Datateknologi og metodeundervisning i finans: Bedre analyser eller tortur av data til de tilstår?

Størrelse: px

Begynne med side:

Download "Datateknologi og metodeundervisning i finans: Bedre analyser eller tortur av data til de tilstår?"

Ida Christensen
8 år siden
Visninger:

1 Datateknologi og metodeundervisning i finans: Bedre analyser eller tortur av data til de tilstår? Ole Gjølberg FIBE, januar

2 Høyttenkning i (elfenbens)tårnet 3 Bakgrunn for høyttenkningen Undervisning i empirisk finans på NHH og UMB Kommentering og evaluering av MANGE studentarbeider og PhD-arbeider Referee oppdrag Egen innsats for å finne sannheten om finans- og varemarkeder 4 2

evaluering av MANGE studentarbeider og PhD-arbeider Referee

3 Ingen kvalitet uten kvantitet "Enhver kvalitet manifisterer seg i en kvantitet, og uten kvantitet kan det ikke være noen kvalitet. Ennå den dag i dag er det mange av våre kamerater som ikke forstår at de må gi akt på tingenes kvantitative aspekt - den grunnleggende statistikk, de viktigste prosenttallene og de kvantitative grensene som bestemmer tingenes kvalitet. De har ingen "tall" i hodet, og følgelig kan di ikke unngå å gjøre feil!" Mao Zedong ( ). Kinesisk filosof, statsmann og partileder (Kinas Kommunistiske Parti, KKP). Sitatet er hentet fra "Arbeidsmetodene i partiutvalgene", 13. mars 1949, Skrifter i utvalg, s Latente og ikke fullt så latente spørsmål i forhold til metodeundervisningen i finans Hva er det vi bør lære studentene? Hva er det egentlig studenten har lært når kurset er over? Hva er det egentlig forfatteren har funnet? (Much ado about nothing?) Dersom forfatteren har funnet noe, har funnet noen verdi? Har forfatteren forstått hva han/hun har gjort? (Alternativt: Er det leseren det er noe galt med?) 3

grensene som bestemmer tingenes kvalitet. De har ingen "tall" i hodet, og følgelig kan di ikke unngå å gjøre feil!" Mao Zedong (1893-1976).

4 Hva er målet med metodeundervisningen? Hva trenger vi å vite i empiriske finansanalyser? Hva vil det si å vite? Confucius (541 B.C.): To know that we know what we know, and that we do not know what we do not know, that is true knowledge 7 8 Datateknologien: Kvante-finansen er bare et tastetrykk unna! Lett tilgang på STORE datasett + avansert økonometri software => kompliserte analyser kan gjennomføres med den største letthet Trender (fads?) i empirisk finans: (E)GARCH(k,m)-modeller Multivariat VAR-modeller Multivariat ko-integrasjonsanalyser a la Johansen 4

): To know that we know what we know, and that we do not know what we do not know, that is true knowledge 7 8 Datateknologien:

5 Metodeproblemer når modelluniverset går mot uendelig Datateknologien gir mulighet for å spesifisere modellen på et meget stort antall forskjellige måter Datateknologien er et vesentlig bidrag til å realisere Bibelens ord: Let og eder skal finne både reelle og imaginære statistisk signifikante sammenhenger 9 Statistisk metode bachelor økadm gi studentene grunnleggende kunnskaper i sannsynlighetsregning og statistikk spesielt vekt på å vise anvendelse av statistiske metoder innen bedrifts- og samfunnsøkonomi. Ved oppgaveregning...få innsikt og trening i bruk av viktige statistiske metoder. 10 5

sammenhenger 9 Statistisk metode bachelor økadm gi studentene grunnleggende kunnskaper i sannsynlighetsregning og statistikk spesielt vekt på å vise

6 11 Tema som skal dekkes (NRØA, Bachelor): Beskrivende statistikk Sannsynlighetsregning og kombinatorikk Beregning av forventning, varians, kovarians Binomisk fordeling, hypergeometrisk fordeling, poissonfordeling, normalfordeling, t-fordeling, m.m Punktestimering og intervallestimering Hypotesetesting, signifikansnivå, testmetode, styrkefunksjon Enkel korrelasjons- og regresjonsanalyse 12 Eksamensoppgaver i statistisk metode i det norske U&Hsystemet (Bachelor) Alle oppgaver har elementer av hypotesetesting. Dette er både oppgaver knyttet til gjennomsnitt i konkrete fordelinger, men også oppgaver knyttet til ulike problemstillinger innen kombinatorikk med og uten tilbakelegging. Beregning og tolking av konfidensintervall er vanlig i oppgavene. Det er forbausende få oppgaver som er formulert som testing av koeffisienter i en konkret regresjonsmodell. Mange oppgaver er knyttet opp mot statistisk kvalitetskontroll og til enkle markedsundersøkelser 6

m Punktestimering og intervallestimering Hypotesetesting, signifikansnivå, testmetode, styrkefunksjon Enkel korrelasjons- og regresjonsanalyse 12 Eksamensoppgaver i statistisk metode i det norske

7 .og resultatene ble A og B E og F Antall E og F Akkumulert Høgskolen i Agder 20 % 49 % Universitetet for miljø- og biovitenskap 26 % 46 % Høgskolen i Telemark 33 % 39 % Høgskolen i Sør-Trøndelag 34 % 38 % Høgskolen i Harstad (Matematikk og statistikk sammen) 17 % 34 % Høgskolen i Tromsø 50 % 33 % Høgskolen i Molde 26 % 33 % Høgskulen i Sogn og Fjordane 32 % 32 % Høgskolen i Bergen 37 % 32 % Høgskolen i Bodø 36 % 32 % NTNU 28 % 30 % Høgskolen i Buskerud (Begge læresteder) 27 % 28 % Høgskolen Stord/Haugesund, 28 % 27 % Høgskolen i Nord-Trøndelag 36 % 26 % Høgskolen i Hedmark 22 % 22 % Høgskolen i Oslo 39 % 19 % Høgskolen i Vestfold 47 % 15 % Høgskolen i Lillehammer 33 % 14 % Universitetet i Stavanger 46 % 14 % Universitetet i Tromsø 36 % 10 % Norges Handelshøyskole 37 % 9 % Høgskolen i Finnmark 29 % 6 %

Sogn og Fjordane 32 % 32 % 25 351 Høgskolen i Bergen 37 % 32 % 35 386 Høgskolen i Bodø 36 % 32 % 29 415 NTNU 28 % 30 % 25 440 Høgskolen i Buskerud (Begge læresteder) 27 % 28 % 23 463 Høgskolen

8 Hva driver vi med i empirisk finans? Analyser av risiko og risikostyring Analyser av prisdannelsen Analyser av markedseffisiens Prognostisering, spekulasjon Evaluering av porteføljeforvaltning m.m.m. 15 Empirisk finans: De sentrale øvelsene Beskrivende statistikk Grunnleggende hypotesetesting Korrelasjonsanalyser Regresjonsanalyser Testing av estimater i regresjonsanalyser 16 8

Prognostisering, spekulasjon Evaluering av porteføljeforvaltning m.

9 Pedagogiske oppgaver/utfordringer forståelse for GIGO-prinsippet forståelse for at man må ha kompetanse i det grunnleggende for å kunne utføre det avanserte forståelse for at man bør kunne noe om markedet, det aktuelle aktivum eller finansinstrumentet og markedets funksjonsmåte for å kunne gjennomføre empiriske analyser 17 Oppgaver/utfordringer forts. forståelse for metodenes grunnleggende forutsetninger forståelse for metodenes grunnleggende begrensninger forståelse for og kunnskap om hvordan forutsetninger og begrensninger kan evalueres 18 9

funksjonsmåte for å kunne gjennomføre empiriske analyser 17 Oppgaver/utfordringer forts.

10 19 Digital tortur: Tilfellet Dr. Data Mining Forhørslederen i Torturistan, Dr. Data Mining, ønsket å tvinge fram en tilståelse fra data om at Oslo Børs ikke er effisient og at CAPM ikke er en gyldig modell. For å bevise overfor juryen at Oslo Børs ikke har vært effisient, og følgelig må straffes med lovens strengeste straff, gjennomførte Dr. D. Mining en rekke intense forhør v.hj.a. SPSS der han ved såkalt stepwise regression søkte blant 40 indisier ( forklaringsvariable ) observert på tidspunkt t-1 for å forklare OBX-avkastningen på tidspunkt t Dr. Mining kunne blant disse plukke ut hele fire variable som signifikant understøttet påstanden om at tiltalte var skyldig etter tiltalen Dr. Mining, forts. Dr. Mining konkluderte sin rapport overfor dommeren med at det bare er 5% sannsynlighet for at dette resultatet kunne skyldes tilfeldigheter. Eller som han sa: Det er 95% sikkert at OBX er skyldig i ineffisiens! 20 10

For å bevise overfor juryen at Oslo Børs ikke har vært effisient, og følgelig må straffes med lovens strengeste straff, gjennomførte Dr. D. Mining en rekke intense forhør v.hj.a. SPSS der han ved såkalt stepwise regression søkte blant 40 indisier ( forklaringsvariable ) observert på tidspunkt t-1 for å forklare OBX-avkastningen på tidspunkt t Dr.

11 Amnesty International og Den Internasjonale Pen-klubbens protest 500 finansprofessorer signerte etter dette et protestbrev som ble sendt til presidenten i Torturistan. I brevet ble det bl.a. hevdet følgende: Når man blant 40 mulige forklaringsvariable plukker ut 4 som er såkalt signifikante bevis på at OBX er skyldig i ineffisiens, så er dette ikke tilstrekkelig bevis. Det sanne signifikansnivået er her IKKE 5%. Det er 50%. Dommen hviler på en metode der man like gjerne kunne ha avgjort skyldspørsmålet ved myntkast! Lovell s tommelfingerregel a* = Signifikansnivå som kommer ut av dataprogrammet C = Antallet forklaringsfaktorer som man har latt programmet velge blant K = Antallet utvalgte faktorer a = Sant signifikansnivå, som da er omtrent som følger: a ~ (C/K)a* Her: a ~ (40/4)0,05 = 0,50 11

21 22 Lovell s tommelfingerregel a* = Signifikansnivå som kommer ut av dataprogrammet C = Antallet forklaringsfaktorer som man har latt programmet velge blant K = Antallet utvalgte faktorer a = Sant

12 Warning! "Persons pretending to forecast the future shall be considered disorderly under subdivision 3, section 901 of the criminal code and liable to a fine of $ 250 and/or six months in prison 23 Section 889, New York State Code of Criminal Procedure. 12

Like dokumenter

10.1 Antall årsverk totalt i undervisnings- og forskerstillinger

Tabell 10: Andel midlertidig tilsatte i undervisnings- og forskerstilling, fordelt på institusjon 2002 2016 10.1 Antall årsverk totalt i undervisnings- og forskerstillinger 2002 2003 2004 2005 2006 2007