Trudności przy próbie oceny efektywności funduszy inwestycyjnych

Analiza efektywności funduszy, jak każde inne badanie, wymaga przyjęcia pewnych ram badawczych. Muszą w nich znaleźć się sposoby na pokonanie trudności, z którymi musi się zmierzyć każdy badacz. Można je sformułować w postaci pytań merytorycznych bądź też metodologicznych. Wśród podstawowych wymienia się pytania o postać modelu badawczego, o stosowaną częstotliwość danych, o uwzględnienie efektu przetrwania (survivorship bias), o długość historii rynku funduszy na badanym obszarze, o dostępność danych do analizy, itp. Udzielone odpowiedzi mogą w znacznym stopniu wpływać na uzyskiwane wyniki, co staje się oczywiste podczas lektury publikacji różnych autorów rozwiązujących powyższe trudności w odmienny sposób. Konsekwencje wyboru danego modelu badawczego w tym punkcie pominięto, ponieważ zostały omówione przy przedstawianiu kolejnych modeli oraz idei stojących u ich podstaw.

Natomiast warto przyjrzeć się próbie analizy pozostałych pytań. Po pierwsze, trzeba podjąć próbę odpowiedzi na pytanie o częstotliwość danych.Dotychczas znakomita większość autorów decydowała się na wykorzystanie danych miesięcznych, co było zazwyczaj usprawiedliwieniem stosowania w badaniu prostej regresji liniowej. Wydaje się jednak, iż dane takie, jako uśrednione wskaźniki efektów działalności funduszy z poszczególnych dni miesiąca, zostają pozbawione ważnego ładunku informacji, co w następstwie może być przyczyną obciążenia wyników. Potwierdza to badanie przeprowadzone w 2000 r. przez Williama Goetzmana, który wraz ze współpracownikami dowodził, że jeżeli menedżerowie funduszy podejmują próby makroprzewidywania na bazie dziennej, wówczas miesięczna częstotliwość danych prowadzi do niekonkluzywnych i obciążonych oszacowań. Zaraz po nim, bo w 2001 r., z tym samym wnioskiem wystąpili Nicolas Pollen i Jeffrey Bussel. Preferowano stosowanie danych o wyższej częstotliwości. Temu jednak towarzyszyć musi rozbudowanie modelu o część wyjaśniającą cechy dla tych danych charakterystyczne, tj. leptokurtyczność, skośność i grube ogony rozkładów empirycznych.

Po drugie, należy przeanalizować wpływ efektu przetrwania na wyniki prowadzonego badania. Problem tegoż efektu zauważono w literaturze światowej w latach 90. XX w., kiedy zwrócono uwagę, że na wyniki inwestycyjne funduszy mogą mieć wpływ fundusze znikające z rynku. „Wykorzystanie do badań jedynie funduszy, które funkcjonowały przez cały analizowany okres, a pomijanie tych, które zaprzestały swojej działalności, może prowadzić do zawyżenia przeciętnych wyników osiąganych przez zarządzających. Najczęściej bowiem znikają fundusze, które uzyskiwały w długim czasie bardzo słabe wyniki. Ponadto – biorąc pod uwagę, że prawdopodobieństwo przetrwania na rynku jest tym mniejsze, im większe jest ryzyko inwestycyjne – analiza próby obarczonej efektem przetrwania powoduje, że fundusze charakteryzujące się największym ryzykiem sprawiają wrażenie najlepiej zarządzanych”. Znaczenie funduszy znikających z rynku w swoich badaniach jako jedni z pierwszych podkreślali Mark Grinblatt oraz Sheridan Titman. Okazuje się jednak, iż nawet włączenie do badania wszystkich upadłych funduszy nie eliminuje w zupełności efektu przetrwania, co pokazały badania Jerolda Warnera z 2001 r.107 oraz Roberta Kosowskiego z 2006 r.108. Obaj dowodzą, że analizowane fundusze muszą charakteryzować się historią o odpowiedniej długości, aby zminimalizować obciążenie oszacowań. Werner wskazuje na ponad 36 obserwacji, podczas gdy Kosowski dochodzi do wniosku, iż dopiero 60 miesięcznych obserwacji wystarcza, by w jego badaniu – wykorzystującym techniki bootstrapowe oraz model czteroczynnikowy Carhart’a – istotnie ograniczyć obciążenie oszacowań, którego źródłem są fundusze o krótszej niż wymagana historii.

Po trzecie, trzeba być świadomym, że możliwości badawcze często są ograniczane przez dostępność danych. O ile bowiem informacje dotyczące indeksów rynkowych są powszechnie osiągalne, o tyle ich pochodne, jak np. wskaźnik HML, MOM czy SMB, zwykle muszą być konstruowane indywidualnie na potrzeby konkretnego badania. Jeszcze większe ograniczenia dotyczą danych fundamentalnych. Kapitał funduszu, skład portfela, wysokość kosztów, przepływy kapitału z tytułu nowych inwestorów lub umorzeń jednostek uczestnictwa – dane tego typu upowszechniane bywają często tylko raportach kwartalnych lub półrocznych (w najlepszym wypadku miesięcznych – i to tylko dzięki prawnie narzuconemu obowiązkowi). Ze względu na niewystarczającą częstotliwość danych, uniemożliwia to prowadzenie wyczerpujących badań w pewnych aspektach. Tymczasem pakiet danych, jaki zostanie wybrany do analizy, w dużej mierze determinuje otrzymane wyniki. Za dobry przykład mogą posłużyć badania Jeffrey’a Coles’a z 2006 r., który wraz Danielem Naveenem oraz Frederikiem Nardarim pokazał, że nieprawidłowy wybór modelu lub błędny wzorzec oceny umiejętności przewidywania przyszłej sytuacji rynkowej (benchmark timing index) mogą prowadzić do istotnych obciążeń w pomiarze obu umiejętności menedżerskich

VN:F [1.9.22_1171]
Rating: 0.0/10 (0 votes cast)
VN:F [1.9.22_1171]
Rating: 0 (from 0 votes)

More About

View Posts - Visit Website

Comments are closed.