حق نسخه‌برداری (کپی رایت)

----------------------توجه: استفاده از مطالب این وبلاگ با ذکر منبع مجاز است.

۱۳۹۳ تیر ۱۹, پنجشنبه

انواع روش‌های تحلیل سرمایه‌گذاری

یاد ندارم که در گذشته پستی راجع به روش‌های تحلیل سرمایه‌گذاری نوشته باشم. ابتدا روشن کنم که منظورم از روش‌های تحلیل سرمایه‌گذاری، روش‌های تحلیل صورت‌های مالی نیست. بلکه در اینجا منظور روش‌های تحلیل داده‌های مربوط به اوراق بهادار برای طرح‌ریزی  استراتژی‌های معامله است. این روش‌ها به سه دسته‌ی عمده تقسیم می‌شوند: تحلیل‌های بنیادی، تحلیل‌های تکنیکال، و تحلیل‌های مقداری. تحلیل صورت‌های مالی معمولا در تحلیل بنیادی به کار گرفته می‌شود.

در تحلیل بنیادی معمولا صورت‌های مالی، عمل‌کرد کسب و کار، عمل‌کرد مدیریت، تصمیمات داخلی و اعتبار یک شرکت برای پیشبینی قیمت سهام آن مورد بررسی قرار می‌گیرد. علاوه بر آن، وضعیت کلی اقتصاد و صنعت مربوط به آن شرکت هم در نتیجه‌ی  پیشبینی در نظر گرفته می‌شود. می‌توان تصور کرد که تحلیل بنیادی به مراتب فراتر از روش تحلیل سرمایه‌گذاری است. از تحلیل بنیادی می‌توان در تعیین سلامت کسب و کار یک شرکت هم استفاده کرد. با هدف سرمایه‌گذاری، معمولا تحلیل‌گران بنیادی به سراغ اوراقی می‌روند که ارزش کمی دارند، به این امید که به اشتباه کم ارزیابی شده باشند، و در صورتی که به چنین جمع‌بندی برسند، این اوراق را می‌خرند به این امید که تحلیل‌شان درست باشد و سود کنند. لازم به ذکر است که در عمل، کنترل ریسک در این نوع تحلیل تا حد زیادی شهودی است و با حجم سهامی که خریداری می‌شود انجام می‌گیرد. طبیعی است که بخشی از این تحلیل، مقداری باشد و بخش دیگر آن شهودی. هر چه بخش مقداری بیشتری در این تحلیل به کار رود، اشتراک آن با تحلیل مقداری بیشتر می‌شود. آن بخشی که تحلیل بنیادی نام خود را از آن گرفته است، ربط چندانی به مقداری یا غیرمقداری بودن عملیات آن ندارد. بلکه چون در این نوع تحلیل، متغیرهای بنیادی نظیر متغیرهای اقتصادی کلان، متغیرهای بین‌المللی اقتصادی، نرخ بهره، نرخ تورم، جی‌دی‌پی، و غیره به کار برده می‌شوند، به آن بنیادی گفته می‌شود.

نوع دیگر تحلیل سرمایه‌گذاری، تحلیل تکنیکال است. در این نوع تحلیل، اغلب تمام متغیرهای بنیادی نادیده گرفته می‌شوند و تمرکز روی داده‌های گذشته‌ی قیمت یک ورق است. تحلیل‌گران تکنیکال به مطالعه‌ی شهودی گذشته‌ی قیمت یک سهم می‌پردازند. سپس تصمیم می‌گیرند که کی بخرند و کی بفروشند. مثلا اگر بر اساس روند افزایش یا کاهش قیمت در هفته‌ی گذشته احساس کنند که قیمت قرار است سیر صعودی داشته باشد، ورق را می‌خرند و در آینده‌ای که آن هم بر اساس اتفاقات رخ داده در قیمت ورق است، می‌فروشند. بر خلاف تحلیل بنیادی که بر مبنای علم اقتصاد است، تحلیل تکنیکال بنیاد اقتصادی ندارد و تنها بر اساس تجربه و یا حس تحلیل‌گر استوار است. به تحلیل‌گران تکنیکال، چارتیست می‌گویند. آن‌ها با نگاه به چارت‌های مستخرج از داده‌های قیمت ورق و سفارشات خرید-فروش، تصمیمی می‌گیرند که بخرند یا بفروشند. با توجه به این که معامله توسط انسان انجام می‌شود، کوچک‌ترین بازه‌ی زمانی بین خرید و فروش نمی‌تواند از چند دقیقه کوچک‌تر شود ولی معمولا کوچک‌ترین بازه‌ی زمانی رایج یک روز است.

هم تحلیل تکنیکال و تحلیل بنیادی بر این مبنا استوار است که می‌توان تا حد معقولی قیمت برخی سهام را درست پیشبینی کرد. به بیان دقیق‌تر، تحلیل‌گر معتقد است که قیمت بازاری ورق، در فرایندی شبیه به میانگین‌گیری از باور تمام معامله‌گران بازار نسبت به قیمت تعیین می‌شود. اگر بتوان با تحلیل بیشتر قیمت دقیق‌تری کشف کرد، می‌توان بازار را شکست داد. این با نظریه‌ی بازار کارا که تاکید دارد نمی‌توان قیمت را پیشبینی کرد و بازار را (به طور میانگین) منطقی می‌داند، تناقض دارد. البته این که تا چه حد بازار کارا است، خود جای بحث دارد، اما مطالعات آماری و اقتصادی زیادی نشان داده‌اند که بازارهایی نظیر فارکس، تا حد زیادی کارا هستند. با این حال بحث در این زمینه ادامه دارد.

تحلیل مقداری برای سرمایه‌گذاری مجموعه‌ای از روش‌های آماری و ریاضی است که بهترین روش سرمایه‌گذاری را از میان تمام روش‌ها پیدا می‌کند. قدیمی‌ترین روش از این نوع Capital Asset Pricing Model یا به اختصار CAPM نام دارد. این که چه‌گونه از نظریه‌ی بازار کارا یا نظریه‌ی تعادل عمومی به CAPM می‌رسیم، نه در حوصله‌ی این پست است نه در تخصص نویسنده‌ی آن. بنابراین، به طور خلاصه خود CAPM را شرح می‌دهیم. هر پرتفولیو یک ریسک و یک بازده دارد که با عدد و رقم از داده‌های گذشته‌ی قیمت قابل محاسبه هستند. هیچ پرتفولیویی وجود ندارد که از تمام پرتفولیو‌های دیگر هم از نظر بازده بیشتر و هم ریسک کمتر، بهتر باشد. اما اگر به پرتفولیوها یک حساب بانکی بدون ریسک اضافه کنیم، یکی از آن‌ها به همراه حساب بانکی، از بقیه به همراه حساب بانکی بهتر می‌شود. بنابراین، می‌توان بازده و ریسک آن را به عنوان بازده و ریسک مرجع بازار در نظر گرفت. اگر بدانیم ریسک و بازده مرجع چیست در این صورت با فرض این که بازار در تعادل است، می‌توان نتیجه گرفت که نسبت اختلاف بازده یک ورق (یا هر دارایی دیگر) به اختلاف بازده مرجع،  یک ضریب ثابت مختص آن دارایی است. اگر این عدد را بدانیم، می‌توانیم با استفاده از بازده مرجع بازار، بازده آن دارایی را نیز بیابیم. سپس، می‌توان از روی بازده و ریسک دارایی‌های مختلف، پر بازده‌ترین پرتفولیو  را در یک سطح ثابت ریسک یافت. برای این کار روش‌های برنامه‌ریزی درجه‌ی دو به کار می‌آید.

روش CAPM اشکالاتی هم دارد که مانع شده در عمل به کار آید. مثلا تعیین بازده و ریسک مرجع اصلا ساده نیست. اما می‌توان شاخص‌های بازار را با پرتفولیو مرجع جایگزین کرد. از طرفی این روش استاتیک است و عملا امکان اجرای آن در طول زمان وجود ندارد. تمام پارامترهای بازار به سرعت در حال تغییر است و پرتفولیوی بهینه‌ی امروز، ممکن است فردا بهینه نباشد. محاسبات CAPM هم مخصوصا در بخش بهینه‌سازی بازده در سطح ریسک ثابت زمان‌بر است و کامپیوتر‌های قوی نیاز دارد. بنابراین، این روش قابلیت تطبیق با سرعت زیاد بازار را ندارد. روش‌های زیادی برای سرمایه‌گذاری بهینه در آکادمی خلق شده‌اند. اما همگی همان اشکالات CAPM را دارند و بیشتر به کار تحقیقات علمی و درک بازار می‌آیند تا به روش‌های عملی. اما اگر استفاده از سرعت بازار اهمیتی نداشته باشد، مثلا همان‌طور که برای صندوق‌های بازنشستگی اهمیت ندارد، می‌توان این روش‌ها را پیاده‌سازی کرد. معمولا صندوق‌های بازنشستگی روش‌های بهینه‌سازی خاصی دارند. دسته‌ای از اوراق را که در بحران‌های اقتصادی پایداری خوبی از خود نشان داده‌اند را انتخاب می‌کنند و بر اساس نوسانات قیمت آن اوراق، برای حفظ پرتفولیو در حالت بهینه، تغییراتی در فرکانس کم (روزانه یا حتی هفتگی)  در ترکیب پرتفولیو می‌دهند. طبیعی است که این روش‌ها آن جا کارایی دارند و استفاده می‌شوند.

روی دیگر روش‌های مقداری، سرمایه‌گذاری در فرکانس بالا است. در یک بازار سریع، هر دقیقه صدهاهزار معامله انجام می‌شود و قیمت یک ورق هزاران بار تغییر می‌کند. طبیعی است که انسان نمی‌تواند با این سرعت تمام تغییرات را مشاهده کند. اما کامپیوتر می‌تواند. طبیعی است که بتوان بر اساس، الگوریتم‌های شناخت الگو (pattern recongnition) و  یادگیری ماشینی (machine learning) می‌توان استراتژی‌های سودآور یافت که در هر هزارم ثانیه معامله کنند. این کار نیاز به دسترسی به یک جریان سریع داده‌های مالی از بازار به کامپیوتر دارد. هر چه الگوریتم بهتر باشد و جریان دسترسی به داده سریع‌تر، موقعیت بهتری برای کسب سود ایجاد می‌شود. معمولا هزینه‌ی دسترسی سریع به داده زیاد است و تنها از عهده‌ی موسسات مالی نسبتا بزرگ مثل صندوق‌های سرمایه‌گذاری و بانک ها برمی‌آید.

از بین این سه روش تحلیل سرمایه‌گذاری، روش مقداری گران‌ترین و هم‌چنین دانش‌محورترین روش است. از طرفی برای شرکت‌ها تحلیل بنیادی ضرروی است حتی اگر قصد سرمایه‌گذاری در بازار را نداشته باشند. چرا که یکی از محصولات آن تعیین سلامت عملکرد اقتصادی شرکت است. از طرفی اگر شرکت‌ها قصد سرمایه‌گذاری داشته باشند، به جای این که خود روش‌های مقداری را پیاده کنند، سراغ صندوق‌های سرمایه‌گذاری می‌روند. به این صورت، بیشتر روی تجارت خود متمرکز می‌شوند. امروزه روز، تحلیل‌های تکنیکال را فقط سرمایه‌گذاران فردی انجام می‌دند و بنگاه‌های مالی از روش‌های دیگر استفاده می‌کنند. با این وجود تحقیق‌های زیادی نشان می‌دهد که برخی از این روش‌ها کارایی قابل قبولی دارند. به عنوان مثال می‌توانید به تحقیق زیر مراجعه کنید که در آن نشان‌داده است برخی از الگو‌های به کار رفته در تحلیل تکنیکال می‌توانند ارزش عملی داشته باشند:
Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation, Andrew Lo Harry Mamaysky and Jiang Wang, Journal of Finance 55(2000), 1705-1765
شاید حتی بتوان الگوریتم‌های سرمایه‌گذاری در فرکانس بالا را زاییده‌ی همان تحلیل‌ها تکنیکال به صورت علمی‌تر و  تکنولوژی-محورتر دانست. مزیت ویژه‌ی روش‌های مقداری بر دو روش دیگر این است که در آن مدیریت ریسک امکان‌پذیر است. چیزی که در تحلیل تکنیکال و تحلیل بنیادی چندان قابل پیاده‌سازی نیست. با توجه به افزایش ریسک‌های بازار در عصر حاضر، روش‌های سرمایه‌گذاری به طور مبرم به کنترل ریسک و اندازه‌گیری آن نیاز دارند. بنابراین، می‌توان گفت که همین ویژگی باعث شده است که در عمل تحلیل‌ها مقداری، تحلیل‌های دیگر را شکست دهند.

۶ نظر:

  1. پس با این اوصاف که فرمودین روشهای مقداری مبتنی بر بهینه سازی و تحقیق در عملیات اگر از صندوق های بازنشستگی صرف نظر کنیم کاملا بی مصرف اند. این که خیلی بده. پس برا چی اینقد اینا را تو دانشگاه ها درس میدن به مردم؟؟؟؟ مگه مهندسی مالی همینا نیس؟؟؟ من میبینم همه اینایی ام که از دانشگاه میان بیرون آخرش همون جور سرمایه گذاری می کنن که آدم بی سوادا میکنن. نگو که خودشونم میدونن اینایی که خوندن به هیچ دردی نمیخوره

    پاسخحذف
    پاسخ‌ها
    1. متاسفم که ناامیدتون کردم. تا حد زیادی منظورم همین چیزی هست که شما گفتید. در سرعت زیاد بازار که قراره هر دقیقه یا هر ثانیه یک معامله انجام بشه، نمی شه به این روش‌ها اطمینان کرد. حتی سرعت اجرای این روش‌ها در کامپیوتر هم خیلی کنده و برای معاملات رسیع جواب نمی ده. ضمن این که مهندسی مالی خیلی وسیع تر از بهینه سازی و تحقیق در عملیات است، این روش ها هم در جاهایی غیر از سبد سرمایه گذاری کاربرد دارند.

      حذف
  2. با سلام. آقای دکتر این روشهایی که فرمودید هیچ کدوم مربوط به مبحث ریاضی مالی نمیشن. آیا توی ریاضی مالی روشی برای بهینه سازی سبد سرمایه وجود داره؟ منظورم از ریاضی مالی اون چیزیه که پایه اش آنالیز تصادفیه.

    پاسخحذف
    پاسخ‌ها
    1. بله! Stochastic control with application to Finance رو جستجو کنید.

      حذف
  3. آقای دکتر شرمنده، این مقالتون یه کم منو گیج کرد :))))
    چون شما راجع به روشهای stochastic control هیچ صحبتی نکردین و توضیحی ندادین؟
    آخرش نمیفهمیدم که روشی که امروز روز واقعا شرکتهای بزرگ دنبالشن و پول براش خرج میکنن و به نتایجش اعتماد میکنن کدومه؟ روشهای یادگیری ماشینه؟ روشهای بنیادیه؟ روشهای stochastic؟
    علی الخصوص به نظر شما به روشهای stochastic چقد اعتماد میشه توی بازار؟ چون مث اینکه ریاضی مالی همون قد که طرفدار داره مخالفای سرسختم داره :))
    در ضمن یه سوال دیگه ام داشتم اگه لطف کنید جواب بدید. نقش اطلاعات توی بازار را چطوری میشه با این روشها آشتی داد؟ یعنی مثلا شما ممکنه به هزار روش علمی یه سبد بهینه پیدا کنین اما آخرش یه خبر بد یا خوب از یه گوشه دنیا همه محاسباتتونو بریزه به هم؟ آیا برای اینجور تناقضات هم درمانی وجود داره؟

    پاسخحذف
    پاسخ‌ها
    1. آقای فهیم اینم حرفیه. راجع به همه روش های سرمایه گذاری صحبت کردین به غیر از تخصص خودتون. جا داره یه مقاله ام توی زمینه کار خودتون بنویسین.

      حذف