Professionella kapitalförvaltare bedöms utifrån deras förmåga att överträffa marknaden. I praktiken mäts överavkastningen oftast i förhållande till branschriktmärken som S&P 500 (för stora amerikanska aktier) eller Bloomberg Barclays U.S. Aggregate Bond Index.
Benchmarking kan hjälpa till att avmystifiera kapitalförvaltarnas färdigheter och talanger, men det väcker oro över avskräckande incitament att skaffa ny information. Tidigare forskning hävdade att när en aktie blir mer benchmarkad, kan investeringsproffs bli mindre intresserade av den aktien, eftersom efterfrågan på den handlar mer om risksäkring, och mindre tillgångsutbud är tillgängligt för investerare att spekulera i företagets grunder. Enligt denna uppfattning uppmuntrar benchmarking att ersätta aktiva investeringar med passiva.
Bo Hu, biträdande professor i finans vid Donald G. Costello College of Business vid George Mason University, hävdar att denna syn på benchmarking inte tar korrekt hänsyn till hur kapitalförvaltare lär sig om marknader.
"Befintlig teori antar att kapitalförvaltare bara skaffar information exklusivt eller specifikt om en tillgång åt gången, istället för en portfölj", säger Hu. "Detta är inte verkligheten. Kapitalförvaltarnas mål är att optimera sin portföljavkastning."
Hans medförfattare arbetsdokument i SSRN Electronic Journal illustrerar denna princip genom att modellera och jämföra två olika typer av inlärningsteknologier. Separativt lärande betraktar varje tillgång isolerat.
Som Hu förklarar, "Med separativ inlärning är den övergripande informationen som avslöjas av priser additiv. Ett plus ett är lika med två." Integrativt lärande gör det möjligt för investerare att bearbeta portföljomfattande signaler, vilket uppnår en "korsad informationseffekt" där marknaden informationsmässigt överstiger summan av dess delar.
Forskarna kvantifierar informationseffektiviteten på marknader genom en ny användning av informationsteori. Hu förklarar, "Vi använder ett ömsesidigt informationsmått som kan tala om för dig hur mycket osäkerhet om alla aktieavkastningar kan minskas om du observerar alla aktiekurser. Detta skiljer sig från standardmåttet för prisinformation, som bygger på en regressionsmodell eller kan fångar bara linjära samband Så vitt jag vet är vi de första som använder detta mått för att kvantifiera priseffektivitet på olika nivåer."
Som förväntat höll det omvända förhållandet mellan en tillgångs benchmarkingnivå och dess prisinformativitet fast under separat inlärning. Men resultaten för integrativt lärande var mer nyanserade. När osäkerheten kring en tillgångs slutliga avkastning ökade (vilket kan hända under de första månaderna av en VD:s mandatperiod, eller någon annan förestående större förändring i företaget), fick den mer uppmärksamhet från investerare, på grund av de ovannämnda effekterna av flera tillgångar.
I en ekonomi med flera tillgångar visade forskarna att benchmarking faktiskt kan förbättra den övergripande marknadseffektiviteten. Med andra ord kan marknadseffektiviteten vara större än summan av prisinformativiteten för alla tillgångar. Detta sker under integrativt lärande eftersom investerare fortsätter att ägna mer uppmärksamhet åt högriskaktier. Men när en riskfylld tillgångs benchmarkingnivå ökade över ett visst tröskelvärde, kan marknadseffektiviteten sjunka eftersom den tillgången fångar för mycket investerares uppmärksamhet trots dess minskade utbud.
Forskarna undersökte också den kombinerade effekten av ovanstående effekter på priserna för icke-benchmarkerade tillgångar. De fann att under separat inlärning höjde en ökning av benchmarkingnivån för en aktie alltid priset på den andra. Men med integrativ inlärning kan priset på den icke-benchmarkerade tillgångens pris minska – igen, beroende på om den benchmarkerade tillgången var mer eller mindre volatil än sin motsvarighet. Den mindre riskabla tillgången kan relativt ignoreras med tanke på investerarnas begränsade uppmärksamhet.
"Jag tror att man kan se många saker som informationsbehandlingssystem. Finansmarknaden är ett gigantiskt, intrikat ekosystem som ständigt producerar data och ackumulerar spridd information från investerare. Deras lärandeteknik är avgörande för hur deras information införlivas i priserna", säger Hu. . Integrativt lärandes övergripande dynamik verkar närmare vad verkliga investerare önskar än den additiva logiken med separativt lärande.
Införandet av ny teknik som stora språkmodeller som ChatGPT kan göra integrativt lärande ännu mer fördelaktigt.
"Maskiner kan hjälpa oss att extrahera användbar information på en nivå som överensstämmer med målet för portföljförvaltning", säger Hu. "Jag tror att integrativt lärande blir mer genomförbart nuförtiden och verkar vara det bättre valet."
Mer information: Wen Chen et al, Hur påverkar benchmarking marknadseffektiviteten? The Role of Learning Technology, SSRN Electronic Journal (2022). DOI:10.2139/ssrn.4266487
Tillhandahålls av George Mason University
