Kwantitatief beleggen betekent dat u beleggingsbeslissingen geheel of gedeeltelijk vertaalt naar expliciete, meetbare regels. Dat kan eenvoudig zijn, zoals periodiek aandelen rangschikken op een paar financiële kenmerken. Het kan ook technisch complex zijn, met grote datasets, statistische modellen en geautomatiseerde orderinvoer.
Doordat de beslisregel vooraf vastligt, kunt u hem testen, herhalen en controleren. Een computer is daardoor niet vanzelf objectiever of slimmer dan een mens. Een model kan echter verkeerd zijn, data kan fouten bevatten en een historisch patroon kan verdwijnen. Kwantitatief betekent dus systematisch, niet onfeilbaar.
Ontdek welke dienstverlening en mogelijkheden u nodig hebt voordat u een broker kiest.
| Begrip | Wat centraal staat | Wat het niet automatisch betekent |
|---|---|---|
| Kwantitatief beleggen | Beslisregels gebaseerd op meetbare data en modellen | Volledige automatisering of hoogfrequente handel |
| Factor investing | Systematische blootstelling aan kenmerken die samenhangen met risico en/of historische rendementspatronen | Gegarandeerd overrendement |
| Algorithmic trading | Software die beslis- of uitvoeringsregels automatisch toepast | Dat de strategie zelf winstgevend is |
| Smart beta | Regelgebaseerde index- of portefeuilleconstructie die afwijkt van traditionele marktwaardeweging | Dat 'smart' wetenschappelijk superieur of goedkoper is |
Een factor-ETF kan dus kwantitatief en regelgebaseerd zijn zonder dat u zelf programmeert. Omgekeerd kunt u een algoritme bouwen dat geen factorstrategie gebruikt. En een model dat u handmatig eens per kwartaal uitvoert blijft kwantitatief wanneer de regels vooraf duidelijk zijn.
Een kwantitatief proces begint met een beleggingshypothese. Bijvoorbeeld: aandelen met een bepaalde waarderingsmaatstaf hebben historisch anders gepresteerd dan duurdere aandelen, of recente winnaars vertonen in sommige perioden momentum. Daarna moet u de hypothese vertalen naar exacte keuzes.
Iedere keuze kan de uitkomst veranderen. Daarom is 'de factor value' of 'een algoritmische strategie' nog geen volledig reproduceerbare strategie.
Stel dat u uit honderd aandelen elk kwartaal de twintig aandelen met de hoogste vooraf gedefinieerde waarderingsscore wilt selecteren. Dan moet u nog kiezen welke waarderingsratio meetelt, welke ondernemingen voldoende verhandelbaar zijn, welke gegevens op de selectiedatum beschikbaar waren en hoe u de posities weegt. Verandert u die keuzes na het bekijken van de backtest, dan test u feitelijk een andere strategie. Dit voorbeeld is een werkwijze, geen rendementsvoorspelling.
Asset-pricingonderzoek gebruikt factoren om samenhang in rendementen te beschrijven. Het vijf-factorenmodel van Fama en French (2015) beschrijft naast het marktrendement de patronen rond grootte, waarde, winstgevendheid en investeringsgedrag. Andere literatuur onderzoekt bijvoorbeeld momentum en defensieve of lage-risicoprofielen.
Dat zulke kenmerken in historische data samenhangen met gemiddelde rendementen betekent niet dat de premie elk jaar positief is of in iedere markt even sterk bestaat. De grootte en zelfs de richting van een gemeten factorpremie kunnen afhangen van markt, meetperiode en definitie. Historische gemiddelden zijn daarom geen belofte voor uw portefeuille.
Een factor is daarom beter te zien als een onderzochte systematische blootstelling dan als een opbrengst die u kunt incasseren zodra u een label in een ETF-naam ziet. Op Factor Investing en Smart Beta gaan we dieper in op factorconstructie en productimplementatie.
De academische literatuur bevat honderden kenmerken die ooit statistisch met aandelenrendementen in verband zijn gebracht. Naarmate onderzoekers meer variabelen, perioden en definities testen, stijgt de kans dat een ogenschijnlijk sterk resultaat toevallig in de gekozen steekproef ontstaat.
Harvey, Liu en Zhu onderbouwen dit probleem in hun onderzoek naar veelvuldig toetsen van factoren (NBER Working Paper 20592, 2014): de gebruikelijke statistische bewijsdrempel is minder overtuigend naarmate meer kandidaatfactoren worden uitgeprobeerd. Voor een belegger betekent dit dat een nieuwe 'factor' meer bewijs nodig heeft dan een fraaie historische grafiek.
Let onder meer op onafhankelijk onderzoek, resultaten buiten de oorspronkelijke steekproef, meerdere markten, een plausibel economisch mechanisme en prestaties ná realistische transactiekosten. Zelfs dan blijft toekomstig rendement onzeker.
Met een backtest past u een strategie toe op historische data. Dat helpt om te zien hoe vaak signalen voorkwamen, hoeveel turnover ontstond, welke verliezen voorkwamen en hoe gevoelig de uitkomst is voor parameterkeuzes.
De grootste valkuil is backtest overfitting: een strategie wordt zo vaak aangepast aan dezelfde historische data dat zij niet alleen een echt patroon, maar ook toevallige ruis gaat modelleren. De studie The probability of backtest overfitting van Bailey en coauteurs laat zien waarom achteraf de best presterende backtest kiezen tot een onbetrouwbaar beeld van de strategie kan leiden.
Daarom horen in een serieus kwantitatief proces ook controles die niet worden gebruikt om het model voortdurend verder passend te maken, zoals een onafhankelijke testperiode, robuustheidsanalyses en transparantie over hoeveel varianten zijn geprobeerd. Geen enkele techniek verandert een backtest in een garantie voor live rendement.
Een model kan alleen zo betrouwbaar zijn als de data en definities die erin gaan. Historische datasets kunnen last hebben van ontbrekende ondernemingen, latere correcties, veranderde indexsamenstellingen of informatie die in de backtest eerder beschikbaar lijkt dan zij destijds werkelijk was.
Voor fundamentele variabelen is vooral het tijdstip van publicatie belangrijk. Een jaarrekening die pas maanden na het boekjaar beschikbaar kwam mag in een eerlijke historische test niet op een eerdere datum worden gebruikt. Bij marktdata spelen corporate actions, delistings en correcte prijsaanpassingen een vergelijkbare rol.
Een mechanisch proces kan voorkomen dat u tijdens iedere marktbeweging opnieuw uw methode uitvindt. Toch blijft menselijke besluitvorming overal aanwezig: iemand kiest de data, formuleert de hypothese, stelt parameters vast, beslist wanneer een model wordt gewijzigd en bepaalt wanneer een systeem wordt uitgezet.
Dat is belangrijk voor de interpretatie. Een model is niet 'vrij van emotie' in absolute zin; het verplaatst veel discretionaire keuzes naar het ontwerp- en governanceproces. Ook daar kunnen overmoed, confirmation bias en de neiging tot achteraf aanpassen een rol spelen.
Meer over zulke beslisrisico's leest u bij gedragsrisico's.
Binnen deze strategiecluster behandelen we drie verschillende vormen van systematisch beleggen:
Bij Greenblatts Magic Formula hoort ook een concrete uitvoeringsconventie. Zijn huidige methode-uitleg gaat uit van een gespreide selectie van ten minste ongeveer 20 tot 30 hoog gerangschikte aandelen, met gelijke bedragen per positie en een houdperiode van ongeveer één jaar. Dat zijn methodeconventies, geen algemene portefeuillewet of garantie op een betere uitkomst. De Magic Formula-pagina werkt deze regels en hun beperkingen verder uit.
Een factor-ETF, de Magic Formula en een geautomatiseerd handelssysteem kunnen allemaal regels gebruiken, maar vragen ieder om andere uitvoeringskeuzes.
Een theoretisch factor- of modelsignaal is niet hetzelfde als het rendement dat een belegger realiseert. Turnover, bied-laatspreads, belastingen, valutaomrekening, fonds- of indexmethodologie en transactiekosten kunnen het verschil tussen papier en praktijk vergroten.
Neem een portefeuille van € 20.000. Acht verkooporders en acht kooporders tegen € 5 commissie per order kosten samen € 80. Als spreads en overige uitvoeringsfrictie in dat voorbeeld nog € 40 kosten, is € 120 verdwenen: 0,6% van de portefeuillewaarde voor deze ene herbalancering. Dit zijn veronderstelde bedragen; uw werkelijke kosten hangen van orders, product en broker af.
Ook capaciteit en liquiditeit kunnen ertoe doen. Een strategie die in kleine historische portefeuilles goed test, kan moeilijker uitvoerbaar worden wanneer zij veel kapitaal in minder liquide instrumenten moet verplaatsen.
Breng daarom het kostenmodel van uw eigen implementatie in kaart via kostenbeheersing in beleggen.
Niet iedere kwantitatieve strategie heeft een trading-API nodig. Een kwartaalmatige factorselectie kan handmatig of via een fonds worden uitgevoerd. Een eigen systeem dat rechtstreeks data moet ophalen of orders moet versturen heeft andere eisen.
Leg daarom vast welke producten en markten u gebruikt, hoe vaak u handelt, welke data nodig is en of de uitvoering handmatig of programmatisch verloopt. De gewone interface beoordeelt u via beleggingsplatforms vergelijken. Wilt u geautomatiseerd orders versturen, controleer dan apart of een broker de benodigde API, markten, productrechten, orderstatussen en een veilige stopmogelijkheid biedt.
De kracht van kwantitatief beleggen is dat aannames zichtbaar kunnen worden gemaakt. U kunt opschrijven welke data u gebruikt, welke regels u toepast en hoe een strategie in andere perioden of markten reageert.
Dat maakt fouten beter toetsbaar, maar het elimineert onzekerheid niet. Een model kan falen omdat het oorspronkelijke verband toevallig was, omdat de marktstructuur verandert, omdat implementatiekosten hoger zijn of omdat een zeldzaam marktregime buiten de historische ervaring valt.
Gebruik kwantitatieve methoden daarom om beslisregels expliciet te maken, niet om onzeker rendement te veranderen in schijnzekerheid.