Hvorfor aktieafkast kun kan være forudsigelige i korte vinduer

Aktieafkast kan være forudsigelige, men kun i korte vinduer

Investorer har i årtier søgt efter indikatorer, der pålideligt kan forudsige aktieafkast. Værdiansættelsesforhold, renteniveauer, kreditspreads, inflation, markedsvolatilitet og mål for økonomisk aktivitet har alle på et tidspunkt vist lovende resultater. Problemet er, at en indikator kan synes nyttig i en periode og blive ineffektiv i den næste.

En ny undersøgelse offentliggjort i Journal of Econometrics¹ argumenterer for, at denne ustabilitet kan være et karakteristisk træk ved markedets forudsigelighed snarere end en fejl i dataene. Aktieafkast kan være forudsigelige, men kun i midlertidige perioder, der opstår som følge af recessioner, finansielle chok, politiske ændringer eller ændringer i, hvordan investorer behandler information.

Forskerne udviklede statistiske overvågningsprocedurer, der skal opdage disse perioder, efterhånden som de opstår. Deres arbejde omformulerer det praktiske spørgsmål. I stedet for at spørge, om en variabel forudsiger afkast over et helt historisk datasæt, bør investorer spørge, om den for nylig er begyndt at indeholde nyttig information.

Hvorfor permanente markedsignaler er så svære at finde

Traditionel forudsigelsesforskning estimerer ofte én relation over årtier af data. For eksempel kan en analytiker teste, om udbytteafkast forudsiger aktiepræmien, dvs. den ekstra afkast, aktier genererer i forhold til en risikofri aktiv. Dette antager, at relationen forbliver tilstrækkeligt stabil gennem hele datasættet.

Markeder samarbejder sjældent. Ændringer i pengepolitikken, udvikling af reguleringer og bredt kendte strategier tiltrækker kapital. Et signal kan styrkes under en krise og forsvinde, når investorerne genkender det. En model, der dækker hele perioden, kan derfor udvande en nyttig episode med mange år, hvor ingen relation eksisterede.

Dette hjælper med at forklare, hvorfor finansielle variable kan fremstå statistisk signifikante i én undersøgelse og fejle i en anden. Uenigheden betyder nødvendigvis ikke, at et resultat var forkert. Undersøgelserne kan have undersøgt forskellige markedsregimer.

Udfordringen bliver sværere, fordi mange almindelige forudsigere er meget vedvarende. Udbytteafkast, bog‑til‑marked‑forhold og rentemålinger kan forblive høje eller lave i lange perioder. De kan også bevæge sig parallelt med de samme chok, der påvirker afkastene. Konventionelle statistiske tests kan forveksle disse egenskaber med forudsigelseskraft.

Hvordan realtidsmonitorering ændrer problemet

Papiret foreslår at overvåge indkommende data sekventielt efter at have etableret en indledende træningsperiode uden påvist forudsigelighed. Den foretrukne tilgang anvender en kumulativ sum, eller CUSUM, proces baseret på IVX-instrumentvariabelbetingelser.

Kort sagt holder systemet øje med, om forholdet mellem en kandidatindikator og efterfølgende afkast afviger tilstrækkeligt fra det historiske udgangspunkt til at retfærdiggøre et signal. Det er designet til at fungere uden at brugeren på forhånd skal vide, om forudsigeren er svagt vedvarende, tæt på en enhedsrod eller et sted imellem.

Overvågningsrammen adresserer flere problemer samtidigt:

• Forudsigende relationer kan begynde og slutte uden varsel.
• Gentagen testning kan generere falske alarmer, selv når der ikke findes noget signal.
• Ændringer i volatilitet kan få almindelige tests til at opdage relationer, der ikke er reelle.
• Forudsigere kan være vedvarende og korreleret med uventede markedsafkast.

Volatilitetstilpasningen er især vigtig. Et stort markedschok skaber større observationer, som kan skubbe en overvågningsstatistik over en tærskel, selvom den underliggende forudsigelsesrelation ikke har ændret sig. Dette relaterer sig til det bredere problem, at velkendte mål kun kan fange en del af risikomiljøet, som diskuteret i Securities.io’s undersøgelse af hvorfor VIX ikke fuldt ud fanger aktiemarkedets risiko.

Hvad simulationerne fandt

Forfatterne testede deres metoder på simulerede markeder med forskellig forudsigervidvarighed, volatilitetsspor, endogenitetsrelationer og startdatoer for forudsigelsesepisoder. Flere foreslåede CUSUM-procedurer opretholdt rimeligt kontrollerede falsk‑positiv‑rater under mange af disse betingelser.

De stærkeste metoder opdagede generelt forudsigelighed tidligere end konkurrerende rullende‑vindues‑procedurer, især når forudsigeren var ekstremt vedvarende. Dette er vigtigt, fordi et kortvarigt signal mister praktisk værdi, hvis en model kun identificerer det tæt på slutningen af episoden.

Dog dominerede ingen version under alle betingelser. En procedure reagerede særligt hurtigt, men genererede overdrevne falske positiver efter en opadgående volatilitetsskift. En anden var mere konservativ og langsommere. Papirets foretrukne variansjusterede CUSUM-tilgang leverede en mere nyttig balance mellem detektionshastighed og kontrol af falske alarmer.

En model, der signalerer for let, fremmer kostbar udskiftning og overdreven selvtillid. En forsigtig model kan kun genkende et regime efter at en stor del af muligheden er gået tabt. Real‑tids‑systemer har derfor brug for en eksplicit politik for at vælge mellem missede signaler og falske alarmer.

Hvad skete der, da modellen overvågede S&P 500

Forskerne udførte en pseudo‑real‑tids‑øvelse med månedlige S&P 500‑data og kandidat‑forudsigere fra januar 1965 til december 2024. Forudsigerne omfattede værdi‑forhold, volatilitetstal, tekniske indikatorer, obligationsrenter, kreditmarked‑variabler, inflation og økonomisk aktivitet.

Test på hele datasættet viste kun svage beviser for, at de fleste variable forudsagde afkast konsistent. Alligevel identificerede overvågningsprocedurerne tydelige vinduer. Flere obligations‑ og makroøkonomiske indikatorer blev informative omkring markedskrakket 1973‑1975. Term‑spredningen viste forudsigelsesværdi i perioden op til Black Monday. Andre signaler dukkede op omkring den globale finanskrise, i 2018 og i 2022.

Disse resultater understøtter en regimes‑baseret fortolkning. Kredit‑afkast, rentespredninger, likviditet, værdiansættelse og økonomisk slack kan være mest betydningsfulde, når markedet ompriser risiko. De behøver ikke at forudsige afkast under normale forhold for at blive nyttige i stress‑perioder.

Den større indsigt er styring af signalets livscyklus

Studiets mest værdifulde bidrag er ikke en liste over indikatorer til handel, men en ramme for at håndtere en investeringssignals livscyklus.

En produktionsmodel bør have en aktiveringsregel, en pensioneringsregel og en metode til at kalibrere om efter en registreret episode. Det adskiller sig fra at bygge en prognosemodel én gang og antage, at dens koefficienter forbliver gyldige. Det betragter forudsigelighed som en foranderlig systemtilstand.

Dette perspektiv antyder også, at volatilitet har to roller. Den kan indeholde information om forventede afkast, men den kan også forvride den statistiske test, der bruges til at opdage denne information. Forskning dækket af Securities.io har på samme måde fundet, at daglige afkast kan forblive værdifulde for volatilitetsspredning selv når højere‑frekvente datasæt er tilgængelige. Mere data løser ikke automatisk model‑instabilitet, hvis relationerne i dataene fortsat ændrer sig.

For investerings‑teams ville det logiske næste skridt være et lagdelt system. En model ville overvåge, om en kandidat‑forudsigelse er trådt ind i et aktivt regime. Et separat prognoselag ville estimere retning og størrelse af forventede afkast. Porteføljekonstruktion ville derefter tage højde for handelsomkostninger, nedtræk, likviditet og positionsgrænser.

Denne adskillelse er essentiel, fordi statistisk forudsigelighed ikke er det samme som en profitabel strategi. Artiklen beregner ikke porteføljeafkast, implementeringsomkostninger, skatter eller risiko‑justeret performance. Dens historiske øvelse er pseudo‑real‑time frem for en live‑implementering. Påstande om, at metoden kan slå markedet, ville gå ud over de foreliggende beviser.

Investering i det finansielle intelligens‑lag

Studiet peger på en stigende efterspørgsel efter renere finansielle data, adaptive analyser og værktøjer, der kan genkende regimeskift. Et firma, der er placeret i denne infrastruktur, er S&P Global. .

S&P Global opererer på tværs af benchmarks, ratinger, råvare‑intelligens og markedsdata. Dets Market Intelligence‑division leverer mange af de datasæt og analytiske arbejdsgange, som institutioner bruger til at undersøge virksomheder, kreditforhold og markedsadfærd. Virksomheden har også udvidet sine AI‑kapaciteter gennem Kensho, herunder værktøjer designet til at forbinde komplekse virksomhedsregistre og gøre finansielle datasæt lettere for maskiner at fortolke. I 2026 beskrev S&P Global en udvidet version af Kensho Link med bredere dækning af enheder og forbedret genkendelse på tværs af komplekse virksomhedsstrukturer.

Dette betyder ikke, at S&P Global ejer eller kommercialiserer den overvågningsmetode, der beskrives i studiet. Forbindelsen til investering er bredere: Adaptive finansielle modeller er afhængige af omfattende, standardiserede og rettidige data. Efterhånden som kvantitative systemer bliver mere responsive over for markedsregimer, bliver datakvalitet og integration en del af den konkurrencemæssige fordel.

Securities.io’s seneste profil af MSCI og infrastrukturen bag de finansielle markeder fremhæver den samme underliggende tendens. Index‑udbydere fungerer i stigende grad som data‑ og analysevirksomheder snarere end som simple udgivere af benchmark‑lister.

Markedsforudsigelighed er et bevægeligt mål

Papiret løser ikke debatten om effektive markeder, men det tilbyder en mere realistisk måde at indramme den på. Markeder kan generelt være svære at forudsige, samtidig med at de kan skabe korte perioder, hvor økonomiske og finansielle indikatorer bliver usædvanligt informative.

For investorer betyder det, at man ikke skal jagte hver ny signifikant variabel. Man skal behandle signaler som betingede, overvåge deres stabilitet og erkende, at en sammenhæng, der blev opdaget under en krise, måske ikke overlever den næste ekspansion. Den varige fordel kan være mindre at finde en enkelt permanent forudsigelsesformel og mere at opdage, hvornår markedets regler midlertidigt har ændret sig.

Referencer:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Realtime overvågning af aktieafkastforudsigelighed i ikke‑stationære volatilitetsscenarier. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341