Faktorimallin backtest: opas vuodelle 2026
Perusteellinen ja asiallinen opas faktorimallien historiatestaukseen: point-in-time-data, selviytymisharhan käsittely, GRS-testi, havaintojen vähimmäismäärä, EW- ja RP-painotus sekä järjestys Sharpen luvun ja informaatiosuhteen yhdistelmäpisteillä.
Luokka: Faktoritutkimus
Mitä faktorimallin backtest todella vaatii
Faktorimallin historiatestaus tarkoittaa sen mittaamista, kestääkö faktorin preemio rehellisen tarkastelun. Rakenna point-in-time-tuotot, joissa selviytymisharha on käsitelty; muodosta pitkät osasalkut (sleeve); testaa yhteismerkitsevyys GRS-testillä; aseta havaintojen vähimmäismäärä; vertaa tasapainoa riskipariteettiin; ja järjestä osasalkut lopuksi ylituoton Sharpen luvun ja informaatiosuhteen yhdistelmän mukaan. SurgeFlow'n omiin Phase 1 -tuloksiin viitattaessa on mainittava, että ne ovat tyyppiä research_backtest_insample — otoksen sisäinen faktoriattribuution hajotelma, ei reaaliaikainen otoksen ulkopuolinen tuottohistoria. GRS-testi ja diagnostiikka raportoidaan, mutta niitä ei käytetä kynnyksinä, joilla positioita suljettaisiin pois salkusta.
Useimmat yksityissijoittajille tehdyt backtestit ohittavat eheystarkistukset ja raportoivat imartelevan luvun. Niiden ’löytämä’ preemio on yleensä seurausta ennakkotietoharhasta (look-ahead bias), otoksesta hiljaa pudonneista kuolleista yhtiöistä tai havaintojen määrästä, joka on liian pieni erottamaan taidon kohinasta. Puolustettavissa oleva backtest on enimmäkseen pohjatyötä: data ja tarkistukset saatetaan kuntoon ennen kuin yhtäkään tuottoa lasketaan. Tämän sivun loppuosa käy läpi tuon pohjatyön ja sen taustalla olevat kaavat ja esittää sitten yhden läpilasketun esimerkin SurgeFlow Factor Backtest V2:sta.
Eheystarkistukset, jotka yksityissijoittajien backtestit ohittavat
Neljä tarkistusta tekee suurimman osan työstä, ja kukin niistä karsii jo yksinään suuren osan naiiveista tuloksista.
Point-in-time-data: jokaisen syötteen, jolla osake asetetaan järjestykseen tiettynä päivänä, on täytynyt olla tiedossa tuona päivänä. Tilinpäätöstiedoilla on jättö- tai julkaisupäivä eikä pelkkä tilikauden päivämäärä, joten tammikuun kannattavuus- tai arvostusjärjestys ei saa huomaamatta käyttää lukuja, jotka julkaistiin vasta maaliskuussa. Tämän rikkominen on yleisin syy paisuneisiin backtest-tuloksiin.
Selviytymisharhan käsittely: kunkin historiallisen päivän osakejoukon on sisällettävä myös yhtiöt, jotka myöhemmin poistuivat pörssistä, sulautuivat tai menivät konkurssiin. Jos testataan vain tämän päivän selviytyjiä, joukosta on poistettu juuri ne nimet, jotka tuottivat tappiota, ja tulos on jo rakenteensa vuoksi vinoutunut ylöspäin.
Havaintojen vähimmäismäärä: lyhyeltä jaksolta laskettu Sharpen luku on enimmäkseen otantakohinaa. Osasalkkukohtainen tuottohavaintojen alaraja estää sen, että lyhytikäiset tai ohuesti katetut osasalkut asetetaan järjestykseen samalta viivalta pitkän historian osasalkkujen kanssa.
GRS-testi: kun mallissa on useita faktoreita ja useita testisalkkuja, tarvitaan yhteistesti sille, että hinnoitteluvirheet (alfat) ovat yhdessä nolla — ei yksittäistä valikoitua t-arvoa. - Point-in-time-syötteet sidotaan jättö-/julkaisupäivään, ei tilikauden päivämäärään - Osakejoukko sisältää kunakin historiallisena päivänä myös pörssistä poistuneet ja sulautuneet nimet - Havaintojen vähimmäismäärä ennen kuin yhtäkään osasalkkua asetetaan järjestykseen - GRS-yhteistesti yksittäisen käsin poimitun t-arvon sijaan
Menetelmä ja kaavat
Faktorituotot ja poikkileikkaushinnoittelu. Fama-MacBeth (1973) on vakiintunut kaksivaiheinen menetelmä: tuotoille ajetaan jokaisella jaksolla poikkileikkausregressio faktorialtistuksiin, minkä jälkeen jaksokohtaisista kulmakertoimista lasketaan keskiarvo, jolloin saadaan faktoripreemio ja sen aikasarjasta laskettu keskivirhe. SurgeFlow'n faktorikerros noudattaa Fama-French-tyylistä rakennetta (SMB koko, HML arvo, RMW kannattavuus, CMA investoinnit, WML momentum, LIQ likviditeetti) ja tuottaa päivittäiset faktorituotot.
Yhteismerkitsevyys: GRS-testi. Gibbonsin, Rossin ja Shankenin (1989) testisuure testaa, ovatko vakiotermit (alfat) yhdessä nolla, kun joukko omaisuuseriä regressoidaan faktoreihin. Tuottoja hyvin selittävän mallin pitäisi jättää jäljelle alfat, jotka eivät tilastollisesti eroa nollasta kaikissa testikohteissa yhtä aikaa; GRS-testi on F-testi, joka muotoilee tämän täsmällisesti.
Painotus: EW ja RP. Tasapainotuksessa (equal weight, EW) jokainen osasalkun nimi saa saman nimellismäärän. Riskipariteetissa (risk parity, RP) kukin positio sen sijaan skaalataan niin, että nimet tuovat suunnilleen yhtä paljon riskiä, jolloin volatiileimpien osakkeiden paino pienenee. RP parantaa usein riskikorjattuja tunnuslukuja juuri siksi, että se estää muutamaa hyvin volatiilia nimeä hallitsemasta osasalkun varianssia.
Järjestys: z-pisteiden yhdistelmä. Jotta osasalkkuja voidaan verrata useammalla kuin yhdellä akselilla, kukin tunnusluku standardoidaan osasalkkujen yli z-pisteiksi ja pisteet yhdistetään. SurgeFlow järjestää Yhdysvaltain osasalkut lausekkeen 0.5*z(Sharpe) + 0.5*z(InformationRatio) argmaxin mukaan; Sharpen luku lasketaan ylituotoista ja informaatiosuhde vuositasolla suhteessa vertailuindeksiin. Tämä palkitsee osasalkkuja, jotka ovat vahvoja sekä absoluuttisessa riskikorjatussa tuotossa että johdonmukaisuudessa suhteessa vertailuindeksiin, ei vain toisessa niistä.
Läpilaskettu esimerkki: voittaja WML+RMW Top-30 RP
SurgeFlow Factor Backtest V2 ajaa yksittäisten faktorien ja faktoriyhdistelmien pitkät osasalkut sekä EW- että RP-painotuksella ja raportoi osasalkuittain ylituoton Sharpen luvun, vuositason informaatiosuhteen, suurimman arvonaleneman huipusta (maximum drawdown), vaihtuvuuden ja havaintojen määrän. Jokainen osasalkku raportoidaan datan laatutarkistusten ja diagnostiikan kanssa: point-in-time-kontrollit, selviytymisharhan käsittely, havaintojen vähimmäismäärän tila ja GRS-testi. GRS raportoidaan diagnostiikkana, eikä sitä käytetä kynnyksenä osasalkkujen poissulkemiseen; nykyinen Phase 1 -ajo on tyyppiä research_backtest_insample eikä reaaliaikaista, otoksen ulkopuolista näyttöä rullaavasta signaalista.
Yhdistelmäjärjestyksessä Yhdysvaltain nykyinen voittaja on riskipariteetilla painotettu WML+RMW Top-30 -osasalkku, joka on laskettu noin kymmenen vuoden ajalta. Se on #1 sekä ylituoton Sharpen luvulla että informaatiosuhteella mitattuna, ja siksi se pitää pintansa yhdistelmässä sen sijaan, että voittaisi yhdellä tunnusluvulla ja häviäisi toisella. Emme tarkoituksella esitä tässä sen Sharpen lukua tai preemiota kiinteänä lukuna; arvot ovat reaaliaikaisia ja muuttuvat datan mukana. Ajantasainen osasalkkutaulukko ja tunnusluvut ovat osoitteessa /backtesting ja taustalla olevat faktorimallit osoitteessa /factors.
Mitä SurgeFlow-dataa tässä käytetään
Menetelmä perustuu SurgeFlow'n usean markkinan osaketutkimusdataan, ei mihinkään neuvontatuotteeseen. Faktorikerros on rakennettu Fama-French-tyyliin (SMB, HML, RMW, CMA, WML, LIQ), ja siihen kuuluvat päivittäiset faktorituotot, julkaisukynnys, joka pysäyttää julkaisukelvottomat faktorit, efektiivisen suunnan ratkaiseva moduuli sekä multikollineaarisuuden VIF-diagnostiikka. Factor Backtest V2 käyttää tätä kerrosta EW- ja RP-osasalkkujen muodostamiseen sekä edellä kuvattujen datan laatutarkistusten ja diagnostiikan raportointiin.
Taustalla oleva kurssi- ja fundamenttidata kattaa neljä markkinaa, ja lähteet on dokumentoitu: FMP Yhdysvalloille; Tushare Kiinan A-osakkeille ja Hongkongille; sekä J-Quants ja EDINETin suuromistusilmoitukset Japanille. SEC EDGARin 13F-ilmoitukset tuottavat Yhdysvaltain institutionaalisten omistusten tiedot. Edellä läpilaskettu esimerkki on Yhdysvaltain osasalkku; kattavuus ja mallien kypsyys vaihtelevat markkinoittain. - Faktorikerros: SMB, HML, RMW, CMA, WML, LIQ päivittäisine tuottoineen ja julkaisukynnyksineen - Backtest V2: EW- + RP-osasalkut; datan laatutarkistukset = point-in-time / selviytymisharha / havaintojen vähimmäismäärä; GRS + diagnostiikka raportoidaan, ei kynnyksinä - Lähteet: FMP (US), Tushare (CN/HK), J-Quants+EDINET (JP), SEC 13F (US)
Markkinakohtaiset varaukset
Yhdellä markkinalla toimiva faktorimalli ei siirry automaattisesti toiselle. Akateeminen kirjallisuus on tästä yksiselitteinen: Kiinan A-osakkeista Liu, Stambaugh ja Yuan (2019, 'Size and value in China', Journal of Financial Economics) dokumentoivat, että koko- ja arvopreemiot ovat vahvoja, kun taas kurssimomentum on heikko tai puuttuu kokonaan. He suosittelevat pienimpien ’shell stock’ -yhtiöiden kohortin rajaamista pois käänteisten sulautumisten (reverse merger) aiheuttamien vääristymien vuoksi. Yhdysvalloissa validoidun momentum-osasalkun ei siksi pidä olettaa pätevän Kiinassa ilman omaa, samoilla tarkistuksilla tehtyä backtestiä.
Tämä on datatiedettä ja menetelmiä käsittelevä aineisto, ei sijoitusneuvontaa. Mikään tässä esitetty ei ole suositus ostaa, myydä tai pitää mitään arvopaperia, eikä mitään tulosta pidä lukea ennusteena. Faktoribacktestin rehellinen tulos on mittaus luottamusrajoineen ja luettelo oletuksista, joihin se nojaa — ei ennuste.
Aja se itse maksuttomalla API:lla
Tämän työnkulun voi toistaa reaaliaikaisella datalla. Maksuton julkinen API kattaa kaikki neljä markkinaa, ja sen päiväkohtainen raja on 2,000 pyyntöä; käytössä ovat päätepisteet realtime, screen ja hotlist sekä yhteenvetoreitti, OpenAPI-määrittely osoitteessa /api/public/openapi.json ja tekoälylle tarkoitettu hakemisto osoitteessa /llms.txt. Luo maksuton API-avain osoitteessa /account ja avaa reaaliaikainen konsoli osoitteessa /membership/api; tarkastele sen jälkeen osasalkkujen ajantasaista järjestystä osoitteessa /backtesting ja niiden taustalla olevia faktorimalleja osoitteessa /factors. Aloita Yhdysvaltain voittajasta ja aja sitten samat tarkistukset markkinalla, jonka preemioiden tiedetään poikkeavan.
Lähteet ja lisälukemista
Edellä esitettyjen väitteiden ensisijaiset, akateemiset ja SurgeFlow-datan lähteet: - Fama, E. F., & MacBeth, J. D. (1973). Risk, return, and equilibrium: Empirical tests. Journal of Political Economy. - Gibbons, M. R., Ross, S. A., & Shanken, J. (1989). A test of the efficiency of a given portfolio. Econometrica. - Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics. - Liu, J., Stambaugh, R. F., & Yuan, Y. (2019). Size and value in China. Journal of Financial Economics.