Term factor information coefficient (IC) – forklaring og bruk i aksjea

Hva er term factor information coefficient?

Term factor information coefficient, ofte forkortet IC, er et sentralt begrep innen kvantitativ porteføljeforvaltning. Det måler hvor godt et gitt signal – for eksempel en aksjes momentum, verdsetting eller kvalitet – er i stand til å forutsi fremtidig avkastning. Rent teknisk er IC korrelasjonskoeffisienten mellom signalverdiene for et sett med aksjer og den faktiske avkastningen disse aksjene oppnår i en etterfølgende periode. Verdien ligger alltid mellom -1 og +1, der +1 betyr perfekt positiv prediksjon (høyt signal gir høy avkastning), -1 betyr perfekt negativ prediksjon (høyt signal gir lav avkastning), og 0 betyr ingen lineær sammenheng.

I praksis brukes IC til å evaluere kvaliteten på en investeringsstrategi eller en spesifikk faktor. En faktor er en observerbar egenskap ved aksjer som historisk har vært forbundet med meravkastning, for eksempel lav pris i forhold til bokført verdi (verdifaktor) eller høy avkastning de siste 12 månedene (momentum). Når en kvantitativ forvalter utvikler en modell, vil hun regelmessig beregne IC for å se om signalet faktisk gir verdi. En stabil og positiv IC over tid indikerer at faktoren har prediksjonskraft og kan brukes aktivt i porteføljekonstruksjon.

Det er viktig å skille IC fra andre prestasjonsmål som Sharpe ratio eller informasjonsratio. Sharpe ratio måler risikojustert avkastning for en hel portefølje, mens IC fokuserer på prediksjonsnøyaktigheten til selve signalet. IC sier ingenting om hvor stor avkastning signalet gir, bare hvor godt det rangerer aksjene i forhold til fremtidig avkastning. Derfor brukes IC ofte som et tidlig varsel om at en faktor er i ferd med å miste sin kraft, eller at den fortsatt fungerer som forventet.

Forstå term factor information coefficient

For å forstå IC fullt ut må vi dykke ned i hva korrelasjon egentlig betyr i denne sammenhengen. Korrelasjonen måler styrken og retningen på en lineær sammenheng mellom to variabler: signalet og avkastningen. Hvis vi plotter signalet på x-aksen og avkastningen på y-aksen for et utvalg aksjer, vil en IC på 0,2 bety at punktene ligger spredt, men med en svak tendens til at høyere signal gir høyere avkastning. En IC på 0,6 vil vise en tydeligere samvariasjon, mens 0,9 er svært sjelden i finansmarkedene.

En viktig nyanse er at IC ikke fanger opp ikke-lineære sammenhenger. For eksempel kan et signal ha en terskeleffekt der det bare fungerer for ekstreme verdier, eller en U-formet sammenheng. I slike tilfeller vil IC være lav eller null, selv om signalet faktisk har prediksjonskraft. Derfor bruker mange kvantitative forvaltere i tillegg rangkorrelasjon (Spearman), som er mindre sensitiv for ekstreme verdier og ikke-linearitet. Spearman IC beregner korrelasjonen mellom rangeringen av signalene og rangeringen av avkastningen, noe som ofte gir et mer robust bilde.

IC er også et periodisk mål. Det beregnes typisk månedlig, ukentlig eller daglig, avhengig av strategiens tidshorisont. En faktor med høy gjennomsnittlig IC over mange perioder er mer pålitelig enn en som har høy IC i en kort periode. Derfor ser forvaltere på både gjennomsnittlig IC og standardavviket til IC over tid. En faktor med gjennomsnittlig IC på 0,08 og standardavvik på 0,05 er mer stabil enn en med samme gjennomsnitt men standardavvik på 0,20. Stabilitet er avgjørende for å kunne stole på faktoren i fremtidige perioder.

Hvordan fungerer term factor information coefficient?

Beregningen av IC følger en systematisk prosess. Først må du definere signalet du vil teste. Det kan være en enkelt faktor som pris/bok (P/B) eller en sammensatt modell. Deretter samler du inn data for et utvalg aksjer over en historisk periode. For hver aksje beregner du signalverdien på et bestemt tidspunkt (for eksempel ved månedsslutt). Så måler du avkastningen for aksjene i den påfølgende perioden (for eksempel én måned frem). Til slutt beregner du korrelasjonen mellom signalet og avkastningen.

Formelen for Pearson-korrelasjon er:

IC = (Σ (x_i - x̄)(y_i - ȳ)) / (√(Σ (x_i - x̄)²) * √(Σ (y_i - ȳ)²))

Her er x_i signalverdien for aksje i, y_i er avkastningen for samme aksje, x̄ er gjennomsnittet av alle signalverdier, og ȳ er gjennomsnittet av alle avkastninger. Summen går over alle aksjer i utvalget. Resultatet er en koeffisient mellom -1 og +1.

I praksis bruker de fleste kvantitative miljøer Spearman rangkorrelasjon i stedet for Pearson. Spearman IC beregnes ved først å rangere aksjene etter signalverdi og deretter rangere dem etter avkastning. Deretter beregnes Pearson-korrelasjonen på rangeringene. Dette reduserer påvirkningen fra ekstreme observasjoner og gjør målet mer robust. Mange programvarepakker som Python (pandas, scipy) og R har innebygde funksjoner for å beregne både Pearson og Spearman korrelasjon, noe som gjør IC lett tilgjengelig for de fleste investorer.

Historisk bakgrunn

Konseptet information coefficient ble først formalisert av Richard Grinold og Ronald Kahn i deres banebrytende bok 'Active Portfolio Management' fra 1995. De utviklet et rammeverk for å forstå hvordan aktiv forvaltning skaper meravkastning (alfa), og IC ble en sentral komponent i deres 'fundamental law of active management'. Denne loven sier at forventet alfa er proporsjonal med produktet av IC, bredden (antall uavhengige spill) og en skaleringsfaktor. Dette ga forvaltere et verktøy for å kvantifisere hvor gode prognosene deres må være for å oppnå en gitt meravkastning.

Før Grinold og Kahn var evaluering av investeringssignaler ofte subjektiv og kvalitativ. Med fremveksten av datakraft og kvantitative metoder på 1990- og 2000-tallet ble IC raskt tatt i bruk av hedgefond og institusjonelle forvaltere. I Norge har miljøer som Oljefondet (NBIM) og flere norske kapitalforvaltere tatt i bruk kvantitative modeller der IC inngår som en del av faktoranalysen. Spesielt i perioden etter finanskrisen 2008 har interessen for systematiske strategier økt, og IC har blitt et standardmål i bransjen.

I dag er IC en integrert del av faktorinvestering og 'smart beta'-produkter. Mange børsnoterte fond (ETF-er) som følger faktorstrategier, oppgir IC-verdier i sine rapporter for å dokumentere at faktoren fungerer som tiltenkt. Samtidig har kritikere påpekt at IC kan være gjenstand for data mining – at man finner mønstre i historiske data som ikke nødvendigvis gjentar seg. Dette har ført til økt fokus på kryssvalidering og out-of-sample testing for å sikre at IC-estimatene er robuste.

Praktisk eksempel

La oss ta et konkret eksempel med norske aksjer. Anta at vi ønsker å teste om faktoren '12-måneders momentum' fungerer på Oslo Børs. Vi samler inn data for alle selskaper på Oslo Børs per 31. desember 2019. For hver aksje beregner vi momentum som avkastningen de siste 12 månedene (fra januar til desember 2019). Deretter måler vi avkastningen i januar 2020. Vi beregner Spearman rangkorrelasjon mellom momentum-rangeringen og avkastningsrangeringen for januar. Resultatet blir en IC for den måneden.

Vi gjentar denne prosessen for hver måned fra 2010 til 2020. Resultatene kan oppsummeres i en tabell:

Legg merke til at IC-verdiene er relativt lave. I kvantitativ finans er en IC på 0,05–0,10 ansett som god, spesielt når den er stabil. For å oppnå en forventet meravkastning på 2–3 % per år, trenger man en IC i dette området kombinert med et bredt investeringsunivers og lav omsetningskostnad. Eksemplet illustrerer at IC ikke bare måler om faktoren fungerer, men også hvor pålitelig den er over tid.

Fordeler og ulemper

IC har flere fordeler som gjør det til et populært verktøy. For det første er det et objektivt og kvantifiserbart mål som lar forvaltere sammenligne ulike faktorer på en standardisert måte. For det andre kan IC brukes i porteføljeoptimalisering, for eksempel ved å vekte faktorer med høy IC høyere. For det tredje er IC lett å kommunisere til investorer og rapportere i kvartalsrapporter. Endelig kan IC beregnes på ulike tidshorisonter og for ulike markeder, noe som gjør det fleksibelt.

Ulempene er imidlertid betydelige. IC forutsetter en lineær sammenheng mellom signal og avkastning, noe som sjelden er tilfellet i virkelige markeder. Mange faktorer har ikke-lineære effekter, for eksempel at ekstreme verdier gir uforholdsmessig stor avkastning. IC er også svært følsomt for støy og ekstreme observasjoner, spesielt i små utvalg. En enkelt aksje med ekstrem avkastning kan påvirke IC betydelig. Videre er IC et historisk mål; høy IC i backtest er ingen garanti for fremtidig suksess. Data mining og overtilpasning er reelle farer, spesielt når man tester mange faktorer.

En annen ulempe er at IC ikke sier noe om størrelsen på avkastningen. To faktorer kan ha samme IC, men den ene kan gi dobbelt så høy meravkastning fordi spredningen i signalet er større. Derfor bruker mange forvaltere informasjonsratio (IR) i tillegg, som kombinerer IC med bredden i strategien. IR = IC * √(antall uavhengige spill). Dette gir et mer helhetlig bilde av forventet meravkastning per enhet risiko.

Vanlige misforståelser

En utbredt misforståelse er at en IC på 0 betyr at signalet er helt verdiløst. Dette er ikke nødvendigvis sant. IC måler bare lineær korrelasjon, så det kan finnes ikke-lineære mønstre som IC ikke fanger opp. For eksempel kan et signal fungere godt i perioder med høy volatilitet, men ikke i rolige perioder. I slike tilfeller kan IC være lav, men signalet kan likevel være nyttig hvis man justerer for markedsregimer.

En annen feilaktig oppfatning er at en høy IC i backtest automatisk betyr at faktoren vil fungere i fremtiden. Historiske data er fulle av tilfeldige mønstre, spesielt når man tester mange faktorer. Fenomenet kalles data mining eller 'p-hacking'. For å unngå dette må IC beregnes på data som ikke er brukt til å utvikle faktoren (out-of-sample), og man bør bruke statistiske tester for å vurdere om IC er signifikant forskjellig fra null.

En tredje misforståelse er at IC kan brukes direkte til å forutsi porteføljens avkastning. IC måler korrelasjon, ikke kausalitet, og den sier ingenting om hvor stor avkastningen blir. Selv med en IC på 0,2 kan porteføljen gi negativ avkastning hvis markedet faller. IC er et verktøy for å forbedre prediksjoner, ikke en garanti for suksess. Det er også viktig å huske at IC varierer over tid; en faktor som har fungert i ti år, kan plutselig slutte å fungere på grunn av endringer i markedsstruktur eller investoradferd.

Oppsummering

Term factor information coefficient er et uunnværlig verktøy for kvantitative investorer som ønsker å måle prediksjonskraften til sine investeringssignaler. Ved å beregne korrelasjonen mellom et signal og fremtidig avkastning, gir IC et objektivt mål på hvor godt faktoren rangerer aksjer. Selv om IC har begrensninger – den fanger ikke ikke-linearitet, er følsom for støy, og kan være gjenstand for data mining – er den fortsatt en av de mest brukte metodene for å evaluere faktorer i dag.

For norske investorer som ønsker å ta i bruk kvantitative metoder, er IC et godt sted å starte. Ved å teste enkle faktorer som momentum eller verdi på Oslo Børs, kan man raskt få et inntrykk av om strategien har potensial. Husk alltid å kombinere IC med andre mål som informasjonsratio, og å validere resultatene på uavhengige data. IC er et kraftig verktøy, men det må brukes med omtanke og forståelse for sine begrensninger.