Γιατί οι αποδόσεις των μετοχών μπορεί να είναι προβλέψιμες μόνο σε σύντομα παράθυρα

Οι αποδόσεις των μετοχών μπορεί να είναι προβλέψιμες, αλλά μόνο σε σύντομα παράθυρα

Οι επενδυτές έχουν περάσει δεκαετίες ψάχνοντας δείκτες που προβλέπουν αξιόπιστα τις αποδόσεις των μετοχών. Οι αναλογίες αποτίμησης, τα επιτόκια, τα spreads του πιστωτικού κινδύνου, ο πληθωρισμός, η μεταβλητότητα της αγοράς και τα μέτρα οικονομικής δραστηριότητας έχουν όλα δείξει υπόσχεση κάποια στιγμή. Η δυσκολία είναι ότι ένας δείκτης μπορεί να φαίνεται χρήσιμος σε μια περίοδο και να γίνεται αναποτελεσματικός στην επόμενη.

Μία νέα μελέτη που δημοσιεύτηκε στο Journal of Econometrics¹ υποστηρίζει ότι αυτή η αστάθεια μπορεί να αποτελεί χαρακτηριστικό της προβλεψιμότητας της αγοράς και όχι ελάττωμα στα δεδομένα. Οι αποδόσεις των μετοχών ίσως είναι προβλέψιμες, αλλά μόνο κατά τη διάρκεια προσωρινών επεισοδίων που δημιουργούνται από ύφεση, χρηματοοικονομικά σοκ, αλλαγές πολιτικής ή μετατοπίσεις στον τρόπο που οι επενδυτές επεξεργάζονται τις πληροφορίες.

Οι ερευνητές ανέπτυξαν στατιστικές διαδικασίες παρακολούθησης που αποσκοπούν στην ανίχνευση αυτών των επεισοδίων καθώς εμφανίζονται. Η δουλειά τους επαναπροσδιορίζει το πρακτικό ερώτημα. Αντί να ερωτούνται εάν μια μεταβλητή προβλέπει αποδόσεις σε ολόκληρο το ιστορικό δείγμα, οι επενδυτές πρέπει να ρωτούν εάν πρόσφατα άρχισε να περιέχει χρήσιμες πληροφορίες.

Γιατί τα μόνιμα σήματα της αγοράς είναι τόσο δύσκολο να εντοπιστούν

Η παραδοσιακή προβλεπτική έρευνα συχνά εκτιμά μία σχέση σε δεκαετίες δεδομένων. Για παράδειγμα, ένας αναλυτής μπορεί να ελέγξει εάν οι αποδόσεις μερισμάτων προβλέπουν το υπερβάλλον απόδοσης των μετοχών, δηλαδή την απόδοση που οι μετοχές παράγουν πάνω από ένα χωρίς κίνδυνο περιουσιακό στοιχείο. Αυτό υποθέτει ότι η σχέση παραμένει επαρκώς σταθερή καθ’ όλη τη διάρκεια του δείγματος.

Οι αγορές σπάνια συνεργάζονται. Οι αλλαγές στη νομισματική πολιτική, η εξέλιξη των κανονισμών και οι ευρέως ανακαλυφθείσες στρατηγικές προσελκύουν κεφάλαια. Ένα σήμα μπορεί να ενισχυθεί κατά τη διάρκεια μιας κρίσης και να εξαφανιστεί μόλις το αναγνωρίσουν οι επενδυτές. Ένα μοντέλο πλήρους περιόδου μπορεί επομένως να αραίσει ένα χρήσιμο επεισόδιο με πολλά χρόνια στα οποία δεν υπήρχε σχέση.

Αυτό βοηθά να εξηγηθεί γιατί οικονομικές μεταβλητές μπορεί να φαίνονται στατιστικά σημαντικές σε μια μελέτη και να αποτυγχάνουν σε άλλη. Η διαφωνία δεν σημαίνει απαραίτητα ότι ένα αποτέλεσμα ήταν λανθασμένο. Οι μελέτες μπορεί να εξέτασαν διαφορετικά καθεστώτα της αγοράς.

Η πρόκληση γίνεται πιο δύσκολη επειδή πολλοί συνηθισμένοι προβλεπτικοί δείκτες είναι ιδιαίτερα επίμονοι. Οι αποδόσεις μερισμάτων, οι αναλογίες βιβλίου-προς-αγορά και τα μέτρα επιτοκίων μπορούν να παραμείνουν υψηλά ή χαμηλά για μεγάλες περιόδους. Μπορούν επίσης να μεταβάλλονται παράλληλα με τα ίδια σοκ που επηρεάζουν τις αποδόσεις. Τα συμβατικά στατιστικά τεστ μπορούν να παρερμηνεύσουν αυτά τα χαρακτηριστικά ως προβλεπτική δύναμη.

Πώς η παρακολούθηση σε πραγματικό χρόνο αλλάζει το πρόβλημα

Το άρθρο προτείνει την παρακολούθηση των εισερχόμενων δεδομένων διαδοχικά μετά την καθιέρωση μιας αρχικής περιόδου εκπαίδευσης χωρίς εντοπισμένη προβλεψιμότητα. Η προτιμώμενη προσέγγισή του χρησιμοποιεί τη διαδικασία αθροιστικού αθροίσματος, ή CUSUM, που βασίζεται σε συνθήκες IVX ενδογενών μεταβλητών.

Με πιο απλούς όρους, το σύστημα παρακολουθεί εάν η σχέση μεταξύ ενός υποψήφιου δείκτη και των επακόλουθων αποδόσεων απομακρύνεται αρκετά από το ιστορικό του baseline ώστε να δικαιολογήσει σήμα. Έχει σχεδιαστεί ώστε να λειτουργεί χωρίς να απαιτεί από τον χρήστη να γνωρίζει εκ των προτέρων εάν ο προβλεπτικός δείκτης είναι ελαφρώς επίμονος, κοντά σε μοναδιαία ρίζα ή κάπου ενδιάμεσα.

Το πλαίσιο παρακολούθησης αντιμετωπίζει πολλαπλά προβλήματα ταυτόχρονα:

• Οι προβλεπτικές σχέσεις μπορεί να αρχίσουν και να λήξουν χωρίς προειδοποίηση.
• Η επαναλαμβανόμενη δοκιμή μπορεί να δημιουργήσει ψευδείς συναγερμούς ακόμη και όταν δεν υπάρχει σήμα.
• Οι αλλαγές στη μεταβλητότητα μπορούν να κάνουν τα συνηθισμένα τεστ να ανιχνεύουν σχέσεις που δεν είναι πραγματικές.
• Οι προβλεπτικοί δείκτες μπορεί να είναι επίμονοι και συσχετισμένοι με απρόσμενες αποδόσεις της αγοράς.

Η προσαρμογή της μεταβλητότητας είναι ιδιαίτερα σημαντική. Ένα σημαντικό σοκ στην αγορά δημιουργεί μεγαλύτερες παρατηρήσεις, που μπορούν να ωθήσουν ένα στατιστικό παρακολούθησης πάνω από ένα όριο ακόμη και αν η υποκείμενη προβλεπτική σχέση δεν έχει αλλάξει. Αυτό σχετίζεται με το ευρύτερο πρόβλημα ότι τα γνωστά μέτρα μπορεί να αποτυπώνουν μόνο μέρος του περιβάλλοντος κινδύνου, όπως συζητήθηκε στην ανάλυση του Securities.io για γιατί το VIX δεν αποτυπώνει πλήρως τον κίνδυνο της χρηματιστηριακής αγοράς.

Τι βρήκαν οι προσομοιώσεις

Οι συγγραφείς έδωσαν δοκιμές στις μεθόδους τους σε προσομοιωμένες αγορές με διαφορετική επίμονη προβλεπτικών δεικτών, διαδρομές μεταβλητότητας, σχέσεις ενδογένειας και ημερομηνίες έναρξης των προβλεπτικών επεισοδίων. Πολλές προτεινόμενες διαδικασίες CUSUM διατήρησαν σχετικά ελεγχόμενα ποσοστά ψευδών θετικών σε πολλές από αυτές τις συνθήκες.

Οι πιο ισχυρές μέθοδοι γενικά ανίχνευαν την προβλεψιμότητα νωρίτερα από τις ανταγωνιστικές διαδικασίες κυλιόμενου παραθύρου, ιδιαίτερα όταν ο προβλεπτικός δείκτης ήταν εξαιρετικά επίμονος. Αυτό έχει σημασία επειδή ένα βραχύβιο σήμα χάνει πρακτική αξία εάν ένα μοντέλο το εντοπίζει μόνο κοντά στο τέλος του επεισοδίου.

Ωστόσο, καμία έκδοση δεν κυριάρχησε σε όλες τις συνθήκες. Μια διαδικασία αντέδρασε ιδιαίτερα γρήγορα αλλά παρήγαγε υπερβολικά πολλά ψευδώς θετικά μετά από άνοδο της μεταβλητότητας. Μια άλλη ήταν πιο συντηρητική και πιο αργή. Η προτιμώμενη προσέγγιση του άρθρου, η προσαρμοσμένη σε διακύμανση CUSUM, προσέφερε μια πιο χρήσιμη ισορροπία μεταξύ ταχύτητας ανίχνευσης και ελέγχου ψευδών συναγερμών.

Ένα μοντέλο που δίνει σήματα πολύ εύκολα ενθαρρύνει το δαπανηρό κόστος αλλαγής και την υπερβολική αυτοπεποίθηση. Ένα προσεκτικό μοντέλο μπορεί να αναγνωρίσει ένα καθεστώς μόνο αφού περάσει μεγάλο μέρος της ευκαιρίας. Τα συστήματα σε πραγματικό χρόνο, επομένως, χρειάζονται μια σαφή πολιτική για την επιλογή μεταξύ χαμένων σημάτων και ψευδών συναγερμών.

Τι Συμβαίνει Όταν το Μοντέλο Παρακολουθεί το S&P 500

Οι ερευνητές πραγματοποίησαν μια ψευδο-πραγματική άσκηση χρησιμοποιώντας μηνιαία δεδομένα του S&P 500 και υποψήφιους προβλεπτικούς δείκτες από τον Ιανουάριο 1965 έως τον Δεκέμβριο 2024. Οι δείκτες περιελάμβαναν λόγους αποτίμησης, μετρήσεις μεταβλητότητας, τεχνικούς δείκτες, αποδόσεις ομολόγων, μεταβλητές της αγοράς πιστωτικών, πληθωρισμό και οικονομική δραστηριότητα.

Οι δοκιμές σε όλο το δείγμα βρήκαν λίγα αποδεικτικά στοιχεία ότι οι περισσότερες μεταβλητές πρόβλεπαν τις αποδόσεις με συνέπεια. Ωστόσο, οι διαδικασίες παρακολούθησης εντόπισαν διακριτά χρονικά παράθυρα. Πολλοί δείκτες ομολόγων και μακροοικονομικοί δείκτες έγιναν ενημερωτικοί γύρω από τη διαταραχή της αγοράς 1973-1975. Η διαφορά αποδόσεων (term spread) παρουσίασε προβλεπτικό περιεχόμενο στην περίοδο που οδήγησε στη Μαύρη Δευτέρα. Άλλα σήματα εμφανίστηκαν κατά τη διάρκεια της παγκόσμιας χρηματοπιστωτικής κρίσης, το 2018 και το 2022.

Αυτά τα αποτελέσματα υποστηρίζουν μια ερμηνεία βάσει καθεστώτος. Οι αποδόσεις πιστωτικών, τα spreads αποδόσεων, η ρευστότητα, η αποτίμηση και η οικονομική αδράνεια μπορεί να είναι πιο σημαντικά όταν η αγορά επαναπροσδιορίζει τον κίνδυνο. Δεν είναι απαραίτητο να προβλέπουν αποδόσεις σε κανονικές συνθήκες για να γίνουν χρήσιμα κατά τις περιόδους άγχους.

Η Μεγαλύτερη Αντίληψη Είναι Η Διαχείριση Κύκλου Ζωής Σήματος

Η πιο πολύτιμη συνεισφορά της μελέτης δεν είναι μια λίστα δεικτών για συναλλαγές. Είναι ένα πλαίσιο για τη διαχείριση του κύκλου ζωής ενός επενδυτικού σήματος.

Ένα παραγωγικό μοντέλο πρέπει να διαθέτει κανόνα ενεργοποίησης, κανόνα αποχώρησης και μέθοδο επαναρύθμισης μετά από μια ανιχνευμένη περίοδο. Αυτό διαφέρει από το να χτίζεις ένα μοντέλο πρόβλεψης μία φορά και να υποθέτεις ότι οι συντελεστές του παραμένουν έγκυροι. Θεωρεί την προβλεψιμότητα ως μια μεταβαλλόμενη κατάσταση του συστήματος.

Αυτή η προοπτική υποδηλώνει επίσης ότι η μεταβλητότητα εξυπηρετεί δύο ρόλους. Μπορεί να περιέχει πληροφορίες για τις αναμενόμενες αποδόσεις, αλλά μπορεί επίσης να διαστέλνει το στατιστικό τεστ που χρησιμοποιείται για την ανίχνευση αυτών των πληροφοριών. Η έρευνα που καλύπτεται από το Securities.io έχει επίσης διαπιστώσει ότι οι ημερήσιες αποδόσεις μπορούν να παραμείνουν πολύτιμες για την πρόβλεψη της μεταβλητότητας ακόμη και όταν είναι διαθέσιμα σύνολα δεδομένων υψηλότερης συχνότητας. Περισσότερα δεδομένα δεν λύνουν αυτόματα την αστάθεια του μοντέλου εάν οι σχέσεις μέσα σε αυτά τα δεδομένα συνεχίζουν να αλλάζουν.

Για τις επενδυτικές ομάδες, το λογικό επόμενο βήμα θα ήταν ένα πολυεπίπεδο σύστημα. Ένα μοντέλο θα παρακολουθεί εάν ένας υποψήφιος προβλεπτικός δείκτης έχει εισέλθει σε ενεργό καθεστώς. Ένα ξεχωριστό επίπεδο πρόβλεψης θα εκτιμά την κατεύθυνση και το μέγεθος των αναμενόμενων αποδόσεων. Η κατασκευή του χαρτοφυλακίου θα λαμβάνει υπόψη το κόστος συναλλαγών, τις πτώσεις, τη ρευστότητα και τα όρια θέσεων.

Αυτή η διάσπαση είναι ουσιώδης επειδή η στατιστική προβλεψιμότητα δεν είναι το ίδιο με μια κερδοφόρα στρατηγική. Η εργασία δεν υπολογίζει τις αποδόσεις του χαρτοφυλακίου, τα κόστη υλοποίησης, τους φόρους ή την απόδοση προσαρμοσμένη στον κίνδυνο. Η ιστορική της άσκηση είναι ψευδο-πραγματική παρά ζωντανή υλοποίηση. Οι ισχυρισμοί ότι η μέθοδος μπορεί να ξεπεράσει την αγορά θα υπερέβαιναν τα αποδεικτικά στοιχεία.

Επένδυση στο Στρώμα Χρηματοοικονομικής Νοημοσύνης

Η μελέτη δείχνει αυξανόμενη ζήτηση για πιο καθαρά χρηματοοικονομικά δεδομένα, προσαρμοστική ανάλυση και εργαλεία που μπορούν να αναγνωρίζουν αλλαγές καθεστώτος. Μία εταιρεία που βρίσκεται σε αυτήν την υποδομή είναι η S&P Global (SPGI ) .

Η S&P Global δραστηριοποιείται σε δείκτες αναφοράς, αξιολογήσεις, πληροφορίες εμπορευμάτων και δεδομένα αγοράς. Η division Market Intelligence της παρέχει πολλά από τα σύνολα δεδομένων και τις αναλυτικές ροές εργασίας που χρησιμοποιούν τα ιδρύματα για την έρευνα εταιρειών, συνθηκών πίστωσης και συμπεριφοράς της αγοράς. Η εταιρεία έχει επίσης επεκτείνει τις δυνατότητες AI της μέσω του Kensho, συμπεριλαμβανομένων εργαλείων που σχεδιάζονται για τη σύνδεση σύνθετων εταιρικών αρχείων και την ευκολότερη ερμηνεία των χρηματοοικονομικών δεδομένων από μηχανές. Το 2026, η S&P Global περιέγραψε μια επεκταμένη έκδοση του Kensho Link με ευρύτερη κάλυψη οντοτήτων και βελτιωμένη αναγνώριση σε σύνθετες εταιρικές δομές.

Αυτό δεν σημαίνει ότι η S&P Global κατέχει ή εμπορευματοποιεί τη μέθοδο παρακολούθησης που περιγράφεται στη μελέτη. Η επενδυτική σύνδεση είναι ευρύτερη: τα προσαρμοστικά χρηματοοικονομικά μοντέλα εξαρτώνται από εκτενή, τυποποιημένα, έγκαιρα δεδομένα. Καθώς τα ποσοτικά συστήματα γίνονται πιο ανταποκρινόμενα στα καθεστώτα της αγοράς, η ποιότητα των δεδομένων και η ενσωμάτωση γίνονται μέρος του ανταγωνιστικού πλεονεκτήματος.

Το πρόσφατο προφίλ του Securities.io για MSCI και η υποδομή πίσω από τις χρηματοοικονομικές αγορές επισημαίνει την ίδια υποκείμενη τάση. Οι πάροχοι δεικτών λειτουργούν όλο και περισσότερο ως εταιρείες δεδομένων και αναλύσεων αντί για απλούς εκδότες λιστών δεικτών.

Η προβλεψιμότητα της αγοράς είναι ένας μεταβαλλόμενος στόχος

Το άρθρο δεν επιλύει τη συζήτηση για την αποδοτικότητα των αγορών, αλλά προσφέρει έναν πιο ρεαλιστικό τρόπο να την προσεγγίσουμε. Οι αγορές είναι γενικά δύσκολο να προβλεφθούν, ενώ παράλληλα δημιουργούν σύντομα διαστήματα στα οποία οι οικονομικοί και χρηματοοικονομικοί δείκτες γίνονται ασυνήθιστα ενημερωτικοί.

Για τους επενδυτές, η συνέπεια δεν είναι να κυνηγούν κάθε νέα σημαντική μεταβλητή. Αντίθετα, πρέπει να αντιμετωπίζουν τα σήματα ως υπό όρους, να παρακολουθούν τη σταθερότητά τους και να αναγνωρίζουν ότι μια σχέση που ανακαλύφθηκε κατά τη διάρκεια μιας κρίσης μπορεί να μην επιβιώσει στην επόμενη επέκταση. Το διαρκές πλεονέκτημα ενδέχεται να αφορά λιγότερο την εύρεση μιας μόνιμης φόρμουλας πρόβλεψης και περισσότερο τον εντοπισμό στιγμών που οι κανόνες της αγοράς έχουν προσωρινά αλλάξει.

Αναφορές:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Παρακολούθηση σε πραγματικό χρόνο για την προβλεψιμότητα των αποδόσεων των μετοχών σε μη στάσιμα περιβάλλοντα μεταβλητότητας. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341