Bolag som överaskar på rapportdag har ofta något som kallas #PEAD "Post Earnings Announcement Drift", dvs dom fortsätter att gå upp efter rapport. Detta koncept har använts av många handlare över tid, tex @Qullamaggie@tradewithmrp@Bodd89 @ChartsChampagne @PradeepBonde
I grafen ovan ser vi överavkastningen per dag upp till 1 år efter en överraskning på rapportdag. Här definieras överraskning som en uppgång med minst två standardavvikelser.
Sedan verkar det som att överraskningar åt ett håll kommer i kluster. Bra nyheter följs av bra nyheter.
Detta är något Ed Thorpe (en av världens bästa förvaltare genom tiderna) säger: "Earnings surprises also seemed to have an impact for a considerable period of time—weeks and even months—suggesting the market was slow to assimilate this type of information"
Sedan säger även Buffet, nyheter är så kallade "autokorrelerade". Anledning till detta existerar verkar vara för att människor har sk Anchoring, vi tar inte upp informationen snabbt nog, dvs vi under-reagerar till nyheter.
Sedan så är detta ofta ett bra sätt att identifiera framtida momentumaktier, dom bolag analytiker kommer att uppgradera samt dom med bra framtida tillväxt.
Hur använder #finanstwitter#PEAD?
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Läste @Proteanfunds senaste Partner Letter vilket som alltid är bra läsning.
Det som stod ut mest för mig var avsnittet "Finding Short Ideas" där @stckpkr går igenom de två olika sätt att hitta shorts: 1. En egen analys som tyder på att fundamenta kommer vika
2. Identifiering av vad som är konsensus longs, dvs vilka bolag anses vara de bästa och där alla i marknaden kan recitera caset.
Detta låter ju jobbigt, men Pontus ger oss en genväg, kolla vad "less-than-savy" kommittéer tar för beslut. Då dessa tar beslut genom konsensus
och är benägna att ha groupthink så kommer endast de bolag med så uppenbara case som alla redan kan väljas. Dvs dessa kommittéer kommer välja dessa case som generellt har dålig framtida avkastning.
Detta fick mig att tänka på fondflöden. Det finns mycket data som tyder på
Ska man rygga insiders?
Jag har alltid tänkt att följa insiders handel är rimligt. Och detta verkar stämma enligt De Vault et al. som kollade om köp och sälj transaktioner har kan prediktera framtida avkastning.
Måttet här är relativt simplet, hur ser avkastningen ut X dagar efter en insider-transaktion?
Som man kan se är skillnaden stor, även upp till ett kvartal efter transaktionen gjordes, så det verkar som att insiders är "Informed Traders"
Chung et al. visar att effekten blir starkare om man kombinerar det med blankar-trades. Aktier med insider-köp och täckning av blankare går väldigt bra, men även tvärt om.
När blankare blankar och insiders säljer bör man kanske leta efter utgången!
Idag ska jag häda genom att anföra att Buffet inte har eller haft någon alpha.
Detta kan anses fånigt när ser vi Buffets avkastning med Berkshire nedan, men frågan är kopplad till diskussionen igår, all överavkastning är inte alpha!
I "Superstar Investors" av gänget på AQR så kollar dom hur stor del av olika investerares historiska avkastning kan förklaras av olika riskpremier i marknaden.
Dom visar att Buffet har haft alpha, men den inte signifikant utan det mesta kan förklaras av exponering
av Värde, Kvalitet och Låg Risk-anomalin.
I artikeln "Buffets Alpha" av Frazzini et al visas liknande resultat, där kollar dom även på hans privata portfölj. Nedan ser vi samma sak, insignifikant alpha där det mesta förklaras av värde och kvalitet.
Idag kommer jag dela med mig av ett obekvämt faktum: enkla regler (algoritmer) slår experter inom i princip varje område även om dessa experter har tillgång till reglerna. Några exempel ur litteraturen: 1. Goldberg (1968): En enkel statistik modell var bättre än den bästa
psykologen. 2. Leli & Filskov (1979) jämförde en statisktisk modell med experter när det kom till diagnostik av mental funktionsvariation. Häpnadsväckande resultat, modellen är överlägsen, erfarna experter är sämre än dom med mindre erfarenhet.
Experter blir bättre när dom har tillgång till modellen, men dom bidrar fortfarande negativt.
Detta går hand i hand med Daniel Kahneman (Nobel Laurete), människor är inte bra på att ta beslut med en låg signal-to-noise ratio.