Et simpelt overblik over kvantitativ analyse

Investering kan være en meget følelsesladet oplevelse. Menneskene, produkterne og historien bag historiske virksomheder kan få investorer til at udvikle et bånd til et bestemt værdipapir. Udsigten til at tjene eller tabe store mængder penge kan få investorer til at vise irrationel adfærd. Alle de potentielle højdepunkter, lavpunkter og meninger, som er forbundet med investering, kan overskygge det ultimative mål – at tjene penge. Med forsøget på at fokusere på det sidste forsøger den ”kvantitative” tilgang at fokusere på tallene i stedet for det immaterielle.

”Kvanterne”

Harry Markowitz får æren af at begynde den kvantitative investeringstilgang, da han offentliggjorde ”Portfolio Selection” i the Journal of Finance i marts 1952. Markowitz brugte matematik til at kvantificere diversifikation, og han bliver set som en af de første, der brugte matematiske modeller i investeringsverdenen. Robert Merton, som er pioner inden moderne finansteori, vandt en Nobelpris for hans research i matematiske metoder til at prissætte derivater. Markowitz’ og Mertons arbejde lagde fundamentet for den kvantitative tilgang til investering.

I modsætning til de traditionelle kvalitative investeringsanalytikere besøger de kvantitative analytikere ikke virksomheder, mødes med ledelser eller researcher de produkter, virksomhederne sælger for at kunne bedømme konkurrencefordele. De er ofte ligeglade med de kvalitative aspekter i den virksomhed, de investerer i. De sætter deres lid til matematikken i investeringsbeslutningerne.

Hedgefond managere tog metodologien og fordelene ved datateknologien til sig under computerrevolutionen, da komplekse algoritmer kunne beregnes ved et splitsekund. Dette felt blomstrede igennem IT-boblen, da kvantitative analytikere undgik vildskaben i krakket. Til trods for at de trådte ind i finanskrisen med begge ben, bruges kvantitative strategier stadig i dag, og de er blevet bemærket i stor grad på grund af deres rolle i højfrekvenshandel (HFT), der afhænger af matematik til at skabe handelsbeslutninger.

Data overalt

Computer-æraens begyndelse gjorde det muligt at presse enorme mængder data sammen på utroligt kort tid. Dette har skabt flere og flere indviklede kvantitative handelsstrategier, da tradere prøver at identificere eksisterende mønstre og derefter modellere disse mønster, så de kan bruge dem til at forudse fremtidige kursbevægelser i visse værdipapirer.

De kvantitative analytikere implementerer deres strategier ved brug af data, som er tilgængelig for offentligheden. Identifikationen af mønstre gør, at de kan skabe automatiske udløsere til at købe og sælge værdipapirer. For eksempel har en handelsstrategi, som er baseret på handelsvolumenmønstre, måske identificeret en korrelation mellem volumen og kurser. Hvis volumen i en bestemt aktie for eksempel stiger, når aktiens kurs når 25 kr. og falder, når kursen rammer 30 kr., så vil den kvantitative analytiker måske sætte et automatisk køb ved 25,5 kr. og automatisk sælge ved 29,5 kr. Lignende strategier kan bruges på indtjening, indtjeningsforudsigelser, indtjeningsoverraskelser og andre faktorer. I hvert tilfælde er den kvantitative trader ligeglad med virksomhedens omsætningsprospekter, ledelsen, produktkvaliteten eller andre forretningsaspekter i virksomheden. Han/hun placerer deres købs- og salgsordre udelukkende ud fra de tal, de er i de mønstre, som han/hun har identificeret.

Mere end bare afkast

Kvantitativ analyse kan bruges til at identificere mønstre, der kan skabe profitable handler, men det er ikke dens eneste værdi.

Mens det at tjene penge er et mål, som alle investorer kan forstå, kan kvantitativ analyse også bruges til at reducere risiko. Jagten efter de såkaldte ”risikojusterede afkast” involverer at sammenligne risikomålinger såsom alpha, beta, r-kvadreret, standardafvigelse og Sharpe ratio for at identificere den investering, der vil kunne levere det højest mulige afkast for en givet mængde risiko. Idéen er, at man som investor ikke skal påtage sig mere risiko end højest nødvendigt for at opnå sit ønskede afkast. Så hvis dataen afslører, at to investeringer kan skabe de samme afkast, men at den ene vil være en del mere volatil i sine udsving, ville den kvantitative analytiker (via logik) anbefale den mindre risikable investering. Igen er analytikeren ligeglad med, hvem der leder investeringen, hvordan deres balance ser ud, hvilke produkter der tjener pengene eller andre kvalitative faktorer. De fokuserer kun på tal og vælger den investering, der (matematisk set) tilbyder den laveste mængde risiko.

Risiko-paritets porteføljer er et eksempel på kvantitativbaserede strategier i aktion. Det basale koncept involverer at skabe asset allocation beslutninger baseret på markedsvolatilitet. Når volatiliteten falder, ryger risikoniveauet i porteføljen op. For at lave et mere realistisk eksempel overvej da en portefølje, der fordeler sine aktiver mellem kontanter og en S&P 500 indeksfond. Ved brug af Chicago Board Options Exchange Volatility Indekset (VIX), som er en måling af aktiemarkedets volatilitet, vil vores hypotetiske portefølje skifte sine aktiver mere hen mod kontanter, når volatiliteten stiger. Når volatiliteten falder, vil vores portefølje skifte flere aktiver hen mod S&P 500 indeksfonden. Nogle modeller kan være meget mere komplekse end de, vi nævner her, som måske kan inkludere både aktier, obligationer, råvarer, valuta og andre investering, men konceptet er det samme.

Fordele

Kvantitativ trading er en lidenskabsløs beslutningsproces. Mønstrene og tallene er det eneste, der betyder noget. Det er en effektiv købs-/salgsdisciplin, som kan blive udløst konstant uden påvirkning af de følelser, der normalt er forbundet med finansielle beslutninger.

Det er også en omkostningseffektiv strategi. Fordi computere laver arbejdet, behøver virksomheder, der afhænger af kvantitative strategier, ikke at hyre store og dyre hold af analytikere og porteføljemanagere. De behøver ikke rejse landet eller verden rundt for at inspicere virksomheder og mødes med ledelser for at bedømme potentielle investeringer. De bruger simpelthen computere til at analysere dataen og udføre handlerne.

Risici

”Løgn, forbandet løgn og statistik” er et citat der ofte bruges til at beskrive de utallige måder, hvorpå data kan manipuleres. Når kvantitative analytikere leder efter mønstre, er processen slet ikke skudsikker. Analysen handler om at gå igennem store mængder data. At vælge den rette data er ingen garanti, ligesom at mønstre måske virker perfekt, indtil de ikke gør. Selv når mønstre ser ud til at virke, kan det være en udfordring at validere dem. Som alle investorer ved, er der ingen sikre satsninger.

Vendepunkter såsom aktiemarkedets krak i 2008/2009 kan være hård mod disse strategier, da mønstrene pludselig ændrer sig. Det er vigtigt at huske, at data ikke altid fortæller hele historien. Mennesker kan se en skandale eller ledelsesændring, som den udvikler sig, mens en rent matematisk tilgang ikke nødvendigvis kan det. En strategi kan også blive mindre effektiv, når flere og flere investorer forsøger at bruge den samme. Så selv mønstre der virker vil blive mindre effektive, når flere og flere investorer forsøger at tjene penge på det.

Konklusion

Mange investeringsstrategier bruger en blanding af både kvantitative og kvalitative strategier. De bruger kvantitative strategier til at identificere potentielle investeringer og bruger så kvalitativ analyse til at løfte deres research til et højere niveau for til sidst at evaluere en investering. Mange bruger også en kvalitativ indsigt til at vælge investeringer og kvantitativ data til risikostyring. Da både kvantitative og kvalitative investeringsstrategier har deres fortalere og kritikere, behøver strategierne slet ikke at deles op.