สมมติฐานตลาดมีประสิทธิภาพคืออะไร

สมมติฐานตลาดมีประสิทธิภาพ (efficient market hypothesis) คือข้ออ้างที่ว่าราคาหลักทรัพย์ได้สะท้อนข้อมูลที่มีอยู่เกี่ยวกับหลักทรัพย์นั้นๆ แล้ว ทำให้รูปแบบที่เหลืออยู่มีขนาดเล็กและมีอายุสั้นเกินกว่าจะซื้อขายได้กำไรหลังหักค่าใช้จ่าย ยูจีน ฟามา ได้จัดระเบียบแนวคิดนี้ออกเป็นสามรูปแบบในบทความทบทวนปี 1970: รูปแบบอ่อน รูปแบบกึ่งแข็ง และรูปแบบแข็ง แต่ละรูปแบบระบุถึงชุดข้อมูลที่แตกต่างกันซึ่งได้ถูกรวมอยู่ในราคาแล้ว และแต่ละรูปแบบก็ตัดช่องทางการทำกำไรที่แตกต่างกันออกไป หน้าเว็บนี้จะระบุสิ่งที่ทั้งสามรูปแบบห้าม จากนั้นจะวัดรูปแบบที่อ่อนที่สุดกับราคาประจำวันของบริษัทที่เป็นที่รู้จักกันดีในช่วงห้าปี

รูปแบบของประสิทธิภาพตลาดมีอะไรบ้าง?

รูปแบบต่างๆ ซ้อนทับกัน สิ่งที่รูปแบบอ่อนกล่าวถึง รูปแบบกึ่งแข็งก็กล่าวถึงเช่นกัน และมีมากกว่านั้น

• รูปแบบอ่อน: ราคาในอดีตและปริมาณการซื้อขายในอดีตได้ถูกรวมอยู่ในราคาแล้ว รูปแบบกราฟ กฎแนวโน้ม และตัวกรองโมเมนตัมที่สร้างขึ้นจากประวัติราคาเพียงอย่างเดียว จะไม่มีความได้เปรียบที่เชื่อถือได้ภายใต้รูปแบบนี้
• รูปแบบกึ่งแข็ง: ข้อมูลสาธารณะทุกชิ้นได้ถูกรวมอยู่ในราคาแล้ว รวมถึงการยื่นเอกสาร คำแนะนำ บันทึกของนักวิเคราะห์ และการเปิดเผยข้อมูลเศรษฐกิจ การอ่านเอกสารสาธารณะหลังจากเผยแพร่แล้ว จะไม่มีความได้เปรียบภายใต้รูปแบบนี้ เนื่องจากราคาได้ปรับตัวไปแล้วในขณะที่ทุกคนกำลังอ่านเอกสารเดียวกัน
• รูปแบบแข็ง: ข้อมูลทั้งหมดอยู่ในราคาแล้ว รวมถึงข้อมูลส่วนตัวด้วย แทบไม่มีใครปกป้องรูปแบบนี้ กฎหมายการซื้อขายโดยใช้ข้อมูลภายในมีอยู่บนพื้นฐานที่ว่าข้อมูลที่ไม่เปิดเผยต่อสาธารณะมีมูลค่าเป็นเงินจริง

สมมติฐานนี้เป็นการกล่าวถึง ความน่าเชื่อถือ ไม่ใช่ความสมบูรณ์แบบ ไม่มีใครอ้างว่าราคาถูกต้องเสมอไป ข้ออ้างคือข้อผิดพลาดนั้นยากที่จะระบุล่วงหน้าและยากที่จะเก็บเกี่ยวผลกำไรหลังจากหักค่าใช้จ่ายในการซื้อขายแล้ว

รูปแบบอ่อน: การเคลื่อนไหวของเมื่อวานทำนายการเคลื่อนไหวของวันนี้ได้หรือไม่?

การทดสอบรูปแบบอ่อนที่ชัดเจนที่สุดคือความสัมพันธ์ระหว่างผลตอบแทนของวันหนึ่งกับวันถัดไป ตัวเลขที่เป็นบวกอย่างมากจะบ่งชี้ถึงแนวโน้มที่คงอยู่ ตัวเลขที่เป็นลบอย่างมากจะบ่งชี้ถึงการกลับตัวที่เชื่อถือได้ ทั้งสองอย่างนี้สามารถนำไปซื้อขายได้ แผงด้านล่างวัดความสัมพันธ์แบบ lag-one ของผลตอบแทนรายวันสำหรับบริษัทที่เป็นที่รู้จักสิบสองแห่งในช่วงห้าปีตั้งแต่เดือนกรกฎาคม 2021 ถึงมิถุนายน 2026

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

ค่าที่มากที่สุดในรูปของค่าสัมบูรณ์เป็นของ WMT ที่ 0.057 และค่าน้อยที่สุดเป็นของ KO ที่ -0.005 ทุกชื่อในชุดอยู่ในช่วงไม่กี่ร้อยละของศูนย์ตลอดระยะเวลาการซื้อขายประมาณ 1252 วันต่อวัน ความสัมพันธ์ที่มีขนาดเท่านี้คิดเป็นน้อยกว่าหนึ่งเปอร์เซ็นต์ของการเปลี่ยนแปลงในผลตอบแทนของวันถัดไป เครื่องหมายสลับกันไปมาระหว่างสิบสองชื่อโดยไม่มีรูปแบบที่รอดพ้นจากการตรวจสอบ ซึ่งเป็นสิ่งที่รูปแบบอ่อนทำตามที่มันกล่าวไว้

จะเกิดอะไรขึ้นหลังจากการเคลื่อนไหวครั้งใหญ่ในวันเดียว?

ความสัมพันธ์คือค่าเฉลี่ยตลอดทุกช่วงการซื้อขาย และค่าเฉลี่ยสามารถซ่อนพฤติกรรมที่ขอบได้ การจัดเรียงแต่ละวันในตัวอย่างเดียวกันตามการเคลื่อนไหวของวัน ก่อนหน้า จากนั้นวัดสิ่งที่เกิดขึ้นในวันถัดไป เป็นการตรวจสอบว่าช่วงเวลาสุดขั้วมีพฤติกรรมแตกต่างจากช่วงเวลาปกติหรือไม่

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

กลุ่มล่างสุด ช่วงเวลาที่ตามหลังการเคลื่อนไหว 1. down 3% or more ถูกตามด้วยวันที่มีแนวโน้มเพิ่มขึ้น 52.9% ของเวลาจาก 664 การสังเกตการณ์ กลุ่มบนสุด ตามหลังการเคลื่อนไหว 5. up 3% or more ถูกตามด้วยวันที่มีแนวโน้มเพิ่มขึ้น 53.9% ของเวลา กลุ่มกลางปกติ 3. flat, within 1% อยู่ที่ 53.1% ทั้งห้ากลุ่มอยู่ในช่วงไม่กี่จุดจากเหรียญที่พลิก และผลตอบแทนเฉลี่ยของวันถัดไปในแต่ละกลุ่มเป็นเศษเสี้ยวของหนึ่งเปอร์เซ็นต์: 0.175% หลังจากการลดลงอย่างรวดเร็วที่สุด 0.186% หลังจากการเพิ่มขึ้นอย่างรวดเร็วที่สุด

กฎที่ซื้อหลังจากลดลง 3% และกฎที่ซื้อหลังจากเพิ่มขึ้น 3% จะพบกับการกระจายตัวของวันถัดไปที่เกือบจะเหมือนกัน ช่องว่างระหว่างกลุ่มมีขนาดเล็กกว่าค่าสเปรดระหว่างราคาเสนอซื้อและราคาเสนอขายทั่วไปบวกค่าคอมมิชชั่นในการสั่งซื้อขนาดปลีก ซึ่งเป็นรูปแบบที่ใช้ได้จริงของรูปแบบอ่อน: รูปแบบต้องมีขนาดใหญ่กว่าต้นทุนในการซื้อขายก่อนที่จะเป็นความได้เปรียบใดๆ

รูปแบบกึ่งแข็ง: สิ่งที่บันทึกการเลือกแสดงให้เห็น

หลักฐานที่มักถูกอ้างถึงสำหรับรูปแบบกึ่งแข็งไม่ใช่ความสัมพันธ์ แต่เป็นข้อค้นพบที่ดำเนินมายาวนานว่าพอร์ตโฟลิโอแบบแอคทีฟส่วนใหญ่ล้าหลังดัชนีธรรมดาในช่วงเวลาหลายปี รูปแบบคณิตศาสตร์อย่างง่ายของสิ่งนั้นอยู่ในตะกร้าของบริษัทสหรัฐฯ ขนาดใหญ่ที่มีการรายงานข่าวอย่างหนาแน่น ซึ่งวัดผลปีต่อปีเทียบกับดัชนี S&P 500

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

ตลอดระยะเวลา 5 ปีปฏิทินที่วัดผล น้อยกว่าครึ่งหนึ่งของชื่อ 34 เอาชนะดัชนีได้ในสี่ปี สัดส่วนอยู่ในช่วง 32.4% ใน 2024 ถึง 58.8% ใน 2022 ซึ่งเป็นปีที่ดัชนีลดลงในช่วงเวลาดังกล่าว โดยดัชนีให้ผลตอบแทน -20% เทียบกับค่ามัธยฐานของชื่อที่ -13.3% ใน 2024 ดัชนีให้ผลตอบแทน 24% ในขณะที่ค่ามัธยฐานของชื่อในตะกร้าให้ผลตอบแทน 12.7%

ไม่มีสิ่งใดพิสูจน์รูปแบบกึ่งแข็งได้ ตะกร้าของหุ้นขนาดใหญ่ไม่ใช่ตลาดทั้งหมด ดัชนีเดียวไม่ใช่ทุกเกณฑ์มาตรฐาน และห้าปีเป็นตัวอย่างที่สั้น สิ่งที่มันแสดงให้เห็นคือคณิตศาสตร์ที่ทำให้สมมติฐานนี้ยากที่จะปัดทิ้ง ดัชนีคือค่าเฉลี่ยถ่วงน้ำหนักของสมาชิกของมันเอง ซึ่งทำให้การเอาชนะดัชนีเป็นผลลัพธ์ของชนกลุ่มน้อยตามการออกแบบ และต้นทุนการวิจัยและการซื้อขายของการพยายามนั้นมาจากส่วนแบ่งของชนกลุ่มน้อย มุมมองที่เกี่ยวข้องเกี่ยวกับความไม่สม่ำเสมอของผลตอบแทนสมาชิกเหล่านั้นปรากฏในช่องว่างระหว่างคอลัมน์ดัชนีและคอลัมน์ค่ามัธยฐานข้างต้นในแต่ละปี

ความขัดแย้งที่ศูนย์กลาง

แซนฟอร์ด กรอสแมน และโจเซฟ สติกลิตซ์ ได้ตีพิมพ์ข้อโต้แย้งที่เฉียบคมที่สุดในปี 1980 และเป็นข้อโต้แย้งที่ควรกล่าวอย่างตรงไปตรงมา ข้อมูลมีค่าใช้จ่ายในการรวบรวม หากราคาได้รวมข้อมูลทั้งหมดไว้แล้ว จะไม่มีใครยอมจ่ายเพื่อรวบรวมข้อมูล และการรวบรวมนั้นคือกลไกที่ทำให้ข้อมูลเข้าสู่ราคา ตลาดที่มีประสิทธิภาพสมบูรณ์ไม่สามารถอยู่ในภาวะสมดุลได้ สิ่งที่สามารถมีอยู่ได้คือตลาดที่มีประสิทธิภาพ เพียงพอ ที่ผลกำไรจากการวิจัยจะครอบคลุมต้นทุนการวิจัย

รูปแบบที่อ่อนแอกว่านั้นเป็นรูปแบบที่ผู้ปฏิบัติงานส่วนใหญ่ใช้ และมันเข้ากับข้อมูลข้างต้นได้ดีกว่ารูปแบบสัมบูรณ์ มันอธิบายถึงตลาดที่มีความได้เปรียบอยู่จริง มีขนาดเล็ก และถูกแข่งขันออกไปอย่างรวดเร็วโดยเงินทุนที่ตามล่าหาความได้เปรียบนั้น

ความผิดปกติที่บันทึกไว้ปรากฏควบคู่ไปกับสมมติฐานแทนที่จะทำลายมัน ความผิดปกติของความผันผวนต่ำ เป็นหนึ่งในรูปแบบที่วัดผลได้ดีที่สุด: หุ้นที่มีความผันผวนน้อยกว่าได้รักษาระดับเดียวกับหุ้นที่มีความผันผวนสูงกว่าด้วยความเสี่ยงที่น้อยกว่า รูปแบบที่แบบจำลองความเสี่ยงและผลตอบแทนมาตรฐานไม่สามารถรองรับได้ โมเมนตัม มูลค่า และผลกระทบของหุ้นขนาดเล็กมีประวัติที่คล้ายคลึงกัน แต่ละอย่างวัดผลในช่วงหลายทศวรรษ แต่ละอย่างมีช่วงเวลายาวนานที่มันหายไป และหลายอย่างแคบลงหลังจากการเผยแพร่

สมมติฐานนี้มีความหมายอย่างไรต่อผู้อ่าน

การอ่านในทางปฏิบัติมีขอบเขตจำกัด และไม่ใช่การคาดการณ์เกี่ยวกับตลาดใดๆ ภายใต้รูปแบบใดๆ ของสมมติฐาน ปัจจัยที่นักลงทุนควบคุมได้จริงคือต้นทุน ภาษี การกระจายความเสี่ยง และพฤติกรรม และไม่มีปัจจัยสี่ประการใดที่ต้องอาศัยการคาดการณ์ใดๆ ค่าธรรมเนียมจะทบต้นกับพอร์ตโฟลิโอด้วยคณิตศาสตร์แบบเดียวกับที่ผลตอบแทนทบต้นให้กับมัน

นิสัยสองประการที่เข้ากับกรอบนี้โดยไม่ต้องขอให้ใครคาดการณ์ การลงทุนแบบถัวเฉลี่ยต้นทุน (Dollar-cost averaging) เป็นกฎการกำหนดเวลามากกว่าการคาดการณ์ ซึ่งเป็นส่วนหนึ่งของเหตุผลที่มันอยู่รอดได้ในตลาดที่การคาดการณ์เป็นเรื่องยาก และอารมณ์เบื้องหลัง การซื้อเมื่อผู้อื่นหวาดกลัว เป็นกฎเกี่ยวกับพฤติกรรมของนักลงทุนเอง ไม่ใช่ข้ออ้างเกี่ยวกับทิศทางราคาในอนาคต

สมมติฐานนี้ยังให้มาตรฐานสำหรับการประเมินการอ้างสิทธิ์กลยุทธ์ รูปแบบใดๆ ที่ดูเหมือนมีกำไรบนกระดาษจะต้องหักลบต้นทุนการซื้อขาย ภาษี และการอยู่รอดที่สร้างขึ้นในการทดสอบย้อนหลังก่อนที่จะนับว่าเป็นความได้เปรียบ ส่วนใหญ่ไม่ผ่านเกณฑ์นั้น สิ่งที่ผ่านมักจะมีขนาดเล็ก และมีแนวโน้มที่จะเล็กลงเมื่อมีเงินทุนเข้ามามากขึ้น

คำถามที่พบบ่อย

รูปแบบของสมมติฐานตลาดมีประสิทธิภาพมีอะไรบ้าง?

รูปแบบอ่อนกล่าวว่าราคาและปริมาณการซื้อขายในอดีตได้ถูกรวมอยู่ในราคาแล้ว ซึ่งตัดความได้เปรียบจากการใช้ประวัติราคาเพียงอย่างเดียว รูปแบบกึ่งแข็งกล่าวว่าข้อมูลสาธารณะทั้งหมดได้ถูกรวมอยู่ในราคาแล้ว รูปแบบแข็งกล่าวว่าข้อมูลส่วนตัวก็อยู่ในราคาด้วย และเป็นรูปแบบที่แทบไม่มีใครปกป้อง

สมมติฐานตลาดมีประสิทธิภาพหมายความว่าราคาหุ้นถูกต้องเสมอหรือไม่?

ไม่ มันอ้างว่าการกำหนดราคาผิดพลาดนั้นยากที่จะระบุล่วงหน้าและยากที่จะเก็บเกี่ยวผลกำไรหลังจากหักค่าใช้จ่าย ไม่ใช่ว่ามันไม่เคยเกิดขึ้น ฟองสบู่และการล่มสลายสามารถเข้ากันได้กับสมมติฐาน ตราบใดที่นักลงทุนไม่สามารถใช้ประโยชน์จากมันได้อย่างน่าเชื่อถือในขณะนั้น

ใครเป็นผู้คิดค้นสมมติฐานตลาดมีประสิทธิภาพ?

ยูจีน ฟามา ได้วางกรอบสามรูปแบบในบทความทบทวนปี 1970 และได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์ในปี 2013 รากฐานทางคณิตศาสตร์ย้อนกลับไปไกลกว่านั้นถึงงานของหลุยส์ บาเชลิเยร์ในปี 1900 เกี่ยวกับความสุ่มของราคา และบทความของพอล แซมมวลสันในปี 1965 เกี่ยวกับราคาที่คาดการณ์ได้อย่างเหมาะสม

การวิพากษ์วิจารณ์ที่แข็งแกร่งที่สุดต่อสมมติฐานตลาดมีประสิทธิภาพคืออะไร?

ความขัดแย้งของกรอสแมน-สติกลิตซ์ในปี 1980: หากราคาได้รวมข้อมูลทั้งหมดไว้แล้ว จะไม่มีใครได้รับค่าตอบแทนในการรวบรวมข้อมูล และการรวบรวมข้อมูลคือสิ่งที่ทำให้ข้อมูลเข้าสู่ราคา การวิจัยเชิงพฤติกรรมเพิ่มการวิพากษ์วิจารณ์อีกสายหนึ่งเกี่ยวกับข้อผิดพลาดของนักลงทุนที่บันทึกไว้และคงอยู่

ใครสามารถเอาชนะตลาดได้?

นักลงทุนและกองทุนบางรายได้แสดงผลงานที่ยาวนานเหนือกว่าเกณฑ์มาตรฐานของตน สมมติฐานไม่ได้ห้ามผลลัพธ์ดังกล่าว มันอ้างว่าการแยกทักษะออกจากโชคต้องใช้ข้อมูลมากกว่าที่บันทึกส่วนใหญ่มี และเงินทุนเฉลี่ยในการบริหารจัดการแบบแอคทีฟยังคงล้าหลังหลังจากหักค่าธรรมเนียม

แผงทั้งหมดข้างต้นคือคิวรีที่เก็บไว้พร้อมกับ SQL ที่แนบมา เปิดคิวรีใดคิวหนึ่งเพื่อตรวจสอบการคำนวณ หรือเรียกใช้การทดสอบความสัมพันธ์แบบเดียวกันกับชื่อที่คุณติดตามบนเทอร์มินัล Strasmore