H ποσοτική ανάλυση περιλαμβάνει τον υπολογισμό και την εξέταση στατιστικών και δεικτών με βάση τις ιστορικές αποδόσεις ενός αμοιβαίου κεφαλαίου για να αξιολογήσεις την απόδοσή του. Το «αγκάθι», φυσικά, είναι ότι προηγούμενα θετικά αποτελέσματα δεν αποτελούν εγγύηση για μελλοντική επιτυχία. Αλλά η ποσοτική ανάλυση παραμένει μια πολύ χρήσιμη άσκηση: μπορείς να αξιολογήσεις τα χαρακτηριστικά απόδοσης και ρίσκου των μεμονωμένων funds και, κυρίως, να χρησιμοποιήσεις αυτούς τους δείκτες για να σε βοηθήσουν να επιλέξεις μεταξύ αρκετών παρόμοιων επιλογών.

Καλό είναι να ξεκινήσεις κάνοντας ένα γρήγορος έλεγχο των προηγούμενων αποδόσεων του fund. Κοίτα πόσο πίσω στο χρόνο πηγαίνουν – είναι δύσκολο να βγάλεις ουσιαστικά συμπεράσματα από πενιχρές πληροφορίες. Διερεύνησε αν ο ίδιος PM και βασική ομάδα είναι επίσης επικεφαλής όλο αυτό το διάστημα· οι προηγούμενες αποδόσεις υπό διαφορετική διαχείριση θα είναι μια καθόλου χρήσιμη ένδειξη για το τι επιφυλάσσει το μέλλον. Και σημείωσε επίσης αν οι ιστορικές αποδόσεις που αναφέρονται είναι ζωντανά ή αναδρομικά ελεγμένες, δηλαδή προσομοιωμένες. Δεν είναι ασυνήθιστο για τα νέα funds, ειδικά για εκείνα που επενδύουν με βάση μαθηματικούς κανόνες, να παραθέτουν αποδόσεις από back-testing – αλλά θα πρέπει πάντα να λαμβάνεις τα προσομοιωμένα δεδομένα με επιφύλαξη. 🤏

Ας περάσουμε τώρα στην ουσιαστική ανάλυση. Τα πρώτα πράγματα που θέλεις να μετρήσεις σε ένα fund είναι η ιστορική μέση ετήσια απόδοση και η μεταβλητότητα που αυτό έχει παρουσιάσει. Οι επενδυτές συχνά καταλήγουν στο πρώτο νούμερο υπολογίζοντας ένα γεωμετρικό μέσο όρο που λαμβάνει υπόψη τις επιπτώσεις του ανατοκισμού. Αυτός ο Σύνθετος Ετήσιος Ρυθμός Ανάπτυξης (CAGR) υπολογίζεται με βάση το τρέχον NAV του fund σε σχέση με το NAV του κατά την έναρξη ή σε κάποια άλλη χρονική στιγμή – ας πούμε πέντε χρόνια πριν, αν θέλεις να αξιολογήσεις την απόδοση του fund τα τελευταία πέντε χρόνια. Ορίστε ο τύπος:

Υπολογισμός CAGR (Σύνθετος Ετήσιος Ρυθμός Ανάπτυξης)

Η μεταβλητότητα, εν τω μεταξύ, εκφράζει την επικινδυνότητα ενός fund με βάση το βαθμό στον οποίο το NAV του κυμαίνεται· κατά τα άλλα, ένα fund με υψηλή μεταβλητότητα έχει περισσότερο ρίσκο από ένα με χαμηλή μεταβλητότητα. Μεταβλητότητα υπολογίζεται καλύτερα χρησιμοποιώντας ένα κλασικό στατιστικό μέτρο: τυπική απόκλιση. Για να υπολογίσεις την τυπική απόκλιση των ιστορικών αποδόσεων ενός fund, βρες τη μέση μηνιαία απόδοση σε μια δεδομένη χρονική περίοδο, αφαίρεσε αυτόν τον απλό μέσο όρο από κάθε μεμονωμένη μηνιαία μέτρηση, ύψωσε αυτά τα αποτελέσματα στο τετράγωνο και, στη συνέχεια, βρες τον μέσο όρο τους. Σημείωσε ότι αν χρησιμοποιείς μηνιαίες αποδόσεις, θα καταλήξεις να υπολογίζεις μηνιαία μεταβλητότητα – πολλαπλασίασε αυτό με την τετραγωνική ρίζα του 12 για να πάρεις ετησιοποιημένη μεταβλητότητα.

Υπολογισμός ετησιοποιημένης μεταβλητότητας

Εστιάζοντας στην ετησιοποιημένη μεταβλητότητα μας επιτρέπει να διεξάγουμε μια σύγκριση μήλων με μήλα με τον δείκτη ετησιοποιημένης απόδοσης (CAGR) στο οποίο καταλήξαμε νωρίτερα. Και αυτό μας φέρνει σε έναν άλλο δείκτη που χρησιμοποιείται πολύ συχνά για να αξιολογήσει επενδυτικά κεφάλαια: το Δείκτη Sharpe. Αυτό μετράει αποδόσεις προσαρμοσμένες στον κίνδυνο, που υπολογίζεται ως το CAGR του fund διαιρούμενο με την ετησιοποιημένη μεταβλητότητά του. Ουσιαστικά, μας λέει πώς απέδωσε το fund ανά μονάδα ρίσκου. Για την ακρίβεια, ο Δείκτης Sharpe πρέπει να αφαιρέσει το επιτόκιο χωρίς ρίσκο– το αντίστοιχο CAGR ενός πολύ ασφαλούς asset, όπως τα βραχυπρόθεσμα κρατικά ομόλογα – από το CAGR του ίδιου του fund, πριν το διαιρέσεις με το volatility. Αλλά για να μπορείς να κάνεις απλές συγκρίσεις μεταξύ διαφορετικών funds, αυτό μπορεί να αγνοηθεί.

Ένας ακόμη δείκτης που χρησιμοποιείται συχνά για να σταθμίσει κανείς τις αποδόσεις έναντι του ρίσκου είναι ο Δείκτης Πληροφόρησης. Αυτό παρακολουθεί τις υπερβάλλουσες αποδόσεις του fund πέρα από τις αποδόσεις του δείκτης αναφοράς – συνήθως έναν χρηματιστηριακό δείκτη – σε σύγκριση με τον μεταβλητότητα αυτών των αποδόσεων.

Υπολογισμός Δείκτη Πληροφόρησης

Για παράδειγμα, ας πάρουμε ένα fund που επενδύει αποκλειστικά σε Αμερικανικές μετοχές. Ο δείκτης αναφοράς του θα μπορούσε κάλλιστα να είναι ο S&P 500. Για να προσδιορίσουμε τον Δείκτη Πληροφόρησης (Information Ratio), θα υπολογίζαμε πρώτα τον αριθμητή του κλάσματος: το CAGR του fund μείον το CAGR του S&P 500 για την ίδια χρονική περίοδο. Αυτό μας δίνει την ενεργή απόδοση. Για τον παρονομαστή, εξετάζουμε τις ιστορικές μηνιαίες αποδόσεις του fund και για κάθε μήνα αφαιρούμε τον S&P 500 ισοδύναμο. Στη συνέχεια, μπορούμε να υπολογίσουμε την ετήσια μεταβλητότητα (annualized volatility) αυτών των υπερβάλλουσων αποδόσεων ακολουθώντας την παραπάνω διαδικασία για να καταλήξουμε στο «ενεργό ρίσκο». Διαίρεσε την ενεργή απόδοση με το ενεργό ρίσκο, και έχεις το Δείκτη Πληροφόρησης του fund.

Όσο καλύτερα έχει αποδώσει ένα fund σε σχέση με τον δείκτη του, τόσο υψηλότερες οι υπερβάλλουσες αποδόσεις – και όσο περισσότερο συνεπής είναι αυτά, τόσο χαμηλότερος ο ενεργός κίνδυνος. Το αποτέλεσμα που προέκυψε, ο Δείκτης Πληροφόρησης, είναι επομένως ιδιαίτερα χρήσιμο για την αξιολόγηση κεφαλαίων που είναι ρητά με σημείο αναφοράς έναντι των δεικτών – το οποίο περιλαμβάνει τη συντριπτική πλειοψηφία των ενεργών αμοιβαίων κεφαλαίων.

Ο τελευταίος ποσοτικός υπολογισμός που θα αναφερθούμε είναι ένα πολύ σημαντικό μέτρο ρίσκου που ονομάζεται Μέγιστη υποχώρηση (MDD). Όπως φαίνεται παρακάτω, αυτό παρακολουθεί τις μεγαλύτερες μειώσεις από την κορυφή έως τον πυθμένα στην Καθαρή Αξία Ενεργητικού (NAV) ενός fund. Γενικά, καλό είναι να αποφεύγεις τα funds που έχουν βιώσει μεγάλες MDDs, καθώς αυτό υποδεικνύει κακή διαχείριση ρίσκου από τον PM και την ομάδα του. Και το να γνωρίζεις τη χειρότερη ζημιά που έχει υποστεί ένα fund στο παρελθόν μπορεί να είναι αποκαλυπτικό: μια πτώση 50%, άλλωστε, σημαίνει ότι το fund θα έπρεπε στη συνέχεια να διπλασιάσει την αξία του, απλά για να επιστρέψει εκεί που ήταν! 💥

Απεικόνιση μέγιστης υποχώρησης

Αν και όλοι αυτοί οι υπολογισμοί μπορεί να φαίνονται αρκετά περίπλοκοι, τα καλά νέα είναι ότι οι περισσότεροι από αυτούς περιλαμβάνονται συχνά στα ενημερωτικά δελτία των funds, ή στα διαδικτυακά εργαλεία που αναφέραμε νωρίτερα. Παρόλα αυτά, μόνο αν γνωρίζεις πώς υπολογίζονται και τι αντιπροσωπεύουν μπορείς να τα ερμηνεύσεις σωστά. Όταν συγκρίνεις αρκετά παρόμοια funds, μάλλον θα θέλεις να στραφείς προς αυτά με υψηλότερο Sharpe και Δείκτες Πληροφόρησης και χαμηλότερα MDDs. Η καλύτερη προσέγγιση είναι να περιοριστείς σε μια λίστα υποψηφίων ποσοτικά πρώτα – και μετά να αναλύσεις τα λίγα που απομένουν ποιοτικά ώστε να επιλέξεις το ένα ή τα δύο καλύτερα.