Millainen on robovarainhoitaja Evervestin sijoitusstrategia?

Evervestin tavoitteena on ollut tehdä läpinäkyvä ja helppokäyttöinen sijoituspalvelu, joka sijoittaa pitkällä aikajänteellä parhaiden oppien mukaan ja on silti ymmärrettävä. Haluamme tästä syystä avata myös sijoitustrategiamme – taustalla olevaa teoriaa ja tekemiämme valintoja

Sijoitusfilosofiamme

Sijoitusfilosofiamme pyrkii parhaaseen lopputulokseen hajautuksen ja pitkäjänteisyyden kautta. Kun katsotaan aktiivisen rahastosijoittamisen tuottoja menneiltä vuosilta, 80-90% aktiivisesti hallinnoiduista rahastoista häviää vertailuindeksilleen. Aktiivisesti hoidettujen rahastojen kulut ovat korkeat, ja samalla korkeamman kulutason oikeuttavan ylituoton saaminen suhteessa markkinaan on tullut yhä vaikeammaksi markkinoiden tehokkuuden parantuessa.

Me lähdemme siitä, että täsmällisellä ja oikein tehdyllä allokaatiotyöllä, pitkäjänteisyydellä ja matalalla kustannustasolla saavutetaan paras lopputulos.

Sijoitusmallimme

Keskeinen kysymys sijoitusmallimme taustalla on, miten salkun hajautuksella voidaan parhaiten saavuttaa tavoiteltu tuotto halutulla riskitasolla sekä samalla varautua eri markkinatilanteisiin.

Kun pohdimme hajautuksen taustalla olevan allokaatiomallin teoreettista pohjaa, vertailimme CAPM-mallin, Black-Littermann-mallin ja monimuuttujamallin etuja ja haittoja. Valitsimme monimuuttajamallin lähestymistavaksemme kolmesta syystä:

  1. Mallin taustalla on mahdollista käyttää pidempiä aikasarjoja, koska tuottoa kuvaavista muuttujista, kuten osakeriskistä, on saatavilla huomattavasti pidemmät aikasarjat kuin yksittäisistä omaisuusluokista
  2. Pidempien aikasarjojen sekä mallinnustavan ansiosta monimuuttujamalli vähentää salkunhoitajan tarvetta ottaa subjektiivista näkemystä tuotto-odotuksista
  3. Monimuuttujamallilla on analyyttisesti helpompi varautua salkun hajautuksessa eri markkinatilanteisiin valitsemalla taustalla olevat muuttujat oikein. Varautuminen on helpompi pohjata dataan kuin muissa malleissa. Pidempään aikasarjaan mahtuu enemmän eri tyyppisiä markkinatilanteita ja tätäkin kautta malli ottaa paremmin huomioon niiden vaikutukset salkun odotettuun tuottoon sekä riskiin.

Sekä CAPM:n, että Black-Littermannin haaste on se, että ne vaativat voimakkaan subjektiivisen näkemyksen ottamista tuotto-odotuksista eri omaisuusluokissa. CAPM:n mallissa haasteena on myös se, että mallin datana käytettävän aikasarjan pituuden rajaa se omaisuusluokka, josta on lyhin datasarja tarjolla. Tämä rajaisi pahimmassa tapauksessa mallin taustalla olevan datan 10-15 vuoteen.

Jotta parhaat suhteelliset painot voidaan laskea, on meidän ensin määriteltävä jokaisen omaisuusluokan odotettu tuotto vuodessa sekä luotava kuva siitä, millainen riski kunkin omaisuusluokan tuottoon liittyy, sekä miten omaisuusluokat käyttäytyvät suhteessa toisiinsa eri markkinatilanteissa (kovarianssimatriisi). Monimuuttajamallissa omaisuusluokkien tuotto-odotukset sekä kovarianssimatriisi johdetaan nk. tuottomuuttujien kautta.

Monimuuttujamallin idea perustuu siihen, että jokaisen sijoituskohteen taustalla on eri tyyppisiä riskejä, joita sijoittaja ottaa ja joiden ottamisesta hän saa korvauksen tuoton muodossa. Näitä eri riskejä kuvaavat tuottomuuttujat. Esimerkiksi osakkeisiin sijoitettaessa suurin osa riskistä liittyy yritysten menestymiseen. Tätä riskiä kutsutaan osakeriskiksi. Pienempien yhtiöiden osakkeisiin sisältyy myös enemmän likviditeettiriskiä, kuten myös korkeamman riskin korkopapereihin. Toisaalta kehittyneiden valtioden velkakirjoihin sijoitettaessa lähes kaikki riski koostuu aikariskistä – käytännössä siitä, että sijoittaja antaa varansa lainaksi pitkäksi aikaa, eikä voi olla varma, miten korot sillä aikaa kehittyvät. Lisäksi voidaan mallintaa mm. valuuttariski (riski muutoksista valuutan arvossa) ja kehittyviin talouksiin yleisesti liittyvä riski. Monimuuttujamallin muuttujat ovat siis aikasarjoja, jotka kuvaavat näiden eri riskien ottamisesta kompensaationa saatua tuottoa.

Evervestin malli käyttää muutamaa tuottomuuttujaa, joista on saatavilla pitkät tilastot tuottojen kehityksestä. Tuottofaktorien valinnassa olemme kiinnittäneet huomioita etenkin siihen, miten käyttämämme yhdistelmä eri tuottomuuttujia ottaa parhaiten huomioon eri tyyppisten markkinatilanteiden vaikutuksen tuottoon. Näin pyrimme rakentamaan salkun, jonka hajautuksessa on varauduttu eri tyyppisiin markkinatilanteisiin mahdollisimman hyvin.

Mallin taustalla käytämme dataa lukuisista eri tietolähteistä (esimerkiksi MSCI, Citibank, Federal Reserve, Euroopan Keskuspankki). Erilaisia allokaatiomalleja on tutkittu valtavasti ja käyttämämme monimuuttujamallit edustavat viimeisintä akateemista tutkimusta.

Salkun optimointi

Lopulliset salkkupainot johdetaan käyttäen tuottomuuttujien avulla johdettuja omaisuusluokkien tuotto-odotuksia, sekä omaisuusluokkien suhteellista käyttäytymistä kuvaavaa kovarianssimatriisia. Perinteisesti optimointi on tehty yksinkertaisesti etsimällä painot, joilla salkun tuotto on mahdollisimman korkea annetulla riskitasolla. Perinteisen metodin ongelma on kuitenkin se, että se on hyvin herkkä pienille vaihteluille tuotto-odotuksissa. Tuotto-odotusten määrittämiseen liittyy kuitenkin epävarmuutta itsessään. Olemme siksi valinneet optimointitavan, joka ottaa huomioon tuotto-odotuksiin, sekä niiden määrittämiseen liittyvän epävarmuuden ja sitä kautta johtaa parempaan hajautukseen.

Oheisessa kuvassa esitetään salkkujemme hajautus käyttämillämme riskitasoilla.

Omaisuusluokkien valinta

Omaisuusluokkien valinnassa kiinnitimme huomiota kolmeen tekijään: i) minkälaiset kyseisen omaisuusluokan tuotto- ja riskiomainaisuudet ovat, ii) mitä hajautushyötyjä omaisuusluokka todellisuudessa tarjoaa, sekä iii) mitkä ovat omaisuusluokan todelliset tuottotekijät, eli minkä tyyppisen riskin sijoittaja itseasiassa ottaa sijoittaessaan kyseiseen omaisuusluokkaan ja miten se vaikuttaa tuottoon.

Olemme rajanneet kiinteistöihin sijoittavat ETF:t pois salkusta kahdesta syystä. Ensiksi, kiinteistöihin sijoittavat ETF:t (yleesä REIT-rahastoja) eivät todellisuudessa tarjoa samanlaista hajaushyötyä, kuin suorat kiinteistösijoitukset. Niiden tuotto seuraa yleensä tarkemmin osakemarkkinoiden tuottokehitystä, kuin kiinteistömarkkinan. Toiseksi, REIT:hin liittyy likvideettiongelma, koska ne eivät sijoita helposti rahaksi muutettaviin omaisuusluokkiin.

Olemme myös rajanneet raaka-aineet, kuten kullan, pois salkuista. Ne kyllä tarjoavat hajautushyötyä, mutta eivät varsinaisesti tuota mitään osinkoa tai korkoa vaan ovat pääosin puhtaata spekulaatiota hinnalla.

Käytännössä toteutamme salkkujen hajautuksen käyttäen kyseisten omaisuusluokkien tuotto-ominaisuuksia parhaiten edustavia ETF-instrumentteja.

Salkunhoito

Salkkujen tasapainottaminen mallimme määrittämiin optimipainoihin tapahtuu automaattisesti algoritmimme hoitamana. Rebalansoinnin päätehtävänä on pitää salkun riskitaso ennalta määritellyissä rajoissa. Näin ollen kaupankäyntiaktiivisuus määrittyy hintojen heilunnan ja tavoiteallokaation muutosten seurauksena: mitä nopeammin eri omaisuusluokkien hinnat muuttuvat, sitä useammin syntyy tarve tasapainottaa salkkua.

Riskillä tarkoitetaan sitä, kuinka voimakkaasti salkku reagoi eri tyyppisiin markkinatilanteisiin. Mitä suurempi riski, sitä suurempi vaikutus tuottoon eri tilanteissa. Kun salkun hajautuksen tavoitteena on laskea salkun riskiä suhteessa tuottoon, on salkun tasapainottaminen osa tätä samaa tavoitetta salkun riskitasosta huolehtimiseksi.

Koska salkun tasapainottamisen tavoitteena on salkun riskitason hallinta, automatiikkamme pyrkii pitämään salkun hajautuksen ennalta määriteltyjen rajojen sisällä. Kun nuo rajat ylittyvät, palvelumme automaattisesti tasapainottaa salkun tavoitepainoihin. Simulaatiomme perusteella salkun tasapainotuksen takana oleva algoritmimme johtaa noin 0.3-0.7x salkun vuosittaiseen kiertonopeuteen riippuen markkinatilanteesta kyseisenä vuonna.

Strategian toimivuus

Olemme testanneet strategiamme toimivuutta historiadataa vasten. Nämä niin kutsutut backtestit (tai simulaatiot) on toteutettu siten, että salkkujen painoja määrittävään malliin on ensin syötetty backtestin alkupäivää edeltävä historiadata, jonka avulla on johdettu backtestin ensimmäisen vuoden salkkupainot. Sitten näitä painoja sekä salkun tasapainotusalgoritmia käyttäen on laskettu backtestin ensimmäisen vuoden tuotto jokaiselle riskitasolle. Seuraavat vuodet on toteutettu niin, että salkun painoja määrittävän mallin historiadataan on lisätty edeltävän vuoden historiadata ja sitten laskettu salkkujen tuotot seuraavalle vuodelle. Laskemalla painot sekä tuotto vuosi kerrallaan, olemme myös voineet analysoida miten salkun painot muuttuvat ajan yli kun taustalla olevaan malliin lisätään uutta dataa.

Backtestien vertailuindeksinä olemme käyttäneet MSCI World sekä Citin World Government Bond Index –indekseistä tehtyä salkkua, jonka riskitaso (volatiliteetti) vastaan salkkumme riskitasoa.

Salkkujemme tuottoa testatessamme olemme ottaneet huomioon sekä pörssinoteerattujen rahastojen (ETF) kustannukset (TER) että hallinnointipalkkiomme. Kaupankäyntikulut tulevat huomioiduiksi hallinnointipalkkiomme kautta, johon kaupankäyntikulut sisältyvät. Vertailuindeksin tuotosta on vähennetty kyseisiä indeksejä seuraavien ETF:ien kustannukset.

Alla oleva graafi kuvaa backtestin tuloksia riskitason 5 salkullemme.

Alla oleva graafi kuvaa backtestin tuloksia riskitason 10 salkullemme. Salkun riskitaso vastaa globaalien osakemarkkinoiden riskitasoa.

Mallin backtestaaminen historiallisella datalla ei luonnollisesti ole tae sen toimivuudesta tulevaisuudessa. Testi kuitenkin kertoo meille, että laadukkaalla hajautuksella on mahdollista saavuttaa tuottohyötyä suhteessa täysin passiiviseen allokaatioon.