Hvorfor aksjeavkastning kun kan være forutsigbar i korte perioder

Aksjeavkastning kan være forutsigbar, men kun i korte perioder

Investorer har i flere tiår søkt etter indikatorer som pålitelig kan forutsi aksjeavkastning. Verdsettelsesforhold, rentenivåer, kredittspreader, inflasjon, markedsvolatilitet og mål på økonomisk aktivitet har alle på et tidspunkt vist løfter. Vanskeligheten er at en indikator kan virke nyttig i én periode og bli ineffektiv i den neste.

En ny studie publisert i Journal of Econometrics¹ argumenterer for at denne ustabiliteten kan være et definert trekk ved markedets forutsigbarhet snarere enn en feil i dataene. Aksjeavkastning kan være forutsigbar, men kun i midlertidige episoder som oppstår under resesjoner, finansielle sjokk, politiske endringer eller endringer i hvordan investorer behandler informasjon.

Forskerne utviklet statistiske overvåkingsprosedyrer ment å oppdage disse episodene etter hvert som de oppstår. Deres arbeid omformulerer det praktiske spørsmålet. I stedet for å spørre om en variabel forutsier avkastning over hele det historiske utvalget, bør investorer spørre om den nylig har begynt å inneholde nyttig informasjon.

Hvorfor permanente markedssignaler er så vanskelige å finne

Tradisjonell prediktiv forskning estimerer ofte én relasjon over flere tiår med data. For eksempel kan en analytiker teste om utbytteavkastning forutsier aksjepremien, det vil si avkastningen aksjer gir over en risikofri eiendel. Dette forutsetter at forholdet forblir tilstrekkelig stabilt gjennom hele utvalget.

Markeder samarbeider sjelden. Pengepolitiske endringer, reguleringer utvikler seg, og bredt oppdagede strategier tiltrekker kapital. Et signal kan styrkes under en krise og forsvinne når investorer gjenkjenner det. En modell som dekker hele perioden kan derfor fortynne en nyttig episode med mange år der ingen relasjon eksisterte.

Dette bidrar til å forklare hvorfor finansielle variabler kan fremstå som statistisk signifikante i én studie og mislykkes i en annen. Uenigheten betyr nødvendigvis ikke at ett resultat var feil. Studiene kan ha undersøkt ulike markedsregimer.

Utfordringen blir vanskeligere fordi mange vanlige prediktorer er svært vedvarende. Utbytteavkastning, bok‑til‑marked‑forhold og rentemålinger kan forbli høye eller lave over lange perioder. De kan også bevege seg i takt med de samme sjokkene som påvirker avkastning. Konvensjonelle statistiske tester kan forveksle disse egenskapene med prediksjonskraft.

Hvordan sanntidsovervåking endrer problemet

Artikkelen foreslår å overvåke innkommende data sekvensielt etter å ha etablert en innledende treningsperiode uten påvist forutsigbarhet. Den foretrukne tilnærmingen benytter en kumulativ sum‑prosess, eller CUSUM, bygget på IVX‑instrumentvariabelbetingelser.

Enklere sagt holder systemet oversikt over om forholdet mellom en kandidatindikator og påfølgende avkastning drifter langt nok fra sin historiske referanse til å rettferdiggjøre et signal. Det er designet for å fungere uten at brukeren på forhånd må vite om prediktoren er svakt vedvarende, nær en enhetsrot, eller et sted mellom disse tilfellene.

Overvåkingsrammeverket adresserer flere problemer samtidig:

• Prediktive sammenhenger kan begynne og slutte uten varsel.
• Gjentatte tester kan generere falske alarmer selv når ingen signal finnes.
• Endringer i volatilitet kan få vanlige tester til å oppdage sammenhenger som ikke er reelle.
• Prediktorer kan være vedvarende og korrelert med uventet markedsavkastning.

Volatilitetsjusteringen er spesielt viktig. Et stort markedssjokk gir større observasjoner, som kan skyve en overvåkningsstatistikk over en terskel selv om den underliggende prediktive relasjonen ikke har endret seg. Dette henger sammen med det bredere problemet at kjente måleindikatorer kun kan fange en del av risikomiljøet, som diskutert i Securities.io sin gjennomgang av hvorfor VIX ikke fullt ut fanger aksjemarkedets risiko.

Hva simuleringene fant

Forfatterne testet metodene sine i simulerte markeder med ulik prediktorvedvarende, volatilitetsspor, endogenitetsforhold og startdatoer for prediktive episoder. Flere foreslåtte CUSUM‑prosedyrer opprettholdt rimelig kontrollerte falsk‑positiv‑rater under mange av disse betingelsene.

De sterkeste metodene oppdaget vanligvis forutsigbarhet tidligere enn konkurrerende rullende‑vindus‑prosedyrer, spesielt når prediktoren var ekstremt vedvarende. Dette er viktig fordi et kortvarig signal mister praktisk verdi dersom en modell identifiserer det kun mot slutten av episoden.

Imidlertid dominerte ingen versjon under alle forhold. En prosedyre reagerte spesielt raskt, men ga for mange falske positiver etter en oppadgående volatilitetsskifte. En annen var mer konservativ og langsommere. Artikkelens foretrukne variansjusterte CUSUM‑tilnærming ga en mer nyttig balanse mellom deteksjonshastighet og kontroll av falske alarmer.

En modell som signaliserer for lett, oppmuntrer til kostbar turnover og overmot. En forsiktig modell kan gjenkjenne et regime først etter at en stor del av muligheten er gått tapt. Sanntidssystemer trenger derfor en eksplisitt policy for å velge mellom tapte signaler og falske alarmer.

Hva skjedde da modellen fulgte S&P 500

Forskerne gjennomførte en pseudo‑sanntidsøvelse med månedlige S&P 500‑data og kandidat‑prediktorer fra januar 1965 til desember 2024. Prediktorene inkluderte verdsettingsforhold, volatilitetstiltak, tekniske indikatorer, obligasjonsrenter, kredittmarkedvariabler, inflasjon og økonomisk aktivitet.

Full‑utvalgs testing fant lite bevis for at de fleste variabler forutsier avkastning konsistent. Likevel identifiserte overvåkningsprosedyrene distinkte vinduer. Flere obligasjons‑ og makroøkonomiske indikatorer ble informative rundt markedssjokket 1973‑1975. Term‑spredningen viste prediktivt innhold i perioden før Black Monday. Andre signaler dukket opp rundt den globale finanskrisen, i 2018 og i 2022.

Disse resultatene støtter en regimes‑basert tolkning. Kredit‑avkastning, rentespredninger, likviditet, verdsetting og økonomisk slack kan ha størst betydning når markedet ompriser risiko. De trenger ikke å forutsi avkastning under vanlige forhold for å bli nyttige i stressperioder.

Den viktigste innsikten er styring av signalets livssyklus

Studiets mest verdifulle bidrag er ikke en liste over indikatorer å handle på. Det er en ramme for å håndtere livssyklusen til et investeringssignal.

En produksjonsmodell bør ha en aktiveringsregel, en pensjoneringsregel og en metode for rekalibrering etter en oppdaget episode. Det er forskjellig fra å bygge en prognosemodell én gang og anta at koeffisientene forblir gyldige. Den behandler forutsigbarhet som en endrende systemtilstand.

Dette perspektivet antyder også at volatilitet har to roller. Den kan inneholde informasjon om forventet avkastning, men den kan også forvrenge den statistiske testen som brukes for å oppdage den informasjonen. Forskning dekket av Securities.io har på samme måte funnet at daglige avkastninger kan fortsatt være verdifulle for volatilitetsspredning selv når høyfrekvente datasett er tilgjengelige. Mer data løser ikke automatisk modellinstabilitet dersom forholdene i dataene stadig endrer seg.

For investerings‑team ville det logiske neste steget være et lagdelt system. En modell ville overvåke om en kandidat‑prediktor har gått inn i et aktivt regime. Et eget prognoselag ville estimere retning og størrelse på forventet avkastning. Porteføljekonstruksjon ville deretter ta hensyn til handels­kostnader, nedtrekks‑perioder, likviditet og posisjonsgrenser.

Den separasjonen er essensiell fordi statistisk forutsigbarhet ikke er det samme som en lønnsom strategi. Artikkelen beregner ikke porteføljeavkastning, implementeringskostnader, skatter eller risikojustert avkastning. Den historiske øvelsen er pseudo‑sanntid snarere enn en live‑implementering. Påstander om at metoden kan slå markedet ville gå utover bevisgrunnlaget.

Investering i det finansielle intelligens‑laget

Studien peker mot økende etterspørsel etter renere finansdata, adaptive analyser og verktøy som kan gjenkjenne regimeendringer. Ett selskap som er plassert i denne infrastrukturen er S&P Global. .

S&P Global opererer på tvers av referanseindekser, ratinger, råvare‑intelligens og markedsdata. Markeds‑Intelligence‑divisjonen leverer mange av datasettene og analytiske arbeidsflyter institusjoner bruker for å undersøke selskaper, kredittforhold og markedsatferd. Selskapet har også utvidet sine AI‑kapasiteter gjennom Kensho, inkludert verktøy designet for å koble komplekse selskapsregistre og gjøre finansielle datasett lettere for maskiner å tolke. I 2026 beskrev S&P Global en utvidet versjon av Kensho Link med bredere enhetsdekning og forbedret gjenkjenning av komplekse selskapsstrukturer.

Dette betyr ikke at S&P Global eier eller kommersialiserer overvåkningsmetoden beskrevet i studien. Investeringstilkoblingen er bredere: adaptive finansmodeller er avhengige av omfattende, standardiserte og tidsriktige data. Etter hvert som kvantitative systemer blir mer responsive til markedsregimer, blir datakvalitet og integrasjon en del av konkurransefordelen.

Securities.ios nylige profil av MSCI og infrastrukturen bak finansmarkedene fremhever den samme underliggende trenden. Indeksleverandører opererer i økende grad som data‑ og analysebedrifter snarere enn som enkle publisister av referanselister.

Markedsforutsigbarhet er et bevegelig mål

Artikkelen løser ikke debatten om effektive markeder, men den gir en mer realistisk måte å ramme den på. Markeder kan generelt være vanskelige å forutsi, samtidig som de av og til gir korte perioder hvor økonomiske og finansielle indikatorer blir usedvanlig informative.

For investorer innebærer dette at man ikke skal jage hver ny signifikant variabel. Man bør behandle signaler som betingede, overvåke deres stabilitet, og erkjenne at en sammenheng oppdaget under en krise kanskje ikke overlever den neste ekspansjonen. Den varige fordelen kan være mindre å finne en permanent prognoseformel, og mer å oppdage når markedets regler midlertidig har endret seg.

Referanser:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Sanntidsovervåkning av aksjeavkastningsforutsigbarhet i ikke‑stasjonære volatilitetssituasjoner. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341