Vad händer om man missar en bakomliggande förklaring i finansmodeller?

När en bakomliggande förklaring, eller en "confounder", förbises kan det få allvarliga konsekvenser för de uppskattade riskpremierna och den finansiella analysen. Ett tydligt exempel är när marknaden belönar exponering mot faktorer som X och Z, där riskpremierna för båda är positiva (β > 0, γ > 0). Även om dessa riskpremier förblir konstanta över tid, kan förändringar i ett tredje, oobserverat faktum (δ) medföra att de uppskattade koefficienterna för β förändras. Om δ till exempel får ett negativt värde kan den uppskattade β̂ bli negativ, vilket kan leda till felaktiga slutsatser om marknadens beteende.

När forskare och kapitalförvaltare försöker rätta till denna typ av fel, kan de felaktigt hävda att en investering förlorar pengar på grund av ändringar i en specifik riskpremie, trots att den verkliga orsaken ligger i den oövervakade kovariansen mellan riskfaktorer som HML och momentum (MOM). Detta kan leda till att investerare vilseleds, och de missar den verkliga orsaken till problemen, vilket är ett resultat av en dåligt specificerad modell.

För att hantera detta problem på ett korrekt sätt kan forskare använda metoder som partialkorrelationer, som tillåter kontroll av observerbara "confounders" i linjära modeller. Denna metod är särskilt användbar när de statistiska variablerna följer förutsägbara fördelningar, som exempelvis normalfördelning. För att kontrollera en "confounder" läggs den till som en regressorfaktor i modellen för att justera för dess påverkan. Denna metod är dock beroende av vissa antaganden, som att de förklarande variablerna inte är starkt korrelerade sinsemellan. Annars kan multikollinearitet förvränga resultaten och leda till missvisande slutsatser.

Men det är inte bara underkontroll som är ett problem. Överkontroll kan också vara skadligt för resultaten. Statistiker har länge tränats i att kontrollera för alla variabler som är associerade med resultatet, även om deras roll i den kausala grafen inte är uppenbar. Detta kan leda till en felaktig tolkning av data, där vissa variabler som fungerar som "mediatorer" eller "colliders" inte borde kontrolleras för, då detta kan skapa en bakväg i den kausala kedjan och snedvrida resultaten. Ett konkret exempel på detta kan ses när forskare felaktigt kontrollerar för en mediator i en kausal kedja, vilket stör den ursprungliga kausala relationen.

Det finns också en risk för "specifikationssökning", där forskare väljer modellens specifikation baserat på dess förklarande förmåga, snarare än att strikt följa de kausala relationerna. Ett exempel på detta är när Fama och French introducerade en trefaktorsmodell, och senare en femfaktorsmodell, baserat på den senare modellens förmåga att bättre förklara genomsnittliga avkastningar. Detta tillvägagångssätt är förenat med problem, eftersom det att välja en modell för dess förklaringskraft snarare än för dess kausala validitet kan leda till en sammanslagning av två separata faser i analysen: kausal upptäckt och kontroll.

Därför är det viktigt att forskare och praktiker i finansvärlden noggrant identifierar och kontrollerar för de faktorer som verkligen påverkar de resultat de undersöker, istället för att blint följa metoder som fokuserar på statistisk förklaringskraft. En korrekt användning av kausala grafer och en djupare förståelse för de underliggande mekanismerna bakom riskpremier och marknadsdynamik är avgörande för att undvika de felaktiga slutsatser som ofta härleds från missriktade kontrollvariabler.

Det är också viktigt att komma ihåg att modeller alltid är förenklingar av verkligheten. Oavsett hur noggrant vi försöker kontrollera för alla variabler, finns det alltid risk för att vi missar något avgörande. Den mest effektiva vägen framåt är att kombinera robust statistisk metodik med en stark förståelse för de underliggande ekonomiska och finansrelaterade teorierna som styr marknaden. Den finansiella världen är komplex, och att blint lita på en enkel statistisk modell utan att förstå dess kausala grundvalar kan leda till dyra misstag.

Hur kolliderande och mediatorvariabler påverkar ekonometriska slutsatser

Det är en vanlig missuppfattning att "data talar för sig själv", vilket innebär att två ekonometriker som enbart förlitar sig på observationsbevis kan komma fram till motsatta slutsatser från samma data. Om forskaren inte är uppmärksam på de kolliderande variablerna kan denne visa bevis för vilken som helst av dessa faktorer, även om de inte har något verkligt orsakssamband med resultatet. För att korrekt hantera en kolliderande variabel är det avgörande att indikera dess närvaro och förklara varför man inte bör kontrollera för den. En viktig slutsats är att forskare måste deklarera och rättfärdiga den kausala graf som stöder den valda modellens specifikation, annars riskerar de att möta sund skepticism från sina kollegor.

Ett annat centralt begrepp är att avståndet mellan variabler i en kausal kedja kan innebära att vi måste vara mycket försiktiga när vi modellerar variabler som $X$, $Y$ och $Z$, där $Z$ agerar som en mediator. Om en forskare vill modellera $Y$ som en funktion av $X$ och $Z$, är $Z$ en mediatorvariabel. Denna kedja av orsakssamband kan skrivas som $P[X, Y, Z] = P[X] P[Z|X] P[Y|Z]$, vilket innebär att en association mellan $X$ och $Y$ endast kan observeras genom den kausala vägen som medieras av $Z$. Men det finns ett problem här: om vi kontrollerar för $Z$, kan det störa den kausala associationen som vi vill uppskatta. Detta fenomen kallas för överkontroll, vilket innebär att forskaren riskerar att störa den kausala kedjan och därmed få en falsk negativ.

För att få en korrekt bedömning av kausalitet kan vi alltså behöva justera vår modell så att den inte kontrollerar för mediatorvariabler som är konfounderade. När forskaren gör detta, och följer reglerna för do-kalkyl, kan effekten av $X$ på $Y$ uppskattas utan att nödvändigtvis kontrollera för $W$, även om detta kan förbättra precisionen i uppskattningarna. Den korrekta modellens specifikation bör vara $Y_t = \alpha + \beta X_t + \epsilon_t$, vilket resulterar i en mycket mer korrekt uppskattning av kausaliteten.

Är faktorinvesteringsmodeller verkligen effektiva eller är de bara associationer?

Faktorinvesteringsmodeller har blivit en central del av den kvantitativa finansvärlden, där akademiker och investerare söker efter korrelationer och mönster som kan ge fördelar på marknaden. Vanligtvis börjar forskare med att observera att ett visst fenomen (t.ex. variabel X) ofta föregår ett annat (t.ex. variabel Y), och därefter försöker de utveckla en investeringsstrategi baserat på denna association. Men det finns viktiga förbehåll i detta resonemang. Att säga att X ofta föregår Y betyder inte att Y är en funktion av X, och därmed kan förhållandet mellan de två variablerna vara tillfälligt eller missvisande.

Det finns flera potentiella fallgropar. Ett av de mest framträdande är när variabler X och Y verkar ha ett samband, men detta samband kan bero på en slump (typ A spuriösitet). Om detta är fallet, är risken hög att investeringsstrategin misslyckas när marknaden utvecklas annorlunda än förväntat. Ett annat scenario är att X och Y är relaterade, även om Y inte faktiskt beror på X. Detta kan bero på en förbisedd variabel Z som inte har beaktats i forskningen, eller på att en variabel Z felaktigt har tolkats som en orsak till sambandet.

Dessa felaktiga antaganden leder ofta till att samband mellan X och Y förändras över tid och kan till och med byta tecken, vilket utsätter investeraren för systematiska förluster. Den största slutsatsen från dessa observationer är att faktorinvestering, i sin nuvarande form, inte har uppnått sina mål. Akademiskt sett har det snarare blivit en dataminering som leder till en mängd spuriösa resultat. Kommersiellt sett marknadsförs det falskt som en vetenskaplig produkt som inte har levererat de förväntade avkastningarna.

En central aspekt som försvårar förståelsen av varför vissa faktorer fungerar är avsaknaden av en kausal teori bakom dessa modeller. Faktum är att nästan alla artiklar om faktorinvesteringar ignorerar eller förnekar den kausala innebörden av sina modeller. Författare specificerar sina modeller enbart med hjälp av associativa argument, vilket innebär att de inte identifierar den kausala grafen som skulle kunna förklara sambandet mellan variablerna. Denna brist på kausal förklaring gör det nästan omöjligt att motbevisa deras påståenden ordentligt, eftersom det kan ta årtionden att samla tillräckligt med data för att bevisa att ett samband inte är giltigt. Även om forskare lyckas skapa en modell som verkar förutsäga marknadsbeteende, förblir den bakomliggande orsaken okänd. Ett klassiskt exempel är värdeaktier, som historiskt har visat sig överträffa marknaden, men utan att vi kan förklara varför dessa aktier skulle ge högre avkastning i framtiden.

För institutionella investerare är detta en särskilt viktig fråga. Pensionsfonder, statliga välfärdsfonder, universitetens stiftelser och försäkringsbolag hanterar medel för allmänhetens bästa, och de har ett begränsat tålamod för att ta onödiga risker. En strategi som faktorinvestering kan vara lämplig för en individ med stora tillgångar, men för någon som har arbetat i 50 år och sparat för sin pension, bör det inte vara en väg att satsa sina livsbesparingar på en teori som inte förklarar varför den fungerar.

Faktorinvesteringsmodeller marknadsförs ofta som vetenskapliga produkter, men utan en klar kausal förklaring är dessa produkter snarare associativa investeringar som bygger på induktiva resonemang. Till exempel kan en forskare visa att vissa strategier har varit lönsamma under lång tid eller i flera olika geografiska regioner, och utifrån detta skapa en förväntan om att dessa strategier kommer att fortsätta vara framgångsrika. Men utan vetenskapligt stöd för detta resonemang riskerar vi att skapa en illusion av att marknaden kommer att utvecklas på samma sätt i framtiden, trots att det inte finns några garantier.

Den ekonomiska drivkraften bakom associerande studier är också en faktor att beakta. Enligt J.P. Morgan förvaltas mer än 2,5 biljoner USD genom kvantitativa fonder. För dessa fonder är det enklare och billigare att producera associativa studier, som inte nödvändigtvis behöver bevisa ett kausalt samband, men som kan användas för att generera stora intäkter för fondförvaltare. Detta har lett till att forskning som bygger på dessa associationer har fått stort genomslag, trots att de vetenskapliga grunderna ofta saknas.

För att gå vidare och utveckla mer robusta och pålitliga investeringsstrategier, måste forskare och praktiker i finansvärlden börja om på mer solida grunder. Detta kräver att vi utvecklar kausala teorier som kan förklara varför vissa investeringar fungerar och andra inte gör det. Med kausala modeller kan vi korrekt attribuera risk och prestation, vilket gör att forskare kan bygga portföljer som fokuserar på belönade risker och säkrar de icke-belönade riskerna. Kausalitet ger också transparens och tolkbarhet, vilket är avgörande för institutionella investerare som är ansvariga inför allmänheten och måste kunna förklara sina beslut.

Endtext

Hur kan kausal teori förbättra investeringsstrategier och hantera komplexa ekonomiska system?

Kausal teori erbjuder en kraftfull metod för att förfina och förbättra investeringsstrategier. När man baserar sina beslut på kausala mekanismer, snarare än enbart associativa samband, kan man skapa mer pålitliga och hållbara investeringsmodeller. Kausal förklaring minskar risken för slumpmässiga variationer (typ A-spuriösitet) genom att begränsa sökområdet till rimliga teorier. Dessutom reduceras risken för icke-kausala samband (typ B-spuriösitet), eftersom kausala modeller ger en säkerhet om att fenomenet kommer att fortsätta inträffa så länge den underliggande mekanismen förblir intakt.

En viktig fördel med kausala investeringsstrategier är deras anpassningsförmåga. Investeringar som bygger på associativa samband är beroende av stabiliteten i de gemensamma fördelningarna av parametrar. Om dessa förändras, vilket ofta sker i dynamiska marknader, kan resultaten snabbt förlora sin pålitlighet. Kausal teori erbjuder en större flexibilitet: en strategi som bygger på kausala relationer är mer motståndskraftig mot förändringar som inte involverar parametrarna i den kausala vägen. Därmed blir kausala investeringsstrategier mer robusta och långsiktiga, vilket gör dem mer tillförlitliga än sina associativa motsvarigheter.

Kausal teori öppnar också dörren för en mer direkt och omedelbar bedömning av en mekanisms giltighet. I komplexa system som finansmarknaderna kan det vara svårt att förutse plötsliga strukturella förändringar, men med en kausal förklaring kan en investerare lättare identifiera när en mekanism börjar förlora sin effekt. Denna förmåga att "övervaka" och anpassa sig efter förändrade förhållanden är avgörande för att förhindra stora förluster och säkerställa långsiktig stabilitet.

Vidare har kausala teorier en inbyggd förbättringspotential. Eftersom forskare ständigt lär sig mer om de underliggande mekanismerna som styr observerade fenomen, kan dessa teorier finjusteras och förbättras över tid. Detta skiljer sig markant från investeringar baserade på associativa relationer, som tenderar att försämras när marknadsdynamik förändras och de ursprungliga sambandens stabilitet ifrågasätts.

Den växande tillgången till alternativa datakällor gör det möjligt att genomföra experiment och naturliga experiment på sätt som tidigare var otänkbara. Detta gör att kausal faktorteori kan tillämpas i stor skala, vilket innebär att investerare får de verktyg de behöver för att fatta mer informerade och vetenskapligt grundade beslut. Denna övergång till vetenskaplig investering kan ge större transparens och förtroende, vilket gör att investerare kan uppfylla sina fiduciära skyldigheter på ett mer ansvarsfullt och långsiktigt hållbart sätt. För att uppnå detta mål måste dock investerarsamhället lämna den associativa förvillelsen och anamma de kausala metoder som har potentialen att omvandla finansvärlden.

Hur vetenskapliga metoder kan förvandla finansforskning: En inblick i den moderna analysens verktyg

I dagens finansforskning är det avgörande att använda både beprövade och nya metoder för att förstå marknadsbeteende och skapa tillförlitliga modeller för förutsägelser. En central aspekt av denna utveckling är integreringen av olika statistiska tekniker, inklusive experimentell design, kausal inferens och avancerad dataanalys. Detta ger oss möjlighet att övervinna tidigare metodologiska begränsningar och skapa mer robusta resultat, som är fundamentala för att förstå ekonomiska fenomen i en allt mer komplex värld.