Look-ahead bias – feil som ødelegger backtesting og investeringsstrate

Hva er look-ahead bias?

Look-ahead bias, på norsk ofte kalt «fremtidsblikk-skjevhet», er en skjult feil som gjør at en investeringsmodell eller en backtest gir et urealistisk godt bilde av virkeligheten. Feilen oppstår når modellen ubevisst inkluderer informasjon som først ble kjent etter at beslutningen skulle vært tatt. For en investor som tester en strategi, kan dette føre til at strategien ser strålende ut på papiret, men flopper i praksis.

Problemet er spesielt utbredt i kvantitativ finans og ved testing av aksjeplukkingsstrategier. For eksempel hvis du lager en modell som velger aksjer basert på siste kvartalsresultat, men modellen bruker de reviderte tallene som ble publisert flere måneder etter kvartalsslutt. Da har modellen «sett» et tall som du som investor ikke kunne vite på kjøpstidspunktet. Resultatet blir en kunstig høy avkastning i testen.

Look-ahead bias er ikke et bevisst juks, men en teknisk svakhet i hvordan data samles inn og behandles. Mange private investorer som lager egne screener i Excel eller bruker ferdige backtest-verktøy, kan uforvarende falle i denne fellen. Derfor er det viktig å forstå mekanismen for å kunne stole på analysene sine.

Forstå look-ahead bias

Kjernen i look-ahead bias handler om tid. I finansverdenen er informasjon sjelden tilgjengelig for alle samtidig. Regnskapstall blir publisert flere uker etter periodens slutt, børskurser blir justert for utbytte og splitt i ettertid, og indekser endrer sammensetning. Når du henter historiske data fra en database, kan dataleverandøren ha korrigert tallene i etterkant slik at de ser ut som om de alltid var kjent.

Tenk deg at du i 2020 ønsket å kjøpe aksjer i selskaper med høy egenkapitalavkastning (ROE). Du laster ned regnskapsdata for 2019 og sorterer selskapene. Men hvis databasen din inneholder de reviderte 2019-tallene som ble publisert i mars 2020, har du allerede brukt informasjon som ikke var tilgjengelig da du skulle handle i januar 2020. De fleste investorer ville brukt de foreløpige tallene fra 2019, som var kjent i januar.

Forskjellen kan være stor. En studie av flere tusen backtester viste at look-ahead bias kunne øke den rapporterte avkastningen med 2–5 prosentpoeng årlig. For en strategi som på papiret ga 12 prosent årlig, kan den reelle avkastningen ha vært 7–8 prosent. Dette er nok til å forvandle en middelmådig strategi til en tilsynelatende vinner.

Hvordan fungerer look-ahead bias?

Mekanismen er enkel: En datapunkt som egentlig tilhører fremtiden, blir feilaktig plassert i fortiden. Det finnes flere vanlige kilder til denne feilen:

1. Regnskapsrevisjoner: Selskaper publiserer ofte foreløpige tall, men disse blir senere revidert. Hvis du bruker de reviderte tallene i en backtest som starter før revisjonen, har du look-ahead bias.

2. Kursjusteringer: Aksjekurser blir justert for utbytte og splitt. En database som viser «justert sluttkurs» inkluderer informasjon om fremtidige utbytter. Hvis strategien din handler basert på kurs, kan du utilsiktet bruke kurser som allerede tar hensyn til utbytter som ikke var kjent.

3. Indeksendringer: Når et selskap blir tatt inn i en indeks, blir historiske data ofte «backfilled» slik at indeksen ser ut til å ha inneholdt selskapet hele tiden. En strategi som kjøper indeksens komponenter, vil da tro at selskapet var medlem i perioden før det faktisk ble inkludert.

4. Overlevelsesbias (survivorship bias): Dette er en nær slektning. Når du kun bruker data for selskaper som fortsatt eksisterer i dag, utelater du de som gikk konkurs eller ble kjøpt opp. Resultatet blir for høy avkastning. Look-ahead bias forsterker dette problemet.

For å unngå look-ahead bias må du bruke såkalte «point-in-time»-data, altså data slik de så ut på et gitt tidspunkt, uten senere korrigeringer. Mange profesjonelle dataleverandører som Bloomberg, FactSet og Compustat tilbyr slike datasett, men de er dyre og krever omfattende databehandling.

Historisk bakgrunn

Begrepet look-ahead bias ble først grundig analysert i akademisk finans på 1990-tallet. En av de tidligste og mest kjente artiklene er «Does the Stock Market Overreact?» av Werner De Bondt og Richard Thaler (1985), men de brukte ikke begrepet eksplisitt. Det var først med fremveksten av kvantitative hedgefond og systematisk trading at problemet ble allment anerkjent.

I 1994 publiserte Elroy Dimson og Paul Marsh en studie som viste at look-ahead bias kunne forklare hvorfor mange publiserte backtester av aksjestrategier ga altfor høye avkastninger. De fant at når de korrigerte for bias, falt den gjennomsnittlige årlige meravkastningen med 3–4 prosentpoeng.

I Norge har look-ahead bias fått økt oppmerksomhet de siste årene, særlig i forbindelse med testing av aksjeplukkingsmodeller og robo-rådgivere. Flere norske fondsforvaltere har innrømmet at de har måttet justere sine modeller etter å ha oppdaget look-ahead bias i sine egne backtester. Oslo Børs har også publisert retningslinjer for hvordan historiske data bør behandles for å unngå slike feil.

Praktisk eksempel

La oss ta et konkret norsk eksempel. Du vil teste en strategi som kjøper de 10 aksjene på Oslo Børs med lavest pris/fortjeneste-forhold (P/E) ved starten av hvert år. Du laster ned historiske P/E-tall fra en database. Databasen inneholder P/E beregnet med årets faktiske resultat, som ikke ble kjent før året var over.

I virkeligheten – i januar 2020 – visste du bare resultatene for 2019 (foreløpige) og tidligere år. Men databasen din har det endelige resultatet for 2020, som ble publisert i februar 2021. Dermed bruker du i backtesten P/E-tall som inneholder informasjon om 2020-resultatet, noe som var umulig å vite i januar 2020.

Hvis strategien i backtesten gir 14 prosent årlig avkastning, men den korrigerte versjonen (med foreløpige tall) gir 10 prosent, utgjør forskjellen 4 prosentpoeng. Over 10 år betyr det at 100 000 kroner ville vokst til 370 000 kroner i stedet for 259 000 kroner – en forskjell på over 100 000 kroner.

Fordeler og ulemper

Det er vanskelig å snakke om fordeler med look-ahead bias, fordi det er en ren feil. Likevel kan man si at bevisstheten om bias har ført til bedre databehandling og mer robuste modeller. Uten denne innsikten ville mange kvantitative strategier vært langt mindre pålitelige.

Ulemper:

• Gir falsk trygghet: En backtest som ser perfekt ut, kan skjule en svak strategi.
• Svekker tilliten til akademisk forskning: Mange publiserte studier har ikke korrigert for bias, noe som har ført til replikasjonskrise.
• Kan føre til feilallokering av kapital: Investorer som stoler på villedende backtester, kan tape penger.
• Vanskelig å oppdage for nybegynnere: Uten teknisk innsikt er det lett å overse problemet.

«Fordeler» (indirekte):

• Tvinger frem disiplin: For å unngå bias må man være nøye med datakvalitet og tidshåndtering.
• Øker forståelsen av markedsmikrostruktur: Arbeidet med å korrigere for bias gir dypere innsikt i hvordan markeder fungerer.
• Skill mellom seriøse og useriøse aktører: Fond som publiserer korrigerte backtester viser høyere standard.

Vanlige misforståelser

Misforståelse 1: Look-ahead bias er bare et problem for kvantitative hedgefond. Sannheten er at alle som lager enkle screener i Excel, tester en investeringsidé eller bruker ferdige backtest-verktøy, kan bli rammet. Selv en enkel glidende gjennomsnittsstrategi kan inneholde bias hvis kursdata er justert.

Misforståelse 2: Det er lett å unngå – bare bruk historiske data. Problemet er at «historiske data» ofte er blitt korrigert i ettertid. Du må aktivt søke etter «point-in-time»-data, noe som krever spesialiserte kilder og betydelig databehandling.

Misforståelse 3: Look-ahead bias påvirker bare avkastningen marginalt. Som vist i eksemplet kan forskjellen være flere prosentpoeng årlig. Over tid utgjør dette enorme beløp. I noen tilfeller kan en strategi som ser lønnsom ut, faktisk være tapende når bias fjernes.

Misforståelse 4: Det har ingenting med meg som langsiktig investor å gjøre. Hvis du noen gang har vurdert en investeringsstrategi basert på en backtest fra en nettside eller et fond, har du trolig blitt påvirket av look-ahead bias. Derfor bør du alltid spørre om backtesten er korrigert for bias.

Oppsummering

Look-ahead bias er en av de mest undervurderte fallgruvene i finansanalyse. Den oppstår når en modell bruker informasjon som først ble kjent etter at en beslutning skulle vært tatt, og den kan gjøre en middelmådig strategi til en tilsynelatende stjerne. For investorer som tester egne ideer, er det avgjørende å bruke data slik de så ut på beslutningstidspunktet – såkalte point-in-time-data.

De vanligste kildene er regnskapsrevisjoner, kursjusteringer og indeksendringer. Selv om det krever ekstra innsats å unngå bias, er innsatsen liten sammenlignet med kostnaden ved å handle på falske signaler. Enten du er en nybegynner som lager din første screener, eller en erfaren forvalter, bør du alltid stille spørsmålet: «Hadde jeg virkelig visst dette da jeg tok beslutningen?»

Husk at en backtest uten korrigering for look-ahead bias ikke er en garanti for fremtidig suksess – den er ofte en illusjon. Ved å være bevisst på denne feilen kan du ta mer informerte beslutninger og unngå kostbare tabber.