Факторные модели и загадка низкой волатильности.

В рамках объяснения будущих доходностей есть множество интересных аномалий. Одна из них для рынка США - "загадка низкой волатильности". Например, вот эта статья показывает отрицательную связь между одной из мер волатильности и будущими доходностями.

Но ведь мы привыкли, что есть "граница эффективности" Марковица! Ведь рост риска обычно сопровождает рост доходности!

Это действительно интересная загадка. Другие попытки разгадать её тоже не давали результата. И вот, кажется, есть более удачный подход - в новой статье авторы показывают, что саму стратегию можно разбить на две составляющих (длинную и короткую позиции), которые несут в себе разные риски. Идея в том, что сама загадка волатильности - это следствие связи с несколькими рисками, уже нам хорошо известными, где-то из недвижимости, где-то из пятифакторной модели Фамы-Френча, где-то из облигаций.

Так что, видимо, это "вторичная загадка", а не "самостоятельный фактор", по крайней мере в США.

#Factors

Итак :) в рамках рекламы нашего второго, продвинутого, курса "Разумный инвестор 2.0" в Сколково

https://www.skolkovo.ru/programmes/01022022-razumnyj-investor/

- провели сегодня вебинар.

Краткие выводы: как водится, стратегии живут и умирают, не исключение и WallStreetBets (WSB) с Reddit. Судя по анализу коллег (см. презентацию), уже в первой половине 2021, видимо, советы авторов WSB перестали давать успешные результаты, а советы на "продажу" не были успешными и до этого.

Я ещё не увидел, какие систематические риски были в позициях WSB, и какие торговые издержки, но в любом случае доходности восхищали, очень высокие по отношению к рынку.

#Factors

Отчёт ARK (Catherine Wood) про большие идеи будущего.

Коллеги напомнили про отчёт компании ARK, довольно дискуссионных инвесторов. Меня зацепил один прогноз: в 2030 году "стоимость компаний, связанных с искусственным интеллектом, вырастет до $87 трлн. с нынешних $2.5 трлн."

С уважением отношусь к машинному обучению, которое успешно маркетируют как "искусственный интеллект" (ИИ). Но как по образованию математик, испытываю неловкость - "слабый ИИ" как удачное решение небольшой и конкретной задачи интересно, однако интеллектуально слабо отличается от автоматизации, на мой взгляд.

1) Потому что выдавать за ИИ удачные модели работы с большими массивами данных досадно. ОК, мы научились делать не регрессии, а более сложносочинённые модели, и даже запускать доставку еды роботами. Наверное, до "сильного ИИ" пока далековато.

2) Потому что в ИИ можно записать любую автоматизацию. Конвейер собрал Теслу? Невероятно, ИИ. Или "умный дом", который, к примеру, отключает зарядку устройств или сами зарядки. Девайсы должны заряжаться до нужного мне уровня, а не до нужного им.

3) Потому что рост рынка в 20 раз за менее чем 10 лет бывает, но есть детали. В среднем рынки активов растут помедленнее, процентов на 5-10 в год. Значит, что-то должно умереть, чтобы у ИИ-компаний появилось пространство, или уже имеющиеся компании должны больше пользоваться ИИ. Во втором случае инвесторы могут продолжать быть пассивными (и не инвестировать с ARK), в первом надо бы объяснить, почему это произойдёт.

Я не против ARK, отличные визионерские взгляды. Но пока визионеры, кажется, в среднесрочном периоде реже сильно росли в стоимости (SoftBank первым приходит в голову), чем эволюционировавшие компании типа Амазона или Berkshire Hathaway. Хотя, если к визионерству и ИИ отнести изобретение iPhone и Фейсбука...тогда можно будет и поспорить.

#Factors #ARK

Bill Ackman и Pershing Square: сверхдоходность?

Фонд Акмана опубликовал годовой отчёт за 2021. Как водится, год был неплохим, доходность немного проиграла S&P 500, но за длинный горизонт остаётся более высокой, чем у всех индексов.

Но, конечно, большой вопрос - какие риски в реальности фонд несёт. Ясно, что это хедж-фонд с довольно концентрированными позициями в американских акциях, поэтому оценивать результаты сходу не так просто. Отметьте в таблице ниже четыре года подряд отрицательной доходности с 2015 по 2018.

Я проверил, как связаны доходности фонда со стандартной моделью Fama-French-Carhart - получается, что альфа незначимая (горизонт короткий), но положительная и в год большая (9.9% в среднем). Так что простые модели рисков результаты Акмана не объясняют.

#Factors

Как стоить факторные модели рисков: нелинейный подход.

Один из способов проверять, какие риски есть в финансовых активах - строить факторные модели с небольшим количеством фиксированных портфелей, отвечающих за систематический риск. Мы можем "придумать" конкретное построение этих систематических рисков, и затем проверить, как они описывают доходности активов.

Коллеги придумали способ (2021) строить подобные риски из нелинейных связей, которые определяются характеристиками активов - например, капитализацией, или B/M, или доходностью за последние 12 месяцев. Оказывается, что такая конструкция факторов позволяет очень хорошо объяснять сразу огромное количество активов - на горизонте 60 лет и большого количества акций (десятки тысяч) они получают высокие R2 и низкие "необъяснённые альфы".

Вывод: вероятно, нелинейные методы создания факторов позволят понимать риски финансовых рынков ещё лучше, и всем нужно продолжать учить нейронные сети :).

#Factors

Машинное обучение и модели оценки доходностей активов.

Статья (сентябрь 2023) делает важный вклад в понимание "факторов финансовых рынков". Как вы помните, мы можем найти сотни (иногда тысячи) новых портфелей активов, которые оказываются независимы от ранее известных, приносят положительную альфу (сверхдоходность), и иногда даже влияют на доходности отдельных портфелей (Фамы-Френча, к примеру). Мои студенты почти каждый год делают подобные упражнения, иногда очень успешные (в прошедшем году про ESG).

Теперь у меня появился способ ответить на вопрос коллег "что это вы находите всё новые аномалии рынка". Идея довольно простая: если на рынке прайсинг с нелинейным ядром (SDF), то всегда можно найти бесконечное количество новых портфелей активов с положительной альфой. Так что факторы будем генерировать ещё очень долго! Важная статья, будем использовать их подход с "большим числом риск-факторов".

#Factors #US #Portfolio

Чем отличаются инвестиционные стратегии на развитых и развивающихся рынках?

Статья (ноябрь 2023) обнаруживает, что для китайского и многих развивающихся рынков присутствует "моментум" в дневных доходностях акций. То есть на уровне отдельных активов те, кто был лучшими в последнее время, остаются успешными ещё какое-то время. Этот "фактор риска" давно известен и является стандартным для расширенных моделей типа Fama-French-Carhart. Но интересно как раз то, что на развивающихся рынках моментум есть скорее на дневных горизонтах, однако отсутствует на более длинных - недельных и месячных, а они стандартны для развитых рынков. Видимо, внимание неквалифицированных инвесторов, которые являются основой китайского и других развивающихся рынков, быстро смещается от актива к активу, и на месячных горизонтах постоянной картинки не создаёт.

Российский рынок также есть в выборке - у нас нет моментума ни в дневных, ни в более длинных горизонтах.

Вывод: если вы верите в "факторные модели риска", то проверяйте - работают ли стандартные подходы на локальных рынках.

#Factors #China #Momentum

Финансовые исследования: начались отзывы из журналов!

Коллега показал отличную статью на Блумберге:

https://www.bloomberg.com/news/articles/2023-12-01/a-grad-school-number-cruncher-shakes-up-the-world-of-bond-quants

Кратко: известны "факторы риска" на рынке акций. Стандартная модель Фамы-Френча-Кархарта описывает четыре из них.

Авторы статьи в Journal of Financial Economics (top-3 лучших академических журналов мира) показали было, что аналогичная идея применима к облигациям. Тоже получается три ключевых фактора. Но их статью теперь опровергли (были проблемы с обработкой данных) - и всего во второй раз за всю историю top-3 финансовых журналов статью пришлось отозвать.

Вывод: возможно, финансовые исследования ожидает много потрясений, примерно как с поведенческой экономикой.

#Factors #Retraction #Bonds

Крипта: больше систематических рисков, связь с рынком акций.

Мы с выпускниками РЭШ-2023 посмотрели на то, как криптоактивы связаны с рынком акций. Основных результатов два:

1) систематический риск крипты сильно вырос. После 2020 года можно считать её "акциями с большой бетой". Это автоматически снижает диверсификацию портфеля при смешивании акций и крипты;

2) внезапно риски то биткоина, то эфира связаны систематически с доходностями портфелей американских акций. То есть они имеют значимое влияние на стоимость акций после учёта других стандартных рисков.

Будем дальше разбираться в описании факторов риска, это любопытно.

https://econs.online/articles/opinions/zakon-vzaimnogo-prityazheniya-kriptovalyuty-perestali-strakhovat-aktsii/

#Factors #Crypto #Stocks #MAFNES

Как "систематические риски" торгуются через фонды на рынках.

Статья (январь 2024) напоминает, что "факторы риска" всё больше доступны на финансовых рынках. Компании выпускают инструменты (CS = composite securities, то есть "сборные активы", в т.ч. ETF), собранные в основном из акций, и CS торгуются "как акции". Поэтому инвесторам становится проще торговать риски, в том числе вносить свои взгляды в стоимость активов. Многие воспринимают такие инвестиции как "пассивные" - потому что инвесторы вкладываются в "индексы" или "факторные стратегии", а не выбирают отдельные акции. Но выбор долей вложений в стратегии привносит новую информацию от инвесторов - то есть позволяет агрегировать личные мнения примерно так же эффективно, как выбор индивидуальных активов. Более того, создание CS тоже не автоматическое, а отвечает запросам инвесторов - с начала существования фонда учтены инвестиционные предпочтения.

Выводы статьи: CS всё важнее для рынков, очень даже "активные инвестиции", и позволяют брать на себя систематические факторы риска.

#Factors #US #Stocks

Предсказание доходностей индивидуальных активов: факторные модели помогают!

Очень интересно, что у авторов статьи (январь 2024) получается вытащить из факторных моделей хорошие прогнозы для будущих доходностей портфелей активов. Это достаточно сложно - методология Goyal and Welch показывает, что обычно предсказания получаются довольно неточными. Но авторы демонстрируют, что хотя факторные модели не могут уловить будущие шоки (это в целом невозможно, на то они и шоки), но риск-премии и беты оценивают неплохо - в итоге будущие доходности гораздо ближе к оценкам по факторам, чем по истории.

Вывод: я был довольно критичен к такому способу. Но кажется, раз у кого-то получилось, придётся проверять и может быть использовать.

#US #Factors #Forecasts

Новый способ конструировать факторы для акций: теперь 3D

3D означает трёхмерное пространство: "характеристика" акции (например, B/M или доходность за последние 12 месяцев); квантиль по капитализации; квантиль по характеристике. Статья (март 2024) конструирует факторы риска из этой трёхмерной структуры и затем тестирует их качество на стандартных данных.

Результаты:

1) Очень приличные Sharpe ratios всех факторов, выше, чем в других моделях;
2) Лучше объяснение доходностей активов (in-sample), меньше ошибки предсказания (out-of-sample).

Интересно, что для выделения факторов можно использовать тензорную алгебру - вот нас и догнала базовая МГУ-математика :))

#US #Factors

Факторная модель с одним регрессором: ещё новее, ещё лучше!

Статья (апрель 2024) предлагает создавать один риск-фактор для финансовых моделей при помощи теоремы Колмогорова-Арнольда. Именно, авторы показывают, что любой набор факторов в линейной модели может быть представлен как одна нелинейная функция от рисков. Дальше показано, как можно оценить эту неизвестную функцию (по сути аппроксимировать полиномом) и набор скрытых факторов.

Выводы: модель даёт описание доходностей лучше, чем другие факторные модели. Предсказания будущих доходностей и построенные по ним инвестиционные портфели дают хорошие среднемесячные доходности (около 0,7%) и Sharpe ratio более 1,5 в год.

#Factors #Portfolios #US

Факторные модели: может быть, многие риски лучше, чем небольшое количество

Статья (сентябрь 2024) напоминает, что на рынке и для оценки рисков разных инструментов выгодно использовать не малое количество факторов риска, а большое. Почему: виды активов разные, у них объективно неодинаковые риски; модель "многих факторов" может лучше уловить нелинейные связи между компонентами; "малое количество" факторов сформированы на чём-то конкретном (акции + облигации + м.б. крипта), а это ограничивает учёт рисков из других видов инвестиций.

Две сильно связанных с этим статьи: 1) про то, что "много факторов" очевидное следствие нелинейности мира; 2) про то, что даже "один нелинейный фактор" может хорошо описывать доходности.

Вывод: для реальной торговли на рынках могут понадобиться большие модели с существенным количеством стратегий - если не видели, почитайте уже старое интервью владельца World Quant.

#Factors #WorldQuant