Fama og French (1993), senere utvidet av Carhart (1997) og Fama og French (2015), foreslo flere faktormodeller for å forklare aksjemarkedets avkastning. De tre opprinnelige faktorene som ble inkludert i Fama og Frenchs modell i 1993, var markedet, størrelse (målt som aksjekurs multiplisert med antall aksjer) og verdi (målt som forholdet mellom bokførte verdier og markedsverdi). Dette ble senere supplert med to faktorer relatert til kvalitet: lønnsomhet og investering, for å forbedre modellens forklaringskraft.

Til tross for innvirkningen som disse modellene har hatt på finanslitteraturen, er det flere betydelige innvendinger mot deres spesifikasjoner. For det første unnlater forfatterne å rapportere eller justere for alle de forsøksvise modellene de prøvde ut før de valgte sitt endelige spesifikasjonsvalg, noe som tyder på en risiko for p-hacking. For det andre, selv om de rettferdiggjør modellens spesifikasjoner med henvisning til den forklarende kraften, overser de viktigheten av en kausal graf, noe som gjør at modellen er potensielt feilspesifisert på grunn av såkalt "specification searching". En tredje innvending er at makroøkonomiske faktorer, som inflasjon, BNP og konjunktursykluser, ikke er tatt med i betraktning, selv om noen av disse faktorene tidligere har blitt nevnt som betydningsfulle i litteraturen.

En annen betydelig svakhet ved disse modellene er at de ignorerer interaksjonen mellom momentum- og verdi-faktorene. Forskning har vist at det er en kobling mellom disse faktorene, og at momentum kan være en viktig ukontrollert variabel som påvirker verdifaktoren. Når momentum ikke inkluderes i modellen, kan dette føre til en skjevhet i vurderingen av verdifaktorens virkning. Denne typen feil kan også være forbundet med problemene som oppstår når man prøver å bruke flere faktorer sammen, noe som kan føre til multikollinearitet. En mulighet for å redusere denne skjevheten kan være å bruke mer sofistikerte metoder som "backdoor adjustment" for å unngå de potensielle feilene som oppstår ved inversjon av kovariansmatrisen.

Et annet aspekt som er problematisk, er at ved å inkludere bok-til-marked-forholdet som en kontrollvariabel, kan det oppstå en falsk negativ korrelasjon mellom aksjens størrelse og avkastning. Dette kan føre til at størrelsesfaktoren blir feilaktig ansett som betydningsfull, mens den egentlig er en falsk oppdagelse. Slik feilspesifisering kan føre til at man drar feilaktige konklusjoner om hvilke faktorer som faktisk driver aksjemarkedsavkastningen.

Når det gjelder Carharts tillegg av momentumfaktoren i 1997, er det viktig å merke seg at utvidelsen ble begrunnet med høyere forklaringskraft, men ikke nødvendigvis med en kausal forklaring. Dette er en tilnærming som kan føre til problemer med modellen, da den gir en assosiativ fremstilling uten å forklare mekanismene bak fenomenene som observeres. For investorer kan dette være problematisk, fordi det ikke gir en klar forståelse av hvilke faktorer som faktisk gir risiko- eller avkastningsbelønning.

Selv om modellene til Fama, French og Carhart fortsatt er svært innflytelsesrike og benyttes i stor grad, må det understrekes at deres styrker og svakheter ikke er unike. Mange studier innen investeringsøkonomi har de samme metodologiske feilene, og de faktorer som markedsføres, kan være like mye tilfeldige assosiasjoner som reelle årsakssammenhenger. Det er derfor viktig for forskere og investorer å ha en mer kritisk tilnærming til modellene og være åpne for alternative tilnærminger som bedre kan forklare de kausale mekanismene bak aksjemarkedsavkastningene.

I lys av disse innvendingene er det viktig å forstå at en virkelig vitenskapelig teori må være falsifiserbar og forklare de kausale mekanismene som ligger til grunn for de observerte fenomenene. Bare ved å identifisere og kontrollere for alle relevante variabler, og ved å tilby en klar kausal modell, kan investorer utvikle porteføljer som er riktig eksponert for risikofaktorer som gir langsiktig avkastning. Videre er det nødvendig å bruke kausale modeller som kan gi innsikt i motfaktorer og scenarioanalyser for å forstå hvordan porteføljer vil oppføre seg under forskjellige økonomiske forhold. Dette gir investorer verktøyene de trenger for å bygge robuste, risikokontrollerte investeringsstrategier som kan tilpasse seg markedets dynamikk.

Hvordan kausalitet skiller seg fra korrelasjon: En introduksjon til kausal grafteori

I kausal inferens finnes det en viktig skillelinje mellom assosiasjon og kausalitet. Å forstå hvorfor en variabel påvirker en annen er essensielt for både økonomi og kvantitativ finans. Et velkjent eksempel er tanken om at iskremsalg kan ha innvirkning på drukningsulykker. Hvis vi ser på salget av iskrem som en faktor (X) og antall drukninger som en annen (Y), kan det synes som om en økning i iskremsalget korrelerer med flere drukninger. Men, på et dypere nivå, er det viktig å forstå at korrelasjon ikke nødvendigvis innebærer årsakssammenheng. Iskremsalg kan være assosiert med drukninger, men det er ikke en årsak til dem. Drukninger skjer oftere på varme dager, når folk også er mer tilbøyelige til å kjøpe is, noe som gjør at vi observerer denne assosiasjonen, men det er været (Z) som er den virkelige årsaksfaktoren som påvirker både iskremsalget og antall svømmere i vannet.

På den andre siden, når vi ser på røyking og lungekreft, er situasjonen annerledes. Her har røyking en klar årsakssammenheng med utvikling av lungekreft. Ved å analysere denne sammenhengen ser vi at sannsynligheten for at en individ utvikler lungekreft (Y) i en populasjon som har røyket (X) er større enn den generelle sannsynligheten for utvikling av sykdommen uten røykepåvirkning. I dette tilfellet er røyking en direkte årsak, og derfor er det viktig å skille mellom hva som faktisk forårsaker en hendelse og hva som bare er assosiert med den.

Når vi arbeider med komplekse systemer, er det nyttig å representere kausaliteten gjennom såkalte kausale grafer. Et kausal graf er en form for rettet akyklisk graf (DAG) som viser hvilke variabler som påvirker andre, og retningen på denne påvirkningen. I en kausal graf kan vi visualisere hva som skjer hvis vi intervenere på en variabel – for eksempel ved å sette X til en bestemt verdi gjennom en såkalt "do-operasjon". Dette gir oss muligheten til å undersøke hva som skjer med Y, når vi "holder alt annet like". Dette prinsippet er sentralt i økonomiske analyser, da vi er ute etter å forstå effektene av spesifikke politiske inngrep eller økonomiske tiltak.

En viktig egenskap ved kausale grafer er at de gir oss muligheten til å identifisere "konfoundere", eller variabler som kan påvirke både X og Y, og dermed skape en assosiasjon mellom dem, uten at det er en direkte kausal sammenheng. Et klassisk eksempel er når værforhold (Z) påvirker både iskremsalg (X) og drukninger (Y). Selv om det ikke er en direkte årsak mellom iskremsalg og drukninger, kan værforholdene skape en tilsynelatende sammenheng mellom de to.

En annen viktig forskjell mellom assosiasjon og kausalitet er retningen på forholdet. Mens assosiasjon bare angir en statistisk sammenheng mellom to variabler, innebærer kausalitet en tidsmessig sekvens der en hendelse (X) skjer før en annen (Y), og Y er et resultat av X. Dette er grunnen til at det er avgjørende å bruke "do-operasjoner" i kausal analyse: for å simulere virkningene av en intervensjon på en variabel, og derigjennom isolere effekten på en annen variabel.

En god forståelse av kausalitet krever at man ikke bare ser på de isolerte relasjonene mellom variabler, men at man forstår hele systemet av årsakssammenhenger som kan påvirke de observerte resultatene. Dette krever at man bruker riktig verktøy for å analysere dataene, enten det er gjennom eksperimentelle intervensjoner eller gjennom observasjonelle studier som benytter seg av avanserte statistiske metoder og kausal grafteori.

Ettersom kausalitet er en mer kompleks og dynamisk prosess enn assosiasjon, er det viktig for forskere å bruke kausale grafer for å forstå hvilke variabler som faktisk forårsaker endringer i et system. Dette gir et mer nyansert bilde av hvordan hendelser utspiller seg over tid, og hvordan vi kan forutsi effektene av ulike tiltak.

For økonomer og beslutningstakere, er en grundig forståelse av kausalitet avgjørende for å kunne gjøre riktige valg når det gjelder politiske og økonomiske intervensjoner. Uten å forstå de underliggende årsakene til ulike hendelser, risikerer vi å trekke feilslutninger fra observasjonene våre, og fatte beslutninger som ikke har de ønskede effektene.

Endtext

Hvordan fungerer resonante kretser for nullstrømsovergang i spenningsomformere?
Hvordan klarte Nixon å bygge en ny politisk koalisjon uten å alienere nordlige velgere?
Hvordan Bio-Baserte Nanomaterialer Revolusjonerer Nanopapirproduksjon
Er frihandel nøkkelen til økonomisk vekst i USA?
Hva kan homøopati tilby ved migrene og hodepine?
Hvordan forstå rollen som Azure-utvikler og de nødvendige ferdighetene