Going Local: توسعه یک رویکرد کمی خاص برای بازارهای نوظهور

بازارهای نوظهور برای بسیاری از سرمایه گذاران چالش هایی ایجاد می کنند زیرا ویژگی های احمقانه آنها اغلب خود را به رویکرد استاندارد تحقیق و سرمایه گذاری وام نمی دهند. در این پرسش و پاسخ ، داگ گراتز ، CFA ، مدیر خدمات نهادی Rayliant ، با فیلیپ وول ، دکتری ، رئیس شرکت راه حل های سرمایه گذاری ، صحبت کرد تا بفهمد چگونه بومی سازی ، گرچه از بسیاری جهات پر زحمت است ، اما بینش کاملی از بازارهای نوظهور ارائه می دهد وچگونه تحقیقات بنیادی می تواند به طور مؤثر روش های کمکی را تکمیل کند.

"اختلافات خاص کشور فرصت هایی را برای استفاده از رویکرد کمی متفاوت در هر بازار در حال ظهور ایجاد می کند تا بیشتر فرصت آلفا را که معتقدیم در این بازارها منتظر ما هستند ، بدست آورند."

دکتری فیلیپرئیس راه حل های سرمایه گذاری ، مشاوران جهانی Rayliant

س: وقتی در مورد "بومی سازی" تحقیقات کمی صحبت می کنید ، منظورتان چیست؟

"بومی سازی" اصطلاحی است که ما برای توصیف فرایند منحصر به فرد که سعی می کنیم تحقیق و توسعه مدل های کمی و اجرای استراتژی های سرمایه گذاری خود را به ویژگی های متمایز موجود در بازارهایی که در آن تجارت می کنیم ، متناسب کنیم.

بخش عمده ای از تحقیقات ما در بازارهای نوظهور (EM) متمرکز شده است. وقتی به EM در سراسر جهان نگاه می کنیم ، آنچه می بینیم گروهی از کشورها هستند که در چرخه زندگی توسعه مالی خود در نقاط مختلف نشسته اند. به همین دلیل ، ما می یابیم که آنها همه این ویژگی های عجیب و غریب و عجیب و غریب را دارند - چیزهایی مانند مالکیت دولت سنگین در مورد چین یا گروه های تجاری پیچیده در کره جنوبی. در هند در بسیاری از موارد محدودیت های بسیار سختی برای مالکیت خارجی وجود دارد. همه این اختلافات خاص کشور فرصت هایی را برای استفاده از رویکرد کمی متفاوت در هر کشور ایجاد می کند تا بیشتر از فرصت آلفا را که معتقدیم در این بازارها منتظر ما است ، به دست آورد.

س: این رویکرد استاندارد برای سرمایه گذاری در بازارهای نوظهور نیست. روش بومی سازی شده چگونه مقایسه می شود؟

شما احتمالاً می توانید با توجه به آنچه که من یک رویکرد "یک اندازه متناسب با همه" می نامم ، به این موضوع فکر کنید. این جایی است که شما ممکن است یک استراتژی کم خطر در بازارهای نوظهور داشته باشید - یک مثال فرضی - که فقط یک عامل کم خطر استاندارد را برای یک نمونه کارها پر از سهام EM اعمال می کند.

در عوض ، رویکرد بومی شده ما این نمونه کارها را به بازارهای مختلف تقسیم می کند و ابتدا برای هر یک از آنها تصمیم می گیرد که آیا دلیلی وجود دارد که ریسک کم نباید در یک بازار خاص کار کند. اگر نتیجه بگیریم که این یک عامل مناسب برای استقرار است ، ما در مورد این فکر می کنیم که آیا دلایلی برای اصلاح نحوه اجرای عامل کم خطر بر اساس چیزی که منحصر به بازار برای بازار مورد نظر ما است وجود دارد.

س: آیا می توانید نمونه ای از این روند را در محل کار بیان کنید؟

بیایید به عنوان نمونه با ریسک کم بچسبیم. این به نظر می رسد سیگنالی است که فکر می کنیم باید به طور شهودی در تمام بازارهای نوظهور اعمال شود. ما فکر می کنیم سرمایه گذاران خرده فروشی به طور کلی ترجیح قمار را دارند ، بنابراین آنها تمایل دارند مبلغ زیادی را برای سهام خطرناک بپردازند و از شرکتهای پایدار و کم خطر غافل شوند.

مانند بسیاری از سیگنال های خود ، ما سعی می کنیم ویژگی هایی مانند کم خطر را به روش های مختلف ضبط کنیم. یک رویکرد برای به دست آوردن سهام در معرض خطر ، چیزی است که ما آن را سیگنال "قرعه کشی" می نامیم. این در اصل پرچم گذاری سهام هایی است که بیشترین بازده یک روزه را در ماه های اخیر داشتند. ما می دانیم که این پرداخت های بزرگ توجه سرمایه گذاران خرده فروشی را که برای خرید سهام مانند بلیط های قرعه کشی مالی عجله می کنند ، جلب می کند ، این بدان معنی است که آنها تمایل دارند آن سهام بسیار خطرناک را به قیمت های غیر منطقی بالا پیشنهاد دهند. استراتژی ما این است که این سهام قرعه کشی گران قیمت را کم وزن کنیم.

اکنون ، در چین ، یک چیز را می یابید اگر نحوه تنظیم تجارت را مطالعه کنید این است که مبادلات محدودیت قیمت روزانه را به سهام فردی تحمیل می کنند. اگر سهام در یک روز بیش از 10 ٪ بالا یا پایین بیاید ، تجارت تا روز بعد به طور مؤثر متوقف می شود. بنابراین حداکثر بازدهی که خواهید دید 10 ٪ است. این بدان معناست که اگر شما از نظر بزرگترین بازده یک روزه آنها ، سهام را رتبه بندی کرده اید ، می توانید تعداد کل شرکت هایی را که 10 ٪ گره خورده اند داشته باشید و سیگنال قرعه کشی سنتی بین آن ها تمایز قائل نیست.

هنگامی که شما تشخیص دادید که چگونه این جنبه خاص از ساختار بازار بر مدل تأثیر می گذارد ، یکی از راه های تقویت سیگنال قرعه کشی در چین این است که به آن سبد سهام با بازده حداکثر 10 ٪ بپردازید و رتبه منفی بیشتری را در سیگنال به سهام موجود اعطا کنیدچند روز "محدود کردن" متوالی در یک ماه. این سهام بالاترین میزان توجه خرده فروشی را دریافت می کردند ، بنابراین احتمالاً آنها گرانترین قیمت هستند.

این یک تصویر از رویکرد کلی برای بومی سازی در EM است: پیدا کردن مواردی که در بازارهای خاص کار می کنند و استفاده از دانش عمیق بازار محلی برای بهتر کار کردن این مدل ها.

س: آیا انواع مختلفی از سیگنال های موضعی وجود دارد؟

درست است. ما فقط به دو شکل بومی سازی اشاره کردیم ، هر دو مربوط به نحوه استفاده از آنچه شما ممکن است سیگنال های Quant "استاندارد" را به بازارهای انفرادی بپردازیم ، استفاده کردیم.

نمونه ای که ما فقط در مورد آن بحث کردیم یکی از ابزارهای بومی سازی یک عامل استاندارد است: گرفتن چیزی مانند کم خطر و ترفند آن به دلیل برخی از ویژگی های خاص در بازار.

من قبلاً نیز اشاره کردم که ما معمولاً در مورد این فکر خواهیم کرد که آیا دلیلی برای حذف یک سیگنال سنتی مانند ریسک کم از اعمال در یک بازار معین وجود دارد یا خیر. این کاری نیست که ما اغلب برای جلوگیری از داده کاوی انجام می دهیم ، ما دوست داریم شواهد تجربی قوی و همچنین یک دلیل نظری بسیار قوی برای حذف یک سیگنال داشته باشیم - اما گاهی اوقات منطقی است که سیگنال را در جایی رها کنیم.

به عنوان مثال ، در اکثر بازارها ، ما دوست داریم شرکت ها را به دلیل تمایل آنها به سرمایه گذاری بیش از حد ، که یک ویژگی کاملاً منفی در اکثر بازارها است ، به دست آوریم. در چین ، این داستان کمی پیچیده تر است. برای شرکت های دولتی ، سطح بسیار بالایی از شخم زدن تمایل به نشانه بدی دارد ، که شاید خیلی تعجب آور نباشد. اما برای غیر SOES ، معلوم می شود که در یک اقتصاد به سرعت در حال رشد مانند چین ، جایی که دسترسی به سرمایه خارجی اغلب یک چالش است ، سطح بالایی از سرمایه گذاری مجدد می تواند سیگنال فرصت های رشد قوی باشد ، بنابراین ما سرمایه گذاری بیش از حد اعمال نمی کنیمبه عنوان یک سیگنال منفی در غیر SOE در چین.

در بالای سیگنال های استاندارد که ممکن است در بعضی از مناطق اعمال نشود یا ممکن است در مناطق دیگر تنظیم شوند ، سیگنال های خاص کشور وجود دارد که ما به سادگی نمی توانیم در اکثر مکان ها محاسبه کنیم. اما به دلیل برخی از ویژگی های منحصر به فرد یک بازار خاص یا به دلیل اینکه مجموعه ای از داده های جالب را پیدا کرده ایم که فقط برای یک بازار اعمال می شود ، می توانیم یک سیگنال کاملاً جدید ارائه دهیم که حتی در بین به اصطلاح "استاندارد" وجود نداردعوامل.

برای به اشتراک گذاشتن یک نمونه از آن ، در چین می توانیم اطلاعات مربوط به فعالیت تجاری سرمایه گذاران نهادی خارجی را که از طریق کانال اتصال سهام Northbound به سهام اصلی چین دسترسی پیدا می کنند ، دریافت کنیم. ما تحقیقات قابل توجهی در مورد عملکرد این جوانبساله های خارج از کشور انجام داده ایم (به یادداشت تحقیق در مورد "جستجوی پول هوشمند در چین سهام" مراجعه کنید) ، و می دانیم که معاملات آنها کاملاً سودآور است. اکنون ، از آنجا که ما لیستی از سهام آنها را که در زمان واقعی خریداری و می فروشند ، مشاهده می کنیم ، ما می توانیم سیگنالی را اجرا کنیم که به طور مؤثر "piggybacks" در مورد اطلاعات موجود در معاملات آنها باشد. Stock Connect یکی از آن ویژگی های خاص بازار است که برخی از داده های جالب را ایجاد می کند که می توانیم در مدل های خود بگنجانیم.

س: تفاوت در استفاده از داده ها برای استانداردهای استاندارد در مقابل تحقیقات کمی بومی چیست؟چگونه داده های محلی را برای سیگنال های محلی تهیه می کنید؟

من فقط نمونه ای از مزایای داده ها را در یک چارچوب بومی سازی کردم. هر یک از این بازارهایی که تحقیق می کنیم متفاوت است و بنابراین با برخی از مجموعه های داده بسیار جالب کار می کنیم. اما در مورد داده ها نیز برخی از چالش ها برای بومی سازی وجود دارد.

"برای انجام تحقیقات موضعی ، ما باید آن را با داده های منابع محلی تکمیل کنیم. برخی از نمونه های ساده داده های مربوط به مالکیت دولت در چین یا اطلاعات مربوط به عضویت در گروه تجاری در کره جنوبی است. "

تحقیقات کوکتی استاندارد باعث استفاده سنگین از داده های معمولی بازار - مانند قیمت ها و حجم - و البته داده های حسابداری از صورتهای مالی شرکت ها می شود. برای انجام تحقیقات موضعی ، ما باید آن را با داده های منابع محلی تکمیل کنیم. برخی از نمونه های ساده داده های مربوط به مالکیت دولت در چین یا اطلاعات مربوط به عضویت در گروه تجاری در کره جنوبی است. ما نمی توانیم این نوع کالاها را از فروشندگان معمول جهانی بدست آوریم ، بنابراین باید دریابیم که از منابع داخلی ، یا داده هایی که می توانیم از فروشندگان خریداری کنیم یا حتی بهتر - DATA که برخی از کارهایی را برای استخراج از منابعی که ممکن است انجام دهند "انجام می دهد"در زیر رادار "، به اصطلاح ، از منظر سایر کوچه ها.

فراتر از گرفتن دست ما به داده های محلی ، چالش دیگر با محلی سازی ، کیفیت داده ها است. داده ها بلوک های ساختمانی برای همه تحقیقات و استراتژی های ما هستند ، بنابراین ما باید اطمینان حاصل کنیم که با ورودی های جامد کار می کنیم. در غیر این صورت "زباله در زباله" است.

با داده های محلی ، می تواند مدتی طول بکشد تا کاملاً درک کنیم که ما به چه چیزی نگاه می کنیم. این شامل نه تنها دانستن چگونگی متفاوت بودن استانداردهای حسابداری در کشورها ، بلکه درک شیوه های تجاری شرکت ها در مناطق مختلف است. بیایید مطالبات تجاری را در چین به عنوان نمونه بگیریم. اگر حسابهای دریافتنی را متوجه نشده اید و یادداشت های دریافتنی اغلب توسط شرکت های چینی به طور متناوب مورد استفاده قرار می گیرند اما به طور جداگانه در صورتهای مالی چینی گزارش شده اند ، ممکن است در نهایت دست کم گرفتن مطالبات شرکت های چینی هنگام محاسبه سیگنال مانند یکی از مواردی که ما برای گرفتن درآمد استفاده می کنیم ، دست کم بگیریدمدیریت در چین.

همچنین سوال در مورد تمیز کردن داده ها وجود دارد. شستشوی داده ها قبل از افزودن به پایگاه داده های ما که در آنجا برای استفاده در تحقیقات ما یا اجرای استراتژی های ما در دسترس هستند ، نیاز به تلاش کامل دارد. معمولاً داده هایی که از فروشندگان محلی دریافت می کنیم فقط نمی توان از "خارج از قفسه" استفاده کرد بدون اینکه با دقت بررسی شود. حتی با توجه به داده های فروشندگان جهانی ، تمیز کردن خوبی نیز وجود دارد ، و ما گاهی اوقات باید استاندارد سازی آنها را "خنثیسازی" کنیم تا بتوانیم به داده های خام گزارش شده توسط شرکت های هر کشور بازگردیم.

همه اینها می تواند کار خسته کننده ای باشد ، اما ما آن را به عنوان بخش مهمی از روند بومی سازی استراتژی های خود می بینیم. من متقاعد شده ام که وقت زیادی را صرف تهیه داده ها می کند ، نسبت به سرمایه گذاران که از یک رویکرد آرام به داده ها استفاده می کنند ، به ما می دهد. این به ویژه در بازارهای نوظهور صادق است.

صحبت از آن ، یکی دیگر از چالش های غلبه بر بازارهای نوظهور این واقعیت است که در بیشتر این کشورها ، در حالی که جنبه های جالب بسیاری از داده هایی که می توانیم مطالعه کنیم وجود دارد ، ما اغلب سابقه خیلی طولانی از داده ها نداریمبشرتحقیقات کمی واقعاً بر این فرض ساخته شده است که ما یک نمونه به اندازه کافی بزرگ برای نتیجه گیری در مورد الگوهای و ساختار در داده ها داریم ، به طوری که می تواند یک مانع بزرگ در ساخت مدلهای Quant EM به طور کلی باشد - و این فقط تأثیر نمی گذاردتحقیقات بومی شده

س: هنگامی که داده های مربوط به تاریخ طولانی را پوشش نمی دهید ، چگونه می توانید در تحقیقات خود اطمینان داشته باشید؟

احتمالاً مهمترین چیز فقط تکیه بر داده ها نیست تا به ما بگوییم کدام استراتژی ها را دنبال می کنیم. ما بدیهی است که دوست داریم ببینیم چیزی در یک پشتوانه عملکرد خوبی دارد ، اما مهمتر از این است که ما یک تئوری قانع کننده برای چرا باید کار کنیم - مانند مراجعه قبلی من به سرمایه گذاران خرده فروشی که تمایل به قمار دارند ، که باعث افزایش قیمت سهام قرعه کشی می شودبشر

"استراتژی دیگری برای غلبه بر فقدان تاریخ طولانی داده ها ، در صورت امکان ، آزمایش همان سیگنال در بازارهای مختلف است."

استراتژی دیگر برای غلبه بر فقدان تاریخ طولانی داده ها ، در صورت امکان ، آزمایش همان سیگنال در بازارهای مختلف است. بنابراین بازگشت به مورد محدودیت قیمت روزانه در چین ، به نظر می رسد یک مکانیسم تقریبا یکسان در تایوان وجود دارد ، بنابراین مکان دیگری برای آزمایش مدل پیشرفته به ما می دهد و اگر چیزی در چندین بازار کار کند ، حتی اگر نمونه ما کوتاه باشددر هر بازار ، ما تمایل بیشتری به این باور خواهیم داشت که این اثر واقعی باشد - به ویژه هنگامی که یک داستان خوب از نظر اقتصاد و رفتار سرمایه گذار برای پشتیبان گیری از آن وجود دارد.

س: این جالب استبنابراین ویژگی های بومی شده می تواند برای بیش از یک بازار در حال ظهور اعمال شود؟

کاملا. خواهید فهمید که هر بازار متفاوت است ، اما این جیب های شباهت وجود دارد که منجر به زیر مجموعه بازارها می شود که فرصت های مشابهی را ارائه می دهند. بگذارید مثال دیگری ارائه دهم. در چین ، سهام دارایی در سرزمین اصلی وجود دارد ، اما تعداد زیادی از شرکت ها علاوه بر سهام A ، سهام H را که در هنگ کنگ ذکر شده است ، لیست می کنند. این دو کلاس سهم دارای حق رأی یکسان هستند ، همان حقوق جریان نقدی - برای همه اهداف و اهداف ، آنها یکسان هستند ، به جز جایی که تجارت می کنند.

اما از آنجا که آنها در بازارهای نسبتاً قطع شده تجارت می کنند ، قیمت سهام A و H یک شرکت می تواند به طور گسترده ای منحرف شود ، در حالی که یک کلاس سهم گاهی اوقات با دو تا سه برابر قیمت دیگری تجارت می کند. از آنجا که فروش کوتاه سهام A در واقع غیرممکن است ، هیچ راه واقعی برای داوری این تفاوت وجود ندارد. با این حال ، آنچه ما پیدا کردیم این است که شما می توانید از نسبت قیمت دو کلاس سهم به عنوان سیگنال ارزیابی استفاده کنید. اگر سهم A بسیار گرانتر از سهم H باشد ، به احتمال زیاد بیش از حد ارزش گذاری می شود ، و احتمالاً می خواهید آن را کم وزن کنید.

به عنوان یک نکته جانبی ، این نمونه ای از یک سیگنال محلی کاملاً جدید است که از داده های بسیار خسته کننده ای در مورد قیمت ها استفاده می کند ، که همه دارند ، برای تجارت با ویژگی هایی که نسبتاً منحصر به فرد برای سهام چینی است.

اکنون ، من می گویم که برای سهام چینی نسبتاً منحصر به فرد است ، زیرا معلوم می شود که تعداد مناسبی از شرکت های برزیلی نیز دارای دو کلاس سهم هستند: سهام معمولی و ترجیحی. این دقیقاً مانند لیست های دوگانه A-H چین نیست. تجارت سهام برزیل در همان مکان هنوز از نظر سود سهام و حق رأی دارای ویژگی های مختلفی است. اما ، دقیقاً مانند چین ، می یابیم که می توانیم از نسبت قیمت این سهام دو کلاس برزیلی به عنوان یک سیگنال مؤثر استفاده کنیم. این یک مورد از یک سیگنال بومی شده است-آنچه ممکن است به اشتباهات کلاس دوگانه بنامم-که می توانیم در چندین مکان از آن سوءاستفاده کنیم.

در واقع برای ما بسیار خوشبخت است که ما شباهت هایی مانند این را کشف می کنیم ، زیرا این بدان معنی است که وقتی ایده های جدیدی را در چین یا تایوان به دست می آوریم ، به عنوان مثال ، این بینش ها ممکن است پیشرفت هایی را در مدل های ما در مناطق دیگر ایجاد کند. بنابراین ، حتی اگر ما در بازارهای فردی تحقیقات عمیق و زمان زیادی انجام می دهیم ، همپوشانی های گاه به گاه آن را به ما می دهد.

س: آیا استراتژی های خود را برای همه بازارهای نوظهور بومی سازی می کنید؟

این یک سوال خوب استاول ، بیایید بازارهای نوظهور را به طور کلی در چشم انداز قرار دهیم.

در اواخر آگوست 2019 ، در فهرست MSCI EM در مجموع 26 کشور بزرگ وجود داشت که چین بیشترین وزن را در حدود یک سوم نمونه کارها به خود اختصاص داد. پنج بازار برتر - چین ، کره جنوبی ، تایوان ، هند و برزیل - بیش از 70 ٪ از این شاخص را به خود اختصاص داده اند.

احتمالاً از گفتگوی ما تا کنون مشخص است که تحقیقات بومی سازی آسان نیست. تلاش گسترده ای برای به دست آوردن و تمیز کردن داده ها ، و یادگیری کافی در مورد ویژگی های هر بازار ، تلاش می کند تا بتوانیم چیزها را از هم جدا کنیم و مدل های متمایز را برای ضبط آن اختلافات محلی ایجاد کنیم. تاکنون ، ما عمدتاً به مزایای بومی سازی متمرکز شده ایم و به برخی از چالش ها توجه کرده ایم ، اما باید توجه داشته باشم که این یک تلاش بسیار پر هزینه از منظر تحقیق است. بنابراین ما باید در مورد هزینه ها و مبادله ای که با آن روبرو هستیم آگاه باشیم وقتی تصمیم می گیریم حفر کنیم و یک منطقه را عمیقاً درک کنیم.

برای اولویت بندی پوشش ، من می خواهم به تخصیص منابع تحقیقاتی تقریباً متناسب با وزن هر کشور در بازارهای نوظهور به عنوان یک کل فکر کنم. مزیت این رویکرد زمانی است که ما به یک بینش خاص در بازار می رسیم ، می توانیم مطمئن باشیم که به اندازه کافی از وزن نمونه کارها تأثیر می گذارد تا تفاوت معنی داری در عملکرد کلی ایجاد کند. ما هنوز هم در همه جا از عوامل استاندارد استفاده می کنیم ، و ما دائماً در حال انجام تحقیقات برای تقویت این عوامل استاندارد هستیم-عموماً با مجموعه ای اختصاصی از سیگنال های غیر بازار خاص ارائه می شود. ما می دانیم که این ارزشمند است زیرا هر منطقه را لمس می کند. ما همچنین مزایایی را که در مورد لحظه ای پیش صحبت کردم دریافت می کنیم. به عنوان مثال ، جایی که ما در چین چیزی یاد می گیریم ، می توان آن را تعمیم داد و برای تعداد انگشت شماری از سایر بازارهای نوظهور استفاده کرد. این کمک زیادی می کند.

س: ما در مورد محلی سازی برای سرمایه گذاری در بازارهای نوظهور صحبت کرده ایم. آیا محلی سازی می تواند در بازارهای توسعه یافته نیز اعمال شود؟

نکته در مورد بازارهای نوظهور این است که آنها هنوز در میان این چرخه زندگی هستند که در نهایت ، امیدوارم که آنها را به وضعیت بازار توسعه دهند. اما آنها در زمان ها و مکان های مختلف شروع می شوند ، بنابراین بسیاری از ویژگی های منحصر به فرد وجود دارد که فرصت های محلی سازی را ایجاد می کند. مهمتر از آن ، بازارهای نوظهور به طور معمول سطح بسیار بالاتری از مشارکت سرمایه گذاران خرده فروشی را نشان می دهند - که ما در یک یادداشت تحقیق قبلی بحث کرده ایم (به "قوانین خرده فروشی: خرید در فرصت آلفا چین" مراجعه کنید) و این منجر به نادرست تر و شاید بیشتر می شود. همچنین بازپرداخت بیشتری برای Quants که در EM تخصص دارند.

"بازارهای نوظهور به طور معمول سطح بسیار بالاتری از مشارکت سرمایه گذاران خرده فروشی را نشان می دهند ، که منجر به سوءاستفاده بیشتر می شود و شاید بازپرداخت بیشتری برای افراد متقاضی که در EM تخصص دارند."

بازارهای توسعه یافته بالغ تر هستند ، از نظر هر دو دارای یک پایگاه سرمایه گذار پیشرفته تر - بنابراین آلفا کمتر برای بهره برداری - و از نظر استانداردهای حسابداری ، مقررات ، ساختار بازار و موارد دیگر از قبل به ویژگی های همگن تر همگن تر شده اند.

البته ، همه بازارها پیچیده هستند ، بنابراین من فکر می کنم همیشه برای انجام تحقیقات بسیار تخصصی در مورد ویژگی های خاص یک بازار خاص - حتی بازارهای توسعه یافته ، وجود دارد. اما به دلایلی که فقط اشاره کردم ، شرایط موجود در EM احتمالاً در حال حاضر برای بومی سازی بارور تر است.

س: چگونه مفهوم بومی سازی با مفهوم سرمایه گذاری کوانتومی متناسب است؟

به طور کلی ، سرمایه گذاری کوانتومی این ایده است که به نوعی تحقیقات اساسی را با تحقیقات کمی ترکیب می کند تا بهترین ها را از هر دو جهان بدست آورد. ما می توانیم مکالمه ای کاملاً جداگانه در مورد رویکرد کوانتینی Rayliant داشته باشیم - و فکر می کنم باید - اما به من اجازه می دهم که به طور خلاصه در مورد چگونگی انجام تحقیقات اساسی در کارهایی که در مورد آن بحث کرده ایم ، تماس بگیرم.

"به طور کلی ، سرمایه گذاری کوانتومی این ایده است که به نوعی تحقیقات اساسی را با تحقیقات کمی ترکیب می کند تا بهترین ها را از هر دو جهان بدست آورد."

اول و مهمتر از همه ، ما جمع کننده های اساسی سهام نیستیم ، بلکه سرمایه گذاران کمی هستند که استراتژی های سرمایه گذاری سیستماتیک را طراحی می کنند. اما ما می دانیم که بهترین مدل های کمی در مورد درک جدی از اقتصاد ، رفتار انسان و تجارت در دنیای واقعی که اساسی داده های ما است ساخته شده است. مؤثرترین راه برای گرفتن آن و ساختن بهترین مدل ها این است که تمام روز را صرف خیره کردن به شماره ها در صفحه رایانه نکنید - ممکن است هرگز چیزهایی را پیدا نکردیم. در عوض این است که با محققان اساسی که دانش محلی را در بازارهای خاص دارند صحبت کنیم و آنچه را که در مورد ویژگی های این بازارها و مجموعه داده هایی که ممکن است بتوانیم از آنها استفاده کنیم یاد بگیرند.

بنابراین برای تحقیقات Rayliant و اساسی - و این طرز فکر کوانتومی - برای ساخت واقعی مدل های ما بسیار مهم است. در حقیقت ، نمونه های قبلی از محدودیت قیمت روزانه و لیست های دوگانه A-H هر دو ویژگی تیم تحقیقاتی اساسی ما به ما گفته است که ممکن است مورد توجه قرار بگیریم ، و همین امر باعث شد تا داده ها را جمع کنیم و بفهمیم که چگونه می توان آن عناصر را در یک مدل سیستماتیک قرار داد. این یک روند هیجان انگیز است ، دیدن تیم های اساسی و کمی که با هم در این راه کار می کنند.

س: آیا سرمایه گذاری Quant بدون بومی سازی کار خواهد کرد؟

اگر می خواهید بیشترین آلفا را در EM برداشت کنید ، محلی سازی را بسیار مهم می بینیم و به عملکرد قابل توجهی می افزاید ، اما ما هنوز هم از طریق سیگنال های کمی استاندارد سوءاستفاده های زیادی را ضبط می کنیم. حتی چیزی به سادگی مرتب سازی شرکت ها بر روی یک نشانگر ارزش ، مانند نسبت کتاب به بازار ، در بازارهای بسیار ناکارآمد که در آن شما سرمایه گذاران خرده فروشی را به طور مداوم تجارت می کنید ، به خوبی کار می کنند تا قیمت ها را از اصول دور کنند.

همانطور که قبلاً نیز ذکر شد ، ما همچنین زمان خوبی را صرف تحقیق در مورد عناصر غیر محلی استراتژی های خود می کنیم. اما اگر از بینش محلی در بازارهای مختلف نوظهور غافل شویم ، احساس می کنیم مقدار زیادی آلفا روی میز باقی مانده است. در واقع ، بخش بزرگی از معما که ما سعی می کنیم وقتی به یک شرکت از طریق لنز یک مدل کمی نگاه می کنیم ، حل کنیم ، اگر عناصر محلی و محلی مانند بازار را که در مورد آنها بحث کرده ایم ، نادیده بگیریم.