Buongiorno. Il gestore del credito privato Blue Owl ha bloccato i rimborsi da uno dei suoi fondi destinati agli investitori al dettaglio, e i gestori patrimoniali privati di ogni tipo hanno venduto ieri in risposta. Tutti si aspettavano che il desiderio di liquidità degli investitori al dettaglio si rivelasse un difficile mix con il modello di investimento del credito privato (anche Unhedged prevedeva che i problemi sarebbero arrivati). È possibile salvare la relazione? Inviaci i tuoi pensieri: [email protected].
In finanza, “non pensare, ma guarda!”
I buoni articoli accademici spesso sembrano, paradossalmente, ovviamente veri e molto interessanti. La buona lettura di Unhedged di qualche giorno fa – “La ricerca sottoposta a revisione paritaria aiuta a prevedere i rendimenti azionari” – è un buon esempio.
IL cartadi Andrew Chen, Alejandro Lopez-Lira e Tom Zimmermann (che chiamerò CLZ), esamina due serie di predittori di rendimenti azionari superiori al mercato, o “alfa”. Il primo set comprende 200 segnali documentati in prestigiose riviste peer-reviewed di economia, finanza e contabilità; essi includono aspetti quali l’aumento degli investimenti, l’elevato debito o l’emissione di azioni e sorprese sugli utili. Nella letteratura, questi sono accompagnati da prove storiche di sovraperformance e, in molti casi, da una spiegazione economica. Le spiegazioni tendono a suggerire o che gli investitori vengono pagati per assumersi rischi, oppure che sia all’opera una forma persistente di irrazionalità degli investitori.
La seconda serie di predittori è stata creata utilizzando un computer. CLZ ha preso una serie di 29.000 rapporti contabili e ha “estratto i dati”, cercando quelli che prevedevano una sovraperformance in misura statisticamente significativa.
CLZ ha quindi testato i due set di predittori rispetto a dati storici fuori campione. Ciò che hanno scoperto è che i due gruppi si sono comportati quasi esattamente nello stesso modo. I test sono stati eseguiti costruendo operazioni long-short in modo tale che il rendimento atteso sarebbe pari a zero se non fosse presente alcun potere predittivo. Nel grafico seguente, il rendimento extra dimostrato di ciascun predittore viene ribasato su 100 per comparabilità. I predittori accademici e quelli estratti dai dati hanno perso circa la metà del loro potere predittivo nei test fuori campione, e lo hanno perso più o meno allo stesso ritmo. Il loro grafico:
Come dice CLZ,
Dopo il campionamento, le prestazioni di entrambi i tipi di predittori diminuiscono di circa il 50% rispetto alle medie del campione originale. I rendimenti estratti dai dati decadono un po’ di più rispetto ai rendimenti pubblicati, ma la differenza è piccola, sia dal punto di vista economico che da quello statistico. Per la maggior parte del grafico, il benchmark estratto dai dati si trova entro un errore standard rispetto ai predittori pubblicati. . . le prestazioni post-campione dei predittori sottoposti a revisione paritaria e estratti dai dati sono notevolmente simili.
Neppure la spiegazione dell'alfa negli studi accademici – rischio, irrazionalità, qualunque cosa – aveva importanza. Infatti, “solo la ricerca agnostica riguardo all’origine teorica della prevedibilità mostra una performance costantemente superiore rispetto al data mining”; anche questo effetto è “modesto”. Come mi ha riassunto Lopez-Lira, “non sembra esserci nulla di speciale nei predittori di rendimento scoperti dagli accademici rispetto ai predittori statisticamente forti”. Per generalizzare il punto: sapere perché una determinata strategia di investimento quantitativo funziona, psicologicamente o economicamente, non sembra apportare alcun beneficio agli investitori.
Ciò che questo mi fa venire in mente (come hanno fatto altri ha sottolineato) è Jim Simons, fondatore di Renaissance Technologies, l'hedge fund quantitativo di maggior successo di sempre. È noto per aver affermato che l’unica regola del suo fondo era “non sovrascrivere mai il computer” (vedi minuto 49 e seguenti del questo video). Se il computer ti dice che esiste una relazione statistica sfruttabile nei mercati, non cercare di spiegarla: scambiala. Perché se ci fosse stata una spiegazione chiara, il rapporto sarebbe già stato barattato. La scappatoia verrebbe chiusa.
Il risultato CLZ mi sembra intuitivo e naturale. Sappiamo che nella misura in cui il mercato crea opportunità realizzabili, tali opportunità vengono sfruttate e degradate. Nella misura in cui un’opportunità è coperta da una chiara spiegazione economica o psicologica, è probabile che scompaia tanto più velocemente. Ciò che sarebbe sorprendente è se Qualunque L’opportunità di ottenere rendimenti corretti per il rischio superiori al mercato, catturati da una teoria economica o psicologica convincente, persisteva nel lungo termine. Gli investitori, nella misura in cui adottano un approccio quantitativo al mercato azionario, dovrebbero seguirlo Wittgenstein, guardare prima e pensiero Dopo. Il risultato di CLZ suggerisce che la teoria è, nella migliore delle ipotesi, una debole guida alla sovraperformance e, nel peggiore dei casi, inutile.
Cosa penseranno gli investitori quantitativi del lavoro di CLZ? Ho chiesto a Rob Arnott, fondatore del consulente per gli investimenti “smart beta” Research Affiliates. Ha risposto che se tu
metti 29.000 accademici in cerca di una cattedra al lavoro, cercando tra i dati per trovare “fattori” predittivi, e non sorprende assolutamente che un computer che esamina 29.000 ipotetici fattori ottenga risultati quasi identici…
Metodo scientifico significa che sviluppiamo un'ipotesi, quindi utilizziamo dati storici per testare la nostra ipotesi, quindi troviamo dati fuori campione (ad esempio, dati non statunitensi, o di epoca premoderna o post-in-campione) per convalidare ulteriormente l'ipotesi. La finanza accademica tende a sviluppare l’ipotesi conforme ai dati, che non è il metodo scientifico. Quindi il backtest viene utilizzato per migliorare il backtest e l'ipotesi viene adeguata di conseguenza. Questo è il data mining per eccellenza.
Arnott sostiene che la ricerca su un dato predittore o fattori dovrebbe dividere qualsiasi rendimento in eccesso in ciò che lui chiama “alfa di rivalutazione” e “alfa strutturale”. L’alfa di rivalutazione è ciò che accade quando le azioni con un certo fattore diventano più o meno costose rispetto al mercato, come misurato dai rapporti prezzo/utili e simili. L’alfa strutturale è l’eventuale rendimento extra rimasto quando l’alfa di rivalutazione viene rimosso, indicando “che il fattore è predittivo del miglioramento dei fondamentali, non solo del miglioramento dei rendimenti”. L’alfa della rivalutazione dovrebbe essere “nella migliore delle ipotesi non ricorrente”; l’alfa strutturale potrebbe durare.
Secondo Arnott, quindi, un maggiore rigore intellettuale potrebbe aiutarci a trovare spiegazioni durature delle fonti dell'alfa. C'è ancora molto lavoro da fare.
Una buona lettura
Possiedi scorte sufficienti?