การลงทุนแบบปัจจัยสัญญาว่าจะนำความแม่นยำทางวิทยาศาสตร์มาสู่ตลาดโดยอธิบายว่าเหตุใดหุ้นบางตัวจึงมีประสิทธิภาพเหนือกว่า แต่หลังจากผลลัพธ์ที่ออกมาไม่ดีนักมาหลายปี นักวิจัยก็พบว่าปัญหาอาจไม่ได้อยู่ที่ข้อมูลเลย มันเป็นวิธีการสร้างแบบจำลอง การศึกษาใหม่ชี้ให้เห็นว่าแบบจำลองปัจจัยจำนวนมากเข้าใจผิดว่าความสัมพันธ์กันเป็นเหตุ ทำให้เกิด “ภาพลวงตาของปัจจัย”
การลงทุนแบบปัจจัยเกิดขึ้นจากแนวคิดที่หรูหรา นั่นคือ ตลาดให้รางวัลแก่ความเสี่ยงที่ไม่สามารถเปลี่ยนได้ เช่น มูลค่า โมเมนตัม คุณภาพ ขนาด ซึ่งอธิบายว่าทำไมสินทรัพย์บางรายการจึงมีประสิทธิภาพเหนือกว่าสินทรัพย์อื่นๆ ตั้งแต่นั้นมามีการจัดสรรเงินหลายล้านล้านดอลลาร์ให้กับผลิตภัณฑ์ที่สร้างขึ้นบนสถานที่ตั้งนี้
ข้อมูลบอกเล่าเรื่องราวที่น่าสะเทือนใจ Bloomberg–Goldman Sachs US Fairness Multi-Issue Index ซึ่งติดตามผลการดำเนินงานระยะสั้นและระยะยาวของพรีเมี่ยมสไตล์คลาสสิก ได้ส่งมอบ อัตราส่วนความคมชัดเพียง 0.17 ตั้งแต่ปี 2550 (t-stat=0.69, p-value=0.25) ซึ่งแยกไม่ออกจากศูนย์ก่อนต้นทุนทางสถิติ พูดง่ายๆ ก็คือ การลงทุนแบบปัจจัยไม่ได้สร้างมูลค่าให้กับนักลงทุน สำหรับผู้จัดการกองทุนที่สร้างผลิตภัณฑ์ตามโมเดลเหล่านี้ การขาดแคลนดังกล่าวส่งผลให้ประสิทธิภาพการทำงานต่ำกว่าปกติและสูญเสียความมั่นใจเป็นเวลาหลายปี
เหตุใด Backtests จึงทำให้เข้าใจผิด
คำอธิบายแบบเดิมตำหนิ การทดสอบย้อนกลับมากเกินไป หรือ “พี-hacking” — นักวิจัยขุดเสียงรบกวนจนดูเหมือนเป็นอัลฟ่า คำอธิบายนั้นถูกต้องแต่ไม่สมบูรณ์ ผลการวิจัยล่าสุดจาก ADIA Lab เผยแพร่โดย CFA Institute Analysis Basis ระบุข้อบกพร่องที่ลึกลงไป: การระบุข้อมูลผิดอย่างเป็นระบบ–
แบบจำลองปัจจัยส่วนใหญ่ได้รับการพัฒนาตามหลักเศรษฐมิติ ได้แก่ การถดถอยเชิงเส้น การทดสอบนัยสำคัญ ตัวประมาณค่าแบบสองรอบ ซึ่งเชื่อมโยงการเชื่อมโยงกับสาเหตุเข้าด้วยกัน หนังสือเรียนเศรษฐมิติ สอนนักเรียนว่าการถดถอยควรรวมตัวแปรใดๆ ที่เกี่ยวข้องกับผลตอบแทน โดยไม่คำนึงถึงบทบาทของตัวแปรในกลไกเชิงสาเหตุ
นี่เป็นข้อผิดพลาดด้านระเบียบวิธี รวมถึงก ชนกัน (ตัวแปรที่ได้รับอิทธิพลจากทั้งปัจจัยและผลตอบแทน) และ/หรือไม่รวมก ผู้สับสน (ตัวแปรที่มีอิทธิพลต่อทั้งปัจจัยและผลตอบแทน) ทำให้การประมาณค่าสัมประสิทธิ์มีอคติ
อคตินี้สามารถพลิกสัญญาณของสัมประสิทธิ์ของปัจจัยได้ จากนั้นผู้ลงทุนจะซื้อหลักทรัพย์ที่ควรขาย และในทางกลับกัน แม้ว่าพรีเมียความเสี่ยงทั้งหมดจะมีเสถียรภาพและประมาณการอย่างถูกต้อง แต่แบบจำลองที่ระบุไม่ถูกต้องก็สามารถผลิตได้ การสูญเสียอย่างเป็นระบบ–
แฟคเตอร์ มิราจ
“สวนสัตว์แฟกเตอร์” เป็นปรากฏการณ์ที่รู้จักกันดี: มีความผิดปกติที่ได้รับการตีพิมพ์หลายร้อยรายการซึ่งล้มเหลวนอกกลุ่มตัวอย่าง นักวิจัยของ ADIA Lab ชี้ให้เห็นถึงปัญหาที่ละเอียดกว่าและอันตรายกว่า: “ภาพลวงตาของปัจจัย” มันไม่ได้เกิดจากการทำเหมืองข้อมูล แต่มาจากแบบจำลองที่ระบุผิด แม้ว่าจะได้รับการพัฒนาตามหลักเศรษฐมิติที่สอนในตำราเรียนก็ตาม
โมเดลที่มีชนกันนั้นน่ากังวลเป็นพิเศษเพราะมันแสดงให้เห็น R²ที่สูงขึ้น และบ่อยครั้งด้วย ค่า p ต่ำกว่า มากกว่าที่ระบุไว้อย่างถูกต้อง หลักเศรษฐมิติสนับสนุนแบบจำลองที่ระบุผิดเช่นนั้น โดยเข้าใจผิดว่าเหมาะสมกับความถูกต้องมากกว่า
ในแบบจำลองปัจจัยที่มี Collider ค่าของผลตอบแทนจะถูกตั้งค่าก่อนค่าของ Collider เป็นผลให้การเชื่อมโยงที่แข็งแกร่งยิ่งขึ้นซึ่งได้มาจาก Collider ไม่สามารถสร้างรายได้ได้ ผลกำไรที่สัญญาไว้จากเอกสารทางวิชาการเหล่านั้นเป็นเพียงภาพลวงตา ในทางปฏิบัติ ข้อผิดพลาดด้านระเบียบวิธีนั้นมีผลกระทบที่ตามมานับพันล้านดอลลาร์
ตัวอย่างเช่น พิจารณานักวิจัยสองคนที่ประมาณค่าปัจจัยด้านคุณภาพ นักวิจัยคนหนึ่งควบคุมความสามารถในการทำกำไร การใช้ประโยชน์ และขนาด อีกประการหนึ่งจะเพิ่มผลตอบแทนต่อส่วนของผู้ถือหุ้น ซึ่งเป็นตัวแปรที่ได้รับอิทธิพลจากทั้งความสามารถในการทำกำไร (ปัจจัย) และประสิทธิภาพของหุ้น (ผลลัพธ์)
ด้วยการรวมคอลไลเดอร์เข้าด้วยกัน นักวิจัยคนที่สองจึงสร้างลิงก์ปลอมขึ้นมา: คุณภาพที่สูงในปัจจุบันมีความสัมพันธ์กับผลตอบแทนในอดีตที่สูง ในการทดสอบย้อนหลัง โมเดลที่สองดูเหมือนจะเหนือกว่า ในการซื้อขายสด ตารางจะเปลี่ยนไป การทดสอบย้อนหลังเป็นภาพลวงตาทางสถิติที่ทำให้เงินทุนหมดไปอย่างเงียบๆ สำหรับผู้จัดการแต่ละราย ข้อผิดพลาดเหล่านี้อาจกัดกร่อนผลตอบแทนอย่างเงียบๆ สำหรับตลาดโดยรวม พวกเขาบิดเบือนการจัดสรรเงินทุนและสร้างความไร้ประสิทธิภาพในระดับโลก
เมื่อการระบุข้อมูลที่ไม่ถูกต้องกลายเป็นความเสี่ยงที่เป็นระบบ
การระบุโมเดลไม่ถูกต้องมีผลกระทบหลายประการ
- การจัดสรรทุนผิด: เงินหลายล้านล้านดอลลาร์ถูกขับเคลื่อนโดยแบบจำลองที่สร้างความสับสนระหว่างการเชื่อมโยงกับสาเหตุ ซึ่งเป็นข้อผิดพลาดทางสถิติที่มีผลกระทบทางการเงินมหาศาล
- ความสัมพันธ์ที่ซ่อนอยู่: พอร์ตโฟลิโอที่สร้างจากปัจจัยที่มีการระบุผิดพลาดที่คล้ายกันจะมีความเสี่ยงร่วมกัน ซึ่งเพิ่มความเปราะบางของระบบ
- การพังทลายของความไว้วางใจ: การทดสอบย้อนหลังทุกครั้งที่ล้มเหลวในการซื้อขายจริงจะบ่อนทำลายความเชื่อมั่นของนักลงทุนในวิธีการเชิงปริมาณโดยรวม
ผลงานล่าสุดของ ADIA Lab ไปไกลกว่านั้น: มันแสดงให้เห็นว่า ไม่มีพอร์ตโฟลิโอใดที่จะมีประสิทธิภาพได้หากไม่มีแบบจำลองปัจจัยเชิงสาเหตุ– หากมีการระบุปัจจัยพื้นฐานไม่ถูกต้อง แม้แต่การประมาณค่าเฉลี่ยและความแปรปรวนร่วมที่สมบูรณ์แบบก็ยังให้พอร์ตการลงทุนที่ต่ำกว่าปกติ นั่นหมายความว่าการลงทุนไม่ได้เป็นเพียงปัญหาในการทำนายเท่านั้น และการเพิ่มความซับซ้อนไม่ได้ทำให้แบบจำลองดีขึ้น
นักลงทุนสามารถทำอะไรแตกต่างออกไปได้บ้าง?
สถานการณ์การลงทุนแบบปัจจัยจะไม่ได้รับการแก้ไขด้วยข้อมูลที่มากขึ้นหรือวิธีการที่ซับซ้อนมากขึ้น สิ่งที่จำเป็นที่สุดคือการใช้เหตุผลเชิงสาเหตุ การอนุมานเชิงสาเหตุนำเสนอขั้นตอนการปฏิบัติที่ผู้จัดสรรทุกรายสามารถใช้ได้ทันที:
- เรียกร้องเหตุผลเชิงสาเหตุ ก่อนที่จะยอมรับแบบจำลอง ให้ถาม: ผู้เขียนได้ประกาศกลไกเชิงสาเหตุหรือไม่? กราฟเชิงสาเหตุสอดคล้องกับความเข้าใจโลกของเราหรือไม่? กราฟเชิงสาเหตุสอดคล้องกับหลักฐานเชิงประจักษ์หรือไม่ การควบคุมที่เลือกนั้นเพียงพอที่จะกำจัดอคติของผู้สับสนหรือไม่?
- ระบุตัวรบกวนและหลีกเลี่ยงการชนกัน สิ่งรบกวนควรได้รับการควบคุมเพื่อ; ผู้ชนไม่ควร หากไม่มีกราฟเชิงสาเหตุ นักวิจัยไม่สามารถบอกความแตกต่างได้ เครื่องมือค้นหาเชิงสาเหตุสามารถช่วยจำกัดชุดของกราฟเชิงสาเหตุให้สอดคล้องกับข้อมูลได้
- อำนาจในการอธิบายทำให้เข้าใจผิด แบบจำลองที่อธิบายความแปรปรวนน้อยกว่าแต่สอดคล้องกับโครงสร้างเชิงสาเหตุที่เป็นไปได้ มีความน่าเชื่อถือมากกว่าแบบจำลองที่มีค่า R² ที่น่าตื่นตา ในทางปฏิบัติ สมาคมที่แข็งแกร่งไม่ได้หมายถึงความสามารถในการทำกำไรที่มากขึ้น
- ทดสอบความมั่นคงเชิงสาเหตุ ปัจจัยเชิงสาเหตุควรยังคงมีความหมายตลอดระบอบการปกครอง หากสัญญาณ “พรีเมียม” เปลี่ยนแปลงไปหลังวิกฤติแต่ละครั้ง ผู้กระทำผิดที่เป็นไปได้คือการระบุรายละเอียดที่ไม่ถูกต้อง ไม่ใช่การชดเชยความเสี่ยงที่เปลี่ยนแปลงไป
จากสมาคมสู่ความเข้าใจ
การเงินไม่ได้อยู่คนเดียวในการเปลี่ยนแปลงนี้ การแพทย์ได้เปลี่ยนจากความสัมพันธ์ไปสู่สาเหตุเมื่อหลายสิบปีก่อน โดยเปลี่ยนการคาดเดาไปสู่การรักษาตามหลักฐานเชิงประจักษ์ ระบาดวิทยา การวิเคราะห์นโยบาย และการเรียนรู้ของเครื่องล้วนนำการใช้เหตุผลเชิงสาเหตุมาใช้ ตอนนี้ถึงคราวการเงินแล้ว
เป้าหมายไม่ใช่ความบริสุทธิ์ทางวิทยาศาสตร์ มันเป็นความน่าเชื่อถือในทางปฏิบัติ แบบจำลองเชิงสาเหตุจะระบุแหล่งที่มาของความเสี่ยงและผลตอบแทนที่แท้จริง ช่วยให้นักลงทุนสามารถจัดสรรเงินทุนได้อย่างมีประสิทธิภาพ และอธิบายผลการดำเนินงานได้อย่างน่าเชื่อถือ
เส้นทางข้างหน้า
สำหรับนักลงทุน การเปลี่ยนแปลงนี้เป็นมากกว่าเชิงวิชาการ เป็นเรื่องเกี่ยวกับการสร้างกลยุทธ์ที่ยึดถือในโลกแห่งความเป็นจริง ซึ่งเป็นแบบจำลองที่อธิบายได้ ทำไม พวกเขาทำงานไม่ใช่แค่ ที่ พวกเขาทำงาน ในยุคที่ข้อมูลมีมากมาย การเข้าใจเหตุและผลอาจเป็นสิ่งเดียวที่เหลืออยู่
การลงทุนแบบปัจจัยยังคงสามารถบรรลุคำมั่นสัญญาทางวิทยาศาสตร์ดั้งเดิมได้ แต่ต้องละทิ้งนิสัยที่นำไปสู่ภาพลวงตาของปัจจัยเท่านั้น การวิจัยการลงทุนรุ่นต่อไปจะต้องสร้างขึ้นใหม่บนรากฐานเชิงสาเหตุ:
- ประกาศกราฟเชิงสาเหตุโดยอาศัยการผสมผสานระหว่างความเชี่ยวชาญด้านโดเมนและวิธีการค้นหาสาเหตุ
- ระบุตัวแปรทุกตัวที่รวมเข้าด้วยกันด้วยตรรกะทางเศรษฐศาสตร์ สอดคล้องกับกราฟเชิงสาเหตุและการประยุกต์ใช้กฎ do-calculus
- ประเมินกลยุทธ์โดยใช้เหตุผลที่โต้แย้ง: สิ่งที่จะได้รับกลับมา ถ้า การสัมผัสต่างกันไหม?
- ติดตามการแตกหักของโครงสร้างในความสัมพันธ์เชิงสาเหตุ: เมื่อการแตกหักปรากฏขึ้นในประสิทธิภาพ มันก็สายเกินไปแล้ว
- ตลาดทุกวันนี้เต็มไปด้วยข้อมูลแต่ขาดความเข้าใจ แมชชีนเลิร์นนิงสามารถเชื่อมโยงการเชื่อมโยงกับตัวแปรนับล้านได้ แต่หากไม่มีสาเหตุ ก็จะนำไปสู่การค้นพบที่ผิดพลาด ความได้เปรียบที่แท้จริงในยุคของ AI จะไม่มาจากชุดข้อมูลที่ใหญ่กว่าหรืออัลกอริธึมที่ซับซ้อนมากขึ้น แต่มาจากแบบจำลองเชิงสาเหตุที่ดีกว่าซึ่งระบุถึงผลตอบแทนจากสาเหตุที่แท้จริงได้อย่างแม่นยำ
หากการลงทุนแบบปัจจัยคือการได้รับความไว้วางใจจากนักลงทุนอีกครั้ง จะต้องพัฒนาจากคำอธิบายเชิงปรากฏการณ์วิทยาของรูปแบบไปเป็นคำอธิบายเชิงสาเหตุ โดยเปลี่ยนจุดสนใจจากความสัมพันธ์ไปสู่สาเหตุ การเปลี่ยนแปลงดังกล่าวจะถือเป็นช่วงเวลาที่การลงทุนเชิงปริมาณไม่เพียงแต่กลายเป็นระบบเท่านั้น แต่ยังเป็นวิทยาศาสตร์อย่างแท้จริงอีกด้วย
ดัดแปลงมาจาก “สาเหตุและปัจจัยการลงทุน: ไพรเมอร์” โดย Marcos López de Prado และ Vincent Zoonekynd
