Klientský přístup jako součást investiční strategie
"Jsme Vaše komfortní zóna v době nejistoty"
Komfort
Název fondu Comfort Zone Investments nevznikl náhodou. Základním principem spolupráce s klientem je zajištění komfortního řešení. Uvědomujeme si, že atraktivní výnosy jsou nosnou konstrukcí. Abyste se však s investičním řešením cítili skutečně komfortně, musíme vám zaručit tyto základní stavební kameny:
Obr. 1 Komfort
Bezpečí
Letité zkušenosti se správou investic klientů nás naučili to nejpodstatnější. Být transparentním partnerem. Pokud s klientem uzavíráme smluvní vztah a svěřuje nám finanční prostředky, dává v nás velkou důvěru a my ji s patřičnou zodpovědností přijímáme. Jak u nás vypadá proces investice klienta?
Uzavře se Smlouva o správě investice, ve které se určí výše počáteční investice.
Klient dostane instrukce k fundaci. Peníze zasílá na sběrný účet vedený u Raiffeisenbank, a.s. Po odbržení prostředků dostává klient potvrzení o platbě přímo z výpisu banky.
Z tohoto sběrného účtu zašleme prostředky na účet brokera LYNX. Tato společnost se řadí k nejspolehlivějším a nejprofesionálnějším brokerům v ČR. Po odbržení prostředků dostává klient potvrzení o platbě přímo z výpisu účtu u brokera.
Klientovi zakládáme webovou klientskou zónu s detailními denními přehledy zhodnocení investice.
Hned druhý den po obržení prostředků na účet u brokera začínáme s investováním prostředků.
Vaše finanční prostředky tedy neputují nikde do offshore společností, ale jsou uloženy bezpečně u transparentních partnerů. O vaši investici máte navíc perfektní přehled díky denním přehledům.
Transparentnost
Většina fondů zasílá klientům měsíční reporty o stavu jejich investice. Důvodů, proč tak činí s tak nízkou frekvencí, může být mnoho. Tím nejzásadnějším důvodem ale určitě je, aby klient neměl přehled, jak se jeho investice vyvíjí během měsíce. Každý, kdo má zkušenosti s investováním na trzích, ví, jak se v rámci jednoho měsíce může investice propadnout o mnoho procent, aby nakonec skončila s kladným výnosem (nebo naopak). Naše filozofie je jiná: Chceme, aby měl klient přehled každý jeden den. Jsou to nakonec jeho peníze a má na to plné právo. Chceme být vůči klientovi tak transparentní, jak jen můžeme být. Jsme rodinný fond a k zákazníkovi se budeme chovat jako k členu rodiny: Raději s ním výsledky budeme pečlivě komunikovat. Ostatně i proto trváme na tom, aby klient jasně investiční strategii pochopil a měl přehled o všech poplatcích. V prvním roce se u neplatí žádné vstupní ani administrativní poplatky. Výkonnostní poplatek pak činí 20% z celkového výnosu formou high watermark. Víc transparentněji už to nejde.
Na tomto odkaze se můžete přesvědčit, jak vypadá klientská zóna, kde klient denními přehledy disponuje.
Email: marestalian73@gmail.com
Heslo: comfort
Likvidita
Investiční strategie je velmi likvidní. Díky dynamickému řízení aktiv jsme kapitálově velmi flexibilní. Pokud potřebujete disponovat finančními prostředky okamžitě, jsme schopni realizovat přesun zpět na váš účet obvykle během tří pracovních dní. V případě ukončení smluvního vztahu máme výpovědní lhůtu jeden měsíc. Není výjimkou, že fondy mívají výpovědní lhůtu i tři měsíce. Doporučený investiční horizont je minimálně pět let.
Zajištění
Klientovi umíme velmi výhodně investici zajistit vůči měnovému riziku ve formě futures kontraktů a CFD (Contract for Difference). Provádíme ochranu měnového rizika české koruny, eura, švýcarského franku a libry vůči americkému dolaru, který je základní měnou fondu.
Zóna
Klient musí být v „zóně“, to znamená v naprosté symbióze s investiční strategií fondu. Zákazníkovi nabízíme nejen smysluplnou investici, ale i možnost nezbytného finančního vzdělání tak, aby se lépe integroval s filozofií investiční strategie a byl lépe připravený na průběhy obchodování.
Obr. 2 Zóna
Technologie
Používáme nejmodernější technologie. Standardem v průmyslu je programovací jazyk Python, který nám slouží nejen k výzkumu a vývoji strategií díky obrovskému množství knihoven (umožňuje nám aplikaci nejnovějších technologií umělé inteligence), ale zároveň nám umožňuje precizně využít pokročilé obchodní příkazy na trzích.
Automatizace
Disponujeme pokročilým exekučním systémem, díky kterému můžeme optimalizovat náklady na exekuce a zvyšovat potenciální výnos investiční strategie.
Lidský jedinec je emotivní tvor a dělá chyby. Obzvlášť pak na trzích, kde každý jeden den bojuje se strachem při propadech a nenasytností při růstu. Zkušení tradeři moc dobře ví, o čem mluvíme. Algoritmus žádné pocity nemá a je strojově přesný. Vážně si myslíte, že mu člověk může konkurovat?
Statistická výhoda
Hrajete šachy, poker nebo Black Jack? Pak vězte, že největší profíci mají perfektně zvládnutou pravděpodobnost úspěchu svých tahů. Moc dobře se orientují ve statistické výhodě svého jednání. To samé platí o naší investiční strategii: Využíváme statistické výhody, která byla ověřená robustními nástroji na dostatečně velkém vzorku dat v řádech tisíců časových řad jednotlivých akcií a ETFs na vzorku více jak 20 let. Starší data by vzhledem k úplně jiné likviditě trhů před rokem 2000 neměla relevanci. Nicméně základní myšlenka strategie byla ověřena až do 60. let na denních datech S&P 500 a výsledky dopadly velmi optimisticky. Původní myšlenka ke vzniku této obchodní strategie tkví v nalezení statisticky významné neefektivity trhů, kdy kapacitně strategie využívá 70% disponibilního času v trzích v podobě „nakup a drž“. Zbylých 30% času zůstává stranou tak, abychom zlepšovali celkovou rizikovost strategie. Čím méně v trzích jste, tím lépe můžete chránit kapitál. Z hlediska historického testování tento zásadní princip „70% in / 30% out“ umožňuje dosahovat vyšších výnosů a mít lepší kontrolu rizika oproti benchmarku S&P 500. Dalším velmi významným faktorem je, že robustnost strategie byla ověřena na dalších světových trzích. Na všech těchto trzích poráží benchmark – nejreprezentativnější akciové indexy daných zemí. Strategie má obstojné výsledky na burzách v Londýně, Euronext + Xetra (Francie, Německo, Belgie, Holandsko a Itálie), Švýcarsko, Indie, Hong Kong (u HK nám model kazí extra taxace) a Tokio. Zároveň jsme základní myšlenku ověřili i na akciových futures trzích a to v Kanadě, Austrálii, Brazílii, Rusku a Jižní Korey. Výsledky jasně indikují, že strategie může být funkční i na jiných trzích než USA a do budoucna nám to nabízí při vyšší správě kapitálu skvělé možnosti diverzifikace.
Umělá inteligence
Když dva dělají totéž, nikdy to není totéž. A u aplikace umělé inteligence tomu není jinak. Příklad za všechny: Před pár lety jsme narazili na potenciální spolupráci s doktorandem, který pracoval v CERN (Evropská organizace pro jaderný výzkum) ve Švýcarsku. Poskytli jsme mu veškerá potřebná historická data a zadání znělo jednoznačně: Pomocí umělé inteligence vytvořit investiční strategii, která bude konkurenceschopná. Náš doktorand a vědec s výbornou klasifikací na práci s časovými řadami data zpracoval a aplikoval na ně všemožné nástroje umělé inteligence. Výsledek? Nepodařilo se mu vytvořit naprosto nic a jeho závěr činil - finanční trhy jsou natolik efektivní, že ani umělá inteligence na ně nestačí. My se na věc ale díváme trochu z jiné perspektivy díky mnohaletým zkušenostem a učinili jsme závěry, že:
Nestačí být pouze vědcem z oblasti matematiky, ale musíte být i odborníkem na finanční trhy
Pokud nenaleznete trvalou statistickou výhodu s fundamentálními základy, umělá inteligence se bude učit na špatném množině dat.
A jak víte, ďábel tkví v detailu:
Základem každé úspěšné implementace umělé inteligence je, že ji poskytnete k trénování validní data. V našem případě jsme jí poskytli těch 70% dat, které dávají sami o sobě již statistickou výhodu, tedy velmi slušné výsledky z hlediska stability a ziskovosti. Zbylých 30% dat má velmi volatilní charakter a umělá inteligence by se na něm chybně učila. Umělé inteligenci vždy musíte dát trénovací množinu, aby se mohla naučit předem nadefinovanou činnost. Na dané množině se to naučí a díky neuvěřitelným výpočetním možnostem nás překoná. Díky trénovací množině si umělá inteligence dokáže zjistit, co má zlepšit, aby dosáhla co nejlepších výsledků podle předem nadefinovaných cílů. My jsme umělou inteligenci aplikovali s rozumem: Využili jsme statistické výhody "70% in / 30% out" a poskytli jsme umělé inteligenci takovou množinu dat, které mají statistickou výhodu a jsou relevantní. A když umělé inteligence dáte ty správná data, dokáže nevídané věci jako například:
porazit člověka například v šachu a pokeru,
napodobovat hlasy,
měnit tváře na videích,
psát falešné zprávy,
zúčastnit se internetových diskuzí,
psát komentáře pod zpravodajskými články,
rozpoznat negativní komentáře a pokud se uživatele odradit od jejich zveřejnění,
umí poznat fake účty na sociálních sítích,
vědcům pomáhá objevovat nové hvězdy a planety, vyvíjet nové léky a vakcíny,
dokáže předpovídat zástavu srdce, epileptické záchvaty,
zvládá odezírat ze rtů,
identifikovat člověka na základě jeho chůze,
dokáže malovat portréty, skládat klasickou hudbu, básničky a romány.
Řekněte nám jeden jediný relevantní důvod, proč by neměla při správné implementaci lépe predikovat vývoj finančních trhů?
Portfolio aktiv
Každý den monitorujeme okolo 1300 akcií a asi 300 ETFs (tento koš se průběžně mění) na základě filtrace pro zajištění dostatečné likvidity z hlediska objemů obchodů tak, aby strategie byla využitelná pro možnosti vyšších kapitalizací. Tyto koše ETFs a akcií jsou pak v průběhu času aktualizovány nově se vyskytujícími akciemi a ETFs, které splňují předem nadefinovaná kritéria. Naopak jiná aktiva mohou z koše vypadnout, protože daná kritéria nesplňují. Dohromady těchto cca 1600 aktiv je filtrováno podle našich proprietárních statistických nástrojů. Po jejich aplikaci nám obvykle zůstává v průměru 1000 signálů denně během silného býčího trhu a zhruba 400 signálů v průběhu medvědího trhu. Již samotné signály vykazují z hlediska výnosu značný potenciál díky již zmiňované statistické výhodě "70% in / 30% out".
V dalším kroku bylo zapotřebí vyvinout Scoring systém, který bude tyto signály ohodnocovat a seřazovat od nejlepšího po nejhorší z hlediska pravděpodobnosti signifikantních výnosů. Ty nejlepší jsou potom vybrány do samostatných portfolii akcií a ETFs. V průměru pak otvíráme každý den 20 pozic (z toho 5 ETFs a 15 akcií) s tím, že některé dny nevyužíváme celého disponujícího kapitálu pro lepší ochranu rizika.
Na základě hloubkové analýzy jsme dospěli k závěru, že aplikace machine learning jakožto skórovací metodologie přidává velmi významný edge. Ve vývoji bylo využito nejinovativnějších data science přístupů k práci s časovými řadami. Systém byl trénován pouze na akciích (vyjma ETFs, které jsou čistě out-of-sample na celé historii dat) na letech od roku 1998 do začátku 2008 společně s léty 2011, 2013, 2014 a 2017, abychom do vývoje zahrnuly i data reflektující nedávnou dobu. Zbytek dat, tedy všechny zbývající roky, byly použity jako čistý out-of-sample. Tento model je velice robustní, protože z hlediska výnosů a jejich stability nabízí out-of-sample test prakticky identické výsledky z hlediska výnosů jako in-sample. Z pohledu kapitalizace se náš systém skládá z 50% z potfolia ETFs a z 50% z akcií. Tento poměr se bude měnit v závislosti na celkovém objemu spravovaných aktiv směrem k větší alokaci do ETFs portfolia umožňující značně vyšší kapitalizace. Jednou z největších výhod investiční strategie je fakt, že i když se na první pohled zdá velmi komplexní, a to především díky implementace machine learning řídící jednotky, je ve skutečnosti jednoduchá a uchopitelná a to především z hlediska výběru samotného portfolia, které se velmi kvalitně a robustně adaptuje na neustále se měnící tržní podmínky.
Kontinuální zlepšování
Znáte status quo ohledně naší investiční strategie. Máme za sebou velký kus práce ve výzkumu a vývoji, ale ještě větší kus práce je před námi. Naše sebevědomí postupem času roste a naše znalosti v oblasti finančních trhů jakbysmet. Vývoj nových strategií a řešení - to je to, čím dnes a denně žijeme. Dalším přirozeným krokem ve stávající strategii je vylepšení skórovacího systému, který nám posuzuje kvalitu signálu z hlediska pravděpodobnosti. Na to se nyní zaměřujeme. A v neposlední řadě máme v plánu zaměřit se na statistické arbitráže - obchodování akciových párů, ke kterému chceme využít našich zkušeností, které jsme díky vývoji aktuální investiční strategie získali. Je před námi velký kus práce a to nás nabíjí. Konec vývoje by znamenal konec zlepšování výnosů a stability našeho investičního řešení. S tímto vědomím k dalšímu rozvoji naší investiční strategie přistupujeme.
Investice
Dalším pilířem spolupráce s klientem je zajištění stability a diverzifikace investice. Strategie je jedinečná, nikdo jiný ji nemá, a proto ve vašem portfoliu bude přirozenou diverzifikační jednotkou. Zkrátka je velmi nízce korelovaná s čímkoliv, na co vám přijde mysl.
Obr. 3 Investice
Stabilita výnosů
Připomínáme, že investiční strategie je obchodována od května 2021. Na její výsledky se můžete podívat v sekci Výkonnost.
Nyní se zaměříme na historické výsledky, na základě kterých jsme dospěli k závěru, že strategii použijeme na správu v rámci fondu:
Na Grafu 1 vidíte výkonnost strategie (červená křivka) v porovnání se SPY ETF reprezentující S&P 500 (modrá křivka) jako benchmark. Veškeré výnosy jsou očištěny od nákladů klienta a jsou bez jakýchkoliv reinvestic. Ukazuje se, že strategie může být vynikajícím a funkčním doplňkem k buy and hold strategii akciových indexů. Korelační koeficient denních výnosů je pouze 0.38 a měsíčních výnosů 0.29 (Tab. 1).
Graf 1 Porovnání výkonnosti investiční strategie s S&P 500 od roku 2007 do května 2021
Celkové výsledky dokazují (Tab. 1), že historická výkonnost signifikantně překonává náš benchmark S&P 500. Navíc je produkt velmi nízce korelovaný s S&P 500. Samozřejmě se najdou v rámci historické výkonnosti období, kdy akciový index strategii poráží, zhruba ve 30% ze všech testovaných měsíců. Vůbec nejzajímavější je ale jeden údaj: Investiční strategie dle historických výsledků byla schopna v krizových letech 2008 a 2020 být zisková, strategie tedy obstála i v těžkých časech a to jsou skvělé známky její celkové robustnosti.
Tab. 1: Historická výkonnost strategie a porovnání s S&P 500
Diverzifikace
Strategie je denně rebalancována a vybírá z těchto aktiv ve formě ETFs a akcií:
Energie,
Materiály a Kovy,
Nemovitosti,
Zdravotnictví,
Blockchain,
Kryptoměny,
IT,
Komunikační technologie,
Těžký průmysl,
FInanční sektor,
Inverzní ETFs a jiné...
Níže vidíte graf sektorizací od roku 2008 (Graf 2). Je patrné, že díky plné automatizaci se portfolio inteligentně adaptuje na denní bázi a přizpůsobuje se tak neustále se měnícím tržním podmínkám na základě využití futuristického portfolio manažera - jednotky umělé inteligence. V průběhu času se mění sektorizace ETFs a akcií na celém historickém backtestu. Je to jasná ukázka účinné a denně se adaptující diverzifikace. Vedle tradičních sektorizací jsme vytvořili Short ETF sektor (v long portfolio), který obsahuje inverzní ETFs a VIX. V sekci Others jsou pak hlavně ETFs, které nemají jasně definovaný sektor, jako jsou bondy, měny či komodity. U sektoru Materials tvoří značnou část portfolia ETFs zlata a stříbra.
Graf 2 Vývoj alokace kapitálu do sektorů od roku 2007 do května 2021
V roce 2007, než splaskla hypoteční bublina, strategie obchodovala Real Estate (Nemovitosti), ale to se po příchodu krize v roce 2008 značně změnilo a Real Estate se obchodoval ve velmi omezené míře. Podobně – do roku 2011 strategie obchodovala Financials přinášející značnou výhodu oproti celému trhu. V letech 2010 až 2013 byla expozice především v Materials (Zlato a Stříbro) – častokrát více než 40% v rámci portfolia ETFs. Do roku 2013 se prakticky neobchodovalo Health Care (Zdravotnictví), ale postupem času se tento sektor začal stávat více a více významnou součástí portfolia. Zajímavým faktem je, že během krizových období se obchodovalo inverzní ETFs v podstatě reprezentující short stranu strategie, především pak v těch nejvolatilnějších letech a to 2008-2009 a během počátku pandemie v roce 2020. To našemu modelu dodává kredibilitu a dokazuje schopnost adaptace na velmi rychle se měnící tržní podmínky.
Z výše uvedeného vyplývá, že byť jsme exponovaní v akciích a ETFs, strategie a její portfolio dosahuje značné neutrality díky diverzifikaci napříč různými obory.
Exkluzivita
S omezenou kapacitou fondu souvisí náklady na obchodování. Existují dva základní:
Náklady na komise brokerovi a burze v přepočtu na velikost kapitálu
Jedná se o náklady, které platíme brokerovi, abychom mohli aktiva nakupovat a prodávat. Se zvyšujícím se kapitálem, který fond bude spravovat, se pro brokera budeme stávat postupně zajímavějšími partnery. Na komisích tím pádem budeme platit méně díky množstevní slevě, z které nakonec vytěží náš klient. Do historických testů (viz. Tab. 1) promítáme náklady při nižších kapitalizacích a počítáme s pesimističtější variantou. Celkově se ale v posledních letech komise brokerů extrémně snížily z důvodů zvyšující se konkurence. Právě to nahrává dynamicky řízeným investičním strategiím tohoto typu.
Náklady na exekuce a s nimi spojené skluzy v plnění
V terminologii traderů se těmto nákladům říká slippage, tzv. skluz v plnění. Jedná o rozdíl v plnění mezi očekávanou a skutečnou vyplněnou cenou daného aktiva. Ne zřídka se setkáváme s argumentem: "Vykonáváte příliš mnoho obchodů a máte příliš vysoké náklady na obchodování". To je jen zčásti pravda: Ano, ročně sice vykonáme v průměru více než 3000 obchodů, což je samozřejmě hodně, ale pokud chceme adaptabilně a dynamicky na denní bázi reagovat na měnící se svět globálních trhů, jinak to ani nejde. Čím vyšší je likvidita na daném trhu, tím menší bývají skluzy v plnění. Pokud tedy obchodujete například akcie Apple (AAPL), určitě budou náklady na slippage mnohem nižší než u nějaké menší obchodní společnosti s mnohonásobně nižší kapitalizací. Abychom byli z dlouhodobého hlediska schopni dosahovat atraktivních výnosů, musíme alokovat nejen do velkých, ale i malých společností a ETFs (v průměru otevíráme 5 pozic ETFS a 15 akcií denně).
Tyto náklady pečlivě monitorujeme v rámci živého obchodování a porovnáváme s předpokládanými náklady. A opět máme v rámci historického testování mnohem vyšší slippage, než ve skutečnosti. Pracujeme tedy se značnou rezervou.
Každopádně díky těmto nákladům jsme fond s omezenou kapacitou. Nevytváříme tak investiční strategii pro masy. Budeme v rámci navyšování kapitalizace pečlivě sledovat naše náklady a ve chvíli, kdy dosáhneme limitu, bude fond pro další investory uzavřen. A to nás činí exkluzivními.
Pokud jste se pročetli až sem, již máte poměrně konkrétní představu o investiční strategii fondu, o základní filozofii a celkovém přístupu ke klientům. V pokračování se zaměříme na detailnější popis samotné investiční strategie - rozeberme příklady, jaká aktiva obchodovala v průběhu času například v roce 2008 a 2020 - v letech s extrémně vysokou volatilitou a v poslední části seriálu se podíváme na její základní statistické vlastnosti. Cílem je, abychom klienta vzdělali a připravili na přirozené chování investiční strategie.
Rozhodnutí, že právě tato investiční strategie je správnou volbou pro fond, jsme učinili na základě historické výkonnosti. V živém obchodování se předpoklady přirozeného chování strategie potvrzuje, což je skvělá indikace její funkčnosti.
Celková historická výkonnost investiční strategie
Začněme křivkou výnosnosti vyjádřenou v procentuální hodnotě bez reinvestic:
Graf 3 Investiční strategie a její historický výnos od 1.1.2007 do 28.5.2021
Při zobrazování výnosové křivky může být velmi zkreslující vidět historickou výkonnost na delším období, obzvlášť pak na 14,5 letech (Graf 3). Jednotlivé korekce nevypadají z pohledu psychologického vytížení zas tak komplikované. Jakmile ale jimi procházíte, jedná se o velmi nepříjemné a bolestivé zkušenosti. To vám potvrdí každý jeden investor, který do rizikových aktiv dlouhodobě investuje. Z toho důvodu je potřeba se na taková období patřičně připravit. A zde tkví velká výhoda algoritmického tradingu:
Můžete se opírat o dlouhou historickou výkonnost a velký statistický vzorek díky desetitisícům simulovaných obchodů.
Zaměřme se tedy nyní na jednotlivé parametry výkonnosti investiční strategie v Tab. 2:
Tab. 2: Parametry výkonnosti investiční strategie
Průměrný roční výnos
Velmi důležitým parametrem, který klienty zajímá, je průměrný roční výnos. Po odečtení veškerých nákladů je to 26.91% v rámci našeho historického testování. Nicméně tady se musíme na chvíli pozastavit. Roky 2008, 2009 a 2020 byly extrémně profitabilní a v mnoha ohledech extrémní. Z toho důvodu máme vypočtený průměrný roční výnos bez těchto let, který činí 17.25%. Do budoucích let pak budeme velice spokojeni, dosáhneme-li průměrného ročního výnosu v těchto intencích.
Risk Management
Maximální Drawdown
Maximálního drawdownu jsme dosáhli v krizovém roce 2008 a to konkrétně 16.40%. Pozitivním signálem ale je, že se z něho strategie dokázala rychle vzpamatovat a prakticky za jeden měsíc vytvořit nový vrchol. Nejdelším drawdownem si pak prošla během roků 2015 a 2016 na téměř celý kalendářní rok. Z hlediska statistické výhody je potřeba zmínit velký počet vykonaných obchodů a to hned 44755 na téměř 14,5 letech testování. Takto relevantní statistický vzorek nás nabíjí optimismem, pokud právě procházíme nevyhnutelnými drawdowny.
Monte Carlo analýza
Maximální historický drawdown je jistě důležitá metrika. Pochází však z minulosti. Budeme-li respektovat kvalitu našeho historického testování a obrovský statistický vzorek, který nám dává robustní statistickou výhodu, předpokládejme, že v budoucnosti budeme dosahovat z hlediska průměrných ročních výnosů a stability podobných výsledků jako v rámci historického testování. Historie se ale neopakuje a každé nové volatilní období, které nás v budoucnosti čeká, může mít poněkud jiný charakter. A z toho důvodu potřebujeme simulovat scénáře potenciálních vývojů tak, abychom se mohli připravit vůbec na ty nejhorší možné situace, kterým můžeme čelit. Od toho je zde výpočetní nástroj Monte Carlo analýza.
Cílem analýzy Monte Carlo je kvantifikovat vliv randomizace posloupnosti obchodů pro stanovení nejhoršího možného drawdownu, kterému strategie může v rámci živého obchodování čelit. Při použití Monte Carlo analýzy bereme v úvahu pořadí historických denních výnosů. Pokud změníte pořadí těchto výnosů, metrika výkonu jako čistý zisk, průměrný roční výnos či procento úspěšných obchodů se nemění na celém statistickém vzorku dat. Zaručeně se nám ale bude měnit maximální možný drawdown. Budeme totiž vytvářet scénáře, kdy se negativní denní výnosy nakupí v jedno období a tím dostaneme lepší představu o možných nejhorších variantách maximálních propadů. Máme k dispozici 3514 obchodními dni, z nich provádíme 1000 Monte Carlo simulací a dostáváme tyto výsledky (Tab. 3):
Tab. 3 Monte Carlo analýza: Výsledky 1000 simulací vývoje investiční strategie v budoucnosti pro určení případu nejhoršího možného drawdownu
Pro připomenutí (Tab. 2): Náš historický maximální drawdown činil 16.40%. Z Tab. 3 vyplývá, že takovýto scénář byl pro strategii příznivý. Raději ale vycházíme z nejhorších možných scénářů a tím pádem můžeme stanovit, že:
S 95% pravděpodobností by v budoucnosti neměl být maximální drawdown více než 30.50%.
Pokud vezmeme vůbec ten nejhorší možný scénář z tisíců simulací, maximální propad by byl 53.38%. V tomto případě by se ale jednalo v rámci živého obchodování již o extrémní smůlu s pravděpodobností 1 ku 1000. Oněch 30.50% se tedy dá považovat za metriku, kterou by se do budoucnosti měli řídit i naši klienti.
Výkonnost v jednotlivých letech
Zaměřme se nyní na výkonnost v jednotlivých letech (Tab. 4)
Tab. 4: Roční výnosy a drawdowny investiční strategie
Vůbec těmi nejvýnosnějšími byly roky 2020 (97.28%) a 2009 (43.81%). Mezi nejméně ziskové patřily roky 2018 (4.67%), následují 2015 a 2016 (pouze okolo 9%).
Zajímavou metrikou je průměrný maximální roční drawdown ve výši 8.46%. Jak již bylo zmíněno, největší drawdown nastal v roce 2008. Pozitivním signálem ale je, že v roce 2020, kdy se S&P 500 propadl o 34%, strategie čelila maximálnímu drawdownu pouze 9.33%.
Měsíční výnosy
V Tab. 5 se můžete podívat na měsíční výnosy strategie:
Tab. 5 Tabulka měsíčních výnosů strategie
Průměrný měsíční výnos činí 2.33%. Nejztrátovějším měsícem byl leden 2008 a to konkrétně -11.56%. Nejvýnosnějším měsícem byl listopad v roce 2020, konkrétně 19.18%. Celkové procento ziskových měsíců činí 78%.
Pozn.: 14. května 2021 jsme začali s živým obchodováním a náš výnos v tomto měsíci činil 0.96%. V rámci historického testování vidíte výkonnost -1.62%. Rozdíl je způsoben tím, že v Tab. 3 vidíte celý měsíc, tedy výsledky od 1. května.
Historická výkonnost ve vybraných letech
Když se globální ekonomice daří, akciové indexy přináší nemalé nadílky. V posledních letech kromě roku 2018 především pak v USA. Lidé se často mylně domnívají, že diverzifikace dosáhnou investováním do akcií napříč kontinenty. To samozřejmě může být pravda, ale pokud přijde ekonomická krize se vším všudy, prakticky všechny akciové indexy světa různých států to odnesou. Některé více a některé méně, ale přiznejme si - to zrovna není diverzifikace, po které byste toužili. Zkušení investoři hledají alternativní řešení a dle historické výkonnosti strategie může být alternativou. Kromě zhodnocení během hospodářské konjunktury dokázala extrémně dobře obstát i v krizových letech. Začněme tím nejkrizovějším rokem, který dnešní mladé generace již nepamatují: 2008.
2008 - 2009
Během těchto let si investiční strategie vedla extrémně dobře. Nejenže dokázala porazit benchmark S&P 500 o propastných 103%, ale dokonce byla výrazně profitabilní (Graf 5). Celková korelace portfolia s S&P 500 byla pouhých 30%, tzn. korelační koeficient je roven 0.3.
Graf 5 Vývoj investiční strategie vs. S&P 500 od ledna 2008 do května 2009
Předtím, než se portfolio dokázalo adaptovat na krizi z počátku roku 2008, šlo do mírného drawdownu, (Graf 5). Tento propad, který přišel v lednu 2008 v tak krátké době, byl způsoben kolapsem čínských ETFs, které strategie v daném období držela. Nedokázala se tak vypořádat (zcela přirozeně) s nárazovou a intenzivní volatilitou. V průběhu času ale již začala velmi výrazně porážet benchmark S&P 500. Přizpůsobila se vysoké volatilitě trhů a stala se jednoznačným vítězem.
Graf 6 Sektorizace portfolia v období krize od ledna 2008 do května 2009
Na Grafu 6 lze jasně vidět, že strategie v průběhu času začala z celkové kapitalizace víc a víc alokovat do inverzních ETFs (červená). Některé byly obchodovány již v průběhu celého roku 2008, protože trh byl již v poklesu a tyto ETFs splňovaly podmínky pro zařazení do portfolia. Byly to pak především konkrétně tato ETFs: SKF (short financials) a EEV (short emerging markets ETFs x2). Během finanční krize tyto dvě ETFs měly na celkové portfolio největší vliv z hlediska výnosu a to konkrétně SKF 7% a EEV 4%. Vedle inverzních ETFs patřili mezi největší přispěvatele k výkonnosti GDX (těžaři zlata) 5%. Dále pak VEU (celý svět mimo US) 3% a UWM (Russell 2000 x2) 3%. Naše řídící jednotka umělé inteligence chytře vybírala například sektory: Komodity index, zemědělský fond, korporátní bondy, TIPS bondy, TLT bondy, Dolarový index atd. Je patrné, že mezi nejsilnější stránky modelu patří schopnost rychlé a dynamické adaptace, a jak vidno, i v těch nejkrizovějších scénářích. Model není slepě zaměřený pouze na akcie, ale díky široké škále ETFs může velmi chytře zacílit zrovna býčí odvětví či komodity. Takto aktivně řízené automatizované portfolio je přinejmenším konkurenceschopné diskréčním obchodníkům, kteří na měnící se podmínky trhu musí reagovat ručně a vlastními rozhodnutími. Vzhledem k daným výběrům našeho modelu je pak namístě položit si otázku, zdali by v takto extrémních podmínkách dokázali obstát.
Vedle ETFs patřilo mezi nejvýdělečnější akcie v rámci portfolia WM (Waste Management), AIG (Insurance) a MGM (Rezorty – turismus). S nejhorší výkonnosti jsme pak odepisovali ztráty s UYG (Financials x2), SLV (Stříbro) a EWZ (Brazílie x2). Tato selekce vytvořila velmi volatilní výkyvy během nejvyšších propadů trhu, ale nakonec k portfoliu přidala 20% od září 2008 do konce daného roku.
2010 - 2011
Během této periody vykázala strategie výraznou výkonnost a to hlavně díky obchodování zlata a stříbra ve formě ETFs, které byly v portfoliu významně zastoupeny od roku 2009 do roku 2012. Dalším významným přispěvatelem k celkovému výnosu byly energie a semikonduktory.
Graf 7 Vývoj investiční strategie vs. S&P 500 v letech 2010 a 2011
Vidíte, že volatilita S&P 500 v tomto období byla velmi značná, ale strategie se s tím vypořádala s excelencí (Graf 7). Dokonce ani obrovský propad, který nastal u zlata a stříbra v roce 2011 negativně neovlivnil portfolio. Můžete vypozorovat, že náš benchmark S&P 500 se výrazně propadl během velice krátké chvíle, ale díky expozici ve zlatu a stříbru, které naopak cenově stouplo, strategie ze situace vyšla jako jasný vítěz. Jsme-li konkrétní: Ve dnech od 21.9 do 27.9 zažilo zlato a stříbro extrémně prudký propad. V tomto období už se ale naše strategie dokázala adaptovat a obchodovala pouze 22.9 a 23.9 a díky tomu naše portfolio ztratilo pouze 1%. Další den jsme byli velmi exponováni v energiích a posléze 27.9 jsme opět obchodovali velmi výrazně zlato a stříbro, které bylo opět ve vzrůstajícím trendu. Tyto výběry obohatily portfolio o 3% výnosu.
Graf 8 Sektorizace portfolia v letech 2010 a 2011
Je patrné, jak se v průběhu času alokovalo víc a víc kapitálu do materiálů (Materials), které zlato a stříbro zastupují (Graf 8).
2014 - 2016
V tomto období dvou let strategie měla průměrný roční výnos něco málo přes 5% a s benchmarkem S&P 500 byla značně korelovaná.
Graf 9 Vývoj investiční strategie vs. S&P 500 v od září 2014 do září 2016
Strategie benchmark S&P 500 v tomto období porazila jen těsně (Graf 9). Expozice byla hlavně v Health Care (Zdravotnictví) – konkrétně v biotechnologiích. V roce 2016 se portfolio opět přeorientovalo převážně na kovy.
Graf 10 Sektorizace portfolia od zaří 2014 do září 2016
I v tomto období se sektorizace vyvíjí a přizpůsobuje se měnícím podmínkám trhu (Graf 10). Toto je jednoznačně nejsilnější inherentní vlastnost systému, který náš produkt dělá konkurenceschopným v jakýchkoliv tržních režimech.
2018
Rok 2018 byl pro americké akcie velmi volatilní (Graf 16). Konkrétně od října 2018 do prosince 2018 trh zaznamenal extrémně rychlý propad. Tento rok se strategii nevedlo moc dobře, ale zároveň nedosáhla vůbec špatných výsledků. Stále byla ziskovější než benchmark S&P 500. Ještě v polovině listopadu bylo portfolio ve 12% zisku YTD. Propad přišel až posléze a naše portfolio se dostalo do drawdownu a rok zakončilo pouze s 4% výnosem.
Graf 11 Vývoj investiční strategie vs. S&P 500 v roce 2018 a počátkem roku 2019
Strategie se propadla 27. prosince 2018 o 2.5%, den po velkém vzrůstu na S&P 500.
Tento propad byl způsoben především obchodováním akcií na energie a ETFs.
Graf 12 Sektorizace portfolia v roce 2018 a počátkem roku 2019
Mezi nejvýdělečnější sektory v tomto období patřil cannabis, letecký průmysl, čínský internet a lithium. Naopak největší ztráty nám odepsaly NASDAQ 100 ETF (QQQ), zemní plyn a ropa (Graf 12).
2020
Rok 2020 byl specifickým rokem. V průběhu března jsme byli svědky paniky, kdy se S&P 500 propadl o 34%. Trhy se však posléze začaly chovat extrémně optimisticky a došlo k jejich vzkříšení při jednom z nejsilnějších býčích trhů v historii. Jak si vedla strategie v takto proměnlivých podmínkách (Graf 13)?
Graf 13 Vývoj investiční strategie vs. S&P 500 od ledna 2020 do října 2020
V tomto období dokázala porazit benchmark S&P 500 o propastných 62% a skončit v 65% výnosu.
Graf 14 Sektorizace portfolia od ledna 2020 do října 2020
I v tomto roce se portfolio velmi dobře adaptovalo a i z toho důvodu jednoznačně porazilo benchmark S&P 500 (Graf 14l). Jelikož se jedná o nedávnou minulost, kterou si všichni ještě čerstvě pamatujeme, pojďme se podívat na detailnější popis obchodů po měsících:
Leden - Únor 2020
Obchodovaly se energie, cannabis, těžařský průmysl, zlato, semikonduktory
Březen 2020
Nejprofitabilnější:
TLT – bondy
GDX – těžaři zlata
VXX – VIX ETF
USMV – akcie s minimální volatilitou
EDV – treasuries
Nejprodělečnější
Semikonduktory
Korporátní bondy
Bonus:
DRIP – short oil x3**, Herní průmysl, Cannabis , Zdravotnictví, IT
Duben - Říjen 2020
Energie, Nemovitosti, Aerospace, ARK ETFs
Shrnutí
Na závěr se pokusíme udělat shrnutí a to konkrétně silných a slabých stránek, příležitostí a potenciálních hrozeb, které strategii charakterizují:
Slabé stránky
Vyšší volatilita (za cenu vyšších výnosů)
Monte Carlo analýza: Maximální drawdown až 30.50% při konfidenčním intervalu 95%
2 roky stagnace v letech 2015 až 2016
Směrodatná odchylka ročních výnosů 23%: Vyšší variabilita
Silné stránky
Potenciálně vysoké výnosy
Systematický trading formou algoritmů: Automatizovaná exekuce
Silná statistická výhoda ověřena na globálních trzích desítek let nazpět
Futuristický portfolio manažer
Záběr celého spektra globálních trhů
Skvělý portfolio trading v krizových letech
Obrovský statistický vzorek obchodů (44755)
Hrozby
Historie se nemusí opakovat (ale na straně strategie je silná statistický výhoda)
Nezvládnutí přirozené volatilních výsledků ze strany klienta
Nezvládnutí období přirozené stagnace
Příležitosti
Živé výsledky od května 2021
5letý investiční horizont (strategie by měla vytvářet nové vrcholy rychleji než tradiční aktiva)
Disponovat jedinečnou a inteligentní investiční strategií, kterou nikdo jiný nemá
Transparentní smluvní vztah bez jakýchkoliv administrativních poplatků v prvním roce
Závěr
Představili jsme vám investiční strategii fondu. V první části jsme se věnovali především celkovému popisu a zachycení základní filozofie a pilířů. Druhou část jsme věnovali analýze historické výkonnosti strategie v klíčových letech. Poslední část je věnována důležitým parametrům výkonnosti. Tato studie má sloužit našim klientům jako vodítko přirozeného chování strategie. Živě pak obchoduje od května 2021, průběžné výsledky aktualizované na denní bázi najdete zde.
Je třeba říct, že historické výsledky nejsou zárukou výsledků budoucích. Ale neexistuje finanční produkt, které by nějaké záruky dávat mohl, byť byste to určitě rádi chtěli slyšet. Můžeme ale s klidem učinit závěr, že:
Jsme vyvinuli konkurenceschopný investiční produkt, který nejenže využívá nejnovější technologie v podobě umělé inteligence, ale zároveň je založený na statistické výhodě a zdravém selském rozumu.
Strategie skvěle obstála v krizových letech 2008 a 2020, kdy byla ještě dokonce výnosnější než v letech hospodářského růstu
Zároveň ale obsahuje i etapy, kdy byla podobně či trochu méně