Miksi osaketuotot voivat olla ennustettavissa vain lyhyissä jaksoissa

Osaketuotot voivat olla ennustettavissa, mutta vain lyhyissä jaksoissa

Sijoittajat ovat viettäneet vuosikymmeniä etsien indikaattoreita, jotka luotettavasti ennustavat osaketuottoja. Arvostusluvut, korkotasot, luottovälit, inflaatio, markkinavolatiliteetti ja taloudellisen toiminnan mittarit ovat kaikki joskus vaikuttaneet lupaavilta. Ongelma on, että indikaattori voi vaikuttaa hyödylliseltä yhdessä ajanjaksossa ja olla tehoton seuraavassa.

Uusi tutkimus, joka on julkaistu Journal of Econometrics¹ -lehdessä, väittää, että tämä epävakaus saattaa olla markkinoiden ennustettavuuden määrittelevä piirre eikä datan virhe. Osaketuotot saattavat olla ennustettavissa, mutta vain tilapäisissä jaksoissa, jotka syntyvät taantumien, rahoituksellisten shokkien, poliittisten muutosten tai sijoittajien tiedonkäsittelyn muutosten seurauksena.

Tutkijat kehittivät tilastollisia valvontamenetelmiä, joiden tarkoitus on havaita nämä jaksot niiden ilmaantuessa. Heidän työnsä asettaa käytännön kysymyksen uudelleen. Sen sijaan, että kysyisi, ennustaisiko muuttuja tuotot koko historiallisessa otoksessa, sijoittajien tulisi kysyä, onko se äskettäin alkanut sisältää hyödyllistä tietoa.

Miksi pysyviä markkinasignaaleja on niin vaikea löytää

Perinteinen ennustava tutkimus arvioi usein yhtä suhdetta vuosikymmenten dataa käyttäen. Esimerkiksi analyytikko saattaa testata, ennustavatko osinkotuotot osakkeen riskipreemion, eli osakkeiden tuoton riskittömän sijoituksen yläpuolella. Tämä olettaa, että suhde pysyy riittävän vakaana koko otoksen ajan.

Markkinat harvoin yhteistyössä. Rahapoliittiset muutokset, sääntelyn kehittyminen ja laajasti löydetyt strategiat houkuttelevat pääomaa. Signaali voi vahvistua kriisin aikana ja kadota, kun sijoittajat sen tunnistavat. Koko jakson malli voi siis laimentaa hyödyllisen jakson monien vuosien aikana, jolloin suhdetta ei ollut.

Tämä auttaa selittämään, miksi rahoitusmuuttujat voivat vaikuttaa tilastollisesti merkittäviksi yhdessä tutkimuksessa ja epäonnistua toisessa. Eriävät tulokset eivät välttämättä tarkoita, että toinen olisi väärin; tutkimukset ovat saattaneet tarkastella erilaisia markkinaregimejä.

Haaste vaikeutuu, koska monet yleiset ennustajat ovat erittäin pysyviä. Osinkotuotot, kirjanpito-markkina-suhteet ja korkomittarit voivat pysyä korkeina tai matalina pitkään. Ne voivat myös liikkua samojen shokkien mukana, jotka vaikuttavat tuottoihin. Perinteiset tilastolliset testit voivat sekoittaa nämä ominaisuudet ennustavaksi voimaksi.

Miten reaaliaikainen valvonta muuttaa ongelmaa

Artikkeli ehdottaa saapuvan datan seurantaa peräkkäin sen jälkeen, kun on luotu alkukoulutusjakso, jossa ennustettavuutta ei havaittu. Sen suosima lähestymistapa käyttää kumulatiivista summaa, eli CUSUM-prosessia, joka perustuu IVX-instrumenttimuuttujakriteereihin.

Yksinkertaisemmin sanottuna järjestelmä seuraa, onko ehdokasindikaattorin ja myöhempien tuottojen välinen suhde poikkeamassa riittävästi historiallisesta peruslinjasta, jotta signaali olisi perusteltu. Se on suunniteltu toimimaan ilman, että käyttäjän täytyy etukäteen tietää, onko ennustaja heikosti pysyvä, lähellä yksikköjuurta vai jossain näiden välillä.

Valvontakehys käsittelee useita ongelmia samanaikaisesti:

• Ennustavat suhteet voivat alkaa ja päättyä ilman varoitusta.
• Toistuva testaus voi aiheuttaa vääriä hälytyksiä, vaikka signaalia ei ole.
• Volatiliteetin muutokset voivat saada tavalliset testit havaitsemaan suhteita, jotka eivät ole todellisia.
• Ennustajat voivat olla pysyviä ja korreloida odottamattomien markkinatuottojen kanssa.

Volatiliteetin säätö on erityisen tärkeä. Merkittävä markkinashokki tuottaa suurempia havaintoja, jotka voivat työntää valvontatilastollisen arvon kynnyksen yli, vaikka perustavaa ennustavaa suhdetta ei olisi muuttunut. Tämä liittyy laajempaan ongelmaan, että tutut mittarit saattavat vangita vain osan riskiympäristöstä, kuten Securities.io:n tarkastelussa miksi VIX ei täysin kata osakemarkkinoiden riskiä.

Mitä simulaatiot löysivät

Tekijät testasivat menetelmiään simuloiduilla markkinoilla, joissa oli erilainen ennustajan pysyvyys, volatiliteettipolut, endogeeniset suhteet ja ennustettavien jaksojen aloituspäivämäärät. Useat ehdotetut CUSUM-proseduurit pitivät kohtuullisesti hallittuna väärien positiivisten määrän monissa näistä olosuhteista.

Vahvimmat menetelmät havaitsivat ennustettavuuden yleensä aikaisemmin kuin kilpailevat liukuva-ikkuna-proseduurit, erityisesti kun ennustaja oli erittäin pysyvä. Tämä on merkittävää, koska lyhytaikainen signaali menettää käytännön arvonsa, jos malli tunnistaa sen vain jakson lopussa.

Kuitenkaan mikään versio ei hallinnut kaikkia olosuhteita. Yksi proseduuri reagoi erityisen nopeasti, mutta tuotti liiallisia vääriä hälytyksiä volatiliteetin nousun jälkeen. Toinen oli varovaisempi ja hitaampi. Artikkelin suosima varianssikorjattu CUSUM-lähestymistapa tarjosi hyödyllisemmän tasapainon havaitsemisnopeuden ja väärähälytysten hallinnan välillä.

Liian helposti signaaleja antava malli kannustaa kalliiseen vaihtoon ja ylimielisyyteen. Varovainen malli saattaa tunnistaa tilanteen vasta, kun suuri osa mahdollisuudesta on jo mennyt. Reaaliaikaiset järjestelmät tarvitsevat siis selkeän politiikan, jonka avulla valitaan myönnettyjen signaalien ja väärien hälytysten välillä.

Mitä tapahtui, kun malli tarkkaili S&P 500‑indeksiä

Tutkijat suorittivat pseudo‑reaaliaikaisen kokeilun käyttäen kuukausittaisia S&P 500‑tietoja ja ehdokaspredictoreita tammikuusta 1965 joulukuuhun 2024. Predictoreihin kuului arvostusluvut, volatiliteettimittarit, tekniset indikaattorit, joukkovelkakirjalaskut, luottomarkkinoiden muuttujat, inflaatio ja taloudellinen toiminta.

Koko otoksen testaus osoitti vain vähän todisteita siitä, että useimmat muuttujat ennustaisivat tuottoja johdonmukaisesti. Valvontamenetelmät kuitenkin tunnistivat erillisiä ikkunoita. Useat joukkovelkakirja‑ ja makrotaloudelliset indikaattorit tulivat informatiivisiksi 1973‑1975 markkinahäiriön aikana. Termiinispreadi sisälsi ennustavaa sisältöä ennen Black Monday‑päivää. Muita signaaleja ilmeni globaalin finanssikriisin, vuoden 2018 ja vuoden 2022 yhteydessä.

Nämä tulokset tukevat tilanneperusteista tulkintaa. Luottotason tuotot, korkospreadit, likviditeetti, arvostus ja taloudellinen löysäys voivat olla merkityksellisimpiä, kun markkinat hinnoittelevat riskin uudelleen. Niiden ei tarvitse ennustaa tuottoja tavallisissa olosuhteissa ollakseen hyödyllisiä stressiajanjaksoina.

Suurempi oivallus on signaalin elinkaaren hallinta

Tutkimuksen arvokkain panos ei ole lista kaupankäyntiin soveltuvista indikaattoreista, vaan kehys investointisignaalin elinkaaren hallitsemiseksi.

Tuotantomallissa tulisi olla aktivointisääntö, poistamissääntö ja menetelmä uudelleenkalibrointiin havaittua jaksoa seuraten. Tämä eroaa siitä, että ennustemalli rakennetaan kerran ja sen oletetaan pysyvän voimassa. Se käsittelee ennustettavuutta muuttuvana järjestelmän tilana.

Tämä näkökulma viittaa myös siihen, että volatiliteetilla on kaksi roolia. Se voi sisältää tietoa odotetuista tuotoista, mutta se voi myös vääristää tilastollista testiä, jonka avulla kyseinen tieto havaitaan. Securities.io:n kattama tutkimus on samankaltaisesti havainnut, että päivittäiset tuotot voivat edelleen olla arvokkaita volatiliteetin ennustamiseen vaikka korkeamman taajuuden aineistoja olisi saatavilla. Enemmän dataa ei automaattisesti ratkaise mallin epävakautta, jos datan sisäiset suhteet jatkuvasti muuttuvat.

Sijoitustiimeille looginen seuraava askel olisi kerrostettu järjestelmä. Yksi malli valvoisi, onko ehdokaspredictori siirtynyt aktiiviseen tilaan. Erillinen ennustelokerros arvioisi odotettujen tuottojen suuntaa ja suuruutta. Salkunrakennus ottaisi sitten huomioon kaupankäyntikustannukset, pudotukset, likviditeetin ja positioiden rajoitukset.

Tämä erottelu on olennaista, koska tilastollinen ennustettavuus ei ole sama kuin kannattava strategia. Artikkeli ei laske salkun tuottoja, toteutuskustannuksia, veroja tai riskikorjattua suorituskykyä. Sen historiallinen harjoitus on pseudo‑reaaliaikainen eikä elävä käyttöönotto. Väitteet, että menetelmä voisi voittaa markkinat, ylittäisivät esitetyn evidenssin.

Sijoittaminen taloudellisen älykkyyden kerrokseen

Tutkimus viittaa kasvavaan kysyntään puhtaammalle rahoitusdatalle, adaptiiviselle analytiikalle ja työkaluille, jotka pystyvät tunnistamaan tilannevaihdoksia. Yksi infrastruktuurissa toimiva yritys on S&P Global. .

S&P Global (SPGI ) toimii eri vertailuarvojen, luokitusten, raaka-aine‑tiedustelun ja markkinatietojen parissa. Sen Market Intelligence -osasto tarjoaa lukuisia tietoaineistoja ja analyyttisiä työnkulkuja, joita instituutiot käyttävät yritysten, luottolähtötilanteiden ja markkinakäyttäytymisen tutkimiseen. Yritys on myös laajentanut tekoälykykyjään Kenshon kautta, mukaan lukien työkalut, jotka on suunniteltu yhdistämään monimutkaisia yritystietueita ja tekemään rahoitustietoaineistoista koneiden helpommin tulkittavia. Vuonna 2026 S&P Global kuvasi laajennettua versiota Kensho Link -palvelusta, jossa on laajempi kohdevalikoima ja parempi tunnistus monimutkaisissa yritysrakenteissa.

Tämä ei tarkoita, että S&P Global omistaisi tai kaupallistaisi tutkimuksessa kuvattua valvontamenetelmää. Sijoitussuhde on laajempi: adaptiiviset rahoitusmallit perustuvat laajaan, standardisoituun ja ajantasaiseen dataan. Kun kvantitatiiviset järjestelmät reagoivat yhä herkemmin markkinatilanteiden muutoksiin, datan laatu ja integraatio muodostuvat osaksi kilpailuetua.

Securities.io:n viimeaikainen profiili MSCI and the infrastructure behind financial markets korostaa samaa taustalla olevaa trendiä. Indeksipalveluntarjoajat toimivat yhä enemmän data- ja analytiikkayrityksinä sen sijaan, että ne olisivat pelkkiä vertailulistojen julkaisijoita.

Markkinoiden ennustettavuus on liikkuva tavoite

Tutkimus ei ratkaise tehokkaiden markkinoiden väittelyä, mutta se tarjoaa realistisemman tavan tarkastella asiaa. Markkinoita on yleisesti vaikea ennustaa, vaikka nekin tuottavat lyhyitä jaksoja, jolloin taloudelliset ja rahoitusindikaattorit ovat poikkeuksellisen informatiivisia.

Sijoittajille implikaatio ei ole lähteä kiinni jokaisesta äskettäin merkittävästä muuttujasta. Sen sijaan signaaleja tulisi pitää ehdollisina, seurata niiden vakautta ja tunnistaa, että kriisin aikana havaittu suhde ei välttämättä kestä seuraavaa laajentumista. Kestävä etu voi olla vähemmän yhden pysyvän ennustemallin löytämisessä ja enemmän sen havaitsemisessa, milloin markkinoiden säännöt ovat tilapäisesti muuttuneet.

Lähteet:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Reaaliaikainen seuranta osaketuoton ennustettavuudesta ei‑stationaarisissa volatiliteettialueissa. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341