Perdagangan Kuantitatif Apa itu Perdagangan Kuantitatif Perdagangan kuantitatif terdiri dari strategi trading berdasarkan analisis kuantitatif. Yang mengandalkan perhitungan matematis dan perhitungan angka untuk mengidentifikasi peluang perdagangan. Karena perdagangan kuantitatif umumnya digunakan oleh lembaga keuangan dan hedge fund. Transaksi biasanya berukuran besar dan mungkin melibatkan pembelian dan penjualan ratusan ribu saham dan surat berharga lainnya. Namun, perdagangan kuantitatif menjadi lebih umum digunakan oleh investor perorangan. BREAKING DOWN Quantitative Trading Harga dan volume adalah dua input data yang lebih umum yang digunakan dalam analisis kuantitatif sebagai input utama untuk model matematis. Teknik perdagangan kuantitatif meliputi perdagangan frekuensi tinggi. Perdagangan algoritma dan arbitrase statistik. Teknik ini cepat terbakar dan biasanya memiliki cakrawala investasi jangka pendek. Banyak pedagang kuantitatif lebih mengenal alat kuantitatif, seperti moving averages dan oscillators. Memahami Perdagangan Kuantitatif Pedagang kuantitatif memanfaatkan teknologi modern, matematika dan ketersediaan database komprehensif untuk membuat keputusan perdagangan yang rasional. Pedagang kuantitatif mengambil teknik trading dan membuat model dengan menggunakan matematika, dan kemudian mereka mengembangkan program komputer yang menerapkan model tersebut ke data pasar historis. Model ini kemudian diulang dan dioptimalkan. Jika hasil yang menguntungkan tercapai, sistem ini kemudian diimplementasikan di pasar real-time dengan modal riil. Cara kerja model kuantitatif dapat digambarkan dengan menggunakan analogi. Pertimbangkan laporan cuaca di mana ahli meteorologi memperkirakan ada kemungkinan hujan saat matahari bersinar. Ahli meteorologi memperoleh kesimpulan berlawanan dengan mengumpulkan dan menganalisis data iklim dari sensor di seluruh area. Analisis kuantitatif terkomputerisasi menunjukkan pola spesifik dalam data. Bila pola ini dibandingkan dengan pola yang sama yang terungkap dalam data iklim historis (backtesting), dan 90 dari 100 kali hasilnya adalah hujan, maka ahli meteorologi dapat menarik kesimpulan dengan yakin, maka diperkirakan 90. Pedagang kuantitatif menerapkan proses yang sama ke pasar keuangan untuk membuat keputusan perdagangan. Keuntungan dan Kerugian Perdagangan Kuantitatif Tujuan trading adalah menghitung probabilitas optimal untuk mengeksekusi perdagangan yang menguntungkan. Seorang pedagang biasa dapat secara efektif memantau, menganalisa dan membuat keputusan perdagangan pada sejumlah sekuritas sebelum jumlah data masuk menguasai proses pengambilan keputusan. Penggunaan teknik perdagangan kuantitatif menerangi batas ini dengan menggunakan komputer untuk mengotomatisasi keputusan pemantauan, analisis, dan perdagangan. Mengatasi emosi adalah salah satu masalah yang paling meluas dengan perdagangan. Baik itu ketakutan atau keserakahan, saat berdagang, emosi hanya berfungsi untuk menahan pemikiran rasional, yang biasanya menyebabkan kerugian. Komputer dan matematika tidak memiliki emosi, jadi perdagangan kuantitatif menghilangkan masalah ini. Perdagangan kuantitatif memang memiliki masalah. Pasar keuangan adalah beberapa entitas paling dinamis yang ada. Oleh karena itu, model perdagangan kuantitatif harus dinamis agar konsisten sukses. Banyak pedagang kuantitatif mengembangkan model yang sementara menguntungkan untuk kondisi pasar dimana mereka dikembangkan, namun pada akhirnya mereka gagal saat kondisi pasar berubah. Strategi Tepat - Apakah Mereka Untuk Anda Strategi investasi kuantitatif telah berkembang menjadi alat yang sangat kompleks dengan munculnya komputer modern. , Namun akar strategi kembali berusia di atas 70 tahun. Mereka biasanya dijalankan oleh tim berpendidikan tinggi dan menggunakan model berpemilik untuk meningkatkan kemampuan mereka dalam mengalahkan pasar. Bahkan ada program off-the-shelf yang plug and play untuk mereka yang mencari kesederhanaan. Model Quant selalu bekerja dengan baik saat diuji kembali, namun sebenarnya aplikasi dan tingkat keberhasilannya dapat diperdebatkan. Sementara mereka tampaknya bekerja dengan baik di pasar banteng. Ketika pasar menjadi kacau, strategi kuant dikenakan risiko yang sama seperti strategi lainnya. Sejarah Salah satu pendiri studi teori kuantitatif yang diterapkan pada keuangan adalah Robert Merton. Anda hanya bisa membayangkan betapa sulit dan memakan waktu proses itu sebelum penggunaan komputer. Teori lain di bidang keuangan juga berevolusi dari beberapa studi kuantitatif pertama, termasuk dasar diversifikasi portofolio berdasarkan teori portofolio modern. Penggunaan kedua kuantitatif keuangan dan kalkulus menyebabkan banyak alat umum lainnya termasuk salah satu formula penentuan harga opsi Black-Scholes yang paling terkenal, yang tidak hanya membantu pilihan harga investor dan mengembangkan strategi, namun membantu menjaga pasar tetap dalam kondisi likuiditas. Bila diterapkan langsung ke manajemen portofolio. Tujuannya seperti strategi investasi lainnya. Untuk menambahkan nilai, hasil alfa atau kelebihan. Banyak, sebagai pengembang disebut, menyusun model matematika kompleks untuk mendeteksi peluang investasi. Ada banyak model di luar sana sebagai quants yang mengembangkannya, dan semuanya mengklaim sebagai yang terbaik. Salah satu strategi investasi kuantitatif adalah bahwa model, dan akhirnya komputer, membuat keputusan pembelian yang sebenarnya, bukan manusia. Hal ini cenderung menghilangkan respons emosional yang mungkin dialami seseorang saat membeli atau menjual investasi. Strategi kuantitatif sekarang diterima di komunitas investasi dan dijalankan oleh reksa dana, hedge fund dan investor institusi. Mereka biasanya menggunakan nama alpha generator. Atau alfa gens. Di Balik Tirai Sama seperti di The Wizard of Oz, ada seseorang yang berada di balik tirai yang mendorong prosesnya. Seperti model lainnya, sama baiknya dengan manusia yang mengembangkan program ini. Meskipun tidak ada persyaratan khusus untuk menjadi quant, kebanyakan perusahaan yang menjalankan model quant menggabungkan keterampilan analis investasi, statistik dan pemrogram yang mengkode prosesnya ke dalam komputer. Karena sifat kompleks dari model matematika dan statistik, yang umum untuk melihat kepercayaan seperti gelar sarjana dan doktor di bidang keuangan, ekonomi, matematika dan teknik. Secara historis, anggota tim ini bekerja di kantor belakang. Tapi karena model quant menjadi lebih umum, kantor belakang pindah ke front office. Manfaat Strategi Kuantitas Sementara tingkat keberhasilan keseluruhan masih diperdebatkan, alasan beberapa strategi kuantitatif adalah bahwa mereka didasarkan pada disiplin. Jika modelnya benar, disiplin membuat strategi bekerja dengan komputer kecepatan kilat untuk mengeksploitasi inefisiensi di pasar berdasarkan data kuantitatif. Model-model itu sendiri hanya bisa didasarkan pada beberapa rasio seperti PE. Hutang terhadap ekuitas dan pertumbuhan pendapatan, atau menggunakan ribuan masukan yang bekerja sama pada saat bersamaan. Strategi yang berhasil dapat menangkap tren pada tahap awal karena komputer terus-menerus menjalankan skenario untuk menemukan inefisiensi sebelum orang lain melakukannya. Model-model tersebut mampu menganalisis kelompok investasi yang sangat besar secara bersamaan, di mana analis tradisional mungkin hanya melihat beberapa pada satu waktu saja. Proses penyaringan dapat menilai alam semesta dengan tingkat kelas seperti 1-5 atau A-F tergantung pada modelnya. Hal ini membuat proses perdagangan aktual sangat mudah dilakukan dengan berinvestasi pada investasi dengan nilai tinggi dan menjual produk dengan rating rendah. Model Quant juga membuka variasi strategi seperti long, short dan longshort. Dana kuantitatif yang berhasil tetap memegang kendali risiko karena sifat modelnya. Sebagian besar strategi dimulai dengan alam semesta atau patokan dan penggunaan pembobotan sektor dan industri dalam model mereka. Hal ini memungkinkan dana untuk mengendalikan diversifikasi sampai batas tertentu tanpa mengorbankan model itu sendiri. Quant funds biasanya berjalan dengan biaya rendah karena mereka tidak memerlukan banyak analis tradisional dan manajer portofolio untuk menjalankannya. Kekurangan dari Quant Strategies Ada beberapa alasan mengapa begitu banyak investor tidak sepenuhnya merangkul konsep membiarkan kotak hitam menjalankan investasi mereka. Untuk semua dana quant yang berhasil di luar sana, sepertinya banyak yang tidak berhasil. Sayangnya untuk reputasi quants, ketika mereka gagal, mereka gagal besar waktu. Manajemen Modal Jangka Panjang adalah salah satu dana lindung nilai yang paling terkenal, seperti yang dilakukan oleh beberapa pemimpin akademis yang paling dihormati dan dua ekonom pemenang Hadiah Nobel Prize Myron S. Scholes dan Robert C. Merton. Selama tahun 1990an, tim mereka menghasilkan laba di atas rata-rata dan menarik modal dari semua jenis investor. Mereka terkenal karena tidak hanya mengeksploitasi inefisiensi, namun menggunakan akses mudah ke modal untuk menciptakan taruhan leverage yang sangat besar pada arah pasar. Sifat disiplin strategi mereka sebenarnya menciptakan kelemahan yang menyebabkan keruntuhan mereka. Manajemen Modal Jangka Panjang dilikuidasi dan dibubarkan pada awal tahun 2000. Modelnya tidak mencakup kemungkinan bahwa pemerintah Rusia dapat gagal membayar sebagian hutangnya sendiri. Peristiwa yang satu ini memicu kejadian dan reaksi berantai yang diperbesar oleh malapetaka buatan. LTCM sangat terlibat dengan operasi investasi lainnya sehingga keruntuhannya mempengaruhi pasar dunia, memicu kejadian dramatis. Dalam jangka panjang, Federal Reserve masuk untuk membantu, dan bank lain dan dana investasi mendukung LTCM untuk mencegah kerusakan lebih lanjut. Inilah salah satu alasan mengapa dana quant dapat gagal, karena didasarkan pada peristiwa sejarah yang mungkin tidak termasuk kejadian masa depan. Sementara tim quant yang kuat akan terus menambahkan aspek baru pada model untuk memprediksi kejadian di masa depan, tidak mungkin memprediksi masa depan setiap saat. Quant funds juga bisa menjadi kewalahan ketika ekonomi dan pasar mengalami volatilitas yang lebih besar dari rata-rata. Sinyal beli dan jual bisa datang begitu cepat sehingga omset tinggi bisa menciptakan komisi dan kejadian kena pajak yang tinggi. Quant funds juga dapat menimbulkan bahaya saat dipasarkan sebagai bukti tahan atau didasarkan pada strategi singkat. Memprediksi penurunan. Menggunakan derivatif dan menggabungkan leverage bisa berbahaya. Salah satu belokan bisa menyebabkan ledakan, yang sering membuat berita. Garis Bawah Strategi investasi kuantitatif telah berevolusi dari kotak hitam kantor belakang hingga alat investasi utama. Mereka dirancang untuk memanfaatkan pemikiran terbaik dalam bisnis dan komputer tercepat untuk memanfaatkan inefisiensi dan memanfaatkan penggunaan untuk membuat taruhan pasar. Mereka bisa sangat sukses jika modelnya memasukkan semua masukan yang tepat dan cukup gesit untuk memprediksi kejadian pasar abnormal. Di sisi lain, sementara dana kuantitatif diuji kembali sampai mereka bekerja, kelemahan mereka adalah mereka mengandalkan data historis untuk kesuksesan mereka. Sementara investasi quant-style memiliki tempatnya di pasar, penting untuk menyadari kekurangan dan risikonya. Agar konsisten dengan strategi diversifikasi. Ide bagusnya untuk memperlakukan strategi kuantitatif sebagai gaya investasi dan menggabungkannya dengan strategi tradisional untuk mencapai diversifikasi yang tepat. Perdagangan Kuantitatif dan Algorithmic Trading Kuantitatif dan Algorithmik Thread ini didedikasikan untuk Perdagangan Kuantitatif dan Algorithmik. Halaman pertama harus dilihat sebagai focal point mengenai topik yang disebutkan di atas. Halaman pertama ini sedang dibangun dan, jika berminat, kunjungilah dari waktu ke waktu untuk melihat, jika materi baru telah tiba. Ada perbedaan antara mengatakan bahwa ada prediktabilitas dan kemampuan untuk memprediksi kuota. Meskipun selalu ada keuntungan lebih dalam peramalan jangka panjang, dari sudut pandang matematis, ada lebih banyak kehandalan dalam peramalan jangka pendek. quot 8220Mengatur semuanya sesederhana mungkin. 8221 (A. Einstein) Tapi tidak sederhana. QuotTradings not a game 8211 Its a IQ testquot Pertama, beberapa hal yang perlu diperhatikan di bidang keuangan, ekor lemak dianggap tidak diinginkan karena adanya risiko tambahan yang mereka maksudkan. Misalnya, strategi investasi mungkin memiliki tingkat pengembalian yang diharapkan, setelah satu tahun, yaitu lima kali standar deviasi. Dengan asumsi distribusi normal, kemungkinan kegagalannya (return negatif) kurang dari satu dalam satu juta dalam praktek, mungkin akan lebih tinggi. Distribusi normal yang muncul di bidang keuangan pada umumnya dilakukan karena faktor-faktor yang mempengaruhi nilai aset atau harga secara matematis adalah perilaku-perilaku, dan teorema limit sentral menyediakan distribusi semacam itu. Namun, peristiwa traumatis dunia nyata (seperti kejutan minyak, kebangkrutan perusahaan besar, atau perubahan mendadak dalam situasi politik) biasanya tidak berperilaku baik secara matematis. Investopedia menjelaskan Tail Risk Ketika portofolio investasi disatukan, diasumsikan bahwa distribusi pengembalian akan mengikuti pola normal. Dengan asumsi ini, probabilitas bahwa return akan bergerak antara rata-rata dan tiga standar deviasi, baik positif maupun negatif, adalah 99,97. Ini berarti bahwa probabilitas pengembalian yang bergerak lebih dari tiga standar deviasi di luar mean adalah 0,03, atau hampir nol. Namun, konsep risiko ekor menunjukkan bahwa distribusinya tidak normal, namun condong, dan memiliki ekor yang lebih gemuk. Ekor yang lebih gemuk meningkatkan probabilitas bahwa investasi akan bergerak melampaui tiga standar deviasi. Distribusi yang dicirikan oleh ekor lemak sering terlihat saat melihat hasil hedge fund. Investopediatermsttailrisk. asp Apa Yang Bisa Diperdagangkan Quant Traders dari Talebs quotAntifragilequot Berikut adalah beberapa snip-set yang saya anggap sangat menarik: 1) Strategi Momentum lebih antifrag dibandingkan strategi pembalikan rata-rata. Taleb tidak mengatakan itu, tapi itulah pikiran pertama yang terlintas dalam pikiranku. Seperti yang saya kemukakan di banyak tempat, strategi pengembalian berarti memiliki keuntungan alami (jika harga telah kembali berarti) tapi tidak ada kerugian stop (kita harus membeli lebih banyak sesuatu jika harganya lebih murah), jadi sangat tunduk pada ekor kiri. Risiko, tapi tidak bisa memanfaatkan nasib baik tak terduga ekor yang tepat. Sangat rapuh Memang Sebaliknya, strategi momentum memiliki kerugian stop loss alami (keluar saat momentum berbalik) dan tidak ada caps keuntungan alami (tetap posisi yang sama selama momentum berlanjut). Umumnya, sangat antifragile Kecuali: bagaimana jika selama trading berhenti (karena gap semalam, atau pemutus arus), kita tidak bisa keluar dari posisi momentum tepat waktu Nah, Anda selalu bisa membeli opsi untuk mensimulasikan stop loss. Taleb pasti akan menyetujuinya. 2) Strategi frekuensi tinggi lebih antifragile daripada strategi frekuensi rendah. Taleb juga tidak mengatakannya, dan ini tidak ada kaitannya dengan apakah lebih mudah memprediksi pengembalian jangka pendek vs. jangka panjang. Karena strategi HF memungkinkan kita mengumpulkan laba jauh lebih cepat daripada frekuensi rendah, kita tidak perlu menerapkan leverage apapun. Jadi, bahkan saat kita cukup beruntung untuk memegang posisi yang salah saat hit Black Swan, kerusakannya akan kecil dibandingkan dengan keuntungan kumulatif. Jadi, sementara strategi HF tidak benar-benar mendapatkan keuntungan dari risiko ekor yang tepat, keduanya sama kuatnya dengan risiko ekor kiri. 5) Korelasi tidak mungkin diperkirakan. Satu-satunya yang bisa kita lakukan adalah kekurangan 1 dan beli di -1. Taleb membenci optimasi portofolio Markowitz, dan salah satu alasannya adalah bahwa hal itu bergantung pada perkiraan kovariansi pengembalian aset. Seperti yang dia katakan, sepasang aset yang mungkin memiliki -0,2 korelasi dalam jangka panjang dapat memiliki korelasi 0,8 dalam jangka waktu yang lama. Hal ini terutama terjadi pada saat tekanan finansial. Saya sangat setuju mengenai hal ini: Saya percaya bahwa secara manual menetapkan korelasi dengan nilai -0,75, -0,5, -0,25, 0 terhadap entri matriks korelasi berdasarkan quotintuitionquot (pengetahuan dasar) dapat menghasilkan kinerja out-of-sample yang baik seperti Angka yang diperkirakan dengan cermat. Pertanyaan yang lebih menarik adalah apakah memang ada korelasi sebenarnya korelasi. Dan jika ya, instrumen apa yang dapat kita gunakan untuk mendapatkan keuntungan darinya Mungkin artikel ini akan membantu: web-docs. stern. nyu. edusalomondocsderivativesGSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest hanya dapat digunakan untuk menolak sebuah strategi, bukan untuk memprediksi keberhasilan. Ini menggemakan poin yang dibuat oleh commenter Michael Harris dalam artikel sebelumnya. Karena data historis tidak akan pernah cukup lama untuk menangkap semua peristiwa Black Swan yang mungkin terjadi di masa depan, kita tidak akan pernah tahu apakah sebuah strategi akan gagal total. Namun, jika strategi sudah gagal dalam backtest, kita bisa sangat yakin bahwa itu akan gagal lagi di masa depan. Bacaan yang sangat bagus: Pertimbangkan sekali lagi koin berjalan acak murni yang melempar game tanpa RTM. Kami mengatakan tidak ada strategi waktu dalam kasus ini. Tapi sekarang anggap kita menemukan bola kristal sebelum game dimulai yang memberi tahu kita berapa nilai akhir saat permainan berakhir. Ingat bahwa nilai akhir yang sebenarnya ini mungkin berada di atas atau di bawah 0. Gambarlah garis lurus pada grafik kosong dari titik awal ke titik akhir yang diketahui. Mulai main game. Kapan pun grafik di atas garis, ramalkan ekor dan ambil uang Anda dari meja. Setiap kali grafik di bawah garis, ramalkan kepala dan letakkan uang Anda kembali di atas meja. Sebaiknya meyakinkan diri Anda bahwa ramalan Anda akan jauh lebih akurat daripada 5050, dan Anda akan menang dengan strategi waktu Anda (quotwinquot dalam artian Anda akan jauh lebih baik daripada seseorang yang tidak meramalkan atau waktu). Ini bahkan tanpa RTM. Sama halnya dengan berinvestasi, jika entah bagaimana kita dapat mengetahui berapa pengembalian rata-rata masa depan akan, kita bisa memasarkan waktu bahkan tanpa RTM. Hari ini, misalnya, kita tahu bahwa rata-rata pengembalian selama 75 tahun terakhir sekitar 10 tahunan. Masuk ke mesin waktu dan kembali ke 1930. Investasikan selama 75 tahun ke depan. Setiap kali kumulatif hasil tahunan sejak 1930 di atas 10, meringankan pada saham. Kapan pun kumulatif hasil tahunan sejak 1930 turun di bawah 10, masukkan lebih banyak uang ke saham. Pada tahun 2005, Anda akan mengalahkan pasar dengan selisih yang sangat bagus. Ini disebut tes quotin-samplequot. Ini memiliki kekurangan yang jelas, karena investor pada tahun 1930 tidak tahu apa rata-rata pengembalian tahunan akan berlanjut selama 75 tahun ke depan. Mereka hanya tahu berapa pengembalian rata-rata tahunan yang terakhir. Jika Anda melakukan tes lagi dan hanya mengizinkan investor untuk menggunakan informasi yang tersedia untuk mereka pada saat itu (tes kutipan dari sampelquot), strategi penentuan waktu pasar tidak akan berhasil. Ini adalah jenis waktu kuotartistquot sederhana, yang didasarkan pada pengembalian terakhir. Ketika tingkat pengembalian di masa lalu tinggi, meringankan persediaan. Ketika tingkat pengembalian di masa lalu rendah, masukkan lebih banyak uang ke saham. Dalam perjalanan acak yang murni tanpa bola kristal, kita tahu bahwa timing seperti ini tidak bekerja. Alasan mengapa tidak bekerja adalah karena tanpa bola kristal, kita tidak dapat mendefinisikan gagasan quotlowquot dan quothigh. quot quotLowquot berarti membandingkan nilai rata-rata masa depan dan quothighquot berarti menentukan nilai rata-rata di masa mendatang, namun kami tidak mengetahui nilai rata-rata masa depan. . Kami hanya tahu nilai rata-rata masa lalu, dan informasi itu tidak berguna dalam perjalanan acak tanpa RTM. Sebagian besar metode peramalan dan strategi penentuan waktu berdasarkan prakiraan lebih canggih. Mereka biasanya menggunakan rasio keuangan fundamental seperti DP (dividend-to-price ratio) atau PE (price to earning ratio) untuk membuat perkiraan. Argumennya adalah bahwa rasio ini kadang-kadang tinggi dan terkadang rendah, tapi tidak masuk akal untuk berpikir bahwa mereka mungkin bisa tumbuh atau menyusut tanpa batas (menyerah kepada tak terhingga, seperti yang sering dikatakan oleh para akademisi). Jauh lebih masuk akal untuk berpikir bahwa meski terkadang sangat tinggi atau sangat rendah, mereka pada akhirnya harus kembali ke tingkat yang lebih normal. RTM, dengan kata lain. Jika rasio ini memiliki RTM, cukup masuk akal untuk berhipotesis bahwa RTM ini dalam rasio menginduksi efek RTM yang serupa dalam pengembalian, dan rasio tersebut dapat digunakan untuk meramalkan tingkat pengembalian di masa depan. Apakah peramalan dasar semacam ini benar-benar bekerja Sementara gagasan umum tentu tampak lebih masuk akal, buktinya ada dalam puding, dan teori perlu diuji. Adalah mungkin untuk memeriksa catatan sejarah untuk melihat apakah berbagai skema akan berhasil di masa lalu. Banyak orang telah melakukan studi semacam ini, baik di dunia keuangan populer maupun di dunia keuangan akademis. Intinya adalah ketika melakukan pengujian ulang metode peramalan dasar semacam ini untuk melihat apakah mereka akan pernah bekerja di masa lalu, kecurangan jika Anda menggunakan alat sebenarnya dari variabel peramalan fundamental yang dihitung selama periode pengujian, karena Informasi itu tidak tersedia bagi investor di masa lalu. Anda harus melakukan back-test hanya dengan menggunakan informasi yang tersedia pada saat itu. Dengan kata lain, Anda harus melakukan tes out-of-sample, bukan dalam contoh tes. Sebagian besar studi populer yang sampai pada kesimpulan bahwa pengembalian dapat diprediksi tidak valid karena alasan ini. Anehnya, banyak studi akademis tampaknya menderita cacat fatal yang sama. Amit Goyal dan Ivo Welch mendiskusikan dan mengeksplorasi wawasan ini di dalam makalah mereka. Pandangan Komprehensif mengenai Prediksi Premium Ekuitas Empiris. Ketika mereka melakukan tes out-of-sample dari semua variabel peramalan populer, termasuk DP dan PE, mereka menemukan bahwa tidak satupun dari mereka bekerja: Makalah kami membahas kinerja out-of-sample dari variabel-variabel ini, dan mendapati bahwa bukan satu pun Seseorang akan membantu seorang investor dunia nyata yang melampaui rata-rata ekuitas ekuitas yang berlaku saat itu. Sebagian besar pasti akan terluka. Oleh karena itu, kami menemukan bahwa, untuk semua tujuan praktis, premi ekuitas belum dapat diprediksi. Hasil ini juga mengejutkan banyak orang. Kebijaksanaan umum adalah bahwa return saham pasar masa depan sangat dapat diprediksi dengan menggunakan ukuran penilaian umum seperti DP dan PE. Penelitian Goyal dan Welchs menunjukkan bahwa kepercayaan ini, seperti banyak lainnya, mungkin hanyalah contoh lain bagaimana orang sering tertipu oleh keacakan dan melihat pola dalam data acak yang benar-benar ada. Masih ada kontroversi dalam komunitas akademis tentang apakah pengembalian saham dapat diprediksi, dan sampai pada tingkat apa mereka dapat diprediksi, dan apa perkiraan peramalan terbaiknya. Goyal dan Welch telah meragukan hipotesis ini, dan mereka telah melakukan layanan berharga untuk menunjukkan betapa pentingnya menggunakan hanya tes di luar sampel, namun penelitian dan debat terus berlanjut. Bagaimanapun, prediktabilitas, jika memang ada sama sekali, jelas jauh lebih lemah dan lebih sulit dieksploitasi daripada yang dipikirkan kebanyakan orang.
No comments:
Post a Comment