fbpx

Результаты инвестиционных стратегий робоадвайзера

Сокращённую версию статьи можете прочитать по ссылке: mind.ua

Преамбула
Эрик Найман

Летом 2017 года, после смягчения валютного законодательства в Украине – НБУ разрешил физлицам инвестировать за рубеж до 50 тыс.долл. в год по упрощенной процедуре е-лицензий – мы решили стартовать с проектом первого в стране робоэдвайзера HUG'S.

Робоэдвайзер это автоматизированная платформа, которая предоставляет сервисы по созданию и управлению персональными инвестициями.

В основе работы робоэдвайзеров лежат алгоритмы. Их можно сравнить с полностью автономными автомобилями, которые управляются компьютерами. Все понимают, что будущее именно за такими автомобилями, так как это снизит аварийность и смертность на дорогах, а также разгрузит наши города. Индустрия робоэдвайзеров помогает аналогично: снижая риски инвесторов и освобождая время для работы и личной жизни. Это самый простой путь стать успешным рантье.

Конечно же, сейчас еще нет абсолютного доверия алгоритмам. Поэтому все операции робоэдвайзера HUG'S проводятся в автоматическом режиме под контролем квалифицированных специалистов. Это можно сравнить с поездкой в автомобиле, которым управляет компьютер, но за рулем по-прежнему сидит человек. Он может в экстренной ситуации вмешаться – например, нажать на педаль тормоза.

Также важно отметить, что робоэдвайзеры намного выгоднее для инвесторов по сравнению с классическими управляющими активами – эффект масштаба и низкие издержки позволяют существенно снизить комиссионные для инвесторов. Поэтому мы отказались от традиционных для отрасли управления активами фиксированной комиссии, получая вознаграждение только от прибыли инвесторов. Мы зарабатываем, только если зарабатывают инвесторы.

Так как ядром бизнеса робоэдвайзеров являются алгоритмы, перед нами стояла задача выбрать алгоритм, который станет базовым. Мы изучили бизнес-модели десятка ведущих мировых робоэдвайзеров.

Первые робоэдвайзеры появились в США в 2008 году. В 2018 году они управляли активами на $200 млрд. По оценкам Deloitte, к 2025 году эта отрасль будет управлять уже $16 трлн.

Все ведущие компании этой отрасли базируют свои алгоритмы на стандартном для отрасли управления активами подходе. Сначала вы пройдее опрос, по итогам которого определится ваш риск-профиль, она же толерантность к риску. Затем вам предложат портфель фондов акций, облигаций, оптимизированный по современной портфельной теории (Modern Portfolio Theory – MPT). В среднем «по больнице» активы инвесторов размещаются следующим образом: 60% в фонды акций и 40% в фонды облигаций [1] . Причем это распределение активов практически не меняется в зависимости от рыночной или макроэкономической ситуации. То есть, если вокруг будет царить хаос и «Титаник тонет», вам по-прежнему будут продавать на него билет.

Я профессионально занимаюсь управлением активами инвесторов с 1995 года и вижу плюсы и минусы традиционного подхода. Плюсы мы взяли в работу – это в первую очередь определение индивидуального риск-профиля и оптимизация по MPT, а от минусов избавляемся последовательными алгоритмами.

Первое отличие HUG'S от других робоэдвайзеров – мы не продаем людям набор запчастей, а предлагаем готовое решение. Ведь вас наверняка интересует просто комфортно доехать до цели путешествия, параллельно занимаясь своими делами, хобби и семьей, а не активно разбираться в устройстве двигателя и его ходовой. Готовое решение от HUG'S базируется на простом следовании структуре активов населения США. Данные об этом ежеквартально публикует ФРС, американский центробанк. В начале 2019 года состояние (Net Wealth) американцев достигло почти $100 трлн. И распределено он следующим образом: 48% в акциях, 32% в недвижимости и 20% в облигациях. Понятно, что уничтожить такие активы (еще раз - $100 триллионов!) может только глобальная война на тотальное уничтожение.

Базовый алгоритм HUG'S основан на математически точном термине «Инвестиционная инфляция», который я рассчитал в 2008 году, в самый разгар Великой рецессии. Первая публикация этого понятия была сделана в моей книге «Путь к финансовой свободе» (2009). Я нашел, что многие ставят неверную инвестиционную цель и поэтому становятся беднее. Так, подавляющее большинство людей стремятся заработать больше, чем потребительская инфляция. Например, в США с 1931 года потребительские цены росли на 3% в год. Казалось бы, достаточно зарабатывать немногим больше этих 3% и задача сохранения сбережений и обогащения решена. Однако за аналогичный период времени инвестиционная инфляция составила более 8% годовых. Фактически – это доходность инвестиционных активов. И это без учета доходов от аренды недвижимости.

Инвесторов на самом деле пугает инвестиционная дефляция – снижение цен на инвестиционные активы. Гоняются они за другим «зайцем» - не за корзиной потребительских товаров, а за корзиной инвестиционных активов. У инвесторов и простых людей разные инвестиционные цели. И поэтому первые становятся богаче, а вторые беднее.

Что самое хорошее в этом алгоритме – он автоматически подстроится под изменение инвестиционных привычек американцев. Если они начнут инвестировать статистически значительные средства в новый класс активов (например, криптоактивы) или существенно изменят структуру активов, наш алгоритм автоматически ребалансирует базовую структуру под новую тенденцию.

Аналогичным образом более 100 лет успешно действуют фондовые индексы – они удаляют из индекса устаревшие компании в пользу новых и уже проверенных технологий. Например, в 1980 году компании из сектора информационных технологий в самом известном и большом фондовом индексе S&P 500 занимали 8%, а сейчас их доля превышает 21%. Так успешно работает процесс регенерации.

Аналогичный процесс регенерации заложен в механизм работы Нобелевского фонда, из которого ежегодно выплачиваются 5 всемирно известных и весьма значительных Нобелевских премий? Этот фонд начал свою работу в 1901 году, успешно пережил две мировые войны, Великую депрессию (1929-33) и Великую рецессию (2008-09), а также множество более мелких кризисов. И сейчас Нобелевский фонд в своих нормативных документов закрепил следование структуре активов, которая очень похожа на структуру активов населения США: около 50% в акциях и 20% в облигациях. И только в части 30% Нобелевский фонд предпочитает инвестировать в хедж-фонды, а не в недвижимость. Кстати, как показывает известная мне статистика с 1973 года, это ошибочное решение управляющих Нобелевским фондом. Лучше бы они инвестировали в недвижимость.

[1] backendbenchmarking.com

Источники: расчеты HUG'S, данные ФРС США

Ключевой вопрос для инвесторов – может быть проще и выгоднее покупать фондовый индекс, а не следовать за структурой активов американцев и HUG'S. Найти ответ на этот и другие вопросы по данной теме я попросил независимого эксперта и математика Валентина Хохлова, CFA, автора монографии «Математичні методи в управлінні портфелем цінних паперів» (2017).

Для меня также важно получить именно независимое квалифицированное мнение так как, если инвестирование в фондовые индексы будет выгоднее инвесторам, то я и активы своей семьи должен инвестировать в них и кардинально изменить базовый алгоритм HUG'S. Ведь нельзя построить долгосрочный успешный бизнес на песке.

С даты старта летом 2017 года была накоплена достаточная статистика реального функционирования стратегий HUG'S и сейчас уже есть возможность провести полноценный анализ по следующим вопросам:

- насколько лучше или хуже стратегии HUG'S в сравнении с активами, из которых они состоят и в первую очередь бенчмарками – соответствующими фондовыми индексами. Ведь если стратегии HUG'S не лучше базовых активов, то инвесторам не будет смысла них инвестировать;

- какова ошибка слежения между расчетными стратегиями и реальными результатами инвесторов;

- какие полезные рекомендации можно дать инвесторам, покупающим базовые активы самостоятельно, а также инвестирующим вместе с HUG'S.

Результаты инвестиционных стратегий HUG'S
Валентин Хохлов, CFA

1. Методика моделирования инвестиционных стратегий

Чтобы понять, насколько хорошо или плохо показали себя инвестиционные стратегии HUGS, мы смоделировали инвестиции 10 тыс. долларов США в каждую из них и сравнили результаты с вложениями в те ETF-фонды и акции, которые являются базовыми активами для стратегий HUGS.

К числу ETF-фондов и акций относятся фонды SPY (индекс S&P 500), QQQ (индекс NASDAQ 100), TLT (20-летние казначейские облигации США), EQR (индекс NAREIT жилой недвижимости США) и акции BRK-B (акции класса B компании Berkshire Hathaway).

В качестве периода инвестирования мы взяли период с 31.07.2002 по 30.04.2019 – это на момент написания статьи максимально доступный период, в течение которого есть ценовые данные по всем базовым активам.

Методика моделирования процесса инвестирования следующая:

- 31 июля 2002 года моделировалось вложение 10 тыс. долларов США в каждую из стратегий HUGS/HUGS'ON и базовых активов, деньги зачислялись на брокерский счет

- Для стратегий HUGS/HUGS'ON на каждый торговый день с 1 августа 2002 года по 30 апреля 2019 года компания Capital Times предоставила веса базовых активов, в соответствии с которыми считалось необходимое число их акций и, соответственно, моделировались операции купли-продажи для обеспечения необходимого их количества

- Для базовых активов моделировались операции покупки максимально возможного целого числа их акций исходя из доступных денежных средств на брокерском счету

- Операции купли-продажи моделировались по ценам открытия, комиссия брокера в размере 0.1% от суммы транзакции вычиталась из суммы денежных средств

- В случае начисления дивидендов по ценным бумагам в портфеле, они добавлялись к сумме денежных средств после вычета подоходного налога по ставке 30% и реинвестировались согласно структуре активов соответствующей стратегии

- Для стратегий HUGS/HUGS'ON в последний день каждого квартала списывалась комиссия за управление инвестициями в размере 12% от увеличения стоимости портфеля (положительной разницы между текущей его стоимостью и максимальной стоимостью в конце любого из предшествующих кварталов или начального размера портфеля)

- Моделировалось списание процентов за каждый календарный день отрицательного баланса денежных средств на брокерском счету по ставке 3-месячных казначейских облигаций США + 1.5% годовых (в пересчете на 365 дней в году)

Стоимость портфеля по каждой из стратегий и базовых активов оценивалась по ценам закрытия на конец каждого торгового дня.

2. Анализ доходности стратегий на горизонте август 2002 – апрель 2019

Классический анализ результатов инвестиционных стратегий предполагает сравнение параметров доходности и риска за весь период, то есть, в нашем случае, за 201 месяц с августа 2002 по апрель 2019 года включительно. Эти результаты приведены в таблице ниже.

Полная доходность за горизонт инвестирования рассчитана исходя из финальной цены портфеля 30 апреля 2019 года. Средняя доходность рассчитана как геометрическое среднее ежемесячных доходностей по 201 календарному месяцу. Если бы инвестор получал каждый месяц такую среднюю доходность, то за 201 месяц он получил бы в сумме полную доходность за весь горизонт инвестирования. Для удобства далее эта доходность затем переведена в годовой эквивалент.

Стандартное отклонение определяет разброс доходностей в течение каждого отдельно взятого месяца относительно их арифметического среднего. Это наиболее простая мера риска, которая показывает неопределенность результатов инвестирования. Также мы привели показатель систематического риска — бету каждого портфеля относительно фондового индекса S&P 500 — и корреляцию доходности фонда с этим индексом. Они демонстрируют чувствительность стратегий к изменениям на рынке акций.

Показатели относительной эффективности стратегий — норма Шарпа и Сортино. Норма Шарпа определяет отношение доходности свыше безрисковой к стандартному отклонению доходности и показывает, какую доходность инвестор получает на единицу полного риска. Норма Сортино определяет аналогичное отношение, но учитывает только отклонения доходности от безрисковой в нижнюю сторону (то есть, лишь те периоды, когда доходность была ниже безрисковой). Под безрисковой доходностью мы понимаем среднюю доходность 3-месячных казначейских облигаций США, на нашем горизонте инвестирования это в среднем 2.75% годовых.

Наконец, мы также привели показатели риска в хвостах распределения доходности, VaR и CVaR. VaR 5% и 1% показывают, какой минимальный размер убытков (отрицательную доходность) получал инвестор в 5% или 1% наихудших случаев соответственно. Математически, это выборочный квантиль. Другими словами, зная VaR 5%, можно сказать, что в 95% случаев доходность была выше этого уровня. В отличие от VaR, CVaR 5% и 1% — это не минимальный, а средний размер убытков (отрицательная доходность), который инвестор получал в 5% или 1% наихудших случаях. В данном случае приведены VaR и CVaR за один месяц.

 

 

Показатели базовых стратегий HUGS, которые представляют собой диверсифицированные портфели из акций (SPY, BRK или QQQ) с добавлением облигаций (TLT) и недвижимости (EQR), как и ожидалось, оказались ниже как по доходности, так и по риску, чем соответствующие базовые активы (SPY, BRK или QQQ). Однако эффективность стратегий HUGS сравнима с вложением в акции. В целом, они имеют смысл для консервативных инвесторов, которые стремятся распределить риски по разным классам активов.

Стратегии HUGS'ON, в которых применяется активное управление с целью отсечения периодов низкой доходности рынка акций, при более высокой доходности имеют сравнимые показатели полного риска и гораздо более низкие бету и корреляцию с риском акций (ниже 0.5). Таким образом, их можно с полным основанием отнести к хедж-фондам типа market timing. Тот факт, что их норма Сортино существенно выше, чем у базовых активов, показывает эффективность соответствующих стратегий в течение периодов падения рынка акций. Это также подтверждают и показатели риска в хвосте — VaR и CVaR HUGS'ON лучше, чем у базовых активов. Так, VaR 1% на уровне 10-13% говорит о том, что в наихудшие 1% месяцев в течение 2012-2019 годов (а это два из 201 месяцев за этот период) инвестор терял более 10-13% своего портфеля, в то время как для стратегий HUGS'ON он терял 7-9% портфеля.

На рисунке ниже приведено графическое изображение результатов базовых активов и стратегий HUGS в измерениях доходности и риска.

3. Моделирование rolling return (скользящей среднегодовой доходности)

Относительным недостатком приведенного выше классического анализа доходности является его зависимость от точки начала инвестиций (входа в рынок) и предположение о том, что инвестор находится в рынке в течение всего горизонта инвестирования. Ведь никто не гарантирует того, что в случае выбора другой точки входа или другого периода инвестирования мы получили бы аналогичные результаты. Более того, начало инвестирования на пике рынка акций даст совсем не те результаты, как вход на его дне.

Чтобы как-то нивелировать зависимость результатов от стартовой даты, мы использовали методику rolling return, то есть скользящей среднегодовой доходности. Весь горизонт инвестирования был разбит на окна по 252 торговых дня (что примерно соответствует календарному году), всего было 3965 таких окон, то есть различных возможных дней начала инвестирования. Мы смоделировали результаты, которые получил бы инвестор, входя в рынок в каждую из таких дат и вкладывая деньги в течение 252 торговых дней. Результаты показаны в таблице ниже.

Примечание. В двух последних строках таблицы приведены минимальные доходности в 5% и 1% наилучших случаев — это как бы обратный показатель к VaR, который показывает максимальную доходность в 5% и 1% наихудших случаев. В данных расчетах VaR и CVaR приведены за 252 торговых дня (это примерно один год).

То, что в среднем доходности оказались выше, не должно нас смущать. Это объясняется тем, что рынок находится в растущем тренде в течение большего числа дней, чем в падающем. Но, в отличие от предыдущей таблицы, где мы использовали геометрическое среднее, которое было увязано с полной доходностью на инвестиционном горизонте, в этой таблице просто приведены арифметические средние по окнам в 252 торговых дня. Сравнивать эти доходности можно между активами, но не между таблицами. По активам картина не изменилась — базовые стратегии HUGS более консервативны (то есть, их риск, а, соответственно, и доходность, ниже, чем у базовых активов), а HUGS'ON имеют существенно более высокую доходность при меньшем риске.

Более интересны для нас в этом случае показатели риска. Если взять лишь полный риск по стандартному отклонению, то отличия между активами кажутся небольшими. Но мы наблюдаем кардинально отличную картину в отношении риска в левом хвосте распределения доходности — как норма Сортино, так и VaR/CVaR стратегий HUGS'ON заметно лучше. Вкладывая в базовые активы, за исключением облигаций, инвестор в наихудшем 1% случаев терял более 35-40% своих средств. Диверсификация, применяемая в стратегиях HUGS, уменьшила эти потери до 27-30%, а активное управление, используемое в HUGS'ON, позволило сократить их до 5-7%. При этом, данные фонды полностью сохранили потенциал получения доходности: об этом свидетельствуют результаты в наилучших 5% и 1% случаев — они для HUGS'ON не только не ниже, но даже выше базовых активов.

4. Моделирование результатов инвесторов с произвольными точками входа и выхода

При использовании rolling return мы хотя и ушли от зависимости от точки входа в рынок, но сохранили фиксированный период инвестирования (в данном случае 252 торговых дня). В реальности оба этих параметра не являются фиксированными, инвесторы могут входить и выходить из рынка в любое время. Для более адекватного моделирования результатов, которые получили бы инвесторы с произвольными точками входа и выхода мы провели эксперимент по методу Монте-Карло. Случайными образом были сгенерированы 10 тысяч моделей инвесторов с периодами инвестирования от 21 до 3650 календарных дней и произвольным днем входа в рынок. Далее мы посмотрели, какую доходность, в пересчете на годовые проценты, получил бы каждый такой инвестор по каждому базовому активу и стратегии HUGS. Результаты этого моделирования приведены в таблице ниже.

Результаты моделирования по методу Монте-Карло позволили выявить интересный факт — усредненная доходность инвестора не слишком отличалась от среднемесячной доходности на полном горизонте инвестирования (см. первую таблицу). Лишь для стратегий HUGS'ON и облигаций результаты здесь несколько выше.

Реальный уровень риска инвесторов при этом оказался существенно ниже, нежели показывали предыдущие таблицы. Это легко объяснить более длинными, в среднем, периодами инвестирования. В предыдущих разделах мы смотрели на волатильность от месяца к месяцу или от года к году, тогда как в этот раз мы рассматриваем волатильность результатов от инвестора к инвестору, причем их период инвестирования составлял в среднем 5 лет. Оказалось, что в этом случае волатильность ниже. И это особенно отчетливо проявляется в базовых стратегиях HUGS. Их нормы Шарпа заметно выше, чем аналогичные показатели для базовых активов (SPY, BRK, QQQ). Это подтверждает целесообразность создания диверсифицированных портфелей для консервативного инвестора и является серьезным доводом в пользу использования этих стратегий по сравнению с базовыми активами.

Монте-Карло симуляция подтвердила и даже усилила выводы, сделанные ранее об успешности стратегии market timing в стратегиях HUGS'ON. Мы снова наблюдаем кардинально иной уровень нормы Сортино и показателей риска в левом хвосте, то есть VaR и CVaR, для этих фондов. Если в 1% наихудших случаях инвестор мог потерять в базовых активах более 22% средств, в фондах HUGS — более 15%, то в HUGS'ON — более 6-8%. С другой стороны, анализ 1% наилучших случаев продемонстрировал, что потенциал доходности базовых стратегий HUGS сопоставим с акциями, а для HUGS'ON он даже превышает их.

5. Выводы

Базовые стратегии HUGS представляют собой диверсифицированные портфели из трех классов активов (акций, облигаций и недвижимости). Стратегии показали сопоставимую с базовыми активами доходность при несколько меньшем риске. Особенно четко это проявилось в ходе Монте-Карло моделирования реальных инвесторов с нефиксированной датой входа в рынок и периодом инвестирования. Нормы Шарпа фондов HUGS существенно превышают аналогичные показатели базовых активов, их результаты в 1% и 5% наихудших случаев (показатели VaR и CVaR) также заметно лучше.

HUGS'ON проявили себя как хедж-фонды со стратегией market timing, то есть они выходят из рынка акций в те периоды, когда он имеет негативную динамику. Успешность реализации этих стратегий проявилась только на периодах инвестирования от одного года — ее сложно было увидеть на выборке ежемесячной доходности. Но использование rolling return и Монте-Карло симуляции позволили наблюдать кардинально иной уровень нормы Сортино и показателей VaR/CVaR в случае фондов HUGS'ON. Они действительно в рассмотренный период с 2002 по 2019 год позволили существенно сократить диапазон отрицательных доходностей, при этом сохранив потенциал положительных доходностей. В результате, по всем показателям (нормы Шарпа, Сортино, VaR, CVaR) стратегии HUGS'ON продемонстрировали свою высокую эффективность.

Сравнивая показатели волатильности, т.е. риска, полученные в результате Монте-Карло моделирования инвестиций от 21 дня до 10 лет (средний срок порядка 5 лет), с теми, которые рассчитаны по выборке ежемесячных доходностей или даже годовых rolling return, можно увидеть существенное уменьшение в первом случае. Это означает, что короткие периоды инвестирования подвергают инвестора дополнительному риску случайных событий, который на более длинных горизонтах нивелируются. Даже эффект диверсификации по классам активов, который отличает стратегии HUGS от базовых активов, заметен лишь в случае Монте-Карло симуляции. Поэтому мы рекомендуем инвесторам вкладывать в базовые активы или стратегии HUGS на срок не менее одного года.

Следует также сделать оговорку о применимости анализа прошлой доходности к ожиданиям относительно доходности в будущем. В случае базовых стратегий HUGS работает исключительно положительный эффект диверсификации и нет серьезных оснований ожидать его изменения. Скорее всего, сбалансированные портфели из трех классов активов будут более эффективны по соотношению доходности и риска, нежели эти классы по отдельности. Фонды HUGS'ON, с другой стороны, полагаются на успешность стратегии market timing. Тот факт, что она работала в 2002-2019 годах и позволяла выходить из акций в периоды их падения, не гарантирует такой же ее результативности в будущем. Для более консервативных инвесторов, не желающих брать на себя риски модели и алгоритмов HUGS'ON, более рациональным выборов были бы базовые HUGS.

Заключение
Эрик Найман, Валентин Хохлов

Подведем итоги.

На рассмотренном периоде с 2002 по 2019 годы диверсификация сделала свое полезное дело: базовые стратегии HUG'S показали лучшие результаты по соотношению риск/доходность по сравнению с соответствующими базовыми активами SPY, QQQ, BRK-B, EQR, TLT. То есть, по крайней мере на этом периоде, было эффективнее инвестировать в диверсифицированные стратегии HUG'S, а не в отдельные активы. И мы имеем основания предположить, что эта эффективность сохранится и в будущем. Особенно если опасаться больших просадок фондовых индексов или недвижимости.

Это оказалось выгоднее даже при том, что при инвестировании в стратегии HUG'S инвестор платил комиссию 12% от прибыли, а при покупке базовых активов напрямую такой комиссии не было. Мы будем надеяться, что масштабирование бизнеса позволит команде HUG'S снизить эту комиссию, что сделает ее еще более эффективной по сравнению со SPY, QQQ, BRK-B, TLT или EQR.

Стратегии HUGS'ON показали себя лучше всех ожиданий – эффект от алгоритмов, которые призваны снижать риски инвесторов при угрозе начала медвежьего тренда или макроэкономического кризиса проявился в полной мере. Но только если инвестировать более чем на 1 год. Мы также должны отметить, что никто не сможет гарантировать, что алгоритмы HUGS'ON в будущем будут работать также хорошо, как и в прошлом.

В ходе исследования мы обнаружили, что на 5-летнем горизонте инвестирования риск инвестора был ниже, чем при 1-летнем горизонте. Расчеты также показали, что если ежедневно смотреть на динамику рыночных цен и на результаты и базовых активов и стратегий HUG'S, то они будут выглядеть более волатильно, чем если смотреть на рынок ежемесячно или еще реже. Так психология была подтверждена расчетами.

P.S.
03 июня 2019 года робоэдвайзер HUG'S внес существенные изменения и ввел в действие алгоритм определения макроэкономических рисков наступления рецессий, расширив список макроиндикаторов с 4 до 7. Это позволило существенно улучшить показатели стратегий HUGS'ON. Но в вышеприведенных расчетах были использованы старые данные.