Перед тем как вы погрузитесь в изучение статьи, обратите внимание на тот факт что всё упомянутое в ней не является финансовой рекомендацией для принятие более взвешенного решения просьба провести свое собственное исследование.
С тех пор как полвека назад были заложены эти теоретические основы финансов и инвестирования, мы наблюдаем становление квантового сообщества — месть ботаников — из странной периферии в доминирующую силу в управлении активами. Мы стали свидетелями взлета пассивного управления, несмотря на обвинения в «инвестиционном социализме», когда пассивные инвесторы свободно пользуются процессом определения цены, который является главной целью рынков капитала. На этом пути многие новые идеи были приняты как факт, затем оспорены, а в некоторых случаях и вовсе отброшены. Мы видели, как смарт-бета и факторное инвестирование с энтузиазмом принимались, затем подвергались сомнению, а потом с осторожностью пересматривались. В самом деле, финансовая наука изменилась на фоне более серьезного внимания к инвестированию как к науке.
В последнее время мы наблюдаем резкое появление новых инструментов и больших данных. Аналитиков стало меньше, а качество и количество информации значительно возросло. Искусственный интеллект (AI) — это революция дня. ИИ — не новинка, он существует уже несколько десятилетий, но его возможности продолжают расти в геометрической прогрессии. Закон Мура жив и здоров! Действительно, ИИ уже много лет совершенствует алгоритмы, используемые в высокочастотной торговле (HFT). Удобный для пользователя ИИ — это что-то новое. В этом и заключается прорыв. В ближайшие десятилетия ИИ изменит нашу жизнь гораздо сильнее, чем мы можем себе представить. Но, как и в случае с Интернетом, компьютерами, автомобилями, поездами, телеграфом и другими революционными технологиями, ИИ изменит наш мир сильнее, чем мы ожидаем, но медленнее, чем мы думаем.
Каждый новый прорыв приносит новые открытия, некоторые из них блестящие, а некоторые несовершенные, и со временем некоторые из них развенчивают или изменяют соблазнительные мифы и догмы. Краткий обзор «научного метода» демонстрирует, как такие мифы могут появляться и исчезать.
Научный метод: data-first против Theory-First против байесовского подхода
Научный метод уходит корнями к Аристотелю и далее, но сегодня он не имеет ни широкого понимания, ни широкого применения в финансах. Более того, я бы утверждал, что он не используется и в естественных науках, где все еще доминирует предубеждение против подтверждения. Он начинается с гипотезы, убеждения о том, как должен работать мир. Затем мы используем данные для беспристрастной проверки наших идей, не только чтобы доказать свою правоту, но и чтобы научиться. В естественных науках гипотеза считается «нефальсифицируемой», если нельзя доказать, что она ошибочна. Соответственно, когда мы проверяем наши идеи, вторичной целью является фальсификация — или, по крайней мере, поиск недостатков в нашей собственной гипотезе до того, как это сделают другие. Очевидно, что использование бэктестов для улучшения наших бэктестов — это антитеза научному методу, даже если это слишком распространено в сообществе квантовых аналитиков.
Даже в рамках количественных финансов за главенство боролись три разных метода, которые я называю «метод data-first», «метод Theory-First» и «байесовский метод».
Метод «data-first» был выбран в сообществе факторов, которое само развилось из десятилетий изучения «аномалий» рынка капитала. Что может быть лучше для получения должности, чем изучить огромное количество данных, чтобы выявить ранее не обнаруженную аномалию или фактор? Зачем искать недостатки в нашей гипотезе, если наша цель — получение должности? Тарун Чордиа, Амит Гоял и Алессио Саретто (2020) построили 2 миллиона случайных факторов, используя базу данных CRSP. Лучший фактор имеет t-статистику 9,01 для альфы CAPM.
Чордиа и др. не пытаются найти новый фантастический фактор, а иллюстрируют, как поиск данных может сбить нас с пути. Среди лучших факторов из 2 миллионов — (CSHO-CSHPRI)/MRC4. Что это, черт возьми, такое?
Common Shares Outstanding — Common Shares Used to Calculate EPS)/Rental Commitments, Four Years Hence (Выпущенные обыкновенные акции — обыкновенные акции, использованные для расчета прибыли на акцию)/обязательства по аренде, четыре года спустя
Data-first имеет свое место. Приложениям ИИ для разработки алгоритмов HFT, например, с миллиардами образцов данных, не нужна предварительная гипотеза. Однако в приложениях с тысячами или даже миллионами образцов данных метод data-first опасен сам по себе. Большинство исследований в области финансов и экономики — будь то изучение факторов, распределение активов или аномалии — опираются на ежедневные, ежемесячные или ежеквартальные данные. Для большинства таких исследований (за исключением, возможно, тиковых данных) не существует достаточного количества данных, чтобы безопасно полагаться на подход data-first.
Теоретический метод доминировал на ранних этапах развития современных финансов и до сих пор имеет много приверженцев в академическом финансовом сообществе. Theory-first игнорирует данные и предполагает, что если данные не подтверждают теорию, то данные, а не теория, просто ошибочны или обусловлены аномальными выбросами. Рынок эффективен, не обращая внимания на доказательства его неэффективности. Ожидаемая доходность коррелирует с бета-фактором и мало с чем еще, не обращая внимания на многочисленные доказательства обратного. Более широкое экономическое сообщество страдает от подобной близорукости. Фискальные и монетарные стимулы способствуют росту, не обращая внимания на все данные, свидетельствующие об обратном. Theory-first соблазнительна, потому что в ее идеях так много интуитивного смысла. Как и в случае с data-first, теория имеет свое место, как в качестве основы для байесовских приоритетов, так и в тех областях, где не хватает данных.
Если только выборки данных не огромны или более или менее не существуют, байесовский подход с большей вероятностью приведет к долговременным открытиям, чем Theory-first или data-first. Байесовский подход сочетает данные и теорию, не отдавая предпочтения ни тем, ни другим. И те, и другие зависят друг от друга. Теория разрабатывается с осторожностью, чтобы определить валидные эмпирические тесты, а затем проверяется на данных. Данные не используются для разработки теории.
Следующая эволюция в финансах?
Хотя наше понимание природы рынков значительно развилось с тех пор, как Марковиц и компания создали ключевые столпы современных финансов, как показывает этот анализ, многие споры в этой дисциплине далеки от завершения.
Как академические, так и практические сообщества в нашей отрасли, возможно, слишком самодовольны и слишком заинтересованы в сохранении текущего равновесия или парадигмы. Слишком много людей говорят: «Если предположить это, то можно решить то». Слишком немногие готовы подвергнуть сомнению эти базовые предположения. Как фидуциарии, мы обязаны быть менее приемлемыми для наших клиентов (которые слишком часто являются догмами) и более готовыми исследовать последствия ошибок в базовых предположениях финансовой теории. Эти базовые предположения часто оказываются несостоятельными, когда их проверяют.
Если неоклассические финансы предполагают, что рынки эффективны, а поведенческие финансы — наоборот, должны ли мы отбрасывать менее удобную теорию? Не лучше ли признать элементы истины в, казалось бы, несовместимых теориях? Экономика — это не физика. И неоклассические, и поведенческие финансы обладают важными знаниями. Признав такую возможность, мы не только получим более глубокое понимание рынков, но и поможем катализировать следующий сдвиг парадигмы финансов и продвинем наш маленький уголок мрачной науки на следующий этап ее эволюции.
С тех пор как полвека назад были заложены эти теоретические основы финансов и инвестирования, мы наблюдаем становление квантового сообщества — месть ботаников — из странной периферии в доминирующую силу в управлении активами. Мы стали свидетелями взлета пассивного управления, несмотря на обвинения в «инвестиционном социализме», когда пассивные инвесторы свободно пользуются процессом определения цены, который является главной целью рынков капитала. На этом пути многие новые идеи были приняты как факт, затем оспорены, а в некоторых случаях и вовсе отброшены. Мы видели, как смарт-бета и факторное инвестирование с энтузиазмом принимались, затем подвергались сомнению, а потом с осторожностью пересматривались. В самом деле, финансовая наука изменилась на фоне более серьезного внимания к инвестированию как к науке.
В последнее время мы наблюдаем резкое появление новых инструментов и больших данных. Аналитиков стало меньше, а качество и количество информации значительно возросло. Искусственный интеллект (AI) — это революция дня. ИИ — не новинка, он существует уже несколько десятилетий, но его возможности продолжают расти в геометрической прогрессии. Закон Мура жив и здоров! Действительно, ИИ уже много лет совершенствует алгоритмы, используемые в высокочастотной торговле (HFT). Удобный для пользователя ИИ — это что-то новое. В этом и заключается прорыв. В ближайшие десятилетия ИИ изменит нашу жизнь гораздо сильнее, чем мы можем себе представить. Но, как и в случае с Интернетом, компьютерами, автомобилями, поездами, телеграфом и другими революционными технологиями, ИИ изменит наш мир сильнее, чем мы ожидаем, но медленнее, чем мы думаем.
Каждый новый прорыв приносит новые открытия, некоторые из них блестящие, а некоторые несовершенные, и со временем некоторые из них развенчивают или изменяют соблазнительные мифы и догмы. Краткий обзор «научного метода» демонстрирует, как такие мифы могут появляться и исчезать.
Научный метод: data-first против Theory-First против байесовского подхода
Научный метод уходит корнями к Аристотелю и далее, но сегодня он не имеет ни широкого понимания, ни широкого применения в финансах. Более того, я бы утверждал, что он не используется и в естественных науках, где все еще доминирует предубеждение против подтверждения. Он начинается с гипотезы, убеждения о том, как должен работать мир. Затем мы используем данные для беспристрастной проверки наших идей, не только чтобы доказать свою правоту, но и чтобы научиться. В естественных науках гипотеза считается «нефальсифицируемой», если нельзя доказать, что она ошибочна. Соответственно, когда мы проверяем наши идеи, вторичной целью является фальсификация — или, по крайней мере, поиск недостатков в нашей собственной гипотезе до того, как это сделают другие. Очевидно, что использование бэктестов для улучшения наших бэктестов — это антитеза научному методу, даже если это слишком распространено в сообществе квантовых аналитиков.
Даже в рамках количественных финансов за главенство боролись три разных метода, которые я называю «метод data-first», «метод Theory-First» и «байесовский метод».
Метод «data-first» был выбран в сообществе факторов, которое само развилось из десятилетий изучения «аномалий» рынка капитала. Что может быть лучше для получения должности, чем изучить огромное количество данных, чтобы выявить ранее не обнаруженную аномалию или фактор? Зачем искать недостатки в нашей гипотезе, если наша цель — получение должности? Тарун Чордиа, Амит Гоял и Алессио Саретто (2020) построили 2 миллиона случайных факторов, используя базу данных CRSP. Лучший фактор имеет t-статистику 9,01 для альфы CAPM.
Чордиа и др. не пытаются найти новый фантастический фактор, а иллюстрируют, как поиск данных может сбить нас с пути. Среди лучших факторов из 2 миллионов — (CSHO-CSHPRI)/MRC4. Что это, черт возьми, такое?
Common Shares Outstanding — Common Shares Used to Calculate EPS)/Rental Commitments, Four Years Hence (Выпущенные обыкновенные акции — обыкновенные акции, использованные для расчета прибыли на акцию)/обязательства по аренде, четыре года спустя
Data-first имеет свое место. Приложениям ИИ для разработки алгоритмов HFT, например, с миллиардами образцов данных, не нужна предварительная гипотеза. Однако в приложениях с тысячами или даже миллионами образцов данных метод data-first опасен сам по себе. Большинство исследований в области финансов и экономики — будь то изучение факторов, распределение активов или аномалии — опираются на ежедневные, ежемесячные или ежеквартальные данные. Для большинства таких исследований (за исключением, возможно, тиковых данных) не существует достаточного количества данных, чтобы безопасно полагаться на подход data-first.
Теоретический метод доминировал на ранних этапах развития современных финансов и до сих пор имеет много приверженцев в академическом финансовом сообществе. Theory-first игнорирует данные и предполагает, что если данные не подтверждают теорию, то данные, а не теория, просто ошибочны или обусловлены аномальными выбросами. Рынок эффективен, не обращая внимания на доказательства его неэффективности. Ожидаемая доходность коррелирует с бета-фактором и мало с чем еще, не обращая внимания на многочисленные доказательства обратного. Более широкое экономическое сообщество страдает от подобной близорукости. Фискальные и монетарные стимулы способствуют росту, не обращая внимания на все данные, свидетельствующие об обратном. Theory-first соблазнительна, потому что в ее идеях так много интуитивного смысла. Как и в случае с data-first, теория имеет свое место, как в качестве основы для байесовских приоритетов, так и в тех областях, где не хватает данных.
Если только выборки данных не огромны или более или менее не существуют, байесовский подход с большей вероятностью приведет к долговременным открытиям, чем Theory-first или data-first. Байесовский подход сочетает данные и теорию, не отдавая предпочтения ни тем, ни другим. И те, и другие зависят друг от друга. Теория разрабатывается с осторожностью, чтобы определить валидные эмпирические тесты, а затем проверяется на данных. Данные не используются для разработки теории.
Следующая эволюция в финансах?
Хотя наше понимание природы рынков значительно развилось с тех пор, как Марковиц и компания создали ключевые столпы современных финансов, как показывает этот анализ, многие споры в этой дисциплине далеки от завершения.
Как академические, так и практические сообщества в нашей отрасли, возможно, слишком самодовольны и слишком заинтересованы в сохранении текущего равновесия или парадигмы. Слишком много людей говорят: «Если предположить это, то можно решить то». Слишком немногие готовы подвергнуть сомнению эти базовые предположения. Как фидуциарии, мы обязаны быть менее приемлемыми для наших клиентов (которые слишком часто являются догмами) и более готовыми исследовать последствия ошибок в базовых предположениях финансовой теории. Эти базовые предположения часто оказываются несостоятельными, когда их проверяют.
Если неоклассические финансы предполагают, что рынки эффективны, а поведенческие финансы — наоборот, разве мы должны отбрасывать менее удобную теорию? Не лучше ли признать элементы истины в, казалось бы, несовместимых теориях? Экономика — это не физика. И неоклассические, и поведенческие финансы обладают важными знаниями. Признавая эту возможность, мы не только получаем более глубокое понимание рынков, но и можем помочь катализировать следующий сдвиг парадигмы финансов и продвинуть наш маленький уголок мрачной науки на следующий этап ее эволюции.
Если неоклассические финансы предполагают, что рынки эффективны, а поведенческие финансы — наоборот, должны ли мы отбрасывать менее удобную теорию? Не лучше ли признать элементы истины в, казалось бы, несовместимых теориях? Экономика — это не физика. И неоклассические, и поведенческие финансы обладают важными знаниями. Признав такую возможность, мы не только получим более глубокое понимание рынков, но и поможем катализировать следующий сдвиг парадигмы финансов и продвинем наш маленький уголок мрачной науки на следующий этап ее эволюции.