Kan Faktorinvestering Bli Vetenskaplig?

Nästan alla vetenskapliga artiklar inom faktorinvesteringslitteraturen gör associationella påståenden, och nekar därmed de kausala aspekterna av faktormodeller. Författarna identifierar inte den kausala graf som är förenlig med det observerade fenomenet, de rättfärdigar sin valda modell specifikation i termer av korrelationer och föreslår inte experiment för att falsifiera de kausala mekanismerna. I frånvaro av en kausal teori är deras resultat troligen felaktiga, på grund av utbredd överanpassning av backtest och felaktiga specifikationsval. Detta finansinslag differentierar mellan typ-A och typ-B spuriösa påståenden och förklarar hur båda typer hindrar faktorinvestering från att utvecklas bortom sitt nuvarande fenomenologiska stadium. Det analyserar det nuvarande tillståndet för kausal förvirring inom faktorinvesteringslitteraturen och föreslår lösningar som har potential att omvandla faktorinvestering till en verkligt vetenskaplig disciplin.

Inom vetenskapen handlar det om mer än att bara samla observationer av samband. Medan beskrivningen och katalogiseringen av fenomen spelar en viss roll i vetenskapliga upptäckter, är det slutgiltiga målet att utveckla teorier som har överlevt rigorös falsifiering. För att en teori ska vara vetenskaplig förväntas den normalt att deklarera den falsifierbara kausala mekanismen som ansvarar för det observerade fenomenet. En vetenskaplig teori förklarar helt enkelt varför ett observerat fenomen inträffar, och denna förklaring ska vara förenlig med all empirisk bevisning, helst inklusive experimentella resultat. Ekonomer håller med om att en genuin vetenskap måste producera testbara implikationer, och att dessa implikationer måste prövas genom solida statistiska tekniker.

I de experimentella vetenskaperna (fysik, kemi, biologi, etc.) är det relativt enkelt att föreslå och falsifiera kausala mekanismer genom interventionella studier. Detta är dock generellt inte fallet inom finansiell ekonomi. Forskare kan inte reproducera de finansiella förhållandena under "Flash Crash" den 6 maj 2010, ta bort några aktörer och observera om aktiekurserna fortfarande kollapsar. Detta har placerat finansvetenskapen i en situation där kausalitet och korrelation ofta blandas samman, vilket leder till slutsatser som kan vara korrekta på ytan men som saknar en djupare vetenskaplig grund.

För att övervinna denna brist på kausal förståelse i faktorinvestering krävs en omprövning av hur dessa modeller specificeras och utvärderas. Det är inte tillräckligt att bara identifiera korrelationer mellan olika finansiella variabler. Istället bör forskare och praktiker använda kausala inferensmetoder för att fastställa de underliggande orsakerna till de observerade fenomenen och testa dessa genom rigorösa experiment eller simuleringar. På så sätt kan vi börja bygga en mer robust och vetenskapligt baserad teori kring faktorinvestering.

En särskilt viktig aspekt är att vi måste skilja mellan spuriösa samband av typ-A och typ-B. Typ-A spuriösa påståenden uppstår när ett samband mellan två variabler betraktas som kausalt, trots att en tredje, okänd variabel påverkar båda dessa. Typ-B spuriösa påståenden inträffar när det inte finns något samband mellan två variabler överhuvudtaget, men korrelationen uppstår av en slump eller på grund av en felaktig specifikation i modellen. Dessa typer av påståenden hindrar utvecklingen av faktorinvesteringsfältet genom att skapa en falsk förståelse för hur faktorer egentligen fungerar.

För att kunna avancera inom faktorinvestering måste vi inte bara förlita oss på teoretiska modeller utan också på strikt empirisk forskning som kan bekräfta eller falsifiera de antaganden vi gör. Det krävs rigorösa statistiska tester, inklusive användning av Monte Carlo-simuleringar för att testa våra hypoteser under olika scenarier och förhållanden. Sådana experiment kan ge oss den nödvändiga insikten för att särskilja mellan verkliga och falska kausala relationer.

En viktig utmaning är att kausalitet inte alltid är lätt att fastställa i den finansiella världen. Vi kan inte alltid manipulera marknader på samma sätt som vi kan göra i kontrollerade laboratoriemiljöer, och därför måste vi vara mycket försiktiga när vi drar slutsatser från data. En viktig del av denna process är att korrekt specificera modeller och förstå att våra val kan påverka resultatens tillförlitlighet. Felaktiga modeller kan leda till överanpassning av data och skapa illusionen av en kausal relation som inte existerar i verkligheten.

För att faktorinvestering ska kunna bli en verklig vetenskap krävs det att vi övergår från en fenomenologisk förståelse – där vi bara observerar samband – till en mer kausal förståelse där vi kan förklara varför de observerade fenomenen inträffar och hur vi kan förutsäga framtida händelser baserat på dessa mekanismer. Det innebär att vi måste bygga och testa teorier som inte bara beskriver mönster i data, utan som också förklarar varför dessa mönster existerar och hur de kan utnyttjas för att skapa långsiktiga, hållbara investeringsstrategier.

Hur Ekonomer Förväxlar Korrelation med Orsakssamband: Fällor i Kvantitativ Finans

En av de mest grundläggande fällorna inom ekonometrin är att förväxla association med orsakssamband. Detta gäller särskilt inom området för kvantitativ finans, där oskäliga antaganden om orsakssamband leder till missvisande slutsatser och felaktiga modeller. En sådan förväxling är särskilt skadlig när det gäller tillämpningar som inte involverar experimentella design eller interventioner. Ekonometriska modeller baseras ofta på uppskattningar av regressioner där koefficienter tolkas som kausala samband, trots att de egentligen bara indikerar korrelationer.

En specifik metod som ofta leder till missförstånd är användningen av Granger-kausalitetstestet. Enligt Granger, om X orsakar Y, skulle minst en av koefficienterna i en tidsserie vara statistiskt signifikant. Denna metod är dock grundad på sekventiell association, vilket inte innebär ett verkligt orsakssamband. Problemet med denna tolkning är att sekventiell association, även om den är en nödvändig förutsättning för kausalitet, inte är tillräcklig för att etablera ett orsakssamband. I avsaknad av en intervention eller ett naturligt experiment kan vi inte dra slutsatsen att X verkligen orsakar Y, även om deras relation är statistiskt signifikant.

Ett konkret exempel på denna missförståelse är att ett Granger-test kan felaktigt indikera att en tupps kråmande orsakar soluppgången, eftersom det finns en statistisk korrelation mellan tuppens beteende och när solen går upp. Men genom att ingripa och förhindra tuppen från att gala innan soluppgången, kan vi falsifiera påståendet. Detta är ett klart exempel på hur ett felaktigt applicerat statistiskt test leder till absurda slutsatser.

Vidare finns det andra problem med Granger-kausalitet. Om både X och Y orsakas av en tredje variabel, Z, kommer Granger-testet felaktigt att indikera att X orsakar Y, trots att det egentligen är Z som är den gemensamma orsaken. Denna typ av felaktig slutsats är särskilt problematisk i multivariata tidsseriemodeller där potentiella confounders inte beaktas korrekt.

En ytterligare begränsning av Granger-kausalitet är att det förutsätter en linjär relation mellan variablerna, vilket inte alltid är fallet i verkliga ekonomiska system. I den verkliga världen är orsakssamband ofta mer komplexa och kan vara icke-linjära, vilket gör att Granger-testet inte alltid fångar hela bilden. Trots dessa brister är Granger-kausalitet ett av de mest citerade artiklarna inom ekonometrin och används fortfarande flitigt, vilket understryker behovet av mer sofistikerade metoder för att förstå kausala samband.

Faktum är att ekonomer ofta menar kausalitet när de skriver om association, och tvärtom. Många ekonometriböcker lär fortfarande ut associationell tolkning av koefficienterna i regressionsmodeller, trots att de flesta ekonomer implicit använder dem för att dra kausala slutsatser. Detta leder till en förvirring som gör det svårt att korrekt tolka de resultat som ekonometriska modeller genererar, och öppnar för spuriösa påståenden om ekonomiska fenomen.

För att korrekt förstå de ekonomiska sambanden, särskilt inom faktorinvestering, måste man använda kausala metoder som inte bara bygger på associativa samband. Idag finns det mer avancerade metoder för kausal upptäckt, till exempel via instrumentvariabler eller naturliga experiment, som ger mer tillförlitliga slutsatser om orsakssamband. Användningen av sådana metoder är en viktig utveckling som ekonomer behöver omfamna för att göra sina analyser mer rigorösa.

Det är också avgörande att förstå att kausal inferens inte handlar om att hitta statistiska samband, utan om att kunna skilja på korrelation och orsakssamband. Detta kräver en medvetenhet om hur modeller är specificerade och vilka antaganden som görs. När ekonomer felaktigt applicerar associativa modeller i kausala sammanhang riskerar de att dra slutsatser som inte håller för verkligheten och som inte är användbara för teoriutveckling.

För att verkligen förstå kausaliteten i ekonomiska system och investeringar, måste man övergå från att bara observera samband till att systematiskt identifiera och testa kausala mekanismer. Detta innebär att bygga modeller som kan rättfärdiga interventioner eller naturliga experiment, eller som åtminstone kan härleda trovärdiga orsakssamband från de tillgängliga data. Kausal grafteori och de metoder som utvecklats av framstående forskare inom kausal inferens ger det verktyg som behövs för att göra denna övergång.

Vad är faktorinvestering och hur påverkar den marknader?

Faktorinvestering definieras som en investeringsstrategi som fokuserar på att exponera sig för mätbara egenskaper, eller "faktorer", som tros förklara skillnader i avkastning mellan olika värdepapper. Denna metod är en vidareutveckling av tillgångsprissteorin och bygger på de banbrytande arbetena av Schipper och Thompson (1981), som använde faktor- och huvudkomponentanalyser för att validera de egenskaper som används i denna strategi. Ett exempel på en sådan faktor är värde-faktorn, där man anser att en portfölj bestående av aktier med hög bok-till-marknadsvärde (värdeaktier) kommer att ge högre avkastning än en portfölj bestående av aktier med lågt bok-till-marknadsvärde (tillväxtaktier).

Faktorundersökare följer oftast en av två huvudsakliga procedurer när de söker empiriska bevis. Den första proceduren, inspirerad av Fama och MacBeth (1973), innebär att man samlar in avkastningar från värdepapper, förklarande faktorer och kontrollvariabler. Genom att använda minsta kvadraters metod uppskattar man sedan parametrarna för en tvärsnittsregressionsmodell. Den andra proceduren, inspirerad av Fama och French (1993), innebär att forskaren rangordnar värdepapper i en investeringsvärld enligt en viss egenskap och genomför två parallella operationer. Första operationen innebär att investeringsuniversumet delas in i delmängder, som sedan undersöks för att beräkna genomsnittsavkastningen för varje delmängd. Den andra operationen innebär att man beräknar avkastningarna från en lång-kort portfölj, där de bästa aktierna får en positiv vikt och de sämsta aktierna en negativ.

Syftet med båda dessa procedurer är inte att förklara förändringar i genomsnittsavkastning över tid utan snarare att förklara skillnader i genomsnittsavkastning mellan olika värdepapper. Det handlar alltså om att identifiera specifika faktorer som kan förklara dessa skillnader, inte att förutsäga avkastning över tid.

Faktorstrategier bygger på antagandet att exponering mot en viss faktor (X) orsakar positiva genomsnittsavkastningar som överstiger marknadens genomsnittliga avkastning (Y). Detta är en causal (orsaksrelaterad) antagande om att denna effekt är stark nog att utnyttjas genom en portfölj som är exponerad mot faktorn X. Enligt denna synvinkel handlar faktorinvestering inte bara om att modellera en fördelning av X och Y, utan om att anta att det finns ett orsakssamband mellan faktorn och avkastningen.

Det är dock viktigt att förstå att forskare ofta inte explict uttalar de kausala antaganden som ligger till grund för deras modeller. Dessa antaganden kan vara helt statistiska eller extra-statistiska, vilket betyder att de inte alltid är tydligt definierade eller förklarade. Det innebär att om forskaren hade valt en annan uppsättning kausala antaganden skulle både modellens specifikation och resultaten kunna vara annorlunda. Därför är det viktigt att alltid vara medveten om de implicita och explicita kausala antagandena som ligger till grund för en faktorbaserad investeringsstrategi.

En annan aspekt av faktorinvestering är att forskare inte bara försöker att förutsäga avkastning utan att också göra en noggrann kausal tolkning av de resultat de får. Detta innebär att de inte alltid använder de mest förutsägande modellerna från maskininlärning, som skulle kunna ge bättre resultat när det gäller att förutsäga avkastning. Istället väljer de att använda metoder som minsta kvadrater och fokuserar på att testa hypoteser om orsakssamband, som i detta fall handlar om att visa att en viss faktor verkligen orsakar överavkastning.

Det är också viktigt att notera att forskare inom faktorinvestering ofta använder sig av statistiska verktyg som p-värden för att testa om en kausal effekt verkligen existerar. Detta är en aspekt som skiljer sig från mer associativa metoder, som inte alltid söker sig till att fastställa kausala samband utan istället fokuserar på att förstå mönster och relationer mellan variabler. Faktorinvestering innebär alltså att man arbetar med ett kausalt tänkande och försöker identifiera och bekräfta de faktorer som driver avkastningen på ett tillförlitligt sätt.

I praktiken innebär faktorinvestering att investerare skapar portföljer där de överviktar aktier med hög exponering mot en viss faktor och underviktar aktier med låg exponering, vilket innebär att man "kör" en lång-kort strategi för att maximera avkastningen baserat på dessa identifierade faktorer.

Förutom den tekniska förståelsen av dessa modeller är det också väsentligt för investeraren att förstå de underliggande antagandena och de kausala mekanismerna som driver avkastningen. Detta är inte alltid lätt, eftersom faktorinvestering ofta baseras på komplexa statistiska analyser som kan vara svåra att översätta till konkreta handlingsstrategier utan en djupare förståelse för de underliggande orsakerna till de observerade mönstren. Det innebär att den som är intresserad av faktorinvestering bör vara beredd att ta en grundlig och kritisk titt på både de antaganden som ligger bakom strategin och den metodologi som används för att testa dessa hypoteser.

Hur induktivt resonerande används för att förstå marknadsbeteenden och ekonomiska fenomen

Induktiv slutledning är en metod för att dra en trolig slutsats baserat på vissa premisser, där man genom generalisering eller extrapolering från specifika fall försöker skapa en allmän regel. Bevisen som stöder denna extrapolering kan komma från ett stort antal fall (enumerativ induktion) eller en bred variation av fall (variativ induktion). Detta tillvägagångssätt är en grundläggande del av många vetenskapliga analyser och används även för att förstå komplexa ekonomiska och marknadsmässiga fenomen, som till exempel prisrörelser på aktiemarknader.

Ett exempel på induktivt resonemang kan ses i studier av aktiemarknader där forskare observerar att skillnaden mellan köp- och säljkurser (bid-ask spread) tenderar att öka när det finns ett obalanserat orderflöde. Det betyder att mängden aktier som köps och säljs inte är lika stor, vilket leder till en volatil marknad. Denna observation är förvånande eftersom enligt den effektiva marknadshypotesen bör alla tillgängliga informationer omedelbart återspeglas i tillgångspriser, vilket skulle göra det omöjligt att förutsäga prisrörelser (Fama, 1970). Trots detta kan marknadens ineffektivitet ses i samband med ordning i flödet av transaktioner och deras förutsägbarhet.

Även om en sådan observation inte utgör en teori i sig, och inte förklarar varför fenomenet sker, ger det forskarna en grund att bygga på. Det som sker i det här fallet är att forskaren använder sina observationer för att avancera en förklaring i form av en hypotes som förklarar den observerade kopplingen mellan orderflöde och prisrörelser. Denna hypotes måste vara testbar och falsifierbar för att vara vetenskaplig, vilket innebär att det måste finnas ett mekanistiskt förhållande som kan prövas empiriskt.

För att gå vidare till nästa steg måste forskarna skapa en teoretisk förklaring av observationerna. Här används abduktion, eller ibland kallad retroduktion, för att resonera fram den mest troliga förklaringen till fenomenet genom att eliminera de alternativ som verkar mer osannolika. En förklaring måste vara baserad på mindre extraordinära antaganden än observationerna själva och måste innehålla ett kausalt samband som går att pröva. På så sätt blir teorin vetenskaplig när den inte bara spekulerar om relationer utan också ger en strukturerad modell som kan testas.

Till exempel, i teorin om Probability of Informed Trading (PIN) utvecklad av Easley et al. (1996), förklaras likviditetsproduktion som ett resultat av ett strategiskt spel mellan marknadsgörare och informerade aktörer. Enligt denna teori sker ett obalanserat orderflöde när de informerade aktörerna har mer information än de oinformerade, vilket leder till en förändring av priset innan marknadsgörarna kan utnyttja bid-ask spreaden för att göra en vinst. I närvaro av ett långvarigt obalanserat orderflöde tvingas marknadsgörarna att minska sin likviditetsproduktion, vilket resulterar i större volatilitet.

Det är denna mekanism som gör teorin testbar. Genom att följa mekanismens steg – obalanserat orderflöde, marknadspåverkan, prisändring, förluster och förändring i spreaden – skapas en strukturerad förklaring som kan prövas empiriskt. För en förklaring att vara vetenskaplig måste det därför finnas en testbar kedja av kausala samband, och dessa måste kunna bekräftas eller falsifieras genom experiment och observationer. Om en förklaring inte kan testas, eller om den inte föreslår ett konkret kausalt samband, anses den vara ovetenskaplig.

Vetenskapliga förklaringar måste vara falsifierbara, vilket innebär att de måste kunna motbevisas genom experiment eller observationer som visar att de inte stämmer. Falsifiering innebär att forskare, som inte har deltagit i utvecklingen av teorin, testar dess implikationer för att se om den är korrekt. Denna process innebär både deduktion och design av experiment som syftar till att visa att teorin är felaktig. Genom att använda denna metod får man en klarare bild av de mekanismer som påverkar marknader och ekonomiska fenomen.

Falsifieringssteget är inte enbart ett intellektuellt test, utan också ett praktiskt verktyg för att eliminera hypoteser som inte håller för empiriska bevis. Genom att noggrant analysera de föreslagna kausala vägarna kan forskare avgöra om de verkligen speglar verkligheten eller om de är överförenklade eller felaktiga. Till exempel kan maskininlärning användas för att testa om de föreslagna associationerna faktiskt existerar i data, och detta skulle kunna visa på brister i den ursprungliga teorin.

Det är viktigt att förstå att den vetenskapliga metoden inte enbart handlar om att bygga teorier, utan även om att kritiskt pröva och förfina dessa teorier genom experiment och observationer. Det är genom denna process av induktion, abduktion och falsifiering som vi kommer närmare sanningen om hur marknader och andra komplexa system fungerar.

Falsifikation och Vetenskaplig Metod: En Evolutionär Syn på Teorier och Experiment

Vetenskapen står som en grund för mänsklig förståelse genom att ersätta opålitlig induktivt tänkande med mer pålitlig deduktiv metod. Den vetenskapliga metoden är uppbyggd på att förstå orsaker och mekanismer genom experiment och observationer, och en av de mest centrala aspekterna av denna metod är falsifikation. En teori eller hypotes är endast vetenskaplig om den kan testas och potentiellt bevisas felaktig. Detta kan göras genom så kallade "riskabla förutsägelser", där vi förutser resultat baserat på en intervention som vi ännu inte har observerat. Om dessa förutsägelser visar sig vara falska, har teorin undergått falsifikation och måste justeras eller kasseras.

Ett intressant exempel på detta kan ses i studier som använder marknadsdata. En forskare kan dela upp en lista av aktier slumpmässigt i två grupper, där man skickar köporder som skapar en obalans i orderflödet för den ena gruppen. Genom att jämföra denna grupp med en annan, utan någon obalans i orderflödet, kan forskaren mäta skillnader i bid-ask spread, likviditet och volatilitet. Om dessa skillnader bekräftar en hypotes om att marknadens reaktioner på orderflöde är prediktiva för framtida marknadsbeteenden, stärks teorins trovärdighet.

Ett annat exempel på falsifikation kan ses i så kallade "fältstudier", där en forskare studerar marknadsaktörer som har genomfört liknande experiment men med verkliga marknadsflöden. Marknadsaktörer som kan anpassa sina algoritmer för att bredda bid-ask spread vid orderflödesobalans kan te sig mer framgångsrika än de som inte reagerar på samma sätt. I dessa studier är det inte bara experimentella data som utvärderas, utan även marknadens dynamik och aktörernas förmåga att anpassa sig till förändringar i orderflödet.

Popper och andra vetenskapsfilosofer har betonat vikten av falsifikation genom riskfyllda förutsägelser. En teori måste inte bara förklara det som redan observerats, utan också förutsäga resultat av ännu oobservanta händelser. På detta sätt kan forskare testa sina teorier mot den "out-of-sample"-data som ännu inte har existerat. När en teori är tillräckligt stark och förutsägande, kan den ge en förklaring till oväntade händelser, som till exempel finanskriser eller marknadsskred.

Det är också viktigt att förstå att alla experiment och teorier inte nödvändigtvis är vetenskapliga, även om de involverar komplex matematik eller omfattande mätningar. Många teorier kan verka vetenskapliga vid första anblick, men om de inte är falsifierbara, så kan de inte anses vara vetenskapliga enligt moderna kriterier. Därför står den vetenskapliga metoden och falsifikationism som en grundpelare för att skapa teori och kunskap.

Ett problem som ofta missförstås är gränsdragningen mellan vetenskap och pseudovetenskap. För att en teori ska vara vetenskaplig, måste den kunna falsifieras. Om detta inte kan göras, står teorin utanför den vetenskapliga metodens domän. Exempel på detta är pseudovetenskapliga teorier som inte gör några riskabla förutsägelser och inte kan testas genom experimentella metoder.

I den vetenskapliga världen är det inte nödvändigtvis den mest komplexa eller tekniskt avancerade teorin som överlever, utan den som är mest anpassad till att hantera de svåraste frågorna och experimenten. En teori som förklarar observerade fenomen på ett enkelt och konsistent sätt är mer värdefull än en teori som är för komplex och inte kan testas eller falsifieras.

I denna process spelar evolution en central roll: de teorier som bäst kan anpassa sig och förklara nya data och experiment kommer att överleva, medan de som inte kan anpassa sig kommer att förlora sin plats. Denna evolutionära process är en ständig återkoppling som leder till bättre och mer robusta teorier och modeller, som kan förklara världen på ett mer precist sätt.

Att förstå dessa aspekter av den vetenskapliga metoden är avgörande för att kunna utveckla och tillämpa teorier som verkligen bidrar till mänsklig kunskap och innovation. Vetenskap är inte bara en samling av fakta, utan en metod för att ständigt förbättra och förfina våra förklaringar om världen omkring oss. Det är genom experiment och falsifikation som vi når den största förståelsen, och genom denna process skapar vi nya vägar för att utforska framtida frågeställningar och problem.