Laporan Deutsche Bank Study Notes menyebutkan beberapa kesalahan umum dalam strategi kuantifikasi

Laporan Deutsche Bank Study Notes menyebutkan beberapa kesalahan umum dalam strategi kuantifikasi

• Pertama, bias kelangsungan hidup.

  Survivor bias adalah salah satu masalah yang paling umum dihadapi investor, dan banyak orang tahu tentang keberadaan survivor bias, tetapi sedikit yang memperhatikan efeknya. Kami cenderung menggunakan hanya perusahaan yang masih ada saat ini untuk penilaian ulang, yang berarti kami menghilangkan dampak dari perusahaan yang keluar dari pasar karena bangkrut, reorganisasi, dan lain sebagainya.

  Saat penyesuaian terhadap data historis, beberapa saham yang bangkrut, keluar dari pasar, dan berkinerja buruk secara teratur akan dihapus. Dan saham yang dihapus tidak muncul dalam kolam saham yang Anda strategi, yaitu ketika melakukan retrospeksi masa lalu hanya menggunakan informasi dari saham komponen saat ini, menghilangkan efek dari saham komponen yang dihapus di masa depan karena kinerja atau harga yang buruk. Gambar berikut menunjukkan berat saham komponen MSCI European Index sebagai kinerja portofolio di masa lalu.

  Gambar 1

  Survivor bias adalah salah satu masalah yang paling umum dihadapi investor, dan banyak orang tahu tentang keberadaan survivor bias, tetapi sedikit yang memperhatikan efeknya. Kami cenderung menggunakan hanya perusahaan yang masih ada saat ini untuk penilaian ulang, yang berarti kami menghilangkan dampak dari perusahaan yang keluar dari pasar karena bangkrut, reorganisasi, dan lain sebagainya.

  Saat penyesuaian terhadap data historis, beberapa saham yang bangkrut, keluar dari pasar, dan berkinerja buruk secara teratur akan dihapus. Dan saham yang dihapus tidak muncul dalam kolam saham yang Anda strategi, yaitu ketika melakukan retrospeksi masa lalu hanya menggunakan informasi dari saham komponen saat ini, menghilangkan efek dari saham komponen yang dihapus di masa depan karena kinerja atau harga yang buruk. Gambar berikut menunjukkan berat saham komponen MSCI European Index sebagai kinerja portofolio di masa lalu.

  Gambar 2

  Dengan kata lain, ketika kita menggunakan perusahaan-perusahaan dengan kinerja terbaik dalam 30 tahun terakhir untuk meninjau kembali, bahkan jika beberapa perusahaan memiliki risiko kredit yang tinggi pada saat itu, ketika Anda tahu siapa yang akan bertahan hidup, Anda membeli dengan risiko kredit yang tinggi atau mengalami kesulitan, dan Anda mendapatkan keuntungan yang sangat tinggi. Jika Anda mempertimbangkan saham yang bangkrut, keluar dari pasar, atau melakukan buruk, Anda akan menemukan hasil yang sama sekali sebaliknya, investasi di perusahaan-perusahaan dengan risiko kredit tinggi memiliki pengembalian yang jauh lebih rendah dalam jangka panjang daripada yang memiliki kredit yang kuat.

  Ada banyak faktor lain yang memberikan hasil yang sama sekali berbeda ketika mempertimbangkan deviasi para korban.

  Gambar 3

• Kedua, bias melihat ke depan.

  Gambar 4

  Salah satu dari tujuh kesalahan utama adalah kita tidak dapat memprediksi perusahaan mana yang akan bertahan dan masih menjadi komponen indeks saat ini, sedangkan survival bias hanya merupakan salah satu contoh dari bias prospektif.

  Sebuah contoh yang jelas dari kesesuaian pandangan ke depan adalah pada data keuangan, di mana koreksi data keuangan lebih mudah menyebabkan kesalahan yang sulit ditemukan. Secara umum, setiap perusahaan merilis data keuangan pada waktu yang berbeda dan sering terjadi keterlambatan.

  Namun, ketika data titik-in-time (PIT data) tidak tersedia, asumsi keterlambatan laporan keuangan sering kali salah. Gambar berikut ini menegaskan perbedaan antara penggunaan data PIT dan data non-PIT. Sementara itu, kita sering mendapatkan nilai akhir yang telah disesuaikan ketika mengunduh data makro historis, tetapi banyak data PDB negara maju yang dirilis setelah dua kali penyesuaian, dan revisi hasil perusahaan besar juga sering dilakukan. Pada titik waktu yang kami lakukan, nilai akhir belum diketahui, dan hanya dapat digunakan untuk analisis nilai awal.

  Gambar 5

• Dan ketiga, bercerita (The sin of storytelling).

  Gambar 6

  Beberapa orang suka bercerita tanpa data apa pun, orang yang melakukan kuantitas suka bercerita dengan data dan hasilnya. Ada banyak kesamaan antara kedua situasi ini, orang yang pandai bercerita atau orang yang pandai menginterpretasikan hasil data seringkali memiliki skrip yang sudah ada di dalam diri mereka sebelum mereka mendapatkan data.

  Dengan melihat kembali pada dua periode 1997-2000 dan 2000-2002 dari saham teknologi AS dan indeks Russell 3000, kita akan menemukan kesimpulan yang sama sekali berbeda. Dari 1997-2000 saham teknologi AS, tingkat keuntungan adalah faktor yang baik, dan hasil retrospeksi juga sangat kredibel, namun jika kita memperpanjang interval hingga 2002, kita akan menemukan bahwa indikator tingkat keuntungan tidak lagi menjadi faktor yang baik.

  Gambar 7

  Namun, dari kinerja pasar Russell 3000, kita dapat menyimpulkan sebaliknya, bahwa indikator tingkat laba masih merupakan faktor yang efektif, dan dapat dilihat bahwa waktu yang singkat untuk memilih dan mengukur kembali kolam saham sangat berpengaruh pada penilaian efektifitas faktor tersebut. Oleh karena itu, pembicara cerita tidak dapat mencapai kesimpulan yang benar.

  Gambar 8

  Setiap hari di pasar ada faktor-faktor baru yang ditemukan dan mencari mesin abadi. Strategi yang dapat dikeluarkan adalah untuk melakukan kinerja yang baik. Meskipun narator memberikan interpretasi sejarah yang sangat menarik, mereka hampir tidak dapat memprediksi masa depan. Dalam ekonomi keuangan, hubungan dan sebab-akibatnya seringkali sulit dipahami, jadi sebaiknya jangan menjadi narator ketika kita membuat hasil yang bertentangan dengan akal sehat atau sesuai dengan penilaian awal.

• Data mining dan data snooping

  Gambar 9

  Penggalian data dapat dikatakan sebagai bidang perhatian saat ini, berdasarkan data besar dan dukungan komputasi, orang sering berharap untuk mendapatkan keuntungan yang tidak dapat dideteksi. Namun data keuangan asli belum mencapai volume besar, dan data transaksi tidak memenuhi prasyarat data low-noise.

  Kadang-kadang penggalian data hampir tidak efektif. Sebagai contoh, kami memodelkan indeks S&P 500 dengan dua algoritma bobot faktor yang berbeda, dan memilih data 2009-2014 untuk di-retest. Hasilnya menunjukkan bahwa hasil retest dengan menggunakan 6 faktor terbaik dari data 2009-2014, menggunakan algoritma bobot dll, sangat sempurna, sedangkan hasil retest dengan menggunakan sampel data sejarah adalah lurus.

  Gambar 10

  Oleh karena itu, kita semua harus memiliki logika dan motivasi yang jelas dalam membangun strategi atau mencari faktor-faktor yang baik. Analisis kuantitatif hanyalah alat untuk memverifikasi logika atau motivasi kita sendiri, bukan mencari jalan pintas ke logika. Secara umum, motivasi kita untuk membangun strategi atau mencari faktor berasal dari pengetahuan teoritis dasar keuangan, efektivitas pasar, keuangan perilaku, dan bidang lainnya.

• 5) Kerontokan sinyal, perputaran, dan biaya transaksi

  Gambar 11

  Penurunan sinyal berarti kemampuan untuk memprediksi berapa lama kembali saham di masa depan setelah faktor muncul. Secara umum, tingkat pertukaran yang tinggi dan penurunan sinyal terkait. Faktor pilihan saham yang berbeda sering memiliki karakteristik penurunan informasi yang berbeda. Penurunan sinyal yang lebih cepat sering membutuhkan tingkat pertukaran yang lebih tinggi untuk mendapatkan keuntungan. Namun, tingkat pertukaran yang lebih tinggi sering berarti biaya transaksi yang lebih tinggi. Menambahkan pembatasan tingkat pertukaran dalam membangun portofolio adalah metode yang relatif sederhana, tetapi bukan metode yang paling ideal, karena pembatasan tingkat pertukaran kadang-kadang membantu kita untuk mengunci keuntungan dan kadang-kadang juga merusak kinerja portofolio yang telah ditetapkan. Oleh karena itu, mengukur penurunan sinyal, biaya transaksi, dan kemampuan memprediksi model adalah kunci untuk membangun portofolio.

  Jadi, bagaimana menentukan frekuensi penyesuaian yang optimal? Kita perlu memperhatikan bahwa pembatasan nilai tukar yang ketat tidak berarti mengurangi frekuensi penyesuaian. Sebagai contoh, kita sering mendengar hal yang sama. Kami adalah investor nilai jangka panjang, dan kami berharap untuk memegang saham selama 3-5 tahun. Oleh karena itu, kami melakukan penyesuaian setiap tahun.

  Gambar 12

  Ketika setiap hari ditutup dengan membeli 100 saham yang paling buruk untuk hari itu, menjual kepemilikan masa lalu, perdagangan harian yang berkelanjutan, tingkat pengembalian yang sangat tinggi. Kesalahan di sini juga adalah kesesuaian prospektif, sebelum ditutup, kita tidak tahu saham mana yang paling buruk untuk hari itu, yaitu menggunakan perdagangan terprogram, strategi ini juga tidak dapat dilakukan. Kita hanya dapat membeli 100 saham dengan harga buka setiap hari yang paling buruk untuk hari kemarin. Dengan perbandingan, strategi membeli dengan harga buka hampir lurus.

• Outliers (nilai luar biasa)

  Gambar 13

  Standarisasi data juga dapat dianggap sebagai salah satu metode untuk mengontrol nilai-nilai yang tidak normal. Teknik standarisasi dapat memiliki dampak yang signifikan pada kinerja model. Misalnya, tingkat keuntungan dari saham komponen indeks S&P BMI Korea dalam gambar di bawah ini, dengan hasil yang sangat berbeda dengan metode rata-rata, penghapusan 1% atau 2% batas, dll.

  Gambar 14

  Meskipun nilai-nilai yang tidak normal mungkin mengandung informasi yang berguna, dalam kebanyakan kasus, mereka tidak mengandung informasi yang berguna. Kecuali, tentu saja, untuk faktor dinamika harga. Seperti yang ditunjukkan pada gambar di bawah ini, garis biru adalah representasi kombinasi setelah menghilangkan nilai-nilai yang tidak normal, dan garis merah adalah data mentah. Kita dapat melihat bahwa strategi dinamika data mentah jauh lebih baik daripada yang dilakukan setelah menghilangkan nilai-nilai yang tidak normal.

  Gambar 15

• 7. The asymmetric payoff pattern and shorting (pola imbalan dan pemotongan yang tidak simetris)

  Gambar 16

  Secara umum, strategi yang lebih umum digunakan dalam melakukan strategi multi-faktor adalah strategi multi-spacing, yaitu melakukan banyak saham yang baik dan melakukan saham yang buruk. Sayangnya, tidak semua faktor sama, ada asimetri dalam fitur multi-spacing sebagian besar faktor, ditambah dengan kemungkinan biaya dan kelayakan realitas yang mungkin ada, yang juga menimbulkan kesulitan besar untuk investasi kuantitatif. Gambar berikut menunjukkan fitur multi-spacing faktor, yang diurutkan berdasarkan ukuran perbedaan.

  Gambar 17

Sumber: Walking Wall Street