Еще одно возможное возражение к предлагаемому нами подходу состоит в том, что по мнению некоторых исследователей, «параметрические модели не работают!». В качестве примера приводят «магическую формулу» Джоэла Гринблатта, которая работает далеко не всегда.
Суть возражения. В параметрических моделях существует возможность выбрать параметры так, что в прошлом все получается великолепно, результаты работы стратегии оказываются очень хорошими. Однако такие модели могут не обладать прогнозной силой; если их параметры выбраны простой подгонкой под имеющиеся данные, то они могут не описывать реальные закономерности в анализируемом явлении.
Например, если точки на графике показывают последовательность высот музыкальных тонов и их длительность и эти точки соответствуют некоторой мелодии, то аппроксимация имеющихся точек полиномом N – 1 степени, где N – число точек, позволит построить график полученной кривой, который точно пройдет через все точки, простым подбором коэффициентов полинома этой кривой. Но при этом полученная кривая совсем не обязательно будет демонстрировать реальное развитие мелодии музыкального произведения в будущем, если мы продолжим ее в будущее.
Обсудим этот аргумент.
Всегда ли работают параметрические модели? Так сказать нельзя. Это не доказано. Как не доказано и то, что они никогда не работают.
Что нужно сделать, чтобы модель с настроечными параметрами вызывала доверие в смысле прогнозирования будущего поведения? На наш взгляд, нужно, чтобы выполнялся ряд условий:
1. Исключить «взгляд из будущего» (ошибка выжившего) при анализе прошлого.
2. Выбирать параметры модели исходя не из стремления подогнать под имеющиеся данные, а из содержательного экономического смысла этих параметров.
3. Необходимо «покачать» параметры и условия, проверяя, что результат работы модели достаточно устойчив к колебаниям значений настроечных параметров.
4. Постоянно вести реальный трек-рекорд работы модели с публикацией текущих результатов, чтобы выводы, которые сделаны на модели, можно было подтвердить или опровергнуть реальной картиной.
Опишем, что мы предприняли, чтобы выполнить эти условия.
Необходимо принимать решение «в прошлом» на основании именно той информации, которая была известна и актуальна в тот момент, а не на основании теперешнего, «будущего» знания. Для этого необходимо следующее:
• Отследить, чтобы все акции компаний, которые когда-то были исключены из состава публичных, торгующихся на бирже (Delisting), но на момент инвестиций «в прошлом» еще входили в состав торгующихся, были бы в списке для отбора на рассматриваемую дату инвестирования. Сделано.
• Установить запаздывание на доступ к информации о финансовых отчетах на время составления и публикации финансовых отчетов по отношению к концу финансового периода компании. Сразу после окончания финансового периода отчеты еще не доступны публике, а мы, глядя из «будущего», их знаем. Тем не менее нельзя пользоваться этими результатами до того времени, когда реально были опубликованы финансовые отчеты. До этого момента можно рассматривать только результаты предыдущих финансовых лет. Сделано.
• Использовать состав индексов рынка именно в том виде, какими они были на дату принятия решения об инвестировании, с учетом всех изменений их состава на проверяемую дату. Сделано.
• Компании, которые в какой-то момент были поглощены или объединены (mergers and acquisitions) с другой компанией, но на дату инвестирования котировались на бирже самостоятельно, должны быть представлены как отдельные компании в общем списке отбора. Сделано.
• Цены и число акций в портфеле должны учитывать все сплиты, которые попали на историю нахождения акции в портфеле инвестора. Сделано.
• Мультипликаторы, на основании значений которых производится расчет величины рейтингов компании и рейтинга разумности цены ее акций, основаны на общеизвестных подходах фундаментального анализа, а не «подогнаны под результат».
• Границы отсечений по рейтингам отбора (Screening) выбирались на основании результатов анализа общестатистических данных по каждому рейтингу на всем реальном объеме рынка, а не подгонялись под результат.
• В процессе изучения модели мы изменяли параметры в довольно широком диапазоне. Результат: хотя значения величин опережения рыночного индекса были разными при изменениях параметров, но тот факт, что отбор акций компаний с хорошим бизнесом, торгуемым по разумной цене, приводит к опережению рыночного индекса по доходности, устойчиво повторяется.
• Производилась случайная дихотомия исходного списка отбора акций. Все акции делились на две группы по первой букве тикера: начало алфавита, конец алфавита. Тестирование стратегий проводилось, в частности, и по каждой группе акций отдельно. Результат: хотя доходности отличались по величине опережения рыночного индекса, но сам факт опережения рыночного индекса сохраняется.
Ведется текущий трек-рекорд по AVI-стратегиям. Он публичен. Результаты подтверждают те выводы, которые были сделаны при анализе работы модели. А именно: отбор отличных бизнесов, акции которых торгуются по разумной цене, дает опережение доходности над рыночным индексом.
В заключение сформулируем наше мнение по поводу «магической формулы Гринблатта».
Саму идею, которую он высказал в 2006 году в интервью Barron’s: «Buying good companies, on average, at cheap prices, on average» (покупка акций хороших компаний по сниженным ценам), мы принимаем. Собственно, это не совсем его идея. Это общий подход value investing, который известен еще со времен Б. Грэма и который успешно применялся другими великими инвесторами.
Дж. Гринблатт решил формализовать этот подход, сделать его алгоритмическим. И эту его идею мы также разделяем и реализовали подобную.
Но, конечно, чрезмерная простота анализа, которую использует «магическая формула», не позволила сделать ее хорошо работающим механизмом. Компьютерные технологии позволяют построить анализ качества бизнесов и разумности цен их акций на основе гораздо более сложного и многостороннего анализа, чем мы и воспользовались в своем подходе.