कार्यक्षम बाजार गृहीतक म्हणजे काय

कार्यक्षम बाजार गृहीतक (Efficient Market Hypothesis) हा दावा आहे की सिक्युरिटीच्या किंमतीमध्ये तिच्याबद्दल उपलब्ध असलेली माहिती आधीच समाविष्ट असते, ज्यामुळे उरलेला कोणताही नमुना खर्च वजा केल्यानंतर फायदेशीर व्यापार करण्यासाठी खूप लहान आणि अल्पकालीन राहतो. यूजीन फामा (Eugene Fama) यांनी 1970 च्या एका पुनरावलोकन पेपरमध्ये या कल्पनेचे तीन रूपांमध्ये वर्गीकरण केले: दुर्बल (weak), अर्ध-बलवान (semi-strong), आणि बलवान (strong). प्रत्येक रूप किंमतीमध्ये आधीच समाविष्ट असलेल्या माहितीच्या वेगवेगळ्या संचाला नाव देते, आणि प्रत्येक रूप पैसे कमवण्याचा वेगळा मार्ग वगळते. हे पान तीन रूपे काय प्रतिबंधित करतात हे सांगते, त्यानंतर त्यातील सर्वात दुर्बल रूपाचे मोजमाप घरगुती नावांच्या पाच वर्षांच्या दैनंदिन किमतींविरुद्ध करते.

बाजार कार्यक्षमतेची तीन रूपे कोणती आहेत?

ही रूपे एकमेकांच्या आत वसलेली आहेत. दुर्बल रूप जे काही दावा करते, तेच अर्ध-बलवान रूप देखील दावा करते, आणि त्यापेक्षा अधिक.

• दुर्बल रूप (Weak form): मागील किमती आणि मागील व्यवहारांचे प्रमाण (volume) आधीच किंमतीमध्ये समाविष्ट आहे. या आवृत्तीनुसार, केवळ किंमत इतिहासावर आधारित चार्टचे आकार, ट्रेंड नियम आणि मोमेंटम फिल्टर (momentum filters) यांवर कोणताही विश्वासार्ह फायदा नसतो.
• अर्ध-बलवान रूप (Semi-strong form): सार्वजनिक माहितीचा प्रत्येक तुकडा, ज्यामध्ये फायलिंग्ज, मार्गदर्शन, विश्लेषक नोट्स आणि आर्थिक प्रसिद्धी यांचा समावेश आहे, तो आधीच किंमतीमध्ये आहे. या आवृत्तीनुसार, प्रकाशनानंतर सार्वजनिक दस्तऐवज वाचण्याचा कोणताही फायदा नसतो, कारण इतर सर्वजण तोच दस्तऐवज वाचत असताना किंमत समायोजित झालेली असते.
• बलवान रूप (Strong form): सर्व माहिती, खाजगी माहितीसह, किंमतीमध्ये असते. जवळजवळ कोणीही या आवृत्तीचा बचाव करत नाही. अंतर्गत व्यापार कायदा (Insider trading law) या गृहीतकावर अस्तित्वात आहे की सार्वजनिक नसलेल्या माहितीची वास्तविक किंमत असते.

हे गृहीतक विश्वासार्हतेबद्दल (dependability) आहे, परिपूर्णतेबद्दल नाही. कोणीही असा दावा करत नाही की किंमती नेहमीच बरोबर असतात. दावा असा आहे की चुका आगाऊ ओळखणे कठीण असतात आणि एकदा व्यापार खर्च बाहेर काढल्यानंतर त्यांची कापणी करणे कठीण असते.

दुर्बल रूप: कालची हालचाल आजचा अंदाज देते का?

दुर्बल रूपाची सर्वात स्वच्छ चाचणी म्हणजे एका दिवसाच्या परताव्याचा (return) आणि दुसऱ्या दिवसाच्या परताव्याचा सहसंबंध (correlation). एक जोरदार सकारात्मक आकडा टिकून राहणाऱ्या ट्रेंडला चिन्हांकित करेल. एक जोरदार नकारात्मक आकडा विश्वासार्ह स्नॅप-बॅक (snap-backs) चिन्हांकित करेल. यापैकी कोणतेही व्यापार करण्यायोग्य असेल. खालील पॅनेल जुलै 2021 ते जून 2026 या पाच वर्षांच्या कालावधीत बारा घरगुती नावांच्या दैनंदिन परताव्याच्या लॅग-वन ऑटोकॉरिलेशन (lag-one autocorrelation) मोजते.

WITH daily AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','AAPL','MSFT','KO','JNJ','XOM','JPM','WMT','NVDA','TSLA','PG','HD')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-07-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
returns AS (
    SELECT ticker, dt,
           close_px / lagInFrame(close_px) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM daily
),
paired AS (
    SELECT ticker, ret,
           lagInFrame(ret) OVER (PARTITION BY ticker ORDER BY dt) AS prev_ret
    FROM returns
    WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
)
SELECT ticker,
       count() AS trading_days,
       round(corr(ret, prev_ret), 3) AS lag1_autocorrelation,
       round(abs(corr(ret, prev_ret)), 3) AS abs_autocorrelation
FROM paired
WHERE prev_ret IS NOT NULL
GROUP BY ticker
ORDER BY abs_autocorrelation DESC

निरपेक्ष मूल्यातील सर्वात मोठे वाचन WMT चे 0.057 आहे, आणि सर्वात लहान KO चे -0.005 आहे. संचातील प्रत्येक नाव 1252 व्यापार दिवसांपैकी प्रत्येकी शून्याच्या काही शंभराव्या भागात येते. अशा आकाराचा सहसंबंध पुढील दिवसाच्या परताव्यातील फरकाच्या एक टक्क्यापेक्षा कमी भाग स्पष्ट करतो. बारा नावांमध्ये चिन्हे (signs) अशा कोणत्याही नमुन्याशिवाय बदलतात जो तपासणीत टिकतो, हे दुर्बल रूप नेमके तेच करत आहे जे ते करेल असे सांगते.

मोठ्या एकदिवसीय हालचालीनंतर काय होते?

सहसंबंध हे प्रत्येक सत्राचे सरासरी मूल्य असते, आणि सरासरी कडा (edges) वरील वर्तन लपवू शकते. त्याच नमुन्यातील प्रत्येक दिवसाचे मागील दिवसाच्या हालचालीनुसार वर्गीकरण करून, नंतर पुढील दिवसाने काय केले हे मोजून, अत्यंत सत्रे (extreme sessions) सामान्य सत्रांपेक्षा वेगळी वागतात का हे तपासता येते.

WITH daily AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','AAPL','MSFT','KO','JNJ','XOM','JPM','WMT','NVDA','TSLA','PG','HD')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-07-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
returns AS (
    SELECT ticker, dt,
           close_px / lagInFrame(close_px) OVER (PARTITION BY ticker ORDER BY dt) - 1 AS ret
    FROM daily
),
paired AS (
    SELECT ticker, ret * 100 AS ret_pct,
           lagInFrame(ret) OVER (PARTITION BY ticker ORDER BY dt) * 100 AS prev_pct
    FROM returns
    WHERE ret IS NOT NULL AND ret > -0.5 AND ret < 0.5
)
SELECT multiIf(prev_pct <= -3, '1. down 3% or more',
               prev_pct <= -1, '2. down 1 to 3%',
               prev_pct < 1,  '3. flat, within 1%',
               prev_pct < 3,  '4. up 1 to 3%',
               '5. up 3% or more') AS prior_day_move,
       count() AS observations,
       round(median(ret_pct), 3) AS next_day_median_pct,
       round(100 * countIf(ret_pct > 0) / count(), 1) AS next_day_up_share_pct
FROM paired
WHERE prev_pct IS NOT NULL
GROUP BY prior_day_move
ORDER BY prior_day_move

सर्वात खालचा बकेट (bucket), 1. down 3% or more हालचालीनंतरची सत्रे, 664 निरीक्षणांमध्ये 52.9% वेळा वाढत्या दिवसाने पाठपुरावा केला गेला. सर्वात वरचा बकेट, 5. up 3% or more हालचालीनंतरची, 53.9% वेळा वाढत्या दिवसाने पाठपुरावा केला गेला. सामान्य मधला बकेट, 3. flat, within 1%, 53.1% वर आला. सर्व पाच बकेट नाणेफेकीच्या काही गुणांच्या आत बसतात, आणि प्रत्येक बकेटमधील मध्यक पुढील दिवसाचा परतावा (median next-day return) एक टक्क्याचा अंश आहे: 0.175% सर्वात तीव्र घसरणीनंतर, 0.186% सर्वात तीव्र वाढीनंतर.

3% घसरणीनंतर खरेदी करणारा नियम आणि 3% उडी (jump) नंतर खरेदी करणारा नियम यांना पुढील दिवसांचे जवळजवळ समान वितरण (distribution) भेटले असते. बकेटमधील अंतर हे सामान्य किरकोळ ऑर्डरवरील ठराविक बिड-आस्क स्प्रेड (bid-ask spread) अधिक कमिशनपेक्षा लहान आहे, हे दुर्बल रूपाचे व्यावहारिक स्वरूप आहे: एज (edge) होण्यासाठी नमुना त्याच्या व्यापाराच्या खर्चापेक्षा मोठा असणे आवश्यक आहे.

अर्ध-बलवान रूप: निवड नोंद काय दर्शवते

अर्ध-बलवान रूपासाठी सर्वाधिक वेळा उद्धृत केलेला पुरावा सहसंबंध नाही. तो हा दीर्घकालीन निष्कर्ष आहे की बहुतेक सक्रिय पोर्टफोलिओ (active portfolios) बहु-वर्षीय कालावधीत साध्या निर्देशांकापेक्षा (plain index) मागे राहतात. त्या अंकगणिताची एक साधी आवृत्ती मोठ्या, मोठ्या प्रमाणात कव्हर केलेल्या अमेरिकन कंपन्यांच्या बास्केटमध्ये आहे, जी S&P 500 ट्रॅकरविरुद्ध वर्षानुवर्षे मोजली जाते.

WITH daily AS (
    SELECT ticker,
           toDate(toTimeZone(window_start, 'America/New_York')) AS dt,
           argMax(toFloat64(close), window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY','AAPL','MSFT','NVDA','AMZN','GOOGL','META','TSLA','JPM','XOM','JNJ','WMT','PG','KO','PEP','HD','MRK','LLY','COST','CVX','ORCL','CSCO','INTC','VZ','MCD','NKE','DIS','CAT','HON','TXN','AMD','NFLX','MO','LMT','UNH')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-01-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2025-12-31')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker, dt
),
per_year AS (
    SELECT ticker, toYear(dt) AS yr,
           argMin(close_px, dt) AS first_px,
           argMax(close_px, dt) AS last_px
    FROM daily
    GROUP BY ticker, yr
),
perf AS (
    SELECT yr, ticker, (last_px / first_px - 1) * 100 AS ret_pct FROM per_year
),
bench AS (
    SELECT yr, ret_pct AS index_pct FROM perf WHERE ticker = 'SPY'
)
SELECT toString(perf.yr) AS year,
       round(any(bench.index_pct), 1) AS index_return_pct,
       round(median(perf.ret_pct), 1) AS median_stock_return_pct,
       countIf(perf.ticker != 'SPY') AS stocks_measured,
       round(100 * countIf(perf.ticker != 'SPY' AND perf.ret_pct > bench.index_pct)
             / countIf(perf.ticker != 'SPY'), 1) AS pct_beating_index
FROM perf
INNER JOIN bench ON perf.yr = bench.yr
GROUP BY perf.yr
ORDER BY perf.yr

मोजलेल्या 5 कॅलेंडर वर्षांपैकी, 34 नावांपैकी अर्ध्याहून कमी नावांनी चार वर्षांत निर्देशांकाला मागे टाकले. हा वाटा 2024 मध्ये 32.4% पासून 2022 मध्ये 58.8% पर्यंत गेला, जे खिडकीतील एकमेव घसरणीचे वर्ष होते, जेव्हा निर्देशांकाने -20% परतावा दिला तर मध्यक नाव -13.3% वर होते. 2024 मध्ये निर्देशांकाने 24% परतावा दिला तर बास्केटमधील मध्यक नावाने 12.7% परतावा दिला.

यापैकी काहीही अर्ध-बलवान रूप सिद्ध करत नाही. मोठ्या कॅप्सची बास्केट संपूर्ण बाजार नाही, एक ट्रॅकर प्रत्येक बेंचमार्क नाही, आणि पाच वर्षे हा एक लहान नमुना आहे. ते जे दर्शवते ते म्हणजे अंकगणित जे गृहीतक दूर करणे कठीण करते. एक निर्देशांक हा त्याच्या स्वतःच्या सदस्यांची भारित सरासरी (weighted average) असतो, ज्यामुळे त्याला मागे टाकणे हा बांधकामानुसार अल्पसंख्याक परिणाम बनतो, आणि प्रयत्न करण्याचे संशोधन आणि व्यापार खर्च अल्पसंख्याकांच्या वाट्यातून बाहेर पडतात. हे सदस्य परतावे किती असमान आहेत याचा संबंधित दृष्टिकोन वरील निर्देशांक स्तंभ आणि मध्यक स्तंभ यांच्यातील वर्षानुवर्षे पसरलेल्या फरकामध्ये दिसून येतो.

केंद्रस्थानी विरोधाभास

सॅनफोर्ड ग्रॉसमन (Sanford Grossman) आणि जोसेफ स्टिग्लिट्झ (Joseph Stiglitz) यांनी 1980 मध्ये सर्वात तीक्ष्ण आक्षेप प्रकाशित केला, आणि तो प्रामाणिकपणे सांगण्यासारखा आक्षेप आहे. माहिती गोळा करणे महाग असते. जर किमतींमध्ये आधीच ती सर्व माहिती असेल, तर कोणीही ती गोळा करण्यासाठी पैसे देणार नाही, आणि हे गोळा करणे हीच यंत्रणा आहे जी माहिती किमतींमध्ये ठेवते. एक पूर्णपणे कार्यक्षम बाजार समतोल (equilibrium) मध्ये बसू शकत नाही. जे अस्तित्वात असू शकते ते म्हणजे बाजार पुरेसा कार्यक्षम आहे की संशोधनातून मिळणारा नफा संशोधनाच्या खर्चाच्या जवळपास भरून काढतो.

ती कमकुवत आवृत्ती बहुतेक व्यवसायी वापरतात, आणि ती वरील डेटाशी निरपेक्ष आवृत्तीपेक्षा चांगली बसते. ती अशा बाजाराचे वर्णन करते जिथे एजेस (edges) अस्तित्वात असतात, लहान राहतात, आणि त्यांची शिकार करणाऱ्या पैशाच्या वेगाने स्पर्धेतून नष्ट होतात.

दस्तऐवजीकृत विसंगती (anomalies) गृहीतकाच्या बाजूला असतात, त्याचा नाश करण्याऐवजी. कमी-अस्थिरता विसंगती (low-volatility anomaly) ही सर्वोत्तम मोजलेल्या विसंगतींपैकी एक आहे: शांत स्टॉक्सनी ऐतिहासिकदृष्ट्या जोखमीच्या एका अंशावर अधिक अस्थिर स्टॉक्सशी गती ठेवली आहे, हा नमुना मानक जोखीम-आणि-परतावा मॉडेल सामावून घेत नाही. मोमेंटम, व्हॅल्यू आणि लहान-कंपनी प्रभावांचा समान इतिहास आहे. प्रत्येक दशकांमध्ये मोजला जातो, प्रत्येकाचे दीर्घ कालावधी असतात जिथे तो अदृश्य होतो, आणि अनेक प्रकाशनानंतर अरुंद होतात.

वाचकासाठी गृहीतकाचा अर्थ काय

व्यावहारिक वाचन संकुचित आहे, आणि तो कोणत्याही बाजाराबद्दलचा अंदाज नाही. गृहीतकाच्या कोणत्याही आवृत्तीनुसार, गुंतवणूकदार प्रत्यक्षात नियंत्रित करत असलेले इनपुट म्हणजे खर्च, कर, विविधीकरण (diversification) आणि वर्तन, आणि यापैकी कोणत्याही चारसाठी काहीही अंदाज लावण्याची आवश्यकता नाही. शुल्क (fee) पोर्टफोलिओवर त्याच अंकगणितात चक्रवाढ होते ज्यामध्ये परतावा त्याच्यासाठी चक्रवाढ होतो.

दोन सवयी कोणालाही अंदाज लावण्यास सांगितल्याशिवाय या फ्रेमिंगमध्ये बसतात. डॉलर-कॉस्ट सरासरीकरण (Dollar-cost averaging) हा अंदाजाऐवजी वेळापत्रक नियम आहे, ज्यामुळे तो अंदाज लावणे कठीण असलेल्या बाजारात टिकतो. आणि इतर घाबरलेले असताना खरेदी करणे यामागील स्वभाव हा गुंतवणूकदाराच्या स्वतःच्या आचरणाबद्दलचा नियम आहे, किंमती पुढे कुठे जातील याबद्दलचा दावा नाही.

हे गृहीतक धोरणाच्या दाव्यांचे मूल्यांकन करण्यासाठी एक मानक देखील देते. कागदावर फायदेशीर दिसणाऱ्या कोणत्याही नमुन्याला एज म्हणून मोजले जाण्यापूर्वी व्यापार खर्च, कर आणि बॅकटेस्टमध्ये तयार केलेले सर्व्हायव्हरशिप (survivorship) साफ करावे लागते. बहुतेक ते बार साफ करत नाहीत. जे करतात ते लहान असतात, आणि अधिक भांडवल आल्यावर ते संकुचित होतात.

वारंवार विचारले जाणारे प्रश्न

कार्यक्षम बाजार गृहीतकाची तीन रूपे कोणती आहेत?

दुर्बल रूप धारण करते की मागील किमती आणि व्यवहार प्रमाण आधीच किंमतीमध्ये आहेत, जे केवळ चार्ट इतिहासातून मिळणारे फायदे वगळते. अर्ध-बलवान रूप धारण करते की सर्व सार्वजनिक माहिती आधीच किंमतीमध्ये आहे. बलवान रूप धारण करते की खाजगी माहिती देखील किंमतीमध्ये आहे, आणि ही अशी आवृत्ती आहे जिचा जवळजवळ कोणीही बचाव करत नाही.

कार्यक्षम बाजार गृहीतकाचा अर्थ असा आहे का की स्टॉकच्या किमती नेहमीच बरोबर असतात?

नाही. ते दावा करते की चुकीच्या किमती (mispricings) आगाऊ ओळखणे कठीण आहे आणि खर्चानंतर कॅप्चर करणे कठीण आहे, त्या कधीच होत नाहीत असे नाही. बुडबुडे (bubbles) आणि क्रॅश हे गृहीतकाशी सुसंगत आहेत जोपर्यंत गुंतवणूकदार त्या वेळी त्यांचा विश्वासार्हपणे शोषण करू शकला नसता.

कार्यक्षम बाजार गृहीतक कोणी मांडले?

यूजीन फामा (Eugene Fama) यांनी 1970 च्या पुनरावलोकन पेपरमध्ये तीन-रूप फ्रेमवर्क मांडले आणि 2013 चे नोबेल मेमोरियल पारितोषिक आर्थिक विज्ञानात सामायिक केले. गणितीय मुळे लुई बॅचेलियर (Louis Bachelier) यांच्या 1900 च्या किंमत यादृच्छिकतेवरील कार्य आणि पॉल सॅम्युएलसन (Paul Samuelson) यांच्या 1965 च्या योग्यरित्या अपेक्षित किमतींवरील पेपरपर्यंत मागे जातात.

कार्यक्षम बाजार गृहीतकावर सर्वात मोठी टीका कोणती आहे?

1980 चा ग्रॉसमन-स्टिग्लिट्झ विरोधाभास (Grossman-Stiglitz paradox): जर किमतींमध्ये आधीच माहितीचा प्रत्येक तुकडा असेल, तर कोणालाही माहिती गोळा करण्यासाठी पैसे दिले जाणार नाहीत, आणि गोळा करणे हेच माहिती किमतींमध्ये ठेवते. वर्तणूक संशोधन (Behavioural research) दस्तऐवजीकृत, सतत गुंतवणूकदार चुकांबद्दल टीकेची दुसरी ओळ जोडते.

कोणीही बाजाराला मागे टाकू शकतो का?

काही गुंतवणूकदार आणि फंडांनी त्यांच्या बेंचमार्कच्या वर दीर्घ नोंदी पोस्ट केल्या आहेत. गृहीतक त्या परिणामास प्रतिबंधित करत नाही; ते असा युक्तिवाद करते की कौशल्याला नशिबापासून वेगळे करण्यासाठी बहुतेक ट्रॅक रेकॉर्डमध्ये असलेल्या डेटापेक्षा कितीतरी अधिक डेटा लागतो, आणि सक्रिय व्यवस्थापनातील सरासरी डॉलर अजूनही फी नंतर मागे राहतो.

वरील प्रत्येक पॅनेल ही त्याच्याशी संलग्न SQL सह एक संग्रहित क्वेरी आहे. अंकगणित तपासण्यासाठी एक उघडा, किंवा स्ट्रासमोर टर्मिनलवर तुम्ही फॉलो करत असलेल्या नावांवर समान ऑटोकॉरिलेशन चाचणी चालवा.