Искажение восприятия рисковых премий: как инвесторы ошибаются и что из этого следует

Автор: Денис Аветисян

Новая модель показывает, что ошибки инвесторов в оценке премий за факторы риска в условиях структурных изменений на рынке приводят к предсказуемым доходностям.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Интенсивность ошибочного обучения [latex]\Delta t[/latex] и её шестимесячное скользящее среднее демонстрируют зависимость от фактора, указывая на то, что динамика неверных представлений подвержена влиянию определенных параметров, определяющих скорость и стабильность процесса обучения. — Интенсивность ошибочного обучения $\Delta t$ и её шестимесячное скользящее среднее демонстрируют зависимость от фактора, указывая на то, что динамика неверных представлений подвержена влиянию определенных параметров, определяющих скорость и стабильность процесса обучения.

Исследование демонстрирует, что интенсивность ошибочного обучения инвесторов предсказывает будущие показатели Sharpe Ratio и модифицируется пассивным распределением капитала.

Несмотря на растущее признание нестабильности факторных премий в ценообразовании активов, существующие модели зачастую исходят из предположения об их корректной оценке инвесторами. В данной работе, озаглавленной ‘Mislearning of Factor Risk Premia under Structural Breaks: large A Misspecified Bayesian Learning Framework’, предложена байесовская модель, исследующая последствия ошибочного обучения инвесторов при заниженной оценке структурных изменений. Результаты демонстрируют, что интенсивность ошибочного обучения предсказывает будущую доходность и отношение Шарпа, при этом влияние пассивных инвестиций оказывается неоднозначным и зависящим от структуры активов. Каким образом учет когнитивных искажений и неадекватного восприятия рыночной информации может улучшить модели ценообразования активов и повысить эффективность инвестиционных стратегий?

Колеблющийся Песок: Распад Традиционных Моделей Оценки Активов

Традиционные модели оценки активов, являющиеся основой построения инвестиционных портфелей, исходят из предположения о стабильности премий за факторный риск. Данный принцип предполагает, что премия, которую инвесторы требуют за принятие определенного типа риска — например, риска, связанного с размером компании или ее стоимостью — остается относительно постоянной во времени. Именно эта стабильность позволяет использовать исторические данные для прогнозирования будущей доходности и оценки рисков. Однако, в реальности, премия за факторный риск не является застывшей величиной, а подвержена изменениям под воздействием различных экономических и рыночных сил. Долгое время это предположение работало достаточно успешно, обеспечивая основу для анализа и управления инвестициями, но все чаще наблюдаются отклонения от этой модели, требующие пересмотра фундаментальных подходов к оценке активов.

В последние десятилетия наблюдается значительное изменение в структуре финансовых рынков, вызванное растущей популярностью пассивного инвестирования, которое получило название ‘PassiveCapital’. Этот феномен, характеризующийся массовым притоком средств в индексные фонды и ETF, оказывает существенное влияние на традиционные премии за риск. Ранее стабильные факторы, определяющие доходность активов, теперь подвержены динамическим изменениям, поскольку ‘PassiveCapital’ искажает ценообразование, усиливая или ослабляя премии за различные факторы. В результате, традиционные модели ценообразования активов, основанные на предположении о постоянстве этих премий, становятся менее надежными, что требует от инвесторов пересмотра подходов к оценке рисков и формированию инвестиционных портфелей.

Современные модели ценообразования активов, долгое время служившие основой для построения инвестиционных портфелей, основываются на предположении о стабильности премий за факторы риска. Однако, наблюдаемые изменения в структуре рынка, вызванные ростом пассивного инвестирования, подрывают это фундаментальное допущение. В результате, традиционные подходы оказываются неспособными адекватно отражать реальные рыночные условия и прогнозировать будущую доходность. В связи с этим, возникает необходимость в разработке и применении адаптивных моделей, способных учитывать динамически меняющиеся премии за риск и обеспечивать более точную оценку инвестиционных возможностей. Игнорирование данной тенденции чревато искажением оценки рисков и, как следствие, неоптимальными результатами инвестирования.

Недооценка происходящих изменений в структуре финансовых рынков может привести к существенным ошибкам в оценке рисков и ожидаемой доходности активов. Игнорирование динамики премий за факторы риска, вызванной, например, ростом пассивного инвестирования, приводит к тому, что традиционные модели ценообразования перестают адекватно отражать реальность. В результате, инвесторы могут переоценивать или недооценивать риски, что неизбежно ведет к принятию неоптимальных инвестиционных решений и, как следствие, к снижению доходности портфеля. Важно понимать, что стабильность премий за факторы риска — это не данность, а условие, которое перестает выполняться в современных условиях, требуя от инвесторов адаптации стратегий и использования более гибких моделей.

В аномальной вселенной, семьи с более высоким пассивным наклоном Delta демонстрируют тенденцию к большему будущему оттоку ресурсов.

Иллюзии и Ошибки: Моделирование Неправильного Обучения Инвесторов

Инвесторы используют байесовское обучение для обновления своих представлений о доходности активов, однако часто оперируют с ошибочной моделью ( $MisspecifiedModel$ ), предполагающей стационарность процесса, когда на самом деле присутствует нестабильность. Это означает, что инвесторы экстраполируют прошлые тенденции, не учитывая возможность структурных изменений в экономике или на финансовых рынках. В результате, их прогнозы могут значительно отклоняться от фактических значений доходности, что приводит к неоптимальным инвестиционным решениям и повышенному риску убытков. Ошибочная спецификация модели особенно актуальна в периоды, когда происходят резкие изменения в макроэкономической среде или в структуре финансовых рынков.

Интенсивность ошибочного обучения (Mislearning Intensity) представляет собой количественную оценку расхождения между убеждениями инвесторов и фактическим процессом генерации данных. Измерение осуществляется посредством логарифмических отношений предсказательной вероятности (log predictive likelihood ratios), которые позволяют оценить, насколько хорошо модель инвестора предсказывает будущие доходности активов, по сравнению с реальными наблюдаемыми данными. Более высокие значения Mislearning Intensity указывают на значительное расхождение между моделью инвестора и истинным процессом, что свидетельствует о существенном искажении убеждений и потенциальных ошибках в инвестиционных решениях. Данный показатель позволяет объективно оценить степень, в которой инвесторы неправильно интерпретируют информацию и формируют ошибочные представления о динамике финансовых рынков.

Процесс обновления убеждений инвесторов моделируется с помощью модели перехода состояний (State Transition Model), описывающей динамику изменения премий за факторы риска во времени. Эта модель, являющаяся ключевым элементом фильтра Калмана, определяет, как информация из новых наблюдений влияет на оценку текущего состояния системы. Коэффициент Калмана (Kalman Gain) в рамках данной модели определяет вес, придаваемый новым данным по сравнению с априорными убеждениями, обеспечивая оптимальное обновление оценок премий за факторы. $K_t = P_t H^T (H P_t H^T + Q)^{-1}$ , где $K_t$ — коэффициент Калмана на момент времени t, $P_t$ — матрица ковариации ошибки оценки, $H$ — матрица перехода из состояния в наблюдение, а $Q$ — матрица ковариации шума процесса.

Предлагаемый подход позволяет анализировать расхождение между ожиданиями инвесторов и реальными изменениями на рынке в периоды структурных сдвигов. Методика основана на моделировании процесса обновления убеждений инвесторов (BayesianLearning) и количественной оценке интенсивности этого расхождения (MislearningIntensity) посредством логарифмических отношений вероятности предсказания. Оценка расхождения особенно важна при наличии структурных разрывов, когда используемые инвесторами модели (MisspecifiedModel) не отражают изменившуюся динамику рыночных факторов. Данный фреймворк, использующий $StateTransitionModel$ и $KalmanGain$ , позволяет выявлять и измерять степень отклонения убеждений инвесторов от текущей рыночной реальности в условиях нестабильности.

Распределение интенсивности неправильного обучения [latex]\Delta t[/latex] по всему пространству аномалий демонстрирует характерные закономерности. — Распределение интенсивности неправильного обучения $\Delta t$ по всему пространству аномалий демонстрирует характерные закономерности.

Измеряя Разрыв: Количественная Оценка Интенсивности Неправильного Обучения

Для аппроксимации величины ‘MislearningIntensity’ используется показатель ‘LogPredictiveLikelihoodRatio’ в качестве прокси для относительной энтропии. $LogPredictiveLikelihoodRatio$ количественно оценивает разницу между предсказаниями, основанными на ошибочных представлениях инвестора, и фактическими результатами. Этот показатель позволяет оценить степень несоответствия между моделью инвестора и реальной динамикой рынка, предоставляя более точную оценку стоимости поддержания неверных убеждений, чем традиционные метрики, такие как коэффициент Шарпа.

Для вычисления интенсивности ошибочного обучения (MislearningIntensity) необходимо сопоставить предсказательную способность «Стабильной Модели» (StableModel), отражающей ошибочное предположение инвестора о рынке, с «Моделью Разрыва» (BreakModel). $BreakModel$ учитывает структурную нестабильность, то есть изменения в рыночной динамике, которые не учитываются в $StableModel$ . Сравнение осуществляется на основе оценки вероятности предсказаний каждой модели для исторических данных, позволяя количественно оценить расхождение между ошибочным представлением инвестора и реальной эволюцией рынка. Чем больше разница в предсказательной способности, тем сильнее выражена структурная нестабильность и, соответственно, выше интенсивность ошибочного обучения.

Более высокая интенсивность неверного обучения (MislearningIntensity) напрямую коррелирует с увеличением расхождения между ожиданиями инвестора и текущей рыночной ситуацией. Этот показатель отражает степень, в которой ошибочные предположения инвестора препятствуют адекватному восприятию изменений на рынке. Чем больше разница между предсказанными результатами, основанными на устаревших убеждениях, и фактическими рыночными данными, тем выше значение MislearningIntensity, что свидетельствует о значительном несоответствии между моделью инвестора и реальностью. Это несоответствие приводит к убыткам, которые не фиксируются традиционными метриками, такими как коэффициент Шарпа $\frac{R_p - R_f}{\sigma_p}$ , поскольку MislearningIntensity учитывает стоимость поддержания ошибочных убеждений.

В отличие от традиционных показателей, таких как коэффициент Шарпа, которые оценивают доходность с поправкой на риск, метрика ‘MislearningIntensity’ позволяет количественно оценить финансовые издержки, связанные с поддержанием ошибочных убеждений инвестора. Коэффициент Шарпа фокусируется на результатах инвестиций, игнорируя стоимость неверных предположений о рыночной динамике. ‘MislearningIntensity’ же напрямую измеряет расхождение между ошибочной моделью инвестора и реальным состоянием рынка, позволяя оценить убытки, вызванные неспособностью адаптироваться к изменениям, и, следовательно, представляя собой более полное представление об эффективности инвестиций с учетом когнитивных искажений.

Вероятности состояний модели повреждений и вероятности повреждений в следующем периоде позволяют оценить динамику деградации системы.

Влияние на Результаты Инвестиций: За Пределами Коэффициента Шарпа

Интенсивность ошибочного обучения напрямую связана с ключевыми показателями эффективности портфеля. Исследования демонстрируют, что более высокая интенсивность ошибочного обучения коррелирует со снижением общей доходности инвестиций $CumulativeReturns$ и увеличением максимальных просадок $Drawdowns$ . При этом, особенно заметно влияние на волатильность негативных сценариев, выраженную в показателе пониженной полуволатильности $DownsideSemivolatility$ . Данные взаимосвязи указывают на то, что некорректное восприятие рыночных реалий и формирование ошибочных моделей приводят к ощутимым потерям и повышению рисков для инвесторов, что подтверждается статистическими данными и анализом долгосрочной динамики портфельных показателей.

Исследования показывают, что более высокая интенсивность ошибочного обучения напрямую связана со снижением итоговой доходности инвестиций и увеличением риска существенных потерь. Чем сильнее инвестор придерживается неверных представлений о рынке, тем меньше его общая прибыль и выше вероятность значительного снижения стоимости портфеля. Этот эффект проявляется не только в краткосрочной перспективе, но и оказывает долгосрочное влияние на результаты инвестирования, подчеркивая важность корректной оценки рыночных условий и постоянного обновления инвестиционных моделей. Таким образом, неспособность адаптироваться к изменяющейся реальности и игнорирование сигналов рынка приводит к систематическим ошибкам и снижению эффективности инвестиций.

Исследование показывает, что влияние ошибочного обучения выходит за рамки традиционных показателей, таких как коэффициент Шарпа. В то время как коэффициент Шарпа оценивает доходность с поправкой на риск, он не учитывает скрытые издержки, связанные с неправильной спецификацией модели. Ошибочное обучение, возникающее из-за неверных предположений о динамике рынка, может приводить к систематическим ошибкам в оценке активов и, как следствие, к снижению реальной доходности портфеля. Этот эффект проявляется не только в абсолютных показателях доходности, но и в увеличении максимальных просадок и волатильности, что указывает на более высокий уровень риска, не отражаемый стандартными метриками. Таким образом, для всесторонней оценки эффективности инвестиций необходимо учитывать не только риск-скорректированную доходность, но и степень соответствия модели реальности.

Исследования показывают, что такие факторы, как чистый приток капитала (NetSupply), способны усугублять негативное влияние ошибочного обучения на результаты инвестиций. Изменения в объеме капитала, поступающего на рынок, могут искажать ценообразование активов, создавая расхождение между ожиданиями инвесторов и реальной динамикой цен. Это расхождение, в свою очередь, усиливает последствия неверных моделей и убеждений, приводя к статистически значимым взаимосвязям между интенсивностью ошибочного обучения и долгосрочной доходностью с поправкой на риск — так называемым Sharpe Ratio. Таким образом, влияние NetSupply выходит за рамки простого изменения объемов торгов, оказывая существенное влияние на способность инвесторов формировать адекватные прогнозы и достигать желаемых результатов.

В аномальной вселенной, семейные уровни дельта-склонов, характеризующие будущую доходность Шарпа, значительно различаются между стратегиями с высокой и низкой пассивностью.

Адаптация к Изменениям: Путь Вперед

Определение и количественная оценка так называемой “Интенсивности Неправильного Обучения” $I_{НО}$ представляется ключевым фактором для формирования инвестиционных портфелей, способных выдерживать структурные изменения на рынке. Исследования показывают, что инвесторы часто склонны экстраполировать прошлые тенденции, игнорируя признаки надвигающихся сдвигов, что приводит к накоплению ошибок и повышенной уязвимости при возникновении разрыва в структуре рынка. Высокая $I_{НО}$ указывает на сильную склонность к экстраполяции и, следовательно, на повышенный риск потерь в период структурных изменений. Поэтому, оценка данного показателя позволяет более точно определить степень риска портфеля и разработать стратегии для смягчения потенциальных негативных последствий, такие как динамическая перебалансировка активов или снижение экспозиции к наиболее уязвимым секторам.

Инвесторам следует пересмотреть подход к формированию инвестиционных стратегий, отказавшись от устаревших статических моделей в пользу динамических систем, способных адаптироваться к изменяющимся рыночным условиям. Традиционные методы часто не учитывают возможность структурных разрывов и не позволяют оперативно корректировать убеждения в свете новой информации. Вместо этого, эффективные портфели требуют механизмов, позволяющих инвесторам переоценивать свои прогнозы и вносить соответствующие изменения в распределение активов. Такой подход, основанный на постоянном обновлении знаний и гибкости, позволяет не только снизить риски, связанные с неожиданными изменениями на рынке, но и использовать возникающие возможности для повышения доходности инвестиций. Особенно важно учитывать, что рыночные динамики постоянно эволюционируют, и игнорирование этой реальности может привести к значительным финансовым потерям.

Необходимость дальнейших исследований обусловлена сложным взаимодействием между поведением инвесторов, микроструктурой рынка и возникновением структурных разрывов. Изучение того, как когнитивные искажения и иррациональные решения инвесторов влияют на формирование цен и ликвидность, особенно в периоды резких изменений рыночных условий, представляется крайне важным. Особое внимание следует уделить анализу влияния алгоритмической торговли и высокочастотных стратегий на усиление или смягчение эффектов структурных разрывов. Понимание этих взаимосвязей позволит более точно прогнозировать возникновение подобных разрывов, оценивать их влияние на рыночную стабильность и разрабатывать более эффективные инструменты управления рисками для участников рынка. Более глубокое исследование данных аспектов предоставит ценную информацию для построения более устойчивых и адаптивных инвестиционных стратегий.

Предлагаемый подход предоставляет принципиально новый взгляд на анализ аномалий ценообразования активов и разработку более эффективных инвестиционных стратегий. Вместо традиционного поиска «идеальной» модели, этот фреймворк акцентирует внимание на динамической адаптации к меняющимся рыночным условиям. Он позволяет исследователям и практикам не просто констатировать отклонения от теоретических моделей, но и понимать механизмы, лежащие в основе этих отклонений, а также прогнозировать их дальнейшее развитие. Это, в свою очередь, открывает возможности для создания портфелей, более устойчивых к структурным изменениям и способных извлекать выгоду из неэффективностей рынка, что существенно повышает потенциальную доходность инвестиций в долгосрочной перспективе.

Исследование демонстрирует, что инвесторы склонны к ошибочному обучению относительно премий за факторы риска, особенно при структурных изменениях на рынке. Это подтверждает представление о человеке как о биологической гипотезе с систематическими ошибками, а не о рациональном агенте. Учитывая, что большинство решений принимаются не ради выгоды, а чтобы избежать сожаления, инвесторы часто придерживаются устаревших представлений о премиях за риск, даже когда рыночные условия меняются. Как заметил Альбер Камю: «Не нужно надеяться на то, что все будет хорошо. Нужно, чтобы это было хорошо.» Именно это стремление к подтверждению существующих убеждений, а не объективной оценке реальности, приводит к предсказуемой доходности, поскольку инвесторы продолжают действовать на основе неверных предпосылок о премиях за риск.

Что дальше?

Представленная работа, по сути, лишь демонстрирует, насколько хрупки наши представления о рациональности. Модель показывает, что даже незначительные ошибки в обучении, вызванные структурными сдвигами, могут приводить к предсказуемым возвратам. Но истинный вопрос не в самих возвратах, а в том, что они говорят о тех, кто их ищет. Все поведение — это лишь баланс между страхом и надеждой, и рынки — это не исключение. Модель, конечно, упрощает реальность, но в этом и её сила — она выявляет базовые механизмы, которые, вероятно, лежат в основе многих иррациональных явлений.

Очевидным направлением для дальнейших исследований представляется учет гетерогенности инвесторов. Предположение о едином процессе обучения — это сильное упрощение. Вероятно, разные группы инвесторов обладают разной способностью к адаптации и разными когнитивными искажениями. Моделирование этих различий может дать более реалистичную картину динамики рынков. Кроме того, необходимо учитывать влияние информационного шума и ограниченной рациональности.

В конечном счете, задача состоит не в том, чтобы построить идеальную модель, а в том, чтобы понять, как люди принимают решения в условиях неопределенности. Психология объясняет больше, чем уравнения. И, возможно, самое важное, что следует помнить, — это то, что любые модели, даже самые сложные, — это лишь приближение к реальности, и их следует использовать с осторожностью и осознанием их ограничений.

Оригинал статьи: https://arxiv.org/pdf/2603.21672.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-24 21:27