فیکٹر الفا میں کمی، ہجوم اور کریش کا خطرہ

خلاصہ

یہ مطالعہ فیکٹر الفا میں کمی کو ہائپربولک صورت میں ماڈل کرتا ہے، اس صورت کو گیم تھیوری کے توازنی ماڈل سے اخذ کرتا ہے اور خطی و ایکسپونینشل متبادل سے اس کا موازنہ کرتا ہے۔ ٹیسٹ 1963 سے 2024 تک آٹھ فاما–فرینچ عوامل استعمال کرتے ہیں۔ مصنفین بتاتے ہیں کہ رپورٹ شدہ ٹیسٹ میں ہائپربولک صورت مومینٹم اور ریورسل جیسے میکانی عوامل پر قدر اور معیار جیسے فیصلہ جاتی عوامل سے بہتر فٹ ہوتی ہے۔ انہیں یہ ثبوت بھی ملتا ہے کہ 2015 کے بعد ہجوم تیز ہوا، جبکہ نمونے سے باہر کے ٹیسٹ میں ماڈل نے باقی ماندہ الفا کا اندازہ زیادہ لگایا۔

نتائج سے اشارہ ملتا ہے کہ ہجوم، منافع کے لیے عوامل منتخب کرنے کے مقابلے میں کریش کے خطرے کا اندازہ لگانے کے لیے زیادہ مفید ہو سکتا ہے۔ رپورٹ شدہ تجزیے میں ہجوم والے ریورسل عوامل کے کریش کے امکانات زیادہ، جبکہ ہجوم والے مومینٹم کا کریش خطرہ کم تھا۔ ہجوم پر مبنی انتخاب کا طریقہ شارپ تناسب پر فیکٹر مومینٹم بینچ مارک سے بہتر نہیں رہا۔ یہ نتائج منتخب عوامل، ماڈل اور تاریخی ٹیسٹوں پر منحصر ہیں؛ مطالعہ یہ ثابت نہیں کرتا کہ ہجوم کے پیمانے دوسری صورتوں میں مستقبل کے کریش یا منافع کی پیش گوئی کریں گے۔

اہم خیالات

• گیم تھیوری کا ماڈل فیکٹر الفا میں ہائپربولک کمی ظاہر کرتا ہے۔
• رپورٹ شدہ ٹیسٹوں میں ہائپربولک صورت فیصلہ جاتی عوامل سے زیادہ میکانی عوامل پر بہتر فٹ ہوتی ہے۔
• نمونے سے باہر ماڈل باقی ماندہ الفا کا اندازہ زیادہ لگاتا ہے، اور 2015 کے بعد ہجوم تیز ہوا۔
• ہجوم پر مبنی فیکٹر انتخاب شارپ تناسب کے لحاظ سے فیکٹر مومینٹم بینچ مارک سے بہتر نہیں رہا۔
• ہجوم کا تعلق ریورسل اور مومینٹم عوامل کے مختلف کریش خطرات سے تھا۔

ٹیگز

# Not All Factors Crowd Equally: Modeling, Measuring, and Trading on Alpha Decay


# Not All Factors Crowd Equally: Modeling, Measuring, and Trading on Alpha Decay









We derive a specific functional form for factor alpha decay -- hyperbolic decay alpha(t) = K/(1+lambda*t) -- from a game-theoretic equilibrium model, and test it against linear and exponential alternatives. Using eight Fama-French factors (1963--2024), we find: (1) Hyperbolic decay fits mechanical factors. Momentum exhibits clear hyperbolic decay (R^2 = 0.65), outperforming linear (0.51) and exponential (0.61) baselines -- validating the equilibrium foundation. (2) Not all factors crowd equally. Mechanical factors (momentum, reversal) fit the model; judgment-based factors (value, quality) do not -- consistent with a signal-ambiguity taxonomy paralleling Hua and Sun's "barriers to entry." (3) Crowding accelerated post-2015. Out-of-sample, the model over-predicts remaining alpha (0.30 vs. 0.15), correlating with factor ETF growth (rho = -0.63). (4) Average returns are efficiently priced. Crowding-based factor selection fails to generate alpha (Sharpe: 0.22 vs. 0.39 factor momentum benchmark). (5) Crowding predicts tail risk. Out-of-sample (2001--2024), crowded reversal factors show 1.7--1.8x higher crash probability (bottom decile returns), while crowded momentum shows lower crash risk (0.38x, p = 0.006). Our findings extend equilibrium crowding models (DeMiguel et al.) to temporal dynamics and show that crowding predicts crashes, not means -- useful for risk management, not alpha generation.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔