Kvantitatív befektetés: miért nem elég, ha egy stratégia a múltban működött?
A kvantitatív befektetéseknél algoritmusok és matematikai modellek támogatják a befektetési döntéseket. A döntéseket előre meghatározott, adatokon tesztelt szabályok alapján hozza meg a stratégia. Egyik legnagyobb kihívása ugyanakkor, hogy egy stratégia a múltbeli adatok alapján kiválónak tűnhet, mégis csalódást okozhat, amikor valódi piaci környezetben kell bizonyítania. A historikus adatokon elért látványos eredmények önmagukban még nem garantálják a jövőbeli sikerességet – ezért a stratégiafejlesztés során legalább olyan fontos a kutatásmódszertan minősége, mint maga a befektetési ötlet.
A kvantitatív befektetések világában van három olyan alapvető kutatási szempont, amelyet a befektetési modell fejlesztőjének mindenképpen szem előtt kell tartania. Ahhoz, hogy megértsük, mitől válnak a kvantitatív befektetési stratégiák hosszú távon is megbízhatóvá, érdemes áttekinteni ezt a három kulcsfontosságú elvet:
- Lookahead bias (előretekintő torzítás)
- Curve Fitting (túl illesztés)
- Survivorship bias (túlélési torzítás)
Lookahead Bias: az időutazás
Időutazás (lookahed bias) akkor jelentkezik, amikor a stratégia/kód véletlenül olyan információt használ fel, amely a döntés pillanatában még nem állt rendelkezésre.
Példa:
Tegyük fel, hogy egy stratégia vállalati eredmény adatokra támaszkodik. A kutató letölt egy adatbázist, amelyben minden negyedévhez hozzá van rendelve az adott negyedéves profit.
Például a 2025 második negyedéves eredmény szerepel a rekordban 2025. június 30-i dátummal. A probléma az, hogy ezt az eredményt a vállalat valójában csak 2025 augusztus közepén publikálta.
Mindeközben, ha a stratégia júliusban már felhasználja ezt az adatot, akkor látszólag minden rendben van: a táblázatban az információ valóban a június 30-i sorban szerepel. A valóságban azonban a modell egy olyan számot használ, amelyet a piac még másfél hónapig nem ismert.
A backteszt eredménye ilyenkor jelentősen javulhat, miközben a stratégia valójában olyan információkra támaszkodik, amelyek az adott pillanatban nem álltak rendelkezésre. A hiba nem azért következik be, mert a fejlesztő szándékosan „csal”, hanem mert a történelmi adatbázis természetes módon már tartalmazza az összes később ismertté vált információt is.
Curve Fitting: az adatsor túl illesztése
A curve fitting (vagy overfitting) akkor következik be, amikor teljes mértékben a múltbeli adatokhoz igazodnak a szabályok. Ahelyett, hogy egy általánosan érvényes piaci összefüggést keresne, valójában csak a múltbeli zajt memorizálja az algoritmus.
Példa:
Tegyük fel, hogy azt szeretnéd megjósolni, melyik futball csapat nyeri meg a mérkőzéseit. Betáplálsz a modellbe húsz évnyi futballstatisztikát és minden egyéb alternatív adatot és hetekig finom hangolod a modellt. Végül a gép egy különös szabályt talál:
„Az a csapat mindig nyer, ahol a csapatkapitány neon-zöld zoknit visel, a stadion hőmérséklete pontosan 20°C, és a játékvezető 2 kávét ivott a kezdőrúgás előtt.”
Ez a szabály akár 100%-os pontossággal is magyarázhatja a húszéves történelmi adatbázisban a nyertes mérkőzések egy szűkebb mintáját. De vajon valódi sporttörvényszerűségről van szó?
Természetesen nem. Ez puszta véletlen egybeesés.
Amikor elérkezik a jövő heti mérkőzés, ez a túlságosan specifikus szabály teljesen használhatatlanná válik. A múltbeli tökéletesség hajszolásával egy olyan modell épült, amely rendkívül sérülékeny a jövőben.
Survivorship Bias: csak a győzteseket nézni
A survivorship bias (túlélési torzítás) annak a logikai hibája, amikor kizárólag azokra koncentrálunk, akik „túlélték” a folyamatot, miközben teljesen figyelmen kívül hagyjuk azokat, akik elbuktak. Ez torz és túlzottan optimista képet ad a valóságról, mert a vesztesek egyszerűen eltűntek az adatbázisból.
Példa:
Képzeld el, hogy sikeres étteremtulajdonosok szokásait szeretnéd tanulmányozni. Végig sétálsz egy főutcán, és interjút készítesz annak a tíz étteremnek a tulajdonosával, amelyek már húsz éve működnek. Felfedezel egy mintázatot:
Mindegyik kínál ananászos pizzát.
Jogosan juthatunk arra a következtetésre, hogy az ananászos pizza a több évtizedes éttermi siker titka. Mit maradt figyelmen kívül? Az a kilencven étterem, amelyek ugyanazon az utcán nyíltak az elmúlt húsz évben, majd csődbe mentek miközben közülük sokan szintén kínáltak ananászos pizzát.
Mivel csak a „túlélőket” vizsgálta a modell, hamis következtetésre jutott.
A befektetések világában ugyanez történik, amikor egy részvénystratégiát csak azokkal a vállalatokkal tesztelnek, amelyek ma is sikeresen működnek. Ezzel könnyen figyelmen kívül hagyhatóak azok a cégek, amelyek időközben csődbe mentek vagy kikerültek a piacról, így a modell visszatesztelése -mesterségesen biztonságosabbnak és jövedelmezőbbnek tűnik.
A kvantitatív befektetés rendkívül hatékony eszköz, de a történelmi adatok tele vannak csapdákkal, illúziókkal, logikai bukfencekkel. A kutatás célja nem az, hogy tökéletes történetet alkosson a tegnapról, hanem az, hogy olyan robusztus keretrendszert építsen, amely képes kezelni a holnap kiszámíthatatlan meglepetéseit. A kvantitatív befektetésekben a valódi értéket nem egy-egy látványos backteszt eredménye, hanem a mögötte álló fegyelmezett kutatási folyamat, a szigorú validáció és a kockázatok következetes kezelése teremti meg.
Jogi nyilatkozat: A blog üzemeltetője a VIG Befektetési Alapkezelő Magyarország Zrt., a szerzői az Alapkezelő munkavállalói. A weboldal kereskedelmi kommunikációt tartalmaz. A blogon megjelenő cikkek magánszemélyek szubjektív véleményét tükrözik, tájékoztatási céllal készülnek és nem minősülnek befektetési elemzésnek vagy befektetési tanácsadásnak és nem tartalmaznak befektetési ajánlást. A blog szerzői saját nevükben kereskedhetnek olyan pénzügyi és pénzeszközzel vagy más termékkel, amelyről az általuk készített cikk közöl tájékoztatást vagy véleményt. Bár a szerzők tőzsdei vagy tőzsdén kívüli kereskedés során szerzett tapasztalata a jelen blogon szereplő írásaikban is megjelenhet, de érdekeltség nem befolyásolhatja az általuk közölt tájékoztatást. A blogon megjelenő cikkekben, hírekben és tájékoztatásokban megjelenhetnek olyan társaságok, amelyek üzleti kapcsolatot tartanak fenn a VIG Befektetési Alapkezelő Magyarország Zrt.-vel vagy a blog szerzőivel akár közvetlenül, akár a VIG Group cégcsoportba tartozó más vállalkozáson keresztül. Jelen blogon megjelent cikkek nem tartalmaznak teljes körű tájékoztatást, és nem helyettesítik a befektetés megfelelőségének vizsgálatát, amelyet csak az adott befektető egyedi körülményeinek értékelésével lehet megállapítani. A megalapozott befektetési döntés meghozatalához kérjük, hogy részletesen és több forrásból tájékozódjon!
A VIG Befektetési Alapkezelő Magyarország Zrt., a blog szerkesztői és szerzői nem vállalnak felelősséget a blogon szereplő tartalom naprakészségéért, esetleges hiányosságaiért vagy pontatlanságaiért, valamint a blogcikkek alapján hozott befektetési döntésekért és a befektetési döntésekből származó bármilyen közvetlen vagy közvetett kárért vagy költségért.