Napon belüli ármozgás mégis előrejelezhető a tőzsdén?

Általánosan elfogadott nézet a pénzügyi közgazdászok körében, hogy a részvények rövid távú ármozgását nagyrészt a véletlen és a piaci zaj befolyásolja, ezért rövid távon nehéz megbízható előrejelzést készíteni. Ugyanakkor a témában megjelenő újabb kutatások arra mutatnak rá, hogy bizonyos nagyon rövid időtávokon mégis kimutathatók gyenge, de statisztikailag mérhető előrejelezhetőségi mintázatok. Ezek akár az 1 perces grafikonokon is megjelenhetnek, bár gyakorlati hasznosításuk erősen függ a kereskedési költségektől, a végrehajtás minőségétől és az alkalmazott modell stabilitásától. Témáink:

• Miért nehéz a rövid távú árváltozást előrejelezni?
• Napon belüli előrejelzés a tőzsdén
• Kutatási eredmények szerint bizonyos napon belüli modellek felülteljesíthettek

A lényeg röviden

A napon belüli ármozgások előrejelzése rendkívül nehéz, mert nagyon rövid időtávon a piaci zaj, a véletlen ármozgás és a kereskedési költségek szerepe különösen nagy. A bemutatott kutatás szerint ugyanakkor 1-15 perces időtávokon bizonyos gépi tanulási és statisztikai modellek képesek voltak a véletlennél jobb előrejelzést adni. Fontos azonban, hogy a kimutatott kapcsolat gyenge, és nem jelenti azt, hogy kisbefektetőként könnyen reprodukálható lenne a felülteljesítés.

Miért nehéz a rövid távú árváltozást előrejelezni?

A rövid távú kereskedők számos módszert alkalmaznak arra, hogy a rövid távú ármozgásokat előrejelezzék. A módszerek legtöbbje a technikai elemzés jelzésein, a megjelenő hírek okozta hangulatváltozáson, a momentumon vagy az általános piaci hangulaton alapul. Ugyanakkor nemcsak kisbefektetői szinten találkozunk rövid távú kereskedéssel, hiszen ma már a kvantitatív hedge fundok több száz milliárd dollárt kezelnek, és a tőzsdék kereskedési forgalmának jelentős részét adják. Ezekről a hedge fundokról azt érdemes tudni, hogy kvantitatív elemzésen alapuló döntéseket hoznak, jellemzően 1-5 perces időszakon kereskednek, és egyre többször olvashatunk arról is, hogy a gépi tanulás és az algoritmikus kereskedés is fontos része a stratégiájuknak. Az egyik legismertebb kvantitatív hedge fund a Renaissance Medallion alapja. Az alábbi grafikonon a Medallion alap éves teljesítménye követhető nyomon 1988-tól napjainkig. Az adatokat vizsgálva jól látható, hogy az első két évet leszámítva gyakorlatilag nem esett 20% alá az éves hozam. A teljesítményéhez az is hozzátartozik, hogy az 1990-2000 közötti időszak 120 hónapjából 24 hónapban veszteséges volt az alap, ugyanakkor a 2000-2010 közötti időszak 120 hónapjában mindössze három veszteséges hónapja volt. A teljes képhez hozzátartozik, hogy a díjak levonása előtt 66%-os évesített hozamot ért el az alap, de a Renaissance az egyik legdrágább díjstruktúrával működik. Amíg a hedge fundok világában a 2%-os alapkezelési díj és a 20%-os sikerdíj tekinthető megszokottnak, addig a Renaissance 5%-os alapkezelési díjat és 44%-os sikerdíjat számít fel.

A kvantitatív hedge fundok azonban még így is lassabban kötnek ügyleteket, mint az ún. high-frequency trading (HFT) algoritmusokat üzemeltető cégek, ahol az ügyletkötés sebessége akár másodpercekben vagy annál rövidebb időegységekben mérhető. Összességében tehát a kisbefektetők, a daytraderek, a kvantitatív hedge fundok és a HFT-algoritmusok terepe a napon belüli ügyletkötés, míg az aktív befektetési alapok, ETF-alapok és értékalapú befektetők jellemzően hosszabb időtávon hoznak döntéseket.

Ugyanakkor, ahogy a bevezetőben is utaltam rá, sokáig nem álltak rendelkezésre széles körben elfogadott bizonyítékok arra vonatkozóan, hogy a napon belüli árváltozásokat bizonyos módszerekkel következetesen előre lehet jelezni. Ennek részben az az oka, hogy a kutatások többsége napon túli, gyakran havi adatokat dolgoz fel. Ezeken az időtávokon valóban ismerünk számos összefüggést, amelyet a jövőbeni hozam előrejelzésére próbálnak felhasználni. Napon belül azonban rengeteg adatot kell feldolgozni, és ehhez még tegyük hozzá azt is, hogy a tőzsdei árak rövid távú ingadozására és volatilitására gyakran nincs közvetlen, könnyen azonosítható magyarázat. Ha pedig nincs stabil kapcsolat a múltbeli ár és a jövőbeni ár között, akkor a folyamatot nagyrészt a véletlen és a piaci zaj határozza meg, így az nehezen jelezhető előre. Ennek ellenére vannak kísérletek, amelyek kifejezetten a napon belüli hozam-előrejelzésre fókuszálnak, és a témával kapcsolatban megjelent új kutatás is ezt vizsgálja. Nézzük ennek részleteit.

Napon belüli előrejelzés a tőzsdén

A témával kapcsolatos, Intraday Stock Predictability Everywhere című tanulmány 900 millió árváltozást dolgozott fel az amerikai részvénypiacon a 2005 és 2016 közötti időszakban. A vizsgálat kiterjedt az amerikai tőzsdeindexre és az S&P 9 szektorindexére is. A teszteket 1, 5, 10, 15 és 30 perces adatokon futtatták le, vagyis nagyrészt lefedték azokat az időtávokat, amelyeket a napon belüli kereskedők használnak. Az árváltozások előrejelzéséhez különböző, ismert lineáris és nem lineáris módszereket használtak, amelyek közül több gépi tanuláson alapult, például:

• autoregresszió (AR1)
• lineáris regresszió (OLS)
• lasso módszer (LAS)
• elastic net módszer (EN)
• random forest (RF)
• extremely randomized trees, más néven extra-trees módszer (XRF).

Az egyes módszereket külön, de összevontan is vizsgálták, például az összes lineáris modellt, az összes nem lineáris modellt és az összes modellt együttesen. A fenti modellek működésének megértéséhez nagyobb háttérismeretre van szükség, de például egy lineáris regresszión alapuló előrejelzés azt vizsgálja, hogy a múltbeli adat és az azt követő adat között van-e összefüggés. Megvizsgálhatjuk például az összes 1 perces árváltozást és a következő 1 perc árváltozását. Ha pozitív kapcsolatot találunk, akkor lineáris regresszióval ennek a függvénye felírható, így az x változóból, vagyis az 1 perces múltbeli adatból megbecsülhető az y változó, vagyis a következő 1 perc árváltozása.

A vizsgálatban két fontos adatot közöltek. Az egyik a vizsgálaton kívüli adatsoron, vagyis out-of-sample mintán végzett tesztelés magyarázóereje, az R² mutató. Ez az adat azt mutatja meg, hogy a modell által előrejelzett árváltozás és a tényleges árváltozás között van-e bármilyen összefüggés. Ha nullát kapunk eredményül, akkor nincs összefüggés, vagyis a modell nem képes előrejelezni az árak alakulását. Az alábbi táblázatból jól látható, hogy 1 perces időhorizonton a legjobb R² érték 5,45 százalék, ami valójában rendkívül alacsony magyarázóerőt jelent, de arra utal, hogy bizonyos nagyon rövid időtávokon kimutatható kapcsolat létezhet.

Ahogy az alábbi grafikonon látható, 30 perces időtávon szinte az összes R² negatív, ami arra utal, hogy ezen az időtávon a modell már nem tud a véletlennél jobb előrejelzést adni. Ennél rövidebb időtávokon a magyarázóerő több esetben pozitív.

Kutatási eredmények szerint bizonyos napon belüli modellek felülteljesíthettek

Az alábbi táblázatban a vizsgált 14 módszer, illetve az összes lineáris modell (L-MED), az összes nem lineáris modell (NL-MED) és az összes modell (MED) eredményeit lehet összevetni egységnyi kockázatra vetítve a vedd meg és tartsd technikával (BuyHold), 1 perces árfolyamadatokon. Az egységnyi kockázatra vetített hozamok a vizsgált mintában lényegesen nagyobbak voltak, mint abban az esetben, amikor a befektető folyamatosan befektetve maradt.

Ugyanakkor itt még nem vették figyelembe a kereskedés költségeit, és általában éppen ezen buknak meg a szisztematikus stratégiák. Az alábbi táblázat azt az esetet mutatja, amikor a kereskedés költségeit is figyelembe veszik. A többlethozam jelentős része eltűnt, de a vizsgált mintában a módszer még így is felülteljesített, lásd a MED oszlopot a BuyHold oszloppal összevetve.

A következő grafikonok az egyes módszerekkel elérhető halmozott hozamot mutatják. A market eset a teljes részvénypiacot lefedő tőzsdeindex, a többi grafikon pedig az S&P egyes szektorait mutatja. A magenta színű görbe azt az esetet jelöli, amikor a befektető az időszak alatt folyamatosan befektetve marad.

A fenti vizsgálatok tehát azt mutatják, hogy napon belüli, intraday adatokon nemcsak piaci zajt figyelhetünk meg. A kutatási eredmények alapján bizonyos nagyon rövid időtávokon arra is találhatunk bizonyítékot, hogy a múltbeli ár és a jövőbeni ár között gyenge, de kimutatható kapcsolat létezhet, vagyis a kettő nem teljesen független egymástól. A kapcsolat azonban nagyon gyenge, ezért a gyakorlati hasznosítás nem egyszerű. Mivel rövid távon nagyon sok ügyletkötés történik, az apró nyereségek elméletileg felülteljesítővé tehetnek egy stratégiát, de ez csak akkor érvényesülhet, ha a kereskedési költségek, a csúszás, a spread, az adózási hatások és a végrehajtási kockázatok nem viszik el a többlethozamot.

Fontos hangsúlyozni, hogy a bemutatott kutatási eredményekből nem következik, hogy egy átlagos kisbefektető vagy daytrader a gyakorlatban is képes lenne reprodukálni a bemutatott többlethozamokat. A vizsgált modellek jelentős számítási kapacitást, nagy mennyiségű adatot, gyors végrehajtást és alacsony tranzakciós költségeket feltételeznek. A valós kereskedés során a költségek, a spread, a csúszás és az adózás jelentősen csökkenthetik vagy akár teljesen meg is szüntethetik a kutatásban kimutatott előnyt.