Количественное исследование превращает вопросы о финансовом рынке в гипотезы, которые можно проверить с помощью данных. Вместо того чтобы полагаться преимущественно на интуицию, исследователи используют статистику, математику, программирование и знание рыночных механизмов. Их задача — определить, является ли обнаруженная закономерность устойчивой, имеет ли она экономический смысл и может ли применяться в реальной торговле.
Этот процесс не сводится к созданию модели, предсказывающей цены. Он начинается с постановки вопроса и продолжается подготовкой данных, тестированием модели, разработкой правил исполнения и постоянным контролем после запуска стратегии.
Проверяемая гипотеза
Исследование обычно начинается с конкретного наблюдения. Сохраняется ли рост цены в последующие периоды? Приносят ли недооценённые компании более высокую долгосрочную доходность? Возвращаются ли цены двух исторически связанных активов к прежнему соотношению после временного расхождения?
У гипотезы должно быть разумное экономическое объяснение. Например, эффект моментума может быть связан с тем, что инвесторы не сразу учитывают новую информацию. Эффект стоимости иногда объясняется чрезмерным пессимизмом в отношении отдельных компаний или компенсацией за дополнительный риск.
Экономическое обоснование необходимо, поскольку в больших массивах финансовых данных можно проверить огромное количество взаимосвязей. Если перебрать достаточно много переменных, некоторые комбинации случайно покажут привлекательный результат. Понятный рыночный механизм помогает отличить потенциальный эффект от статистического шума.
Сбор и подготовка данных
После формулирования гипотезы исследователи определяют, какие сведения потребуются для её проверки. Это могут быть цены, объёмы торгов, финансовая отчётность компаний, процентные ставки, макроэкономические показатели, данные опционов, прогнозы аналитиков и тональность новостей. Также применяются альтернативные источники: сведения о цепочках поставок, интернет-активность, спутниковые снимки и показатели ESG.
Исходные финансовые данные редко бывают готовы к анализу. В них встречаются пропуски, ошибочные цены, несовместимые временные метки и показатели, пересмотренные после первой публикации. На исторические ряды также влияют дивиденды, дробление акций, приостановка торгов и делистинг компаний.
Данные необходимо очистить, привести к единой частоте и проверить. Особенно важно использовать только ту информацию, которая действительно была доступна на момент принятия решения. Добавление сведений, опубликованных позднее, создаёт ошибку заглядывания в будущее. Исключение компаний, покинувших рынок, вызывает ошибку выжившего. Оба искажения способны сделать слабую стратегию значительно успешнее в тесте, чем она была бы в действительности.
Преобразование информации в сигналы
Подготовленные данные превращаются в измеримые признаки или факторы. Моментум можно выразить через доходность актива за предыдущие месяцы, стоимость — через отношение прибыли или свободного денежного потока к цене. Риск может оцениваться с помощью реализованной волатильности, максимальной просадки, кредитного спреда или чувствительности к движению рынка.
Одной статистической связи между сигналом и будущей доходностью недостаточно. Сигнал должен быть доступен в нужный момент, рассчитываться последовательно и иметь понятное объяснение.
Исследователи также изучают взаимодействие сигналов. Эффект низкой оценки может по-разному проявляться у компаний с высокой и низкой рентабельностью, а трендовые сигналы способны ослабевать во время резких рыночных разворотов. Объединение взаимодополняющей информации может повысить устойчивость, однако чрезмерное количество переменных увеличивает риск переобучения.
Построение модели
Выбор модели зависит от цели исследования. Регрессии и факторные модели оценивают связь между признаками и доходностью. Методы временных рядов анализируют изменение финансовых показателей во времени. Алгоритмы оптимизации формируют портфели с учётом ожидаемой доходности, риска, ликвидности и ограничений на позиции. Машинное обучение может выявлять сложные нелинейные зависимости.
Однако более сложная модель не обязательно лучше. Гибкая система способна почти идеально описать прошлое, но оказаться бесполезной на новых данных. Простые модели обычно легче интерпретировать, проверять и поддерживать.
Поэтому исследователи ограничивают число параметров, сравнивают разные спецификации и проверяют, не зависит ли результат от одного периода, рынка или небольшой группы бумаг.
Историческое тестирование
Бэктест применяет заранее определённые правила к историческим данным и показывает, какие характеристики доходности и риска могла бы продемонстрировать стратегия. Он является экспериментом, а не доказательством будущей прибыли.
Данные, использованные для разработки модели, обычно отделяют от выборки, предназначенной для оценки. При пошаговом тестировании модель на каждом этапе использует только информацию, доступную до соответствующей даты. Такой подход точнее воспроизводит реальные условия принятия решений.
Надёжный тест должен учитывать комиссии, спред между ценами покупки и продажи, проскальзывание, влияние крупных заявок на рынок, стоимость финансирования, ограничения коротких продаж и задержки исполнения. Для стратегий с высокой оборачиваемостью или небольшой ёмкостью эти расходы способны поглотить значительную часть теоретической доходности.
Результат нельзя оценивать только по совокупной прибыли. Исследователи анализируют волатильность, коэффициент Шарпа, максимальную просадку, стабильность доходности, хвостовые потери и факторные риски. Важно также выяснить, принесла ли прибыль целевая закономерность или случайная концентрация в определённой отрасли, стране либо общем направлении рынка.
Проверка устойчивости и стресс-тесты
Анализ устойчивости показывает, сохраняется ли результат при разумном изменении предположений. Исследователь может поменять период наблюдения, частоту ребалансировки, определение сигнала или оценку торговых издержек. Тест также повторяют на связанных рынках и альтернативных наборах данных.
Если стратегия работает только при одном точном значении параметра и разрушается после небольшого изменения, её успех может быть случайным. Более надёжный эффект обычно сохраняет направление в разумном диапазоне настроек, хотя его сила может меняться.
Стресс-тесты моделируют ухудшение ликвидности, рост корреляции между активами, процентные шоки и резкое повышение волатильности. Метод Монте-Карло позволяет создать множество возможных сценариев и оценить результаты за пределами единственной последовательности событий, наблюдавшейся в прошлом.
От исследования к реальной торговле
Даже привлекательный бэктест не означает, что стратегию следует немедленно запускать на полном капитале. Сначала её можно проверить в режиме виртуальной торговли или с небольшим объёмом средств. Это помогает выявить задержки данных, ошибки исполнения, нестабильность системы и расхождения между ожидаемыми и фактическими издержками.
Сигнал необходимо преобразовать в конкретные правила, определяющие размер позиции, лимиты риска, частоту операций, способ исполнения и условия выхода. Статистически привлекательная идея, которую невозможно эффективно реализовать, не является практической стратегией.
После запуска наблюдение продолжается. Технологии, регулирование, конкуренция и поведение инвесторов меняют структуру рынка. Когда больше участников начинают использовать одну закономерность, её эффективность может снизиться. При структурном изменении рынка сигнал способен исчезнуть полностью.
Исследовательская команда сравнивает реальные результаты с ожидаемыми, контролирует силу сигналов, изменение характеристик данных, торговые расходы, ликвидность и риск. Заранее установленные критерии пересмотра и остановки помогают не оправдывать бесконечно модель, которая утратила работоспособность.
Количественное исследование не устраняет неопределённость и не создаёт гарантированных прогнозов. Его ценность заключается в дисциплинированном и воспроизводимом процессе принятия решений. Качественное исследование формулирует опровержимую гипотезу, использует надёжные данные, отделяет поиск закономерности от её проверки, учитывает реальные условия исполнения и ясно определяет границы модели.
Когда статистические свидетельства, экономическая логика, реализуемость и управление рисками поддерживают один вывод, рыночное наблюдение может превратиться в практический инвестиционный метод. Цель состоит не в достижении полной уверенности, а в более точном понимании вероятностей, компромиссов и условий, в которых модель способна работать.