.

I praktisk anvendelse er det viktig at forskeren er bevisst på de forskjellige fasene i den kausale analysen. Selv om det kan være fristende å kombinere variabler for å øke modellen sin forklaringskraft, er det alltid nødvendig å først forstå den kausale strukturen før man gjør dette. Hvis man for eksempel ønsker å kombinere flere årsaker til Y for å modellere en interaksjonseffekt, må dette være basert på den kausale grafen som er oppdaget i fase 1. Kun da kan man være sikker på at de estimerte effektene ikke er skjeve.

I tillegg er det nødvendig å være oppmerksom på tidsmessige egenskaper ved dataene når man utfører tidsserieanalyser. To uavhengige variabler kan fremstå som sammenhengende, selv om deres tidsserier ikke er stasjonære eller utviser sterke tidsmessige egenskaper, som autokorrelasjon eller langtidsbevegelige glidende gjennomsnitt. Dette kan føre til feilaktige kausale påstander hvis tidsserieegenskapene ikke tas i betraktning. Analysene som tar hensyn til slike egenskaper, som enhetsrot- og kointegrasjonsanalyser, hjelper til med å vurdere fordelingene av residualene, men de kan ikke fullt ut hindre risikoen for feilaktige kausale påstander.

Videre er det viktig å forstå hierarkiet av bevis når man vurderer vitenskapelige påstander. I finansforskning er ikke alle bevis like sterke. Noen typer bevis, som case-studier eller ekspertuttalelser, er mer utsatt for bias og er dermed mindre pålitelige. Derimot, eksperimenter som randomiserte kontrollerte studier (RCT-er) gir det høyeste nivået av vitenskapelig rigor og kan derfor gi mer pålitelige kausale påstander. Imidlertid er det viktig å merke seg at i finanssystemer er kontrollerte eksperimenter vanskelige å gjennomføre på grunn av både systemenes kompleksitet og etiske og regulatoriske hensyn.

Når man vurderer økonometriske studier eller backtesting av investeringsstrategier, er det viktig å være klar over at disse er svært utsatt for både type-A og type-B spuriøse påstander, spesielt hvis de baseres på observasjonelle data. Dette er grunnen til at simuleringer og naturlige eksperimenter, som benytter seg av kausal inferens, kan være mer pålitelige. Ved å bruke et riktig kausalt rammeverk kan man bedre skille mellom reelle kausale effekter og tilfeller der observasjonene kan være tilfeldige eller på grunn av skjulte faktorer.

Endelig bør leseren huske at kausal inferens i finans kan være langt mer kompleks enn i andre disipliner, fordi de økonomiske systemene ofte er påvirket av en rekke faktorer som er vanskelige å kontrollere for. Forståelsen av kausale sammenhenger krever både teknisk ekspertise og en dyp forståelse av de underliggende økonomiske mekanismene.

Hvordan Falsifikasjon og Eksperimentell Metode Former Vitenskapelige Teorier

Vitenskapelige teorier utvikles og testes gjennom en systematisk prosess som søker å avdekke mekanismene som ligger til grunn for observerte fenomener. En slik prosess krever nøye utformede eksperimenter som utfordrer eksisterende hypoteser, og det er nettopp denne evnen til å bli motbevist som gir vitenskapen dens styrke. I denne konteksten spiller falsifikasjon en nøkkelrolle i å skille vitenskapelige påstander fra pseudovitenskapelige teorier.

En av de mest kjente teoriene som har blitt testet ved hjelp av slike eksperimentelle metoder er PIN-teorien, som handler om markedsdeltakernes atferd i forhold til ubalanse i ordrefløt. I et eksperiment kan forskeren for eksempel dele aksjer tilfeldig i to grupper, sende kjøpsordrer som setter nivået for ordrefløteubalanse for den første gruppen, og deretter måle forskjellen i bud-ask spread, likviditet og volatilitet mellom de to gruppene. Hvis resultatene er i tråd med PIN-teorien, kan forskeren konkludere med at teorien har bestått falsifikasjon.

Falsifikasjonismens rolle går langt utover bare å teste om en hypotese holder i praksis. Det handler om å lage "risky forecasts" – det vil si å forutsi resultater i situasjoner som ikke har blitt observert før. Et slikt eksperiment krever at forskeren nøye analyserer teorien og trekker frem de potensielle implikasjonene under hypotetiske betingelser. Dette kalles en "out-of-sample" vurdering, og et klassisk eksempel på en vellykket anvendelse av denne tilnærmingen er forutsi markedssammenbrudd, som i tilfelle av flash-crashen i 2010, hvor tradere som fulgte modeller basert på PIN-teorien, forberedte seg og profitterte på hendelsen.

Falsifikasjonens viktigste egenskap er at den ikke bare søker å avdekke om en teori er feil, men også gir en metodisk vei til å forbedre og videreutvikle teorier. Teorier som overlever falsifikasjon er ikke nødvendigvis sanne i absolutt forstand, men de er "bedre tilpasset" de utfordringene de møter. På denne måten kan vitenskapen alltid forbedre sine forklaringer, og hver vellykket teori åpner døren for nye utfordringer og spørsmål.

Falsifikasjonismens praksis i vitenskapen kan også forstås i lys av forskjellen mellom den vitenskapelige metoden og den sokratiske metoden som ble brukt før den vitenskapelige revolusjonen. Den sokratiske metoden fokuserte på å eliminere logisk inkonsistente hypoteser ved å stille spørsmål som “Hva er X?” og “X er...”, og den siste fasen av metoden var å finne eksempler som motsa den opprinnelige definisjonen. I motsetning til dette, krever den vitenskapelige metoden at hypotesene er testbare og falsifiserbare, og ekspertene søker bevis som enten støtter eller motbeviser teorien gjennom systematiske eksperimenter.

En annen viktig dimensjon ved vitenskapen er dens evne til å forutsi fremtidige hendelser. Når en teori er utviklet og testet, gir den oss et rammeverk for å forstå hva som kan skje i fremtiden. Eksemplet med flash-crashen i 2010 er ikke bare en bekreftelse på teorienes praktiske verdi, men også på hvordan vitenskapen kan tilpasse seg nye og uforutsette hendelser.

Falsifikasjonens prinsipp ble utviklet av Karl Popper som et svar på utfordringene med å skille vitenskap fra pseudovitenskap. Det er viktig å merke seg at falsifikasjon ikke innebærer å gjøre en teori sann, men heller å sikre at teorien er utsatt for muligheten for å bli motbevist. Teorier som kan være falsifisert gjennom eksperimentelle data, står sterkere fordi de tåler vitenskapelig testing og kan utvikles videre basert på nye funn. Falsifikasjon er dermed ikke bare en metode for å identifisere feil, men også en katalysator for vitenskapelig fremgang.

Den moderne filosofien om vitenskap ser på falsifikasjon som en sentral del av vitenskapens natur, og anerkjenner viktigheten av å kunne teste påstander på en objektiv måte. Uten en klar forståelse av hvordan eksperimenter kan bekrefte eller motbevise en teori, vil vitenskapen ikke kunne gjøre de nødvendige fremskrittene. Vitenskapens styrke ligger i dens evne til å bli utfordret, tilpasset og forbedret gjennom kontinuerlig testing og eksperimentering.

Dette betyr at, i tillegg til å teste om en teori holder, må forskeren også være klar til å omfavne de potensielle svakhetene i teorien og bruke dem som grunnlag for videre forskning. Hvis en teori er robust nok til å overleve disse utfordringene, gir den en bedre forståelse av de underliggende mekanismene som styrer observerte fenomener. Når en teori viser seg å være feilaktig, er det et viktig skritt i vitenskapens fremdrift – for det åpner veien for en mer presis og fullstendig forståelse av verden.