عامل السراب: كيف تخطئ النماذج الكمية

لقد وعد استثمار العوامل بجلب الدقة العلمية إلى الأسواق من خلال تفسير سبب تفوق بعض الأسهم. ولكن بعد سنوات من النتائج المخيبة للآمال، اكتشف الباحثون أن المشكلة قد لا تكمن في البيانات على الإطلاق؛ إنها الطريقة التي يتم بها بناء النماذج. تشير دراسة جديدة إلى أن العديد من نماذج العوامل تخلط بين الارتباط والسببية، مما يؤدي إلى خلق “سراب عامل”.

وُلِد استثمار العوامل من فكرة أنيقة: أن الأسواق تكافئ التعرض لمخاطر معينة غير قابلة للتنويع – القيمة، والزخم، والجودة، والحجم – التي تفسر سبب تفوق بعض الأصول على غيرها. ومنذ ذلك الحين تم تخصيص تريليونات الدولارات للمنتجات المبنية على هذه الفرضية.

البيانات تحكي قصة واقعية. وقد حقق مؤشر بلومبرج-جولدمان ساكس متعدد العوامل للأسهم الأمريكية، والذي يتتبع الأداء الطويل والقصير للعلاوات ذات النمط الكلاسيكي، نسبة شارب بلغت 0.17 فقط منذ عام 2007 (إحصاء t = 0.69، قيمة p = 0.25)، ولا يمكن تمييزها إحصائيا عن الصفر قبل التكاليف. بعبارات واضحة: استثمار العوامل لم يقدم قيمة للمستثمرين. بالنسبة لمديري الصناديق الذين بنوا منتجات حول هذه النماذج، فإن هذا النقص يترجم إلى سنوات من الأداء الضعيف وفقدان الثقة.

لماذا تضلل الاختبارات الخلفية

التفسير التقليدي يلقي باللوم على التجاوز في الاختبار الخلفي أو “ص“-القرصنة” – يقوم الباحثون باستخراج الضوضاء حتى تبدو مثل ألفا. هذا التفسير صحيح ولكنه غير كامل. تحدد الأبحاث الحديثة التي أجراها مختبر ADIA والتي نشرتها مؤسسة أبحاث معهد CFA خللًا أعمق: خطأ منهجي في التحديد.

يتم تطوير معظم نماذج العوامل باتباع معايير الاقتصاد القياسي – الانحدارات الخطية، واختبارات الأهمية، والمقدرات الثنائية – التي تخلط بين الارتباط والسببية. تعلم كتب الاقتصاد القياسي الطلاب أن الانحدارات يجب أن تتضمن أي متغير مرتبط بالعائدات، بغض النظر عن الدور الذي يلعبه المتغير في الآلية السببية.

وهذا خطأ منهجي. بما في ذلك أ مصادم (متغير يتأثر بكل من العامل والعوائد) و/أو استبعاد أ محير (متغير يؤثر على كل من العامل والعوائد) يؤدي إلى تحيز تقديرات المعاملات.

يمكن لهذا الانحياز أن يقلب إشارة معامل العامل. ثم يقوم المستثمرون بشراء الأوراق المالية التي كان ينبغي عليهم بيعها، والعكس صحيح. وحتى لو كانت جميع علاوات المخاطر مستقرة ومقدرة بشكل صحيح، فإن النموذج المحدد بشكل خاطئ يمكن أن ينتج خسائر منهجية.

العامل ميراج

إن “حديقة الحيوان العاملية” هي ظاهرة معروفة: مئات من الحالات الشاذة المنشورة التي تفشل خارج العينة. يشير الباحثون في مختبر ADIA إلى مشكلة أكثر دقة وخطورة: “السراب العامل”. وهو لا ينشأ من التنقيب في البيانات، بل من النماذج التي تم تحديدها بشكل خاطئ، على الرغم من أنها تم تطويرها وفقا لقواعد الاقتصاد القياسي التي يتم تدريسها في الكتب المدرسية.

النماذج ذات المصادمات مثيرة للقلق بشكل خاص، لأنها تظهر أعلى R² وغالباً أيضاً انخفاض القيم ف من تلك المحددة بشكل صحيح. إن شريعة الاقتصاد القياسي تفضل مثل هذه النماذج غير المحددة، مخطئة في اعتقادها بأنها أكثر ملاءمة للصحة.

في النموذج العاملي الذي يحتوي على مصادم، يتم تعيين قيمة الإرجاع قبل قيمة المصادم. ونتيجة لذلك، لا يمكن تحقيق الدخل من الارتباط الأقوى المشتق من المصادم. إن الأرباح التي وعدت بها تلك الأوراق الأكاديمية هي مجرد سراب. ومن الناحية العملية، فإن هذا الخطأ المنهجي يؤدي إلى عواقب تقدر بمليارات الدولارات.

على سبيل المثال، لنفترض أن باحثين يقومان بتقدير عامل الجودة. يتحكم أحد الباحثين في الربحية والرافعة المالية والحجم؛ ويضيف الآخر العائد على حقوق الملكية، وهو متغير يتأثر بكل من الربحية (العامل) وأداء السهم (النتيجة).

ومن خلال تضمين المصادم، يقوم الباحث الثاني بإنشاء رابط زائف: الجودة العالية ترتبط الآن بالعائدات السابقة العالية. في الاختبار الخلفي، يبدو النموذج الثاني متفوقا. في التداول المباشر، تنقلب الطاولة، ويكون الاختبار الخلفي عبارة عن وهم إحصائي يستنزف رأس المال بهدوء. بالنسبة للمديرين الأفراد، قد تؤدي هذه الأخطاء إلى تآكل العائدات بهدوء؛ وبالنسبة للأسواق ككل، فهي تشوه تخصيص رأس المال وتخلق أوجه قصور على نطاق عالمي.

عندما يصبح التحديد الخاطئ خطرًا نظاميًا

إن التحديد الخاطئ للنموذج له عواقب متعددة.

• سوء تخصيص رأس المال: ويتم توجيه تريليونات الدولارات من خلال نماذج تخلط بين الارتباط والسببية، وهو خطأ إحصائي له عواقب مالية هائلة.
• العلاقة الخفية: وتتشارك المحافظ المبنية على عوامل مماثلة غير محددة بشكل خاطئ في التعرضات، مما يزيد من هشاشة النظام.
• تآكل الثقة: كل اختبار خلفي يفشل في التداول المباشر يقوض ثقة المستثمرين في الأساليب الكمية ككل.

ويذهب العمل الأخير الذي قام به مختبر ADIA إلى أبعد من ذلك: فهو يوضح ذلك لا يمكن لأي محفظة أن تكون فعالة بدون نماذج العوامل السببية. إذا تم تحديد العوامل الأساسية بشكل خاطئ، فحتى التقديرات المثالية للوسائل والتباينات المشتركة سوف تسفر عن محافظ دون المستوى الأمثل. وهذا يعني أن الاستثمار ليس مجرد مشكلة تنبؤ، وأن إضافة التعقيد لا يجعل النموذج أفضل.

ما الذي يمكن للمستثمرين فعله بشكل مختلف؟

لن يتم حل مأزق استثمار العوامل بمزيد من البيانات أو بطرق أكثر تعقيدًا. إن أكثر ما نحتاجه هو الاستدلال السببي. يقدم الاستدلال السببي خطوات عملية يمكن لكل مخصص تطبيقها الآن:

1. المطالبة بالتبرير السببي. قبل قبول النموذج، اسأل: هل أعلن المؤلفون عن الآلية السببية؟ هل يتوافق الرسم البياني السببي مع فهمنا للعالم؟ هل الرسم البياني السببي يتوافق مع الأدلة التجريبية؟ هل الضوابط المختارة كافية للقضاء على التحيز المربك؟
2. تحديد الإرباك وتجنب المصادمات. ينبغي السيطرة على الإرباك؛ لا ينبغي للمصادمات. وبدون رسم بياني سببي، لا يستطيع الباحثون معرفة الفرق. يمكن أن تساعد أدوات الاكتشاف السببي في تضييق نطاق مجموعة الرسوم البيانية السببية المتوافقة مع البيانات.
3. القوة التفسيرية مضللة. النموذج الذي يفسر تباينًا أقل ولكنه يتماشى مع البنية السببية المعقولة يكون أكثر موثوقية من النموذج الذي يحتوي على R² المبهر. ومن الناحية العملية، لا يعني الارتباط الأقوى ربحية أكبر.
4. اختبار الاستقرار السببي. وينبغي أن يظل العامل السببي ذا معنى عبر الأنظمة. إذا ظهرت علامة التغييرات “القسط” بعد كل أزمة، فإن السبب المحتمل هو الخطأ في التحديد، وليس التعويض المتغير عن المخاطر.

من الجمعية إلى التفاهم

التمويل ليس وحده في هذا التحول. لقد انتقل الطب من الارتباط إلى السببية منذ عقود مضت، فحول التخمين إلى علاج قائم على الأدلة. لقد تبنت علم الأوبئة، وتحليل السياسات، والتعلم الآلي، المنطق السببي. والآن جاء دور التمويل.

الهدف ليس النقاء العلمي؛ إنها موثوقية عملية. ويحدد النموذج السببي المصادر الحقيقية للمخاطر والعائد، مما يسمح للمستثمرين بتخصيص رأس المال بكفاءة وشرح الأداء بمصداقية.

الطريق إلى الأمام

بالنسبة للمستثمرين، يعتبر هذا التحول أكثر من مجرد أكاديمي. يتعلق الأمر ببناء استراتيجيات تصمد في العالم الحقيقي – نماذج تشرح ذلك لماذا إنهم يعملون، وليس فقط الذي – التي إنهم يعملون. في عصر وفرة البيانات، قد يكون فهم السبب والنتيجة هو الميزة الحقيقية الوحيدة المتبقية.

لا يزال بإمكان استثمار العوامل أن يفي بوعده العلمي الأصلي، ولكن فقط إذا ترك وراءه العادات التي أدت إلى سراب العوامل. يجب إعادة بناء الجيل القادم من أبحاث الاستثمار على أسس سببية:

• أعلن عن الرسوم البيانية السببية، بناءً على مزيج من الخبرة في المجال وطرق الاكتشاف السببي.
• قم بتبرير كل متغير يتم تضمينه بالمنطق الاقتصادي، بما يتوافق مع الرسم البياني السببي وتطبيق قواعد حساب التفاضل والتكامل.
• قم بتقييم الاستراتيجيات من خلال التفكير المخالف للواقع: ما هي العوائد التي كانت ستحققها؟ لو وكانت التعرضات مختلفة؟
• مراقبة الفواصل الهيكلية في العلاقة السببية: بمجرد ظهور الفواصل في الأداء، يكون الوقت قد فات بالفعل.
• إن الأسواق اليوم غارقة في البيانات ولكنها متعطشة للفهم. يمكن للتعلم الآلي أن يرسم خريطة للارتباطات عبر ملايين المتغيرات، لكنه يؤدي دون وجود علاقة سببية إلى اكتشافات زائفة. لن تأتي الميزة الحقيقية في عصر الذكاء الاصطناعي من مجموعات بيانات أكبر أو خوارزميات أكثر تعقيدا، بل من نماذج سببية أفضل تنسب العوائد بدقة إلى أسبابها الحقيقية.

وإذا كان لاستثمار العوامل أن يستعيد ثقة المستثمرين، فلابد أن يتطور من الوصف الظاهري للأنماط إلى تفسيرها السببي، وتحويل التركيز من الارتباط إلى السببية. وسوف يمثل هذا التحول اللحظة التي يصبح فيها الاستثمار الكمي ليس منهجياً فحسب، بل علمياً حقاً.

مقتبس من كتاب “السببية واستثمار العوامل: كتاب تمهيدي” بقلم ماركوس لوبيز دي برادو وفنسنت زونيكيند.