Deutsche Bank की रिपोर्ट में अध्ययन नोट्स में कुछ सामान्य गलतियां सूचीबद्ध हैं

Deutsche Bank की रिपोर्ट में अध्ययन नोट्स में कुछ सामान्य गलतियां सूचीबद्ध हैं

• एक, उत्तरजीविता पूर्वाग्रह।

  बचे हुए निवेशकों के सामने सबसे आम समस्याओं में से एक है, और बहुत से लोग इसके बारे में जानते हैं, लेकिन बहुत कम लोग इसके प्रभाव को महत्व देते हैं। हम केवल मौजूदा कंपनियों का उपयोग करने की प्रवृत्ति रखते हैं, जिसका अर्थ है कि हम उन कंपनियों के प्रभाव को समाप्त करते हैं जो दिवालियापन, पुनर्गठन और बाजार से बाहर निकलने के कारण हैं।

  ऐतिहासिक आंकड़ों के लिए समायोजन के दौरान, कुछ दिवालिया, निष्कासित और खराब प्रदर्शन करने वाले शेयरों को नियमित रूप से हटा दिया जाता है; और ये हटाए गए शेयर आपके रणनीतिक पूल में नहीं दिखाई देते हैं, यानी अतीत के बारे में पुनरीक्षण केवल वर्तमान घटक शेयरों के बारे में जानकारी का उपयोग करता है, जो भविष्य में प्रदर्शन या शेयरों के खराब प्रदर्शन के कारण घटक शेयरों में हटाए जाने के प्रभाव को हटा देता है। नीचे दिया गया चित्र एमएससीआई यूरोपीय सूचकांक घटक इक्विटी जैसे शेयरों को एक पोर्टफोलियो के अतीत के प्रदर्शन के रूप में दिखाता है। नीली रेखा सही पोर्टफोलियो के लिए है, लाल रेखा जीवित बचे हुए परिणामों के संयोजन के लिए है। लाल रेखा के निवेश का रिटर्न नीली रेखा से काफी अधिक पाया जा सकता है, जिससे पुनरीक्षण में उच्च मूल्यांकन किए गए निवेशक समूहों का लाभ होता है। और अधिक चौंकाने वाला है, जब कारक विश्लेषण किया जाता है, तो यह बिल्कुल विपरीत हो सकता है।

  चित्र 1

  बचे हुए निवेशकों के सामने सबसे आम समस्याओं में से एक है, और बहुत से लोग इसके बारे में जानते हैं, लेकिन बहुत कम लोग इसके प्रभाव को महत्व देते हैं। हम केवल मौजूदा कंपनियों का उपयोग करने की प्रवृत्ति रखते हैं, जिसका अर्थ है कि हम उन कंपनियों के प्रभाव को समाप्त करते हैं जो दिवालियापन, पुनर्गठन और बाजार से बाहर निकलने के कारण हैं।

  ऐतिहासिक आंकड़ों के लिए समायोजन के दौरान, कुछ दिवालिया, निष्कासित और खराब प्रदर्शन करने वाले शेयरों को नियमित रूप से हटा दिया जाता है; और ये हटाए गए शेयर आपके रणनीतिक पूल में नहीं दिखाई देते हैं, यानी अतीत के बारे में पुनरीक्षण केवल वर्तमान घटक शेयरों के बारे में जानकारी का उपयोग करता है, जो भविष्य में प्रदर्शन या शेयरों के खराब प्रदर्शन के कारण घटक शेयरों में हटाए जाने के प्रभाव को हटा देता है। नीचे दिया गया चित्र एमएससीआई यूरोपीय सूचकांक घटक इक्विटी जैसे शेयरों को एक पोर्टफोलियो के अतीत के प्रदर्शन के रूप में दिखाता है। नीली रेखा सही पोर्टफोलियो के लिए है, लाल रेखा जीवित बचे हुए परिणामों के संयोजन के लिए है। लाल रेखा के निवेश का रिटर्न नीली रेखा से काफी अधिक पाया जा सकता है, जिससे पुनरीक्षण में उच्च मूल्यांकन किए गए निवेशक समूहों का लाभ होता है। और अधिक चौंकाने वाला है, जब कारक विश्लेषण किया जाता है, तो यह बिल्कुल विपरीत हो सकता है।

  चित्र 2

  इसका मतलब यह है कि जब हम उन कंपनियों का पुनरावलोकन करते हैं जो पिछले 30 वर्षों में सबसे अच्छा प्रदर्शन कर रही हैं, तो यहां तक कि अगर कुछ कंपनियां उस समय उच्च क्रेडिट जोखिम वाली थीं, तो जब आप जानते हैं कि कौन जीवित रहेगा, तो आप उच्च क्रेडिट जोखिम वाले या संकट में पड़ने वाले शेयरों को खरीदते हैं, तो रिटर्न बहुत अधिक होता है। यदि आप उन शेयरों को देखते हैं जो दिवालिया हो गए हैं, विलय हो गए हैं, खराब प्रदर्शन कर रहे हैं, तो निष्कर्ष बिल्कुल विपरीत है, उच्च क्रेडिट जोखिम वाले निवेशकों का दीर्घकालिक रिटर्न क्रेडिट मजबूत कंपनियों की तुलना में बहुत कम है।

  कई अन्य कारक भी हैं जो जीवित बचे लोगों के विचलन पर विचार करते समय विपरीत परिणाम देते हैं।

  चित्र 3

• दूसरा, आगे देखने का पक्षपात (Look-ahead bias)

  चित्र 4

  सात दोषों में से एक के रूप में, जीवित रहने वाले व्यंग्य यह है कि हम पिछले समय में यह अनुमान नहीं लगा सकते हैं कि कौन सी कंपनियां जीवित रहेंगी और आज भी सूचकांक के घटक हैं, जबकि जीवित रहने वाले व्यंग्य केवल पूर्वानुमान व्यंग्य का एक अपवाद है। पूर्वानुमान व्यंग्य का मतलब है कि जब पुनरीक्षण किया जाता है, तो डेटा का उपयोग किया जाता है जो पुनरीक्षण के समय उपलब्ध नहीं था या सार्वजनिक नहीं था। यह पुनरीक्षण में सबसे आम गलती है।

  आगे की ओर देखने के विकृति का एक स्पष्ट उदाहरण वित्तीय आंकड़ों में दिखाई देता है, जहां वित्तीय आंकड़ों में सुधार के कारण गलतियों का पता लगाना मुश्किल होता है। आम तौर पर, प्रत्येक कंपनी के वित्तीय आंकड़ों के प्रकाशन के समय अलग-अलग होते हैं और अक्सर देरी होती है। जबकि पुनर्मूल्यांकन में, हम अक्सर प्रत्येक कंपनी के डेटा के प्रकाशन के समय के आधार पर कंपनी की वित्तीय स्थिति का आकलन करते हैं।

  हालांकि, जब बिंदु-समय डेटा (PIT data) उपलब्ध नहीं होता है, तो वित्तीय रिपोर्टों में देरी की धारणा अक्सर गलत होती है। नीचे दिया गया चित्र पीआईटी डेटा का उपयोग करने और गैर-पीआईटी डेटा के बीच के अंतर को पुष्टि करता है। जबकि हम ऐतिहासिक मैक्रो डेटा डाउनलोड करते समय अक्सर प्राप्त किए जाने वाले परिमार्जन के बाद अंतिम मूल्य प्राप्त करते हैं, लेकिन कई विकसित देशों के जीडीपी डेटा की रिहाई के बाद दो बार संशोधन किया जाता है, बड़ी कंपनियों के लिए आय में संशोधन भी अक्सर किया जाता है। जब हम पुनरीक्षण करते हैं, तो अंतिम मूल्य अभी तक ज्ञात नहीं होता है, केवल प्रारंभिक मूल्य विश्लेषण के लिए अक्सर उपयोग किया जाता है। कुछ लोग यह मान सकते हैं कि मामूली संशोधनों का निष्कर्ष पर कोई प्रभाव नहीं पड़ता है, लेकिन वास्तविकता यह दिखाती है कि कई मैक्रो डेटा के प्रारंभिक मूल्य रिटर्न के परिणाम महत्वपूर्ण नहीं हैं, और कंपनी के वित्तीय डेटा में समायोजन से सीधे शेयर परिणाम प्रभावित होते हैं।

  चित्र 5

• तीन, कहानी कहने का पाप

  चित्र 6

  कुछ लोग बिना किसी डेटा के कहानी शुरू करना पसंद करते हैं, और क्वांटिफाइंग लोग डेटा और परिणामों के साथ कहानी शुरू करना पसंद करते हैं। दोनों स्थितियों में बहुत समानताएं हैं, जो लोग कहानी कहने में अच्छे हैं या जो लोग डेटा के परिणामों को समझाने में अच्छे हैं, वे अक्सर डेटा प्राप्त करने से पहले अपने दिल में एक स्थापित स्क्रिप्ट रखते हैं, बस डेटा का समर्थन करना आवश्यक है।

  1997-2000 और 2000-2002 के दो अवधियों में अमेरिकी प्रौद्योगिकी घटक शेयरों और रसेल 3000 सूचकांक को देखते हुए, हम एक बिल्कुल विपरीत निष्कर्ष पर पहुंचते हैं। 1997-2000 के अमेरिकी प्रौद्योगिकी घटक शेयरों से, लाभ दर एक अच्छा कारक है, और पुनर्मूल्यांकन के परिणाम बहुत विश्वसनीय हैं, लेकिन यदि हम लंबे समय तक अंतराल को 2002 तक खींचते हैं, तो हम पाएंगे कि लाभ दर सूचकांक एक अच्छा कारक नहीं है।

  चित्र 7

  हालांकि, बाजार के प्रदर्शन के आधार पर रसेल 3000 सूचकांक, हम विपरीत निष्कर्ष पर पहुंचते हैं कि लाभप्रदता सूचकांक अभी भी एक प्रभावी कारक है, जैसा कि आप देख सकते हैं, स्टॉक पूल के चयन और पुनर्मूल्यांकन का समय बहुत कम है, जो कारक की प्रभावशीलता पर बहुत प्रभाव डालता है।

  चित्र 8

  बाजारों में हर दिन नए और अच्छे कारकों की खोज की जा रही है, हमेशा के लिए इंजन की तलाश कर रहे हैं। जो रणनीतियाँ जारी की जा सकती हैं, वे अच्छी तरह से प्रदर्शन कर रही हैं। जबकि कहानीकारों की व्याख्याएं इतिहास के बारे में बहुत आकर्षक हैं, लेकिन भविष्य की भविष्यवाणियां बहुत कम उपयोगी हैं। वित्तीय अर्थव्यवस्था में सहसंबंध और कारण को समझना अक्सर मुश्किल होता है, इसलिए, जब हम सामान्य ज्ञान के विपरीत परिणाम बनाते हैं या मूल रूप से निर्णय लेते हैं, तो कहानीकार नहीं होना सबसे अच्छा है।

• डेटा खनन और डेटा स्नूपिंग

  चित्र 9

  डेटा खनन एक ऐसा क्षेत्र है, जो वर्तमान में बहुत अधिक ध्यान केंद्रित कर रहा है, जिसमें बड़ी मात्रा में डेटा और कंप्यूटर की गणना के आधार पर, लोगों को अक्सर अदृश्य लाभ के लिए उम्मीद की जाती है। लेकिन मूल वित्तीय डेटा अभी तक भारी नहीं है, और लेनदेन डेटा कम शोर वाले डेटा की शर्तों को पूरा नहीं करता है।

  कभी-कभी डेटा खनन लगभग अप्रभावी होता है. उदाहरण के लिए, हम S&P 500 के लिए दो अलग-अलग कारक-वजन वाले एल्गोरिदम का उपयोग करते हैं, और 2009-2014 के डेटा को चुनते हैं। परिणाम यह है कि 2009-2014 के डेटा को छानने के लिए 6 सर्वश्रेष्ठ प्रदर्शन करने वाले कारकों का उपयोग करके डेटा को पुनः प्राप्त करने के लिए बहुत सही परिणाम प्राप्त होते हैं, जबकि ऐतिहासिक डेटा के नमूने का उपयोग करके परिणाम एक सीधी रेखा है।

  चित्र 10

  इसलिए, जब हम रणनीति बनाते हैं या अच्छे कारकों की तलाश करते हैं, तो हम सभी के पास स्पष्ट तर्क और प्रेरणा होनी चाहिए, मात्रात्मक विश्लेषण केवल अपने तर्क या प्रेरणा को सत्यापित करने का एक उपकरण है, न कि तर्क के लिए एक शॉर्टकट की तलाश करना। आम तौर पर, हमारी रणनीति बनाने या कारक खोजने की प्रेरणा वित्तीय सिद्धांत के बुनियादी ज्ञान, बाजार की प्रभावशीलता, व्यवहारिक वित्त विज्ञान आदि से आती है। बेशक, हम डेटा खनन के अनुप्रयोगों के मूल्य को मात्रात्मक क्षेत्र में नहीं नकारते हैं।

• 5. सिग्नल क्षय, प्रतिस्थापन दर, लेनदेन लागत

  चित्र 11

  सिग्नल मंदी का तात्पर्य है कि एक कारक उत्पन्न होने के बाद भविष्य के शेयरों के रिटर्न को भविष्यवाणी करने में सक्षम होना; आम तौर पर, उच्च विनिमय दर और संकेत मंदी संबंधित हैं; विभिन्न शेयर चयन कारक अक्सर अलग-अलग सूचना मंदी विशेषताएं रखते हैं; तेजी से संकेत मंदी अक्सर लाभ कमाने के लिए उच्च विनिमय दर की आवश्यकता होती है; हालांकि, उच्च विनिमय दर का मतलब अक्सर उच्च लेनदेन लागत भी होता है। पोर्टफोलियो निर्माण में विनिमय दर प्रतिबंध जोड़ना एक अपेक्षाकृत सरल तरीका है, लेकिन यह सबसे आदर्श तरीका नहीं है, क्योंकि विनिमय दर प्रतिबंध कभी-कभी हमें लाभ को लॉक करने में मदद करता है, और कभी-कभी स्थापित पोर्टफोलियो प्रदर्शन को नुकसान पहुंचाता है। इसलिए, संकेत मंदी, लेनदेन लागत और मॉडल की भविष्यवाणी करने की क्षमता को मापना पोर्टफोलियो निर्माण के लिए महत्वपूर्ण है।

  तो, अनुकूलित समायोजन आवृत्ति कैसे निर्धारित की जाती है? हमें ध्यान रखना चाहिए कि सख्त विनिमय दर प्रतिबंधों का मतलब यह नहीं है कि समायोजन आवृत्ति में कमी आती है। उदाहरण के लिए, हम अक्सर इस तरह की बातें सुनते हैं कि हम दीर्घकालिक मूल्य निवेशक हैं और हम 3-5 साल के लिए स्टॉक रखने की उम्मीद करते हैं। इसलिए, हम एक वर्ष में एक बार समायोजन करते हैं। लेकिन, सूचना अक्सर तेजी से आती है, और हमें अपने मॉडल और अनुमानों को समय पर समायोजित करने की आवश्यकता होती है। यहां तक कि अगर हमारे विनिमय दर प्रतिबंध सख्त हैं, तो हमें अभी भी उचित समय पर समायोजन आवृत्ति को तेज करने की आवश्यकता होती है। नीचे दिए गए चित्र में एक चरम मामले के उदाहरण के साथ एक तेजी से घटने वाला कारक दिखाया गया है।

  चित्र 12

  जब हम बंद होने पर 100 शेयरों को खरीदते हैं जो उस दिन के लिए सबसे खराब प्रदर्शन करते हैं, तो हम पिछले होल्डिंग्स को बेचते हैं, दैनिक ट्रेडिंग जारी रखते हैं, और रिटर्न बहुत अधिक होता है। यहाँ त्रुटि भी है, आगे की ओर विचलन, और बंद होने से पहले हम नहीं जानते कि दिन के लिए कौन से शेयर सबसे खराब प्रदर्शन करते हैं, यानी प्रक्रियात्मक ट्रेडिंग का उपयोग करना, यह रणनीति भी असंभव है। हम केवल 100 शेयरों को खरीद सकते हैं जो कल के लिए सबसे खराब प्रदर्शन करते हैं। इसके विपरीत, खोलने की रणनीति लगभग एक सीधी रेखा है।

• 6. असामान्य मान (Outliers)

  चित्र 13

  पारंपरिक असामान्यता नियंत्रण तकनीक में मुख्य रूप से विंसोरिज़ेशन और ट्रांकेशन शामिल हैं, डेटा का मानकीकरण भी असामान्यता नियंत्रण के तरीकों में से एक के रूप में देखा जा सकता है, और मानकीकरण तकनीक का मॉडल के प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ सकता है। उदाहरण के लिए, नीचे दिए गए चित्र में एसओपी बीएमआई कोरियाई सूचकांक के घटक शेयरों की लाभप्रदता, औसत, 1% या 2% चरम आदि का उपयोग करके परिणामों में बहुत अंतर है। मैक्रो डेटा में अक्सर इस तरह के मुद्दे होते हैं, कुछ चरम यदि पूर्व-प्रसंस्करण नहीं किया जाता है, तो परिणामों को गंभीर रूप से प्रभावित कर सकते हैं।

  चित्र 14

  हालांकि असामान्यताओं में उपयोगी जानकारी हो सकती है, लेकिन ज्यादातर मामलों में वे उपयोगी जानकारी नहीं रखते हैं। बेशक, मूल्य गतिशीलता के लिए अपवाद है। जैसा कि नीचे दिए गए चित्र में दिखाया गया है, नीली रेखा असामान्यताओं को हटाने के बाद संयोजन प्रदर्शन है, और लाल रेखा कच्चे डेटा है। हम देख सकते हैं कि कच्चे डेटा की गतिशीलता रणनीति असामान्यताओं को हटाने के बाद रणनीति प्रदर्शन की तुलना में बहुत बेहतर है। यानी असामान्यताओं में बहुत अधिक जानकारी होती है, और यदि हम मानकीकरण करते समय असामान्यताओं को हटा देते हैं, तो हम बहुत अधिक जानकारी खो देते हैं। इसलिए, सबसे अच्छा तरीका डेटा को सूक्ष्म स्तर पर संकलित करना और फिर से समग्र मापदंडों की गणना करना है।

  चित्र 15

• 7. असममितता (The asymmetric payoff pattern and shorting)

  चित्र 16

  आम तौर पर, बहु-कारक रणनीति बनाने के लिए अधिक इस्तेमाल की जाने वाली रणनीति बहु-अवकाश रणनीति है, यानी कई अच्छे शेयरों के साथ-साथ खराब शेयरों को खाली करना। दुर्भाग्य से, सभी कारक समान नहीं हैं, अधिकांश कारकों के बहु-अवकाश रिटर्न की विशेषताएं असममित हैं, साथ ही साथ खाली होने की संभावित लागत और वास्तविक व्यवहार्यता भी मात्रागत निवेश के लिए काफी परेशानी पैदा करती है। नीचे दिए गए चित्र में कारकों के बहु-अवकाश रिटर्न की विशेषताएं दिखाई गई हैं, जो अंतर के आकार के अनुसार क्रमबद्ध हैं। अधिक निर्भर कारक और उच्च मांग की लागत के कारण अतिरिक्त अल्फा अर्जित करना अधिक कठिन है।

  चित्र 17

स्रोतः वाल स्ट्रीट पर चलना