Finans opplever en revolusjon. Forskning som viser hvilke analysemetoder fungerer er blitt lett tilgjengelig via online databaser og moderne datateknologi gjør det mulig å automatisere oppgaver som tidligere krevde store analyseavdelinger med tunge systemer og mange analytikere som bare store banker og hedgefond hadde råd til. Norquant ønsker å hjelpe investorer ved å gjøre disse analysene tilgjengelig på en brukervennlig måte i form av daglig oppdaterte rangeringer.
Effektive markeder
Forskning viser at markedene er veldig effektive. Det vil si at det
nesten er ingen investorer, analytikere eller tradisjonelle fond som på
sikt klarer å gjøre det bedre enn markedet ved å plukke bestemte aksjer
eller ved å gå ut og inn av markedet. Selvfølgelig vil det basert på ren
statistikk alltid være en del aktører som har gjort det bedre enn
markedet en stund, men det er altså praktisk umulig å i forkant finne de
som vil gjøre det bra fremover.
Indeksfond
For mange investorer vil løsningen være å kjøpe billige indeksfond.
Disse gir en avkastning som er litt dårligere enn indeksene over tid.
Moderne nobelprisvinnende forskning viser imidlertid at det er mulig å
få med seg hele markedsavkastningen, pluss en meravkastning over tid,
ved å systematisk velge aksjer med bestemte karakteristikker, eller
såkalte faktorer.
Faktorer
De viktigste faktorene, som det er bred enighet om innen forskning,
forklarer over 95% av avkastningen på aksjeporteføljer, og det er de
faktorene Norquant bruker for våre daglige analyser og rangeringer av
mer enn 7000 aksjer.
De viktigste faktorene, som det er bred enighet om innen forskning, forklarer over 95% av avkastningen på aksjeporteføljer
Momentum
Momentum-faktoren viser at aksjene som har gjort det best de siste 3
til 12 månedene, også har høyest sannsynlighet å gjøre det best
fremover.
Verdi
Verdifaktoren viser at aksjer med lavest aksjekurs i forhold til
regnskapsmessig verdi (f.eks. bokført verdi “pris/bok” eller inntjening
“p/e”) på sikt gjør det bedre enn aksjer som er priset høyt.
Størrelse
Små selskaper, det vil si de med lavest markedsverdi, gjør det over tid gjennomsnittlig bedre enn de med høyest markedsverdi.
Risiko
Aksjer med høyest risiko, det vil si de som har vist de største
svingningene, gjør det gjennomsnittlig dårligere enn aksjene som har
svingt minst.
Øvrige faktorer
I tillegg til disse faktorene som brukes som standard-faktorene i
akademisk finans, finnes det mange flere faktorer og effekter som også
gir økt sannsynlighet for bedre avkastning . Noen eksempler på dette som
Norquant bruker i praksis er 1 måneds Reversal, Seasonality og Post
Earnings Announcement Drift.
Reversal-faktoren viser at aksjer overreagerer på kort sikt. De
aksjene som har gjort det best den seneste måneden har en tendens til å
gjøre det dårlig i neste måned.
Seasonality-faktoren viser at aksjer har en økt sannsynlighet for å gjøre det bra i måneder de har gjort det bra i tidligere.
Post Earnings Announcement Drift (PEAD) viser at selskaper som
reagerer positivt på tall ofte fortsetter å stige de neste ukene, og
motsatt ved en negativ reaksjon.
Nye faktorer og metoder
Det har blitt publisert forskning på hundrevis av forskjellige
faktorer og det kommer stadig studier om nye faktorer og måter å
kombinere og time disse faktorene. Et spennende område innen denne
forskningen hvor det skjer raske endringer nå er bruk av såkalt
Artificial Intelligence og Machine Learning.
Referanser
Bernard, V., & Thomas, J. (1989). Post-Earnings-Announcement
Drift: Delayed Price Response or Risk Premium?Journal of Accounting
Research,27, 1-36. http://www.jstor.org/stable/2491062
Blitz, David and Huij, Joop and Lansdorp, Simon and Verbeek, Marno, Short-Term Residual Reversal (October 26, 2012). https://ssrn.com/abstract=1911449
Blitz, David and van Vliet, Pim, The Volatility Effect: Lower Risk
Without Lower Return (July 4, 2007). Journal of Portfolio Management,
pp. 102-113, Fall 2007; ERIM Report Series Reference No.
ERS-2007-044-F&A. https://ssrn.com/abstract=980865
Fama, E. F. and French, K. R. (1992), The Cross-Section of Expected Stock Returns. The Journal of Finance, 47: 427–465. http://home.cerge-ei.cz/petrz/GDN/Fama_French_92.pdf
Jegadeesh, Narasimhan, and Sheridan Titman, 1993, “Returns to buying
winners and selling losers: Implications for stock market efficiency,”
Journal of Finance 48, 65–91.http://www.jstor.org/stable/2328882
Keloharju, Matti and Linnainmaa, Juhani T. and Nyberg, Peter, Common
Factors in Return Seasonalities (December 2014). NBER Working Paper No.
w20815. https://ssrn.com/abstract=2545213
Messmer, Marcial, Deep Learning and the Cross-Section of Expected Returns (December 2, 2017). https://ssrn.com/abstract=3081555