Как найти корреляцию акций

Корреляция показывает, насколько активы схожи по поведению. Показатель описывает закономерности. Например, если при росте одного актива другой дешевеет и эта закономерность подтверждается историческими данными, говорят, что у активов обратная корреляция. Это относится как к отдельным ценным бумагам, так и к широким рынкам, классам активов и секторам экономики.

Коэффициент корреляции вычисляется на конкретном историческом отрезке. Он обозначается буквой r и принимает значения от −1 до +1. Если два актива движутся в связке, то коэффициент корреляции будет ближе к +1, а если в противоположных направлениях — ближе к −1. Но когда корреляция близка к нулю, взаимосвязи между ними нет. Это значит, что при росте или падении одного актива другой может вообще никак себя не проявлять. Например, корреляция акций и облигаций на рынке США в период с 1950 по 2012 год составила 0,11.

Расскажу, как можно использовать знание о корреляции при формировании портфеля.

Роль корреляции в управлении портфелем

Понимание корреляции между инструментами позволяет диверсифицировать портфель и снизить инвестиционные риски.

Например, если инвестор собрал портфель из 10 нефтегазовых компаний, он защитил себя только от специфических рисков, связанных с конкретным эмитентом. Волатильность портфеля по-прежнему будет высокой: если цены на нефть упадут, портфель также уйдет в красную зону из-за тесной корреляции акций.

Чтобы диверсификация работала, необходимо использовать инструменты с низкой или обратной корреляцией. Тогда движение цены одного актива будет компенсироваться движением другого. Так, государственные облигации — наиболее частный диверсификатор для акций, поскольку у этих активов исторически низкая взаимосвязь друг с другом.

Как изменяется корреляция со временем

Современная теория портфеля позволяет найти идеальную смесь активов, при которой у портфеля будет оптимальное соотношение доходности и риска. Но главный недостаток этой теории в том, что корреляции со временем могут меняться. Два актива могут начать двигаться синхронно, даже если в прошлом их взаимосвязь была низкой. И заметить это можно только постфактум — на исторических данных.

Если посмотреть на десятилетие перед кризисом 2008 года, то корреляция большинства инструментов по отношению к S&P 500 была ниже 0,5. Но после 2008 года она заметно выросла. Теперь только у высоконадежных облигаций по-прежнему слабая связь с акциями, хотя их корреляция сменилась с отрицательной на положительную: если раньше при падении S&P 500 они росли, то теперь тоже падают, пусть и не так сильно.

Корреляция различных классов активов с индексом S&P 500

	1998—2007	2008—2020
Глобальные акции	0,84	0,89
Недвижимость	0,32	0,74
Высокодоходные облигации	0,49	0,73
Товары	−0,01	0,59
Высоконадежные облигации	−0,21	0,01

Корреляция и волатильность

Между корреляцией и волатильностью существует взаимосвязь: когда рынки становятся волатильными, корреляции между инструментами возрастают. Поэтому рост корреляции со временем можно объяснить тем, что за последние десятилетия рынки стали более волатильными. Например, с 2000 по 2009 год было 95 торговых сессий, когда S&P 500 сдвинулся на 3% и больше. А за предшествующие 50 лет был всего 81 случай.

Количество дней в каждом десятилетии, когда S&P 500 сдвинулся на 3% и более

1950—1959	5
1960—1969	9
1970—1979	16
1980—1989	24
1990—1999	27
2000—2009	95
2010—2019	50

Особенно явно корреляции усиливаются во время фондовых обвалов. В панике инвесторы массово скидывают ценные бумаги широкого спектра, и в итоге все падает независимо от корреляции.

Но во время коронавирусного кризиса корреляции усилились. Все перечисленные выше активы стали взаимосвязаны. А облигации, которые традиционно считаются защитным инструментом, падали вместе с рисковыми активами.

Как посчитать корреляцию

Чтобы рассчитать корреляцию, можно воспользоваться онлайн-калькулятором, например от Portfolio Visualizer или более простым вариантом от Unicornbay.

Я использовал Portfolio Visualizer, чтобы проверить корреляции между такими классами активов:

1. Фонд TLT — долгосрочные казначейские облигации с дюрацией от 20 лет.
2. Фонд SHY — краткосрочные казначейские облигации с дюрацией от 1 до 3 месяцев.
3. Фонд SPY — компании из индекса S&P 500.
4. Фонд GLD — золото.
5. Фонд DBC — коммодити, или сырьевые товары.
6. Фонд VNQ — сектор недвижимости и фонды REIT.

Для этого я вбил через пробелы указанные тикеры, выбрал расчет корреляций на основе месячной доходности инструментов и рассчитал 36-месячную скользящую.

Я начал расчет с марта 2006 года, так как для фонда DBC более ранних данных нет.

Результаты расчетов представлены в таблице. Мы видим, что исторически у недвижимости, коммодити и S&P 500 слабая отрицательная корреляция по отношению к долгосрочным и коротким облигациям.

36-месячная скользящая корреляция разных классов активов

Название	Тикер	TLT	SHY	SPY	GLD	DBC	VNQ
iShares 20+ Year Treasury Bond ETF	TLT	—	0,54	−0,32	0,23	−0,37	−0,01
iShares 1-3 Year Treasury Bond ETF	SHY	0,54	—	−0,37	0,29	−0,21	−0,18
SPDR S&P 500 ETF Trust	SPY	−0,32	−0,37	—	0,05	0,54	0,72
SPDR Gold Shares	GLD	0,23	0,29	0,05	—	0,36	0,09
Invesco DB Commodity Tracking	DBC	−0,37	−0,21	0,54	0,36	—	0,34
Vanguard Real Estate ETF	VNQ	−0,01	−0,18	0,72	0,09	0,34	—

Как рассчитать корреляцию в «Экселе»

Скользящие корреляции также достаточно легко рассчитать в «Экселе». В этом помогает функция КОРРЕЛ() — или CORREL() в англоязычной версии.

После этого можно воспользоваться функцией КОРРЕЛ(), чтобы посчитать скользящие корреляции. Я приведу пример, как рассчитать скользящую трехмесячную, то есть значение за каждое предыдущее окно в три месяца.

Что в итоге

Корреляция показывает схожесть поведения активов. Понимание корреляций активов используется при диверсификации, а также оптимизации стратегии согласно современной теории портфеля.

Корреляция рассчитывается на конкретном временном отрезке, и она может меняться. Как показывают исторические данные, с течением времени корреляция растет.

Продолжение статьи на тему Парного трейдинга. Оригинал тут.

Итак, суть парного трейдинга раскрыли, теперь, прежде чем визуализировать спред акций и искать алгоритм торговли, необходимо в первую очередь выбрать пары акций для торговли. Для этого нам понадобятся: Microsoft Office Excel, аналитическая платформа ThinkOrSwim . А также несколько интернет сайтов:  http://finviz.com , http://impactopia.com , http://www.sectorspdr.com , http://finance.yahoo.com.

 
Но обо всем по порядку.

 
Надеюсь, подробно останавливаться на понятии КОРРЕЛЯЦИИ
не нужно, многое уже писал сам на эту тему, ну а еще есть GOOGle)))

 
Корреляция может быть случайной, например, когда два инструмента просто по иронии судьбы двигались за последний год очень похоже, но одна компания занимается, например, газом, а другая — мобильными устройствами, т.е. формально по корреляции на роль пары бы сгодилась, но на деле — вообще разные акции, такое как пару КАТЕГОРИЧЕСКИ ЗАПРЕЩЕНО использовать, даже в теории (мое личное мнение).

 
Парой инструментов для парного трейдинга, может считаться лишь ДВА ИНСТРУМЕНТА (акции/ETF, опционы, фьючерсы) С УРОВНЕМ КОРРЕЛЯЦИИ СВЫШЕ 90%, принадлежащих, в случае акций/опционов к ОДНОЙ ИНДУСТРИИ РЫНКА (сектору, как следствие), в случае с ETF к ОДНОМУ СЕКТОРУ, к примеру $XLK и $VGT — Technology sector или $XLE и $XOP — Energy sector, т.е. фонды принадлежат разным компаниям, но состав портфеля данного фонда примерно одинаковый.

 
Позже, в других статьях, рассмотрю маркет-нейтральные портфели акций/ETF, в которых будет более двух инструментов, но это уже будет статистический арбитраж, однако методы расчетов и визуализации будут теми же.

 
Способов нахождения скоррелированных инструментов очень много. Попытаюсь рассказать обо всех, которые знаю и пробовал лично, а выбирает пусть каждый сам для себя, что ему удобно.

 
 
Метод первый. Microsoft Office Excel.
Нам потребуется непосредственно сам Microsoft Excel, входящий в состав Microsoft Office, версии не ниже `97. Раздел Historical Prices сайта  http://finance.yahoo.com, либо любой другой ресурс, где можно получить данные хотя бы по дневным барам нужных инструментов.

 
После чего, полученные данные вставить в столбцыExcel файла и далее, методом перебора, используя функцию КОРРЕЛ(массив1; массив2), находить пары с корреляцией выше 90% (хех, я предупреждал, качка слушать опасно!)))).

 
                                               
 
Программисты в Visual Basic и мастера Макросов, прошу отозваться и научить получать данные прямо в файл Excel! Знаю, что это более чем возможно, ибо авторизации на сайты с данными не требуется. Ждем вашей помощи, коллеги!

Метод второй. Интернет сайты с сервисом для поиска скоррелированных инструментов.

• http://finviz.com 

 

Старый добрый Финвиз. В платной версии доступно сравнение с другими тикерами на предмет корреляции. Видел, но лично не пользовался. Первое, что бросилось в глаза — не разделяет на сектора/индустрии/ETF, все валит в одну кучу, также не пишет процент корреляции.

 

 
 

• http://impactopia.com

 
Добротный и интересный сайт, есть масса всякого полезного для определения пар.
Самое главное — таблица коррелирующих инструментов с искомым:

 

 
Есть возможность строить графики пар, накладывая один на другой, либо строить спред пары:

 

 
Сервис Tree позволяет визуализировать зависимость акций, коррелирующих с искомым тикером, выглядит интересно:

 

 
Ну и небольшой бонус для ленивых — готовая таблица пар с указанием степени корреляции:

• http://www.sectorspdr.com

 

Отличный сайт, простой, удобный, информативный. Принадлежит компании, создавшей 9 фондов в виде ETF, которые являются частью одной из самых важных и ликвидных ETF  на рынке — $SPY. Пропорции и состав ETF в акциях дается. Будем использовать в дальнейшем для рассмотрения портфелей на основе пар акиция-ETF и ETF — ETF. Т.е. к самой информации с сайта еще не раз вернемся в следующих статьях.
Что дает для поиска пар:  

 

 
Есть возможность построить график для четырех инструментов:

 

 
К другим тематическим сайтам вернусь в следующих статьях.

 
Метод третий. ThinkOrSwim.
 
На ближайшее время ThinkOrSwim станет нашим единственным и незаменимым проводником в мир визуализации спреда пар и расчетов по рискам. Но он также оказался весьма годен для поиска коррелирующих инструментов, не без легкого шаманства, конечно.
Видео о том, как его (ThinkOrSwim) получить,  опубликовал, регистрируйтесь на здоровье:

 

Итак, что нужно, чтобы начать использовать его как фильтр для пар акций. Первое — создать список акций, среди которых мы будем искать пару для выбранной бумаги. Для начала, нашей задачей является выбрать из списка акций, входящих в индекс SNP 500, пару (не обязательно одну) для каждой отдельной акции из индекса. Проще всего это сделать с помощью http://finviz.com.

 
Следуем инструкции:

 
На сайте выбираем вкладку Screener, в Index выбираем S&P 500, жмем на вкладку Tickers и получаем список акций. Для самых ленивых — готовая ССЫЛКА, нужно только копировать тикеры.

 
 

 
В ThinkOrSwim создаем новый Watch list и добавляем в него тикеры, как показано на рисунке:

 
                                                  

 



После создания таблицы тикеров, прикручиваем фильтр отбора корреляции по всему списку:

 

 

 
Теперь сортируем по убыванию или возрастанию значения колонки Correlation и выбираем то, что нас интересует и так для каждого тикера отдельно. Например, захотели найти пару для акции $FCX  или $LVS — вставили эти тикеры вместо $SPY.

 
После всего этого, каждую найденную вами пару нужно записать в файл, желательно Microsoft Office Excel, с ним работу мы еще не закончили.

 
В следующей статье рассмотрим способы  визуализации спреда пары и начнем выбирать варианты их торговли.

 
Подписывайтесь на обновления на сайте, на канале в YouTube, добавляйтесь в друзья в соцсети Вконтакте и Facebook, следите за новостями!

Корреляция активов — это мера того, как различные активы движутся относительно друг друга. В финансовой и инвестиционной областях показатель отражает  степень изменения двух активов (индексы, ценные бумаги, деривативы и т.д.) по отношению друг к другу.

Самые простые примеры положительной корреляции: акции нефтяных компаний и стоимость нефти, ставки депозитов/кредитов и ключевая ставка, акции агропромышленных компаний и цены на фосфаты, акции металлургов и цены металлов на мировых рынках. По своей сути, результаты деятельности  любой добывающей компании, так или иначе коррелируют с ценами на сырье, которое оно добывает. Из-за этого часто динамика акций таких компаний может быть очень волатильной в краткосрочном периоде.

Корреляция является важной составляющей всего портфеля и каждого актива внутри него. В соответствии с современной портфельной теорией Марковица, диверсификация активов, в том числе инвестирование в комбинацию активов, которые не коррелируют друг с другом,  может снизить общий риск в портфеле и даже повысить его общую доходность. То есть при потенциальном падении одного актива, другой актив, имеющий отрицательную корреляцию, может показать рост и защитить портфель от падения. Другими словами, Вы владеете активами, которые не имеют тенденции двигаться одинаково в один период времени.

Например, трейдер может использовать прошлые данные корреляции, чтобы предсказать, будут ли акции компании расти или падать в ответ на изменение процентных ставок или цен на товары. Точно так же портфельный управляющий может снизить свой риск, следя за тем, чтобы отдельные активы в его портфеле не были чрезмерно коррелированы друг с другом.

В данной статье мы рассмотрим параметр «корреляции», его интерпретацию, способ расчета, а также рассмотрим возможности и примеры его использования в инвестиционных целях.

• Коэффициент корреляции активов.

• Корреляция активов в инвестиционном портфеле.

• Примеры работы с корреляцией активов в инвестировании.

• Ограничения корреляции.

Коэффициент корреляции активов

Перед погружением непосредственно в изучение параметра  корреляции активов на фондовом рынке мы разберем сам коэффициент корреляции, его интерпретацию и способ расчета.

Существует несколько типов коэффициентов корреляции, но наиболее распространенным считается коэффициент Пирсона, который измеряет силу и направление линейной зависимости между двумя переменными.

Рассчитывается данный показатель с помощью коэффициента корреляции – статистической меры силы связи между относительными движениями двух переменных. Измеряется в значении от -1 до +1, где:

• -1 – это полностью отрицательная корреляция, при которой движение одной переменной вызывает полностью противоположное движение другой переменной.

  

• +1 – это полностью положительная корреляция, при которой 2 переменные движутся в одинаковом направлении

  

• 0 – полное отсутствие зависимости между переменными.

  

Степень связи варьируется в зависимости от значения коэффициента. Так, значение 0,3 показывает, что существует положительная корреляция между двумя переменными, но она довольно слабая и не имеет большого значения. При этом значение 0,8 и выше считается уже сильным и достаточным для более глубокого изучения. 0,9 и выше – крайне сильная связь между активами.

Формула корреляции Пирсона выглядит следующим образом:

Сначала мы определяем ковариацию двух рассматриваемых переменных (зависимость двух величин друг от друга). Затем рассчитываем их стандартное отклонение (мера разброса данных от их среднего значения). И последним этапом определяется коэффициент корреляции путем деления ковариации на произведение стандартных отклонений двух переменных. Сама по себе ковариация также показывает меру изменчивости двух переменных вместе, но ее величина не ограничена, поэтому ее трудно интерпретировать.

Мы не будет вдаваться в подробное описание формулы расчета каждого показателя, так как их расчет уже давно автоматизирован – в программе Excel есть специальные формулы: «СТАНДОТКЛОН.Г» и «КОВАРИАЦИЯ.Г». С помощью данной программы и с использованием данных формул мы  и продемонстрируем пример расчетов, взяв за основу движение двух акций в течение года.

С помощью формулы «СТАНДОТКЛОН.Г»  вначале рассчитываем стандартное отклонение, по которому мы видим, что волатильность у акции А намного больше, чем у акции В. Далее вычисляем ковариацию, по которой мы уже можем видеть, что обе акции положительно коррелируют относительно друг друга, но пока непонятна сила их корреляции. Для этого мы и рассчитываем саму корреляцию, поделив ковариацию на произведение двух стандартных отклонений. В итоге получаем значение, довольно близкое к единице, – 0,81, что говорит об относительно сильной взаимосвязи активов друг с другом.

Также можно поступить проще и рассчитать корреляцию сразу с помощью соответствующей функции в Excel «КОРЕЛЛ». Значение получится идентичным.

Даже по таким цифрам без взгляда на сами компании мы уже можем определить, что перед нами, скорее всего, компании из одного сектора, но компания A является более молодой, тогда как компания B, вероятно, более стабильная и, вероятно, зрелая компания.

Теперь для примера возьмем реальные активы из одного сектора: Сбер и Тинькофф. Рассчитаем корреляцию их акций за последние 12 месяцев и получим 0,7, что также является относительно высоким значением и говорит об умеренной взаимосвязи в движении активов.

Это подтверждается и сравнением котировок напрямую:

Такие расчеты можно повторять сколько угодно, но чаще всего идет сравнение портфеля и рынка (S&P 500 для США или IMOEX для РФ) либо акции и сектора.

Корреляция активов в инвестиционном портфеле

В инвестировании корреляция важна, в первую очередь, для помощи в создании правильно диверсифицированного портфеля. В классическом понимании диверсификация – это распределение капитала в разные активы. Но важно не просто купить как можно бОльшее количество акций и облигаций, а сделать это направленно. Например, инвестиционный портфель только из 15 или даже 30 акций компаний нефтегазового или металлургического секторов не будет защищен от отраслевых и секторальных рисков. Такие портфели будут подвержены рискам волатильности цен на сырьевых рынках (рынках энергоносителей и металлов). А вот при выборе акций компаний из разных отраслей с отрицательной корреляцией будут минимизированы риски как отраслевого, так и несистематического характера.

Также похожий подход часто используется при рассмотрении вопроса об инвестировании в разные классы активов. Акции, облигации, драгоценные металлы, недвижимость, криптовалюта, сырьевые товары и другие виды инвестиций имеют разную корреляцию друг к другу.  Разные инвесторы могут использовать такое свойство  по-своему в зависимости от индивидуального подхода к построению портфеля.

Инвесторы могут использовать ценные бумаги или другие активы с отрицательной корреляцией для хеджирования своих портфелей и снижения рыночного риска из-за волатильности или резких колебаний цен. Многие крупные инвесторы и фонды используют эту стратегию, хеджируя свои риски во время потенциального спада определенной отрасли или рынка в целом. Они покупают активы с отрицательной корреляцией, которые могут показать рост при падении их основных активов. Подробно этот процесс рассмотрен в статье «Как хеджировать инвестиционный портфель».

В качестве примера посмотрим на портфель одного из самых популярных инвесторов в мире Рея Далио и его фонда Bridgewater. Он состоит из активов разных отраслей, которые имеет отрицательную корреляцию между собой (подробнее об отраслях ниже), а в разные моменты времени увеличивается или уменьшается доля конкретного сектора. Так, в пандемийное время 2020 года доля активов сектора здравоохранения была увеличена с 5% до текущих 16,6%, тогда как доля финансового сектора значительно сократилась. 

Стоит отметить, что в этом плане многие советуют добавлять золото в портфель в качестве защитного актива. Сейчас мы посмотрим на практике работоспособность  теории о защитных свойствах золота, сравним динамику цен на золото с динамикой S&P 500.

Произведем расчеты.

В итоге мы получаем корреляцию 0,17, что довольно близко к нулю и говорит о том, что как таковая связь практически отсутствует – падение или рост главного индекса США никак не влияет на динамику золота. О защите можно было бы утверждать при отрицательной корреляции, близкой к -1.

Также корреляцию интересно рассматривать более глобально с ее изменением в разные моменты времени. Например, с текущими непредсказуемыми рынками стало сложнее доказывать действительность корреляции из-за постоянной смены движения активов. Так, раньше облигации имели отрицательную корреляцию с акциями, тогда как сейчас эта корреляция больше положительная. Аналогичным образом, фондовый рынок США в настоящее время оказывает намного более сильное влияние на рынки других стран и международные акции, чем раньше, так как большинство компаний являются глобальными и не изолированы от одной конкретной страны или региона.

Примеры работы с корреляцией активов в инвестировании

Обычно, работая с корреляцией, для расчетов берут сразу несколько активов и наглядно их сравнивают в таблице. Для нашего примера мы возьмем 9 популярных компаний из разных отраслей индекса S&P 500 и рассчитаем, как они коррелируют между собой. В расчет попали акции Apple, Amazon, Advanced Micro Devices, Johnson & Johnson, Caterpillar,  Exxon Mobil, Alcoa Corporation, Walmart, Bank of America.

Можно заметить, что у большинства инструментов высокая корреляция как между собой, так и с индексом S&P 500. Выделяется лишь компания из сектора здравоохранения Johnson & Johnson c отрицательной корреляцией практически ко всем другим акциям. Высокая корреляция акций между собой – нормальное явление, даже несмотря на то, что они все из разных отраслей экономики. В целом, рынок акций почти всегда движется в одном направлении, о чем говорит высокая корреляция почти всех акций с S&P 500, различается только сила этого взаимного движения – у каких-то отраслей она больше, у каких-то меньше.

Для большей наглядности в отдельной таблице мы сравним между собой различные классы активов: золото, облигации, нефть, недвижимость, криптовалюта  и т.д.

Получились довольно любопытные результаты:

• Недвижимость имеет очень высокую корреляцию с рынком акций – как с общим, так и с отдельно перечисленными в таблице секторами.

• Китай отрицательно коррелирован практически со всеми другими активами.

• Криптовалюта в лице биткоина в целом «ходит» в одном направлении с другими активами, хотя корреляция довольно слабая.

• Нефть отрицательно коррелирована с рынком акций, но имеет неплохое совместное движение с золотом.

• Из всех результатов нет значения с отрицательной корреляцией меньше 0,65, что говорит о большой связи активов между собой.

Это лишь некоторые выводы.  Данную таблицу можно изучить подробнее и подстроить ее под свою стратегию инвестирования, улучшив общую диверсификацию портфеля.

Также стоит отметить ряд дополнительных коэффициентов, связанных с корреляцией:

• Бета – показывает силу движения актива или портфеля относительно всего рынка.

• Коэффициент Шарпа – показывает, насколько хорошо доходность актива компенсирует общий риск портфеля.

• Коэффициент Сортино – показывает, за счет чего по портфелю была получена сверхнормативная доходность.

• Коэффициент Трейнора – показывает, насколько хорошо доходность актива компенсирует принимаемый инвестором систематический риск портфеля

 Про каждый коэффициент у нас есть отдельная подробная статья. Здесь лишь скажем, что они помогают инвестору сравнивать эффективность и риски портфеля по сравнению с рынком в целом.

Для получения значений коэффициентов необходимо произвести многоступенчатый расчет с использованием большого массива данных. В профессиональном сервисе для инвесторов  Fin-plan Radar в разделе учета портфелей эти коэффициенты рассчитываются автоматически . Инвестор может по нажатию одной кнопки определить эффективность своего портфеля в сравнении с рынком: если левая часть значения  (портфель) окрашена в зеленый цвет, то портфель в теории имеет меньший риск и при потенциальной той же доходности, чем рынок (правая часть).

Ограничения корреляции

При расчете и дальнейшей работе с  параметром корреляции всегда стоит учитывать ряд нюансов, способных повлиять на итоговый результат и правильную трактовку его значения:

1. В первую очередь, корреляция – это инструмент статистического анализа. Следовательно, как и другие аспекты статистики, она может быть неверно истолкована. Небольшие размеры выборки могут давать ненадежные результаты, даже если кажется, что корреляция между двумя активами сильная. В ином случае наоборот – большой размер выборки может привести к некоррелированным результатам, когда две переменные фактически связаны. Собственно, определение, какая выборка является большой, а какая нет, также является спорным вопросом.

2. Корреляция часто искажается, когда присутствует какая-либо аномалия. Она только показывает, как одна переменная связана с другой и не может четко определить, как отдельный случай может повлиять на коэффициент корреляции. В текущих условиях такого рода аномалии происходят нередко – на котировки ценных бумаг, индексов, товаров и т.д. может повлиять любая новость. Причем она может быть отыграна относительно быстро, но на расчеты все равно повлияет, поэтому может потребоваться учитывать эту погрешность вручную.

3. Также корреляция может быть неверно истолкована, если связь между двумя переменными нелинейна. Гораздо проще определить два актива с понятной положительной или отрицательной корреляцией. Однако даже две переменные с нелинейным, на первый взгляд, движением могут быть коррелированы более сложной взаимосвязью.

Вывод

Контроль за корреляцией помогает добиться максимальной эффективности диверсификации инвестиционного портфеля, что, в свою очередь, может увеличить потенциальную доходность и уменьшить риски. Например, покупка в начале 2022 года только одной акции Apple, которая в данном случае символизирует весь технологический сектор, могла принести инвестору убыток в размере 26% (расчет на момент публикации статьи 06.09.2022). При этом добавление какой-либо акции сырьевого сектора, отрицательно коррелирующего с технологическим, например, Exxon Mobil, которая в текущем цикле чувствует себя лучше и растет с начала года на 20%, позволило бы инвестору избежать сильных убытков. Общий результат такого портфеля из двух акций на момент публикации статьи  составил бы -3%. Это довольно яркий пример работы диверсификации с использованием корреляции.

При этом важно следить  как за параметром корреляции отдельных активов, так и всего портфеля. Помочь в этом могут отдельные коэффициенты (Бета, Шарп, Сортино, Трейнор и др.).

Порой корреляцию можно определить из любопытства – она поможет понять устройство рынка, взаимосвязь разных классов активов и секторов экономики, а также развеять некоторые мифы – например, о защитных свойствах золота. Конечно, результатом таких расчетов и исследований является не просто удовлетворение любопытства, проверка работоспособности теорий разных инвестиционных гуру, а создание уникального всепогодного портфеля, который бы мог стабильно показывать положительный результат вне зависимости от ситуации в экономике и на фондовом рынке. Оценка активов по параметру корреляции – лишь один из этапов в решении данной задачи. Также важен точечный выбор надежных активов, минимально коррелированных между собой, следование принципам диверсификации, защиты инвестиционного портфеля. Как реализовать каждый этап данной задачи, в общих словах и с учетом множества нюансов, с примерами кейсов из реальной практики, мы рассказываем на наших открытых уроках для инвесторов. Записаться на наш бесплатный вебинар можно по ссылке.

Цель: познакомить читателей с алгоритмом анализа мультипликаторов и обсудить/внедрить более эффективные пути решения этой задачи

Кто-то намерен что-то считать?

В статьях безусловно авторы рассматривают мультипликаторы при анализе компаний – приводят интересные доводы, делятся о фундаментальных показателях определенного бизнеса на состоятельность, возможность к росту определенных организаций по нескольким показателям и говорится о важности анализа в динамике за несколько лет. Но самое важное, как это вообще делать?

Отсутствие доказательной базы при анализе мультипликаторов, а именно конкретных цифр, это главное, что меня смущало в такого рода размышлениях. Да, никто не против что теоретически отдельный показатель должен быть близок к 1, чем быть равным 2 или 3, но! Нас же интересует совсем другой вопрос: цена этой акции вырастет сильнее относительно других?

Суть решения проблемы видится в том, что нужно подобрать такой инструмент, который численно и объективно оценит вероятность того, какая из компаний вырастет по цене. При этом не основываясь на мнении экспертов и пусть числа скажут свой вердикт по этому поводу.

И такой несложный инструмент я выбрал и все вы о нём слышали – корреляционный анализ. И я не буду говорить о том, что при 1 и -1 наблюдаются максимальная корреляция между двумя случайным величинами, а при 0 этой корреляции совсем нет. Здесь будут приведены конкретные действия, а не рассуждения и эмоциональный анализ происходящего. Хотя если говорить конкретнее, то корреляционный анализ чаще отвечает на один вопрос: на сколько две одинаковые последовательности чисел друг с другом связаны, что при добавлении нового числа в одну последовательность, на сколько вероятно, что в том же соотношении добавится новое число в другой последовательности.

Принцип анализа компаний

Изначально «движок» расчетов выполнялся в среде гугл таблиц, за счет более удобного пользования интернет-ресурсами сайтов, но позже был создан Excel-документ, доступ к которому можно получить по следующей ссылке. Алгоритм для расчетов основывался на основании рассуждений в книге Думай медленно… Решай быстро” Канемана (об этом алгоритме там не сказано) и ушло на проработку этого решения 3 месяца.

Последовательность работы книги следующая

1. Собирается максимальная статистика по мультипликаторам для каждой организации в отдельные листы в Excel книге. Один лист – это статистика одной компании за все возможные года, эту информацию, например, предоставляет smart-lab.ru [все листы с названием тикеров]

2. Создаются отдельные листы для каждого определенного мультипликатора, я их выбрал 8. В котором каждая величина мультипликатора организаций группируется по макросектору и отрасли относительно выбранного года [Avg_Capital, Avg_PE, Avg_PS и т.д.]

3. Подсчитываются медианные значения показателя на этих листах относительно каждой отрасли для определенного года. Также делал подсчет относительно каждого макросектора, но нигде не использовал, так как планирую выбирать акции организаций относительно отраслей, а не макросекторов. А медианные значения использовал вместо средних, чтобы минимизировать влияние грубых ошибок на расчеты [Avg_Capital, Avg_PE, Avg_PS и т.д.]

4. Подсчитываются для каждой конкретной организации каждого рассматриваемого мультипликатора соотношение значения мультипликатора относительно медианного значения по отрасли для выбранного года [на всех листах с названием тикеров]

5. Производится подсчет соотношения изменения цены акции за текущей год, относительно прошлого года в средних ценах за март, так как чаще всего в марте вывешиваются окончательные финансовые отчетности за год [на всех листах с названием тикеров]

6. Подсчитываются корреляции (как рассчитывать брал отсюда) для каждого соотношения мультипликатора и среднего значения по отрасли за доступные года относительно соотношения цены акции двумя годами позднее. Под доступными годами имеются ввиду года, где имеются данные для анализа, так как не всю информацию можно получить из доступных источников, а разница в два года позволяет «предсказать» цену акции на следующий год. Так как отчет мультипликатора за год доступен только в начале следующего года, а цена акции интересует на следующий год [на всех листах с названием тикеров]

7. Подсчитываются медианные значения корреляций по отраслям, которые в дальнейшем используется как коэффициенты или веса для оценки весомости каждого отдельного показателя в текущей отрасли [CORR_Tickets]

8. Рассчитывается итоговая оценка каждого бизнеса по отраслям суммированием произведений соотношения показателя мультипликатора за текущий год, деленный на среднее значение за последний год, и коэффициента корреляции мультипликатора, рассчитанного на предыдущем этапе [EVAL_Tickets]

9. В каждой отрасли выбирается не более 3 акции/компании, показывающее наибольшее кол-во баллов относительно других в выбранной отрасли [EVAL_Tickets]

Итого весь анализ был построен на таком принципе: «при изменении величины мультипликатора за год относительно среднего по отрасли за тот же год и изменении цены акции двумя годами позднее, относительно предыдущего – есть ли вообще какая-то связь? А если есть, то какова величина коэффициента корреляции?»

Для анализа брался российский рынок, так как информации в нем наименьшая и был спортивный интерес о нем побольше информации получить. Потому что относительно иностранного рынка информации больше и она уже более структурирована

Компании были разделены по системе MorningStar на:

Анализировался каждый из мультипликаторов:

a) Капитализация

b) P/E

c) P/S

d) P/BV (P/B для банков)

e) Долг/EBITDA

f) EV/EBITDA

g) ROE

h) ROA

Итого по результатам моего анализа я выбрал следующие компании:

Чтобы таблица работала корректно, необходимо в настройках Excel выбрать знак разделения целой и дробной части в качестве точки, а также иметь ввиду, что расчеты в таблице могут привести к зависанию программы!

Продублирую ссылку на таблицу (Я.Диск)

Судьба таблицы, недочеты или вопросы и возможные улучшения:

1. Нет оснований полагать что средние значения при расчетах брать «хуже» относительно медианных

2. На сколько можно доверять источнику smart-lab при вытаскивании данных об организациях под большим вопросом, в идеале пересчитать показателя самостоятельно и обновить данные на листах с тикерами

3. Есть сложности с наполнением новых организаций (тикеров), нет автоматизации этих процессов.

4. Ещё большие сложности будут при добавлении новых мультипликаторов для анализа, так как придется копипастить расчеты для каждого из 200 листов документа

5. Нет расчетов для анализа эффективности работы “предсказаний” роста компаний и подтверждений что это вообще работает

• 

  People

  See the Epic Photos From Taylor Swift’s Eras Tour Rain Shows

  Taylor Swift has proven she will show up and show out for her fans come rain or shine. The singer has performed twice in the pouring rain while on the Eras Tour. Taylor Swift’s second night at the Gillette Stadium in Foxborough, Massachusetts on May 20 marked the second time the singer has had to perform under a relentless stream of pouring rain.

• 

  Benzinga

  KKR Fresh Divests Stake In US Foods Holding; Company Repurchases $150M Stock

  US Foods Holding Corp (NYSE: USFD) has priced a previously announced underwritten registered secondary offering of 17.4 million shares by KKR Fresh Holdings L.P. at $39.90 per share. The offering consists of common stock issuable upon the conversion of 371,044 shares of its Series A Convertible Preferred Stock. The offer price represents a 3.7% discount to the company’s closing price on Monday, May 22. US Foods will not receive any proceeds from the sale of shares in the offering. Also See: US F

• 

  Reuters

  Speeding up US power grid connection ‘top priority’, FERC chairman says

  The U.S. Federal Energy Regulatory Commission aims to finalize its plan to speed up the process of connecting power projects to the grid over the coming months, FERC Chairman Willie Phillips said on Tuesday, calling the issue his top priority. “I’ve talked a lot about how important it is to move forward on transmission planning in general, but when it comes to interconnection queue reforms, that is my number one top priority,” he told Reuters on the sidelines of the Tribal Energy Equity Summit in St. Paul, Minnesota. Long waits for transmission interconnection have slowed efforts to ease wild pricing and tight power supply in some markets, and hobbled the progress of big solar and wind projects that need access to end-users.

• 

• 

  WFTS-Tampa

  Florida shark attack survivor recalls scary encounter

  So far this month, there have been three shark attacks reported in Monroe County, according to the Sheriff’s Office.   20-year-old Kevin Blanco is an avid fisherman. Last Thursday, he, along with two friends, went to a regular spear-fishing spot like any other summer day.   “I saw a dream fish of mine, so I shot the fish and the fish got tangled all up in the rocks,” shared Blanco in his hospital bed. “And I came to the surface and I told my buddies this fish is stuck. We need to get it out as soon as possible.”

• 

  Carlsbad Current-Argus

  Farmington, a town in need of a jolt

  Starting in the 1960s, the town’s giant smokestacks could be seen from miles away, and their dangerous emissions helped add the designation of “national sacrifice zone” to this Four Corners area.

•