Napon belüli ármozgás mégis előrejelezhető a tőzsdén?

Általánosan elfogadott nézet a pénzügyi közgazdászok körében, hogy a részvények rövid távú ármozgását a véletlen okozza, nincs összefüggés a múltbeli és a jövőbeni ár között, és ebben a rövid távon kialakuló piaci zajban nem lehetséges a jövőre vonatkozó előrejelzést készíteni. Ugyanakkor a témában megjelenő legújabb kutatás arra mutat rá, hogy mégis vannak megjósolható folyamatok, melyek a véletlennél jobb találati arányt biztosítanak, ráadásul a legkisebb időfelbontású, például 1 perces grafikonon is találhatunk a véletlennél jobb előrejelzési módszert. Témáink:

• Miért nem lehet a rövid távú árváltozást előrejelezni?
• Napon belüli előrejelzés a tőzsdén
• Napon belüli kereskedéssel felülteljesítés érhető el

Miért nem lehet a rövid távú árváltozást előrejelezni?

A rövid távú kereskedők számos módszert alkalmaznak arra, hogy a rövid távú ármozgásokat előre jelezzék. 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 a rövid távú kereskedéssel, hiszen ma már a kvantitatív hedge fundok több száz milliárd dollárt kezelnek, és a tőzsdék kereskedési forgalmának negyedét teszik ki. 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, algoritmikus kereskedés is fontos része a stratégiájuknak. Az egyik legsikeresebb 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, illetve a teljesítményéhez az is hozzá tartozik, hogy 1990-2000 közötti időszakban eltelt 120 hónapból 24 hónapban veszteséges volt az alap (ezek az eredmények benne vannak az alábbi grafikonban), ugyanakkor a 2000-2010 közötti időszakban eltelt 120 hónapban mindössze csak három veszteséges hónapja volt az alapnak. A teljes képhez hozzátartozik, hogy a díjak levonása előtt 66%-os évesített hozama van az alapnak, de a Renaissance az egyik legdrágább díjstruktúrával működik. Amíg a hedge fundok világában a 2%-os alapkezelési díj, 20%-os sikerdíj a megszokott, addig a Renaissance 5%-os alapkezelési díjat és 44%-os sikerdíjat számít fel.

forrás: bloomberg.com

A kvantitatív hedge fundok azonban még így is lassabban kötnek ügyleteket, mint az ún high-frequency (HFT) algoritmusokat üzemeltető cégek, ahol az ügyletkötés hosszúsága másodpercekben mérhető. Összességében tehát a kisbefektetők (daytraderek), a kvantitatív hedge fundok és a HFT-algoritmusok terepe a napon belüli ügyletkötés, és az összes többi piaci szereplő (aktív befektetési alapok, ETF alapok, értékalapú befektetők) lényegesen hosszabb időtávra köt ügyletet.

Ugyanakkor, ahogy a bevezetőben is utaltam rá, nincsenek arra vonatkozó bizonyítékok, hogy napon belüli árváltozásokat bizonyos módszerekkel meg lehet jósolni, előre lehet jelezni. Ennek részben az az oka, hogy a kutatások többsége napon túli, gyakran havi adatokat dolgoz fel, így ezen az időtávon valóban ismerünk számos összefüggést, melyet felhasználhatunk a jövőbeni hozam előrejelzésére. Ráadásul napon belül rengeteg adatot kell feldolgozni, és ehhez még tegyük hozzá azt is, hogy a tőzsdei árak ingadozására, volatilitására nincs kézzelfogható magyarázat, azaz a véletlen jelentős hatást gyakorol az árazásra. Ha pedig nincs kapcsolat a múltbeli ár és a jövőbeni ár között (lásd random walk, hatékony piacok elmélete), akkor a folyamatot nagyrészt a véletlen határozza meg, akkor ez nem jelezhető előre. Ennek ellenére vannak kísérletek, melyek kifejezetten a napon belüli hozam-előrejelzésre fókuszálnak, és a témával kapcsolatban megjelent új kutatás is erre fókuszál. Nézzük ennek részleteit.

Napon belüli előrejelzés a tőzsdén

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

• autoregresszió (AR1)
• lineáris regresszió (OLS)
• lasso módszer (LAS)
• elastic net módszer (EN)
• random forest (RF)
• extremley random forest (XRF).

Az egyes módszereket külön, de összevontan is vizsgálták, például az összes lineáris modell, az összes nem lineáris modell, és az összes modell. A fenti modellek működésének megértéséhez nagyobb háttérinformáció szükséges, de például egy lineáris regresszión működő előrejelzés azt vizsgálja, hogy a múltbeli adat és az azt követő adat között van-e összefüggés. Például megvizsgáljuk az összes 1 percet és a következő 1 perc árváltozását. Ha találunk pozitív korrelációt, akkor lineáris regresszióval (további részletek itt) ennek a függvénye felírható, így x változóból (1 perces adat) megbecsülhető y változó (következő 1 perc árváltozása).

A vizsgálatban két fontos adatot közöltek. Az egyik a vizsgálaton kívüli adatsoron (out of sample) végzett tesztelés korrelációs együtthatója, R² tényezője (magyarázat itt). Ez az adat azt mutatja meg, hogy a modell által előrejelzett árváltozás és a tényleges árváltozás között van-e bármiféle összefüggés. Ha nullát kapunk eredményül, akkor nincs összefüggés, azaz a modell nem képes előrejelezni az árak alakulását. Az alábbi táblázatból jól látható, hogy 1 perces időhorizonton a legjobb R² 5,45 százalék, ami valójában rendkívül alacsony pozitív kapcsolatot jelent, de van pozitív kapcsolat.

Ahogy az alábbi grafikonon látható, 30 perces időtávon szinte az összes R² negatív, azaz 30 perces időtávon a félreárazások eltűnnek. Ennél rövidebb időtávon a korrelációs együtthatók pozitívak.

A korrelációs együttható azonban nem mutatja meg azt, hogy a gyakorlatban is érdemes ezekre a módszerekre támaszkodni. Ehhez a sharpe-rátákat célszerű összevetni a vedd meg és tartsd technikával.

Napon belüli kereskedéssel felülteljesítés érhető el

Az alábbi táblázatban a vizsgált 14 módszer, illetve az összes lineáris (L-MED), az összes nem lineáris (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 lényegesen nagyobbak, összevetve azzal az esettel, hogy folyamatosan befektetve vagyunk.

Ugyanakkor itt sem vették figyelembe a kereskedés költségeit, és általában ezen szoktak megbukni a szisztematikus stratégiák. Itt láthatod azt az esetet, ha a kereskedés költségeit is figyelembe vesszük. A többlethozam jelentős része eltűnt, de még így is felülteljesít a módszer, lásd MED oszlop összevetve a BuyHold oszloppal.

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

A fenti vizsgálatok tehát azt mutatják, hogy napon belüli, intraday adatokon nemcsak piaci zajt figyelhetünk, nemcsak a véletlen formálja a jövőbeni árfolyamot, hanem arra láthatunk bizonyítékot, hogy a múltbeli ár és a jövőbeni ár között kapcsolat van, a kettő nem független egymástól. A kapcsolat azonban nagyon gyenge, de mivel rövid távon nagyon sok ügyletkötés történik, így az apró kis nyereségek teszik felülteljesítővé a kereskedőt. Rövid távon 1-30 perces időszakon tehát kialakulnak félreárazások, melyek 30 perces időtáv fölött már nem mutathatók ki. Emellett azt is láthatjuk, hogy a kereskedési költségeknek óriási jelentősége van a rövid távon kereskedők számára.