Hvordan misforståelser i økonometrisk analyse kan føre til feilaktige årsakssammenhenger

I den vitenskapelige metoden er fenomenologiske skritt sentrale for å etablere troverdige teorier, ettersom disse skrittene hjelper til å identifisere og avgrense de nødvendige årsakssammenhengene som en teori hviler på. Dette innebærer å skille mellom assosiasjon og kausalitet, et forhold som ikke alltid er så klart som man skulle ønske. For eksempel, det å påstå at C → A ikke nødvendigvis innebærer at A → C, men at det kan påstås at :A → :C, der C representerer årsak og A representerer assosiasjon. Dette skiller kausalitet fra vanlig assosiasjon, hvor fravær av assosiasjon er tilstrekkelig for å avkrefte påstanden om kausalitet gjennom modus tollens.

Videre finnes det et annet viktig skille: Bevis hentet utenfor utvalget, det såkalte "out-of-sample" beviset. Mange ser på dette som et mer pålitelig grunnlag for å bekrefte kausalitet, men det er ikke nødvendigvis mer robust mot type-B spuriøse feil. For eksempel, en forsker kan observere en korrelasjon mellom aksjer og obligasjoner uten å nødvendigvis kunne påstå at endringer i prisen på den ene nødvendigvis forårsaker endringer i den andre, uavhengig av om dataene ble samlet inn innenfor eller utenfor utvalget.

Et klassisk tilfelle av hvordan økonometriske metoder kan føre til spuriøse påstander om kausalitet involverer såkalte "fork"-strukturer. Når tre variabler X, Y, og Z danner en fork, der Z er en direkte årsak til både X og Y, kan dette føre til feilaktige konklusjoner hvis man ikke kontrollerer for effekten av Z på X og Y. Dette kan føre til at en forsker feilaktig konkluderer med at det er en kausal sammenheng mellom X og Y, når det i realiteten kun er en assosiasjon, ettersom Z påvirker både X og Y, men ikke nødvendigvis kobler X og Y direkte sammen.

Det finnes en annen struktur, kjent som "immorality", der Z er direkte forårsaket av både X og Y. Dette skaper en situasjon hvor kontroll for Z i analysen kan åpne opp for en falsk kobling mellom X og Y. I slike tilfeller kan det oppstå det som kalles Berkson's fallacy, hvor kontroll for en variabel som fungerer som en collider (Z) kan føre til feilaktige konklusjoner om kausalitet. Selv om det ikke er noen direkte årsakssammenheng mellom X og Y, kan feilaktig justering for Z resultere i en negativ kovarians mellom X og Y, som kan forveksles med en kausal relasjon.

I begge tilfeller kan de statistiske verktøyene som ofte benyttes i økonometrisk analyse føre til misforståelser, og det er avgjørende at forskeren er oppmerksom på den underliggende strukturen av kausalitet for å unngå feiltolkninger. Dette er spesielt viktig når man jobber med komplekse datasett der flere variabler kan påvirke hverandre på ulike måter, og der tradisjonelle økonometriske metoder kanskje ikke er tilstrekkelige for å avdekke de virkelige årsakene.

I lys av dette er det avgjørende at forskeren bruker passende metodologi for å skille mellom assosiasjon og kausalitet, spesielt i tilfeller der variable samhandler på uventede eller komplekse måter. De riktige teknikkene, som for eksempel Bayesian network-faktorisering eller do-kalkulus, kan være nødvendige for å unngå feiltolkninger og oppnå en mer nøyaktig forståelse av de underliggende årsakene i en økonometrisk modell. Uten en grundig forståelse av disse metodene og strukturene kan forskeren lett bli ledet på villspor og dra feilaktige slutninger om kausalitet, som kan få store konsekvenser for både teori og praksis.

Er det håp for faktorinvestering? Fra assosiasjon til kausalitet

Imidlertid er det ikke nødvendigvis et dødt løp for faktorinvestering. På samme måte som astronomer utvikler vitenskapelige teorier til tross for mangelen på eksperimentelle muligheter, er det nå håp for å fremme kausal faktorinvestering gjennom nyere fremskritt innenfor kausal inferens. Denne tilnærmingen innebærer en grundig revisjon av dagens forståelse av assosiasjon og kausalitet, og åpner for muligheten for å gå videre med faktorinvestering som en mer presis vitenskapelig disiplin. Dette kan virke utfordrende, men de teoretiske verktøyene og metodene som er utviklet de siste årene, gir et solid grunnlag for å identifisere og teste kausale mekanismer på en måte som tidligere har vært umulig.

I økonometriske analyser er det ofte utfordrende å utføre slike eksperimenter, fordi de nødvendige intervensjonene ofte ikke er praktisk gjennomførbare. Derfor blir forskerne tvunget til å stole på observasjonsstudier, naturlige eksperimenter og simulerte inngrep for å estimere kausale effekter. Selv om dette kan være vanskelig, er det mulig å bruke avanserte metoder for kausal inferens for å avklare hvilke faktorer som faktisk driver de observerte resultatene i faktorinvestering.

Et sentralt problem i dagens litteratur er bruken av kausale påstander uten en grundig forståelse av de underliggende mekanismene. Mange studier gjør assosiasjonelle påstander og ignorerer de kausale elementene som kunne ha forklart hvorfor en faktor har innvirkning på et bestemt resultat. Dette skaper en rekke problemer, inkludert spuriøse påstander som kan ha svært forskjellige opprinnelser og konsekvenser. Forskjellen mellom type-A og type-B spuriøsitet er viktig, da type-B spuriøsitet – som kan forklare tidsvariasjonen i risikopremier – ikke har blitt behandlet grundig i eksisterende litteratur.

Å bygge faktorinvestering på et mer solid kausalt fundament kan også avdekke den tidvis varierende naturen av risikopremier. En mulig forklaring på de variablene premiene som tidligere har blitt observert, kan være utilstrekkelig kontroll i modellene. Dette kan føre til feilaktige konklusjoner om risikopremier som virker å endre seg over tid, når det i virkeligheten kan skyldes at forskerne ikke har kontrollert for alle relevante faktorer.

For å styrke den empiriske evidensen i faktorinvesteringen, er det nødvendig å ta skritt for å forstå de kausale mekanismene bedre. Dette innebærer å bygge robuste modeller som kan forklare de observerte sammenhengene uten å falle i fellen av spuriøse assosiasjoner. En nøkkel til dette er å anerkjenne forskjellen mellom assosiasjon og kausalitet, og deretter bruke passende metoder for å teste kausale hypoteser.

Hvordan Kausal Faktorinvestering kan Forandre Investeringens Landskap

Investering i faktorer har lenge vært en populær tilnærming blant både akademikere og profesjonelle investorer. Imidlertid er det et grunnleggende problem i dagens metoder for faktorinvestering: mangelen på en solid kausal forståelse. Det er lett å finne statistiske sammenhenger mellom variabler, men det er langt vanskeligere å påvise en kausal relasjon som faktisk kan utnyttes til å forutsi fremtidige resultater. Mange studier har funnet at faktor X ofte går foran hendelse Y, og har forsøkt å konstruere investeringsstrategier basert på denne observasjonen. Problemet er imidlertid at en slik korrelasjon ikke nødvendigvis betyr at X forårsaker Y, og derfor kan sammenhengen være tilfeldig eller ikke-replikerbar.

En av de største farene ved denne typen assosiative investeringer er at de kan være preget av falske sammenhenger. For eksempel kan faktorer som X og Y synes å være knyttet sammen på grunn av en tilfeldighet i dataene, noe som kan føre til at investeringsstrategien mislykkes når sammenhengen endrer seg. Det er flere typer spuriøse relasjoner, som type-A og type-B spuriøsitet, der type-A refererer til tilfeldige sammenhenger, og type-B kan være et resultat av en uobserverbar variabel som forvrenger forholdet mellom X og Y. Hvis disse feilene ikke oppdages, kan investoren bli utsatt for systematiske tap.

En grunnleggende utfordring ved dagens faktorinvestering er at mange av de eksisterende modellene og backtestene ikke kan påvise et kausalt grunnlag for de observerte sammenhengene. For eksempel har studier som analyserer verdistock-strategier eller momentum, ikke bevist at det er en direkte årsak mellom disse faktorene og overprestasjon i markedet. Selv om slike faktorer kan ha vært lønnsomme i fortiden, gir verken backtester eller faktormodeller oss innsikt i hvorfor disse strategiene faktisk fungerer – eller hvorfor de kan feile.

Den kausale mekanismen som ligger bak faktormodeller er fortsatt et mysterium, og uten et klart svar på spørsmålet "hvorfor" kan investorer, særlig institusjonelle investorer, bli utsatt for risikoer de ikke forstår. Store institusjonelle investorer som pensjonsfond, statlige formuesforvaltere og forsikringsselskaper må stille kritiske spørsmål ved om faktorinvesteringer er et passende investeringsalternativ for dem, spesielt når de ikke kan stole på at disse modellene gir bærekraftige og pålitelige resultater.

I lys av dette er det blitt stadig tydeligere at kommersielle interesser, heller enn vitenskapelige vurderinger, har drevet mye av utviklingen innen faktorinvestering. Faktisk anslår J.P. Morgan at mer enn 2,5 trillioner USD forvaltes av kvantitative investeringsfond, hvor mye av forskningen som understøtter disse fondene ikke baserer seg på kausal vitenskap, men på assosiative funn som kan være lett manipulerbare. Denne forskningen er ofte billigere å produsere og gir raskere resultater, men har vist seg å være lite pålitelig på lang sikt.

For å få en mer pålitelig og vitenskapelig tilnærming til faktorinvestering, bør forskere fokusere på å bygge kausale teorier som kan forklare hvorfor visse faktorer virker, og hvordan de kan anvendes i praksis. Å svare på spørsmålet om "hvorfor" vil ikke bare gi bedre forståelse av risikofaktorene, men det vil også muliggjøre mer presis risikostyring og ytelsesforutsigelser. Med riktig kausal modellering kan investorer bedre attribuere risikoer og prestasjoner og bygge porteføljer som er mer motstandsdyktige mot markedssvingninger.

En annen viktig fordel ved å utvikle kausale teorier for faktorinvestering er at de gir bedre transparens. Når en kausal graf er på plass, blir alle de antagelsene som ligger til grunn for investeringsbeslutningene tydeligere, noe som øker forståelsen både for profesjonelle investorer og for deres kunder. I tillegg kan kausal modeller hjelpe til med å forstå og forutsi markedsdynamikker på en mer pålitelig måte, noe som er kritisk i tider med stor volatilitet.

Så, for å oppsummere, den fremtidige utviklingen av faktorinvestering ligger ikke i å forfine de eksisterende assosiative modellene, men i å begynne å utvikle og implementere kausale teorier som kan gi bedre innsikt i hvorfor visse faktorer fungerer som de gjør. Dette vil muliggjøre mer pålitelige og transparente investeringsbeslutninger som ikke bare er vitenskapelig funderte, men også praktisk anvendbare for alle typer investorer.

Hva gjør kausale investeringsteorier mer pålitelige enn assosiasjonsstrategier?

Investeringsstrategier basert på kausale teorier skiller seg markant fra de som er basert på rent statistiske assosiasjoner. En kausal tilnærming gir et mer robust rammeverk for å forstå og forutsi markedsbevegelser, og reduserer risikoen for å gjøre feilaktige antagelser. Dette skyldes flere nøkkelfaktorer som gjør kausale investeringsteorier både mer pålitelige og mer tilpasningsdyktige i forhold til markedets dynamikk.

For det andre, reproduserbarhet. En kausal forklaring reduserer sjansen for både tilfeldige variasjoner (type-A spuriosity) og ikke-kausale assosiasjoner (type-B spuriosity). Ved å avgrense søket til plausibele teorier, kan man være tryggere på at fenomenet man observerer faktisk vil fortsette å forekomme så lenge de kausale mekanismene er intakte. Dette gir en høyere grad av forutsigbarhet, som er avgjørende for enhver investor som ønsker å maksimere gevinster og minimere tap.

En annen viktig faktor er tilpasningsevne. Investeringsstrategier som er basert på assosiasjonelle forhold er ofte sårbare for endringer i de underliggende parameterne som styrer distribusjonen av data. I kontrast, strategier som er basert på kausale relasjoner har en langt høyere motstandsdyktighet mot endringer som ikke involverer de spesifikke parameterne i den kausale veien. Dette gjør at kausale strategier er langt mer pålitelige, ettersom de ikke er like avhengige av stabiliteten i markedets forhold.

Ekstrapolering er også en sentral fordel ved kausale investeringsstrategier. Mens assosiasjonelle tilnærminger ofte er begrenset i sin evne til å håndtere sjeldne, ekstreme hendelser – såkalte "black-swan events" – gir kausale strategier et rammeverk for å overvåke og tilpasse seg forholdene som kan utløse slike hendelser. Et godt eksempel på dette er likviditetsstrategier basert på PIN-teorien, som viste seg å være svært vellykket under finanskrisen i 2010.

Videre gir kausale teorier mer direkte og umiddelbare måter å vurdere gyldigheten av en mekanisme på. Dette er en kritisk egenskap i et komplekst og dynamisk system som finans. En investor som benytter en kausal investeringsstrategi kan for eksempel trekke seg ut når den kausale mekanismen begynner å svekkes, før tapene blir så store at en statistisk test kan påvise en strukturell endring. Kausale mekanismer muliggjør også tidsbestemt faktorinvestering, dynamisk størrelsesjustering av betingelser og taktisk aktivaallokering, som gir investorer større fleksibilitet og kontroll.

Kausale teorier er også forbedringsbare. Etter hvert som forskere får mer innsikt i de mekanismene som driver observasjonene, kan de fine-tune de kausale modellene for å gi enda mer presise prediksjoner. Dette står i sterk kontrast til investeringsstrategier basert på assosiasjon, som har en tendens til å ende i en uunngåelig nedgang mot null ytelse. Den kontinuerlige utviklingen av kausale teorier sikrer at strategiene forblir effektive over tid.

Finansielle økonomer har et unikt ansvar og mulighet til å gjøre investering til en vitenskapelig disiplin, ved å integrere kausal inferens i sine analyser. Samarbeid mellom økonomer og ikke-kommersielle aktører som statlige investeringsfond og universitetsfond, kan bidra til å utvikle en ny disiplin som forener teori og praksis, og som står fri fra kommersielle interesser. Den vitenskapelige metoden gir transparens, og skaper en tryggere og mer pålitelig investeringsverden, hvor investorer kan utføre sine plikter med tillit.

Hver dag blir nye alternative datasett tilgjengelige i større grad enn noensinne, noe som åpner for nye muligheter til å gjennomføre naturlige eksperimenter og kausal inferens – teknikker som ikke var tilgjengelige på 1900-tallet. Kausal faktorinvestering kan ikke bare hjelpe investorer til å oppfylle sine plikter med høyere nøyaktighet og tillit, men også gjøre investering til en disiplin som går utover de rent økonomiske interessene, og fremmer et samfunnsnyttig formål.

For å oppnå denne viktige visjonen, og for å skape "den vitenskapelige investeringen", er det nødvendig at samfunnet rundt faktorinvestering våkner fra sin assosiasjonelle søvn og begynner å tilpasse seg de kausale metodene som er i ferd med å definere fremtidens finans.