Wetenschap
De aandelenmarkt is (informatief) groter dan de som der delen
Professionele vermogensbeheerders worden beoordeeld op hun vermogen om beter te presteren dan de markt. In de praktijk wordt de outperformance meestal gemeten ten opzichte van sectorbenchmarks zoals de S&P 500 (voor Amerikaanse aandelen met een grote kapitalisatie) of de Bloomberg Barclays U.S. Aggregate Bond Index.
Benchmarking kan helpen de vaardigheden en talenten van vermogensbeheerders te demystificeren, maar het roept zorgen op over negatieve prikkels om nieuwe informatie te verwerven. Uit eerder onderzoek is gebleken dat naarmate een aandeel meer wordt gebenchmarkt, beleggingsprofessionals mogelijk minder geïnteresseerd raken in dat aandeel, omdat de vraag ernaar meer gaat over het afdekken van risico's, en er minder aanbod van activa beschikbaar is voor beleggers om te speculeren op de fundamenten van het bedrijf. Volgens deze opvatting moedigt benchmarking de vervanging van passieve door actieve beleggingen aan.
Bo Hu, assistent-professor financiën aan het Donald G. Costello College of Business van de George Mason University, stelt dat deze kijk op benchmarking geen accuraat rekening houdt met de manier waarop vermogensbeheerders over markten leren.
"De bestaande theorie gaat ervan uit dat vermogensbeheerders uitsluitend of specifiek informatie verkrijgen over één actief tegelijk, in plaats van over een portefeuille", zegt Hu. "Dit is niet de realiteit. Het doel van vermogensbeheerders is het optimaliseren van het rendement op hun portefeuille."
Zijn co-auteur van een werkdocument in SSRN Electronic Journal illustreert dit principe door twee verschillende soorten leertechnologieën te modelleren en te vergelijken. Bij separatief leren wordt elk aspect afzonderlijk bekeken.
Zoals Hu uitlegt:"Bij separatief leren is de algemene informatie die door prijzen wordt onthuld additief. Eén plus één is twee." Integratief leren stelt beleggers in staat om portefeuillebrede signalen te verwerken, waardoor een ‘cross-asset informatie-effect’ wordt bereikt waarbij de markt informatief gezien de som der delen overstijgt.
De onderzoekers kwantificeren de informatie-efficiëntie van markten door middel van een nieuw gebruik van informatietheorie. Hu legt uit:"We gebruiken een maatstaf voor wederzijdse informatie die je kan vertellen hoeveel onzekerheid over alle aandelenuitbetalingen kan worden verminderd als je alle aandelenkoersen observeert. Dit verschilt van de standaardmaatstaf voor prijsinformatie, die berust op een regressiemodel of kan leggen alleen lineaire relaties vast. Voor zover ik weet, zijn wij de eersten die deze maatstaf gebruiken om de prijsefficiëntie op verschillende niveaus te kwantificeren."
Zoals verwacht bleef de omgekeerde relatie tussen het benchmarkingniveau van een actief en zijn prijs-informativiteit standvastig tijdens separatief leren. Maar de resultaten voor integratief leren waren genuanceerder. Naarmate de onzekerheid over het uiteindelijke rendement van een actief toenam (zoals zou kunnen gebeuren in de eerste maanden van de ambtstermijn van een CEO, of bij een andere dreigende grote verandering bij het bedrijf), trok dit meer aandacht van investeerders, vanwege de eerder genoemde cross-asset-effecten. P>
In een multi-asset-economie toonden de onderzoekers aan dat benchmarking de algehele marktefficiëntie daadwerkelijk zou kunnen verbeteren. Met andere woorden:de marktefficiëntie kan groter zijn dan de som van de prijsinformatie van alle activa. Dit gebeurt bij integratief leren, omdat beleggers meer aandacht blijven besteden aan aandelen met een hoog risico. Wanneer het benchmarkingniveau van een risicovol actief echter boven een bepaalde drempel stijgt, kan de marktefficiëntie afnemen omdat dat actief ondanks het verminderde aanbod te veel aandacht van beleggers trekt.
De onderzoekers onderzochten ook de gecombineerde impact van de bovengenoemde effecten op de prijzen voor niet-gebenchmarkeerde activa. Ze ontdekten dat bij separatief leren een verhoging van het benchmarkingniveau voor het ene aandeel altijd de prijs van het andere aandeel verhoogde. Maar met integratief leren zou de prijs van het niet-gebenchmarkeerde activum kunnen dalen – opnieuw afhankelijk van de vraag of het gebenchmarkte activum min of meer volatiel was dan zijn tegenhanger. De minder risicovolle activa zouden relatief genegeerd kunnen worden gezien de beperkte aandacht van beleggers.
"Ik denk dat je veel dingen kunt zien als informatieverwerkingssystemen. De financiële markt is een gigantisch, ingewikkeld ecosysteem dat voortdurend gegevens produceert en verspreide informatie van investeerders verzamelt. Hun leertechnologie is cruciaal voor de manier waarop hun informatie in prijzen wordt verwerkt", zegt Hu. . De cross-asset dynamiek van integratief leren lijkt dichter in de buurt te komen van wat echte investeerders verlangen dan de additieve logica van gescheiden leren.
De introductie van nieuwe technologieën, zoals grote taalmodellen zoals ChatGPT, kan integratief leren nog voordeliger maken.
"Machines kunnen ons helpen nuttige informatie te extraheren op een niveau dat consistent is met de doelstelling van portfoliobeheer", zegt Hu. "Ik denk dat integratief leren tegenwoordig haalbaarder wordt en de betere keuze lijkt."