Прошлое, настоящее и будущее современных финансов. Research Affiliates. 

Перевод статьи Research Affiliates.

Ключевые моменты

• Революционные изменения в финансовой сфере, как и в других дисциплинах, требуют не просто новых данных. Скорее, они требуют всесторонней перестройки преобладающих рамок научных знаний и исследований.
• Современная портфельная теория (Modern portfolio theory — MPT) и другие столпы неоклассических финансов не всегда подкреплены эмпирическими данными. Это только усиливает их трансформационный характер: Прибыль можно найти в разрывах между теорией и реальным миром.
• В количественных финансах чрезмерная зависимость от данных или чрезмерная зависимость от теории могут иметь свое место. Однако байесовский подход, сочетающий в себе данные и теорию, с большей вероятностью покажет вам долгосрочные открытия.
• Поведенческие финансы и неоклассические финансы расходятся во взглядах на такие фундаментальные понятия, как эффективность рынков. Но это не значит, что одну точку зрения следует отбросить в пользу другой. Обе точки зрения могут помочь нам в понимании рынков.

Это часть серии статей, заимствованных из моего вклада в юбилейный, 50-й специальный выпуск «Журнала управления портфелем».

В своей фундаментальной работе «Структура научных революций» (1962) историк и научный философ Томас С. Кун ввел выражение «смена парадигм» для описания пути научного прогресса. Согласно концепции Куна, наука — это не линейное накопление знаний, а серия революционных изменений в основных концепциях ведущих научных мыслителей. Научная мысль проходит через периоды «нормальной науки», когда она развивается в рамках существующего консенсуса (парадигмы). Затем накапливающиеся несоответствия в господствующей парадигме вызывают кризис, приводящий к появлению новых теорий и идей, в результате чего происходит смена парадигмы, когда старые рамки быстро заменяются новыми. В финансах эта модель повторяется снова и снова.

Кун утверждает, что эти революции — не просто эпизоды когнитивных изменений, но и социологические процессы, поскольку принятие новых парадигм часто требует изменения обязательств и практики научного сообщества. Такие революционные изменения требуют не только новых данных, но и полного пересмотра концептуальной структуры, лежащей в основе научного наблюдения и понимания.

Работа Куна предвосхитила концепцию «прерывистого равновесия» эволюционных биологов Стивена Джея Гоулда и Найлза Элдреджа. Гулд и Элдредж (1972) предположили, что эволюция часто происходит в виде всплесков быстрых изменений (пунктуаций), разделенных длительными периодами относительной стабильности (равновесия).

Пунктуационное равновесие стимулирует прогресс во многих областях науки, включая наш собственный скромный уголок «мрачной науки» экономики — мир финансов.

Изначально мы не можем знать, какие идеи хороши, а какие плохи. Если идея доказывает свою состоятельность в горниле агрессивной критики, она в конце концов принимается. Новаторские концепции оспариваются, затем принимаются как факт, в итоге становясь общепринятой мудростью, даже догмой. Некоторые из этих концепций оказываются мифами, которые в итоге оспариваются и опровергаются, демонстрируя прерывистое равновесие науки.

Теории, разработанные в 1950-х и 1960-х годах, легли в основу нашего сегодняшнего понимания финансовых рынков. Гарри Марковиц представил современную портфельную теорию (MPT), изучив выбор портфеля, оптимизацию средней дисперсии и эффективную границу в 1952 году, а затем усовершенствовал ее в 1956 году. В 1960-х годах, основываясь на работах Марковица, несколько новаторов (Джек Трейнор, Уильям Шарп, Джон Линтнер и Ян Моссин) разработали модель ценообразования капитальных активов (CAPM), которая утверждает, что в равновесии ожидаемая доходность ценных бумаг должна быть линейной функцией рыночной беты.

Юджин Фама ввел гипотезу эффективного рынка (EMH) в 1970 году и развил ее в своей замечательной книге 1976 года. В 1970-х и 1980-х годах мы узнали, что единственное предсказание бета-фактора рынка акций в рамках CAPM было в лучшем случае неполным. В 1976 году Стивен Росс предложил теорию арбитражного ценообразования (APT) — модель ценообразования активов, в которой на доходность отдельных ценных бумаг влияет множество факторов. В 1980-х годах Най-Фу Чен, Ричард Ролл и Росс опубликовали убедительные доказательства того, что многочисленные факторы действительно определяют доходность ценных бумаг, и положили начало стратегиям, основанным на факторах.

Область исследования не является наукой, если в ней не создаются теории, поддающиеся фальсификации. Как ни странно, сам факт того, что эмпирические данные не всегда подтверждают MPT, EMH и CAPM, усиливает их революционный характер и актуальность в качестве научных основ современных финансов.

Противоречивые данные могут подчеркнуть разрывы между теорией и реальным поведением рынков капитала. Например, переход от CAPM к APT, а затем к различным аномалиям и факторам, противоречащим обеим теориям, иллюстрирует прерывистое равновесие научного прогресса в современных финансах.

До тех пор пока они не будут устранены, такие разрывы могут быть важными источниками прибыли для инвесторов. Фама (1976) показывает, что любая проверка EMH на самом деле является совместной проверкой EMH и конкретной модели ценообразования активов, используемой для проверки эффективности. С появлением трехфакторной модели Фамы и Френча (1992, 1993) EMH получила новую жизнь, хотя и с новым поворотом: некоторые инвесторы предпочитают получать более высокую прибыль, чем рынок, владея нелюбимыми акциями с меньшей капитализацией или акциями с более низкой ценой.

В 1990-х годах Ричард Талер применил и расширил исследования Дэниела Канемана и Амоса Тверски в области поведенческой экономики, чтобы поставить под сомнение не только одну модель ценообразования, но и рациональные предположения о принятии решений, заложенные в EMH и CAPM. Талер и другие авторы опубликовали убедительные исследования, свидетельствующие о том, что принятие решений человеком — гораздо более сложный процесс, чем молчаливо предполагает однофакторная модель Шарпа.

Эффективные рынки — это не факт, это гипотеза, привлекательная модель того, как должен работать мир.

Чтобы спасти EMH от устаревания, исследователи теперь постулируют премию за риск, которая варьируется во времени, классах активов и даже отдельных активах. В связи с этим возникает вопрос: В чем разница между неэффективным рынком и рынком, на котором премия за риск варьируется во времени и от одного актива к другому?

Хотя даже Фама не считает, что рынки эффективны на 100%, научные круги в основном принимали EMH как обоснованное приближение к реальному миру, по крайней мере, до 1990-х годов. Но сегодня это уже не так. Модель «шум в цене», в которой справедливая стоимость следует за случайными колебаниями, а цены равны справедливой стоимости плюс-минус среднеквадратичная ошибка, лучше отражает реальность и объясняет множество аномалий. Это не означает, что неэффективность стабильна. Как только они выявлены, их следует устранить.

Таким образом, академические дебаты об эффективности рынков остаются неразрешенными. Для каждой новой ценовой аномалии и поведенческого отклонения от оптимизации средней дисперсии появляется более сложная модель ценообразования, учитывающая различные предпочтения инвесторов, которые могут меняться с течением времени. Джереми Сигел (2006) уподобил этот процесс докоперниковским «эпициклам», которые объясняли движения планет, отклоняющиеся от принятой геоцентрической модели, даже если более простая гелиоцентрическая модель работала лучше. Разве «шум в цене» не проще и не мощнее, чем EMH с факторными эпициклами?

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 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

Конечно, ни один здравомыслящий инвестор не станет полагаться на нечто столь необычное, независимо от статистической значимости. Даже миллионы тестов могут сбить нас с курса. Data-first означает добычу данных.

Неустанный поиск данных — это НЕ научный метод. Использование бэктестов для улучшения бэктестов дает нам отличный бэктест, а не хороший продукт.

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.

*Единственный раз, когда я видел, как Гарри Марковиц всерьез вышел из себя, был связан с этой темой. Один из ведущих ученых написал статью, в которой критиковал теорию, которую Марковиц считал убедительной, построив гипотетический сценарий, в котором эта теория могла бы не сработать. Я помню, как Марковиц кричал в трубку: «Ваша гипотеза не имеет никакого сходства с реальным миром. Я — байесовец. Вы явно не байесианец». Для Марковица это была уничтожающая критика!

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.

Ошибочные предположения — это не плохо, это наш лучший источник обучения. Мы можем узнать больше и заработать больше, исследуя многочисленные пробелы между теорией, общепринятой мудростью и реальностью.

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.