Varför aktieavkastning kan vara förutsägbar endast under korta fönster

Aktieavkastning kan vara förutsägbar, men endast under korta fönster

Investerare har i årtionden sökt efter indikatorer som på ett tillförlitligt sätt kan förutsäga aktieavkastning. Värderingsförhållanden, räntor, kreditspreadar, inflation, marknadsvolatilitet och mått på ekonomisk aktivitet har alla vid olika tidpunkter visat lovande resultat. Svårigheten är att en indikator kan framstå som användbar under en period och bli ineffektiv i nästa.

En ny studie publicerad i Journal of Econometrics¹ hävdar att denna instabilitet kan vara ett kännetecken för marknadens förutsägbarhet snarare än ett fel i data. Aktieavkastning kan vara förutsägbar, men endast under tillfälliga episoder som uppstår vid recessioner, finansiella chocker, policyförändringar eller förändringar i hur investerare bearbetar information.

Forskarna utvecklade statistiska övervakningsprocedurer avsedda att upptäcka dessa episoder när de uppstår. Deras arbete omformulerar den praktiska frågan. Istället för att fråga om en variabel förutsäger avkastning över hela det historiska urvalet bör investerare fråga om den nyligen har börjat innehålla användbar information.

Varför permanenta marknadssignaler är så svåra att hitta

Traditionell prediktiv forskning uppskattar ofta ett enda samband över årtionden av data. Till exempel kan en analytiker testa om utdelningsavkastning förutsäger aktiepremien, det vill säga den avkastning som aktier genererar över en riskfri tillgång. Detta förutsätter att sambandet förblir tillräckligt stabilt under hela urvalet.

Marknader samarbetar sällan. Penningpolitik förändras, regler utvecklas och allmänt kända strategier lockar kapital. En signal kan förstärkas under en kris och försvinna när investerare upptäcker den. En modell som sträcker sig över hela perioden kan därför späda ut en användbar episod med många år där inget samband existerade.

Detta hjälper till att förklara varför finansiella variabler kan verka statistiskt signifikanta i en studie men misslyckas i en annan. Oenigheten betyder inte nödvändigtvis att ett resultat var felaktigt. Studierna kan ha undersökt olika marknadsregimer.

Utmaningen blir svårare eftersom många vanliga prediktorer är mycket beständiga. Utdelningsavkastning, bok‑till‑marknad‑förhållanden och räntebaserade mått kan förbli förhöjda eller sänkta under långa perioder. De kan också röra sig i takt med samma chocker som påverkar avkastning. Konventionella statistiska tester kan missta dessa egenskaper för förutsägande kraft.

Hur realtidsövervakning förändrar problemet

Papperet föreslår att övervaka inkommande data sekventiellt efter att ha etablerat en inledande träningsperiod utan upptäckt förutsägbarhet. Dess föredragna metod använder en kumulativ summa, eller CUSUM‑process, byggd på IVX‑instrumentvariabelvillkor.

Enklare uttryckt håller systemet reda på om sambandet mellan en kandidatindikator och efterföljande avkastning avviker tillräckligt mycket från sin historiska referensnivå för att motivera en signal. Det är konstruerat för att fungera utan att användaren i förväg måste veta om prediktorn är svagt beständig, nära en enhetsrot eller någonstans däremellan.

Övervakningsramverket adresserar flera problem samtidigt:

• Förutsägbara samband kan inledas och avslutas utan förvarning.
• Upprepade tester kan generera falska larm även när ingen signal finns.
• Volatilitetsförändringar kan få vanliga tester att upptäcka samband som inte är verkliga.
• Prediktorer kan vara beständiga och korrelerade med oväntade marknadsavkastningar.

Volatilitetjusteringen är särskilt viktig. En stor marknadschock ger större observationer, vilket kan driva en övervakningsstatistik över en tröskel även om det underliggande förutsägbara sambandet inte har förändrats. Detta hänger samman med det bredare problemet att välkända mått kan fånga endast en del av riskmiljön, vilket diskuteras i Securities.io:s granskning av varför VIX inte helt fångar aktiemarknadsrisk.

Vad simuleringarna fann

Författarna testade sina metoder i simulerade marknader med olika prediktor‑beständighet, volatilitetsscenarier, endogenitetsförhållanden och startdatum för förutsägbara episoder. Flera föreslagna CUSUM‑procedurer upprätthöll rimligt kontrollerade falsk‑positiva nivåer under många av dessa förhållanden.

De starkaste metoderna upptäckte generellt förutsägbarhet tidigare än konkurrerande rullande‑fönster‑procedurer, särskilt när prediktorn var extremt beständig. Detta är viktigt eftersom en kortlivad signal förlorar praktiskt värde om en modell bara identifierar den nära episodens slut.

Ingen version dominerade dock under alla förhållanden. En procedur reagerade särskilt snabbt men genererade för många falska positiva efter en uppåtgående volatilitetsskiftning. En annan var mer konservativ och långsammare. Papperets föredragna variansjusterade CUSUM‑metod erbjöd en mer användbar balans mellan upptäcktshastighet och kontroll av falsklarm.

En modell som signalerar för lätt uppmuntrar kostsam omsättning och överdrivet självförtroende. En försiktig modell kan bara identifiera ett regime efter att en stor del av möjligheten har gått förlorad. Realtidssystem behöver därför en tydlig policy för att välja mellan missade signaler och falsklarm.

Vad hände när modellen bevakade S&P 500

Forskarna genomförde ett pseudo-realtidsförsök med månatliga S&P 500‑data och kandidat‑prediktorer som sträckte sig från januari 1965 till december 2024. Prediktorerna omfattade värderingskvoter, volatilitetmått, tekniska indikatorer, obligationsräntor, kreditmarknadsvariabler, inflation och ekonomisk aktivitet.

Testning på hela urvalet fann lite bevis för att de flesta variabler förutsade avkastning konsekvent. Ändå identifierade övervakningsprocedurerna tydliga fönster. Flera obligations- och makroekonomiska indikatorer blev informativa kring marknadsstörningen 1973‑1975. Räntespreaden visade förutsägande innehåll under perioden som ledde fram till Black Monday. Andra signaler dök upp kring den globala finanskrisen, 2018 och 2022.

Dessa resultat stödjer en regimesbaserad tolkning. Kreditavkastning, räntespreadar, likviditet, värdering och ekonomisk svullnad kan vara mest betydelsefulla när marknaden omprissätter risk. De behöver inte förutsäga avkastning under normala förhållanden för att bli användbara under stressperioder.

Den större insikten är hantering av signalens livscykel

Studiets mest värdefulla bidrag är inte en lista med indikatorer att handla med. Det är ett ramverk för att hantera en investeringssignals livscykel.

En produktionsmodell bör ha en aktiveringsregel, en pensioneringsregel och en metod för omkalibrering efter ett upptäckt avsnitt. Detta skiljer sig från att bygga en prognosmodell en gång och anta att dess koefficienter förblir giltiga. Den behandlar förutsägbarhet som ett förändrande systemtillstånd.

Detta perspektiv antyder också att volatilitet har två roller. Den kan innehålla information om förväntad avkastning, men den kan också förvanska det statistiska test som används för att upptäcka den informationen. Forskning som täcks av Securities.io har på liknande sätt funnit att dagliga avkastningar kan förbli värdefulla för volatilitetsspaning även när högfrekventa dataset är tillgängliga. Mer data löser inte automatiskt modellinstabilitet om relationerna i datan fortsätter att förändras.

För investeringsteam skulle nästa logiska steg vara ett lagerbaserat system. En modell skulle övervaka om en kandidat‑prediktor har gått in i ett aktivt regime. Ett separat prognoslager skulle uppskatta riktning och storlek på förväntad avkastning. Portföljkonstruktionen skulle sedan ta hänsyn till handelskostnader, nedgångar, likviditet och positionsgränser.

Den separationen är avgörande eftersom statistisk förutsägbarhet inte är detsamma som en lönsam strategi. Artikeln beräknar inte portföljavkastning, implementeringskostnader, skatter eller riskjusterad avkastning. Dess historiska övning är pseudo-realtid snarare än en levande implementering. Påståenden om att metoden kan slå marknaden skulle gå utöver bevisen.

Investering i det finansiella intelligenslagret

Studien pekar på en växande efterfrågan på renare finansiella data, adaptiv analys och verktyg som kan känna igen regimeskiften. Ett företag som är placerat inom den infrastrukturen är S&P Global .

S&P Global verkar inom index, ratinger, råvaruintelligens och marknadsdata. Dess avdelning Market Intelligence levererar många av de dataset och analytiska arbetsflöden som institutioner använder för att undersöka företag, kreditförhållanden och marknadsbeteende. Företaget har också utökat sina AI‑kapaciteter via Kensho, inklusive verktyg som är avsedda att koppla ihop komplexa företagsregister och göra finansiella dataset lättare för maskiner att tolka. År 2026 beskrev S&P Global en utökad version av Kensho Link med bredare täckning av enheter och förbättrad igenkänning av komplexa företagsstrukturer.

Detta betyder inte att S&P Global äger eller kommersialiserar den övervakningsmetod som beskrivs i studien. Investeringskopplingen är bredare: adaptiva finansiella modeller är beroende av omfattande, standardiserad och aktuell data. När kvantitativa system blir mer responsiva mot marknadsregimer blir datakvalitet och integration en del av den konkurrensfördel.

Securities.io:s senaste profil av MSCI och infrastrukturen bakom de finansiella marknaderna lyfter fram samma underliggande trend. Indexleverantörer fungerar i allt högre grad som data- och analysföretag snarare än enkla publicister av benchmarklistor.

Marknadens förutsägbarhet är ett rörligt mål

Papperet löser inte debatten om effektiva marknader, men det erbjuder ett mer realistiskt sätt att rama in den. Marknader kan generellt vara svåra att förutsäga samtidigt som de ger korta perioder då ekonomiska och finansiella indikatorer blir ovanligt informativa.

För investerare innebär det att man inte ska jaga varje ny betydande variabel. Man bör behandla signaler som villkorliga, övervaka deras stabilitet och inse att ett samband som upptäcktes under en kris kanske inte överlever nästa expansion. Den bestående fördelen kan handla mindre om att hitta en permanent prognosformel och mer om att upptäcka när marknadens regler tillfälligt har förändrats.

Referenser:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Realtidsövervakning för aktieavkastningsförutsägbarhet i icke‑stationära volatilitetsscenarier. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341