Мы ответственно заявляем — никто не знает, куда пойдут финансовые рынки. И мы тоже не знаем. Мы публикуем данное исследование на правах частного мнения. При этом мы НЕ даем инвестиционных рекомендаций и НЕ призываем использовать результаты исследования. Все, что вы делаете, вы делаете на свой страх и риск.

Мы предупреждаем, что данная работа основана на исторических данных. История классная штука, но она не всегда повторяется. Поэтому прошлая доходность не гарантирует будущих результатов, и вы должны учитывать этот момент.

Также мы предупреждаем, что инвестиции в IPO — это высокорискованные инвестиции. Нельзя формировать инвестиционную стратегию, основываясь только на IPO-компаниях. Даже если вы решили инвестировать в IPO, то сделайте это на малую часть общего портфеля. Поберегите нервы и деньги — не заходите в IPO на весь капитал.

Когда мы начали исследование, мы поставили задачу — обыграть слепой портфель IPO-инвестиций. Другими словами мы искали стратегию "Умный выбор" , которая опережает стратегию "Инвестируем во все IPO подряд". Результат нашей работы вы видите на графике.

Дальше по тексту — подробное описание факторов, которые мы изучили, а также выводов, к которым мы пришли. Важно понимать, что мы сделали исследование не ради научных изысканий или сферического IPO в вакууме. Вместо этого мы искали закономерности, которые применимы в прикладной биржевой торговле. Поэтому, если вы инвестируете в IPO, то исследование поможет улучшить ваш результат. В этом и состоят цель и практическая польза работы.

Перед тем как нырнуть в омут работы, давайте определим дорожную карту и установим ключевые ориентиры. Это послужит хорошей стартовой точкой, а также поможет с дальнейшей навигацией.

Глобально мы разделили материал на пять последовательных частей:

Кроме того, будет ряд промежуточных и дополнительных параграфов. Там мы ответим на специфичные вопросы и укажем новые точки роста.

При подаче материала мы использовали визуальное повествование. Другими словами мы рисовали графики и показывали максимальное количество информации с помощью минимального количества слов. Таким образом мы старались облегчить восприятие.

Также мы использовали простые термины, чтобы материал был понятен рядовому инвестору. Если конкретный термин (или график) нуждался в дополнительном объяснении, то мы делали отдельную сноску. Например, ниже мы объяснили, что такое слепой портфель, умный портфель и машинное обучение.

Теперь, когда организационные моменты закончились, давайте приступим к исследованию. Наш первый этап — описать датасет, с которым мы работаем.

Цель первого этапа — понять на концептуальном уровне, с чем конкретно мы имеем дело. Для этого мы ответим на следующие вопросы:

Давайте приступим.

Мы имеем 2046 компании в нашем датасете. Они выходили на IPO, начиная с января 1997 года и заканчивая июлем 2020 года. Эти компании провели размещение на основных биржах NYSE и NASDAQ. При этом одна половина компаний провела IPO и до сих пор торгуется на бирже. Другая половина имеет статус Delisted — то есть их акции ушли с рынка.

Как правило, компания получает статус Delisted по двум причинам — либо в результате банкротства (что плохо), либо в результате M&A-сделки (что хорошо). В разрезе нашей работы важна не столько причина, по которой компания ушла с рынка, сколько сам факт наличия данных. Он означает, что мы проводим исследование не только на "выживших" IPO, но и на компаниях со статусом delisted. Таким образом, мы избегаем ошибки выжившего.

Давайте посмотрим, сколько компаний выходило на IPO в зависимости от года:

Теперь посмотрим доходности. Для начала определим среднюю доходность IPO в зависимости от года. В качестве точки входа мы используем цену закрытия в первый день IPO. Мы ориентируемся на цену закрытия первого дня , потому что это максимально пессимистичный сценарий. По ней инвестор может попасть в сделку, независимо от размера аллокации в момент IPO или скорости исполнения приказов в момент открытия биржи.

В качестве точки выхода мы используем цену закрытия через 250 торговых сессий. Это примерно соответствует одному календарному году.

Давайте детально изучим динамику котировок после IPO. Для этого мы построим теоретический слепой портфель. В нем отразим ежедневные усредненные изменения всех IPO за первый год после выхода на биржу.

Первое, что бросается в глаза — это сильная коррекция, которая начинается через 100 торговых сессий после выхода компании на биржу. Причем это не связано с рыночными условиями или другими внешними факторами. Наш теоретический портфель одновременно включает 2046 IPO из разных временны́х периодов и разных рыночных циклов. Поэтому условный кризис 2008 года компенсируется последующим восстановлением. Соответственно, причина, которая вызывает коррекцию, находится внутри IPO-компаний.

Также видно, что IPO-компании стабильно растут первые четыре месяца. Интересный момент — распространенный трехмесячный lockup-период, от которого инвесторы мечтают избавиться, приносит больше пользы, чем вреда. Фактически, он помогает дольше удерживать прибыльную позицию.

Другой вопрос в том, что подобный результат обеспечивают не широкий спектр акций, а ограниченное количество суперзвезд. Это хорошо видно, если не использовать среднюю доходность, а посмотреть медиану. Ну и, чтобы дважды не ходить, сразу добавим квантили.

При оценке инвестиционных активов неправильно смотреть только на доходность. Ее нужно сопоставлять с риском. Поэтому мы изучим два простых показателя риска — стандартное отклонение и максимальную просадку. Давайте сравним риск и доходность за 250 торговых сессий, что примерно соответствует календарному году.

Сделаем сводную таблицу, куда соберем основные показатели количества IPO, риска и доходности за другие временны́е периоды. Возьмем следующие ключевые точки — 22 торговые сессии, 62 торговые сессии, 125 торговых сессий, 190 торговых сессий, 250 торговых сессий. Это примерно соответствует 1 месяцу, 3 месяцам, 6 месяцам, 9 месяцам, 12 месяцам.

Также мы рассчитаем коэффициенты Шарпа и Сортино, как распространенные показатели эффективности. Точнее мы рассчитаем средний Шарп IPO-компаний и средний Сортино IPO-компаний для основных временны́х периодов.

Подведем итоги описательной части:

Цель второго этапа — найти особенности IPO-компаний, которые положительно влияют на динамику цен после размещения. Для этого мы рассмотрим три типа факторов:

Под ключевым категориальным фактором мы понимаем сектор компании. Давайте посмотрим на количество IPO относительно этого фактора.

Теперь посмотрим на среднюю доходность, которую обеспечивает каждый сектор. Особое внимание обратим на Technology и Healthcare, так как это самые популярные сектора для проведения IPO. То есть эти данные наиболее репрезентативны.

Продублируем два графика доходности-риска, которые мы видели выше. Посмотрим на них через секторальную призму.

Под характеристиками IPO-сделки мы подразумеваем три фактора:

Market Capitalization

Начнем с капитализации. Построим scatter-графики, где оценим влияние фактора на доходность IPO. С помощью цвета сохраним разбивку по секторам.

Offer Amount to Market Cap

С абсолютными цифрами мы разобрались, теперь посмотрим на производные параметры. Первый производный параметр — это отношение суммы размещения к размеру рыночной капитализации.

Total Expenses to Offer Amount

Еще один производный параметр — отношение расходов на IPO (=комиссия инвестиционному банку) к сумме размещения.

Финансовые показатели — наиболее многогранный инструмент для анализа. Даже при использовании базовых метрик финансовой отчетности мы получаем широкий перечень изучаемых факторов.

В данном исследовании в качестве базовых метрик мы взяли:

• Revenue
• Net Income
• EBIT
• EBITDA
• Operating Income
• Free Cash Flow
• SG&A
• CapEx
• OpEx
• Total Debt
• Total Assets
• Cash & Equivalents

Мы остановились на этих показателях по двум причинам:

При этом все показатели отражают консолидированный финансовый результат за год до IPO. Мы можем получить эти данные перед размещением. Для этого нужно изучить форму S-1, которая находится в системе EDGAR на сайте Securities Exchange Commission. Кроме того, мы можем добавить значение Market Capitalization и отдельно рассчитать Enterprise Value.

Важно понимать, что финансовые показатели бессмысленно использовать в чистом виде. Поэтому мы рассчитали мультипликаторы и получили возможность относительной оценки. В таблице ниже — перечень мультипликаторов, которые мы использовали в качестве факторов для анализа.

Таблица финансовых мультипликаторов

Забежим вперед и отметим, что большинство мультипликаторов не имеют очевидной связи с доходностью IPO. Поэтому мы не будем описывать все соотношения. Мы ограничимся вариантами, где такая связь немного прослеживается. Для наглядности мы логарифмируем scatter-графики.

Данные зашумленные, сильные очевидные связи отсутствуют. При этом мы понимаем, что не можем предсказать рост IPO на основе какого-либо отдельного фактора. Однако, в некоторых случаях мы можем отсечь выборки с высоким количеством провальных компаний. Также отметим, что экстремальные значения (причем и доходности, и факторов) часто находятся в секторах Healthcare и Technology. Что логично, поскольку это наиболее специфичные сектора.

На основании этого мы делаем заключение, что предсказать IPO простым и очевидным человеческому взгляду способом не получится. По крайней мере, на основе существующих финансовых данных. Поэтому мы применим методы машинного обучения, чтобы найти более глубокие неявные связи.

Cравним верхний и нижний квартили доходности IPO-компаний. Напомним, что лучшая четверть IPO показала доходность выше 35%, а худшая четверть IPO упала больше, чем на 39%. Попробуем найти разницу — посмотрим, как отличаются финансовые метрики лучших и худших компаний. Выпишем те из них, где мы видим логичные и существенные закономерности.

В принципе все банально:

Метрик с видимыми закономерностями мало, но плюс в том, что они универсальные. Одна часть метрик отвечает за прибыльность компании, другая — за рыночную оценку. При этом более глубокие (или специфичные) мультипликаторы серьезных отличий не показали. Они одинаково представлены как в лучших, так и в худших IPO.

В целом, по второму этапу мы делаем следующие выводы:

Цель третьего этапа — научиться прогнозировать результат IPO на основе категориальных данных, финансовой отчетности и характеристик IPO-сделки. Поскольку аналитическая обработка финансовых данных показывает общую картину, но не позволяет выявить сильные связи, мы воспользуемся машинным обучением. В частности мы применим модель градиентного бустинга и библиотеку XGBoost.

Перед тем, как загрузить данные в машину, мы посмотрим корреляцию факторов. Для этого мы построим тепловую карту:

Несмотря на то, что многие факторы фундаментально похожи, нельзя сказать, что они сильно коррелируют между собой. Фактически, мы видим несколько корреляций выше 80% и одну корреляцию выше 90%. Поэтому мы выбросим один сильноскоррелированный фактор из выборки, а остальные будем использовать в полном объеме.

Чтобы прогнозировать результат IPO, мы используем модель градиентного бустинга. В качестве входных данных мы подаем факторы, которые описали на предыдущих этапах. В качестве цели задаем доходность IPO за определенный период.

Чтобы обучить и протестировать алгоритм, мы делим общий датасет (состоящий из 2046 IPO) на две части. Первую часть, которая составляет ¾ датасета, мы используем как данные для обучения алгоритма. Вторую часть, которая составляет ¼ датасета, мы используем как данные для тестирования. Если тестовый портфель, построенный алгоритмом, опережает слепой портфель, мы считаем это успехом. Если тестовый портфель, построенный алгоритмом, проигрывает слепому портфелю, мы считаем это провалом.

Чтобы исключить случайность из тестов, мы используем кросс-валидацию:

Таким образом мы получаем множество слепых и умных портфелей, построенных на разных наборах IPO. Затем мы усредняем результаты и получаем итоговые слепой и умный портфели. Эти портфели очищены от случайности. Если итоговый умный портфель опережает итоговую слепую выборку, значит алгоритм работает.

Единственный минус кросс-валидации — сильное усреднение результатов и занижение параметров риска. График доходности, полученный с помощью кросс-валидации, будет очень красивый и ровный. Любые коэффициенты, которые сопоставляют риск с доходностью, будут завышены, а графики портфелей получатся чересчур плавными. Мы сможем сравнивать их между собой, но абсолютные значения будут нерепрезентативны.

Давайте загрузим данные в машину и посмотрим, что получится. Входные параметры следующие:

Таким образом, мы получаем усредненные графики слепого и умного портфелей:

Мы используем эти диапазоны в качестве целей, потому что они разбивают датасет на три равные части и позволяют эффективно обучить алгоритм. Использование других диапазонов возможно, но это сильно усложняет задачу и допускает вероятность ошибок.

Теперь поиграем с точками входа и выхода. Например, посмотрим, как алгоритм предсказывает акции до "великого падения". Параметры следующие:

Теперь посмотрим, как алгоритм определяет акции после коррекции (на 130 день после размещения акций):

Соберем результаты в сводные графики, а также отразим доходности по годам и по секторам:

По третьему этапу мы делаем следующие выводы:

Первая цель четвертого этапа — найти факторы, которые сильно влияют на качество прогнозов. Вторая цель четвертого этапа — проанализировать отдельные размещения и понять, каким образом алгоритм выбирает акции.

Чтобы определить важность факторов, мы применим метод Permutation Importance. Суть метода следующая:

Если результат прогнозов сильно меняется, значит фактор имеет большое значение. Перемешав его, мы изменили логику алгоритма. Если прогнозы остаются плюс-минус прежними, значит фактор неважный — логика алгоритма не изменилась несмотря на то, что мы исказили входные данные. Таким образом, последовательно перемешав каждый фактор, мы можем оценить его влияние на алгоритм.

Большинство факторов имеют очевидный смысл с точки зрения классического финансового анализа. Некоторые из них (например, FCF to Net Income) видимого смысла не показывают. Тем не менее они помогают алгоритму эффективно разбивать первоначальную выборку и классифицировать IPO на дальнейших этапах.

Больше половины факторов содержат показатель рыночной оценки компании. Это либо Market Capitalization, либо Enterprise Value. При этом мы не добавляли эти факторы искусственно — они самостоятельно сформировались в процессе Permutation Importance. Таким образом, алгоритм использует не только внутренние финансовые метрики, но также применяет рыночные мультипликаторы стоимости.

Отойдем от концепции совокупных портфелей и посмотрим, как алгоритм прогнозирует конкретные размещения. Это послужит дополнительной проверкой и лучше раскроет прогнозную модель.

В качестве примера мы возьмем 50 крупнейших IPO нашего датасета. Запустим бэктест. Результаты занесем в таблицу. Для удобства мы выделим правильные прогнозы зеленым цветом, а ошибочные подсветим красным. Внизу таблицы подсчитаем статистику.

Топ-50 крупнейших IPO по сумме размещения
(прогноз "Sell" означает, что нужно пропустить IPO)

На дистанции 100 торговых сессий мы получили скромные результаты, хотя они все равно опережают слепую выборку. Результаты за календарный год лучше — точность прогнозов превышает 60%, а средняя доходность сделки кратно растет. Если увеличить тестовую выборку до 150 крупнейших IPO, то динамика показателей сохранится. То же самое случится, если мы протестируем 150 крупнейших компаний или 150 последних IPO. Во всех случаях мы немного опередим слепой портфель на коротком промежутке и сильно превзойдем его в течение года.

Мы еще не пришли к окончательному выводу, в чем причина подобной закономерности. Основное предположение видим следующее:

Так как алгоритм использует финансовые данные в основе прогнозной модели, он хорошо справляется с долгосрочной задачей и хуже определяет краткосрочных победителей. Соответственно, чтобы улучшить качество краткосрочных прогнозов, в модель нужно включить дополнительные нефинансовые факторы.

Мы изучили отдельные размещения и поняли структуру прогнозов. Теперь разберемся с логикой алгоритма. Напомним, что наша модель использует метод градиентного бустинга и библиотеку XGBoost, чтобы прогнозировать IPO. Фактически, модель строит множество деревьев решений, отправляет им входящие данные и выдает результат.

Мы не будем воспроизводить деревья решений здесь, потому что это не имеет практического смысла. Во-первых, деревьев много, во-вторых, они длинные, в-третьих, они не всегда интерпретируются человеческой логикой.

Но если вы хотите понять суть алгоритма на концептуальном уровне, то пройдите по этой ссылке. Вы скачаете архив, который содержит двенадцать деревьев решений. Они лежат в основе отдельных стратегий. На самом деле XGBoost использует сильно больше деревьев, но конкретно эти ветки — ключевые. Ознакомившись с ними, вы поймете, каким образом алгоритм прогнозирует IPO.

Из четвертого этапа мы узнали:

В исследовании мы изучили 2046 IPO. Мы начали с общего описания компаний. Мы закончили прогнозированием доходности с помощью машинного обучения. Пришло время собрать ключевые выводы и подвести итог проделанной работы.

Доходность IPO компаний (относительно 1-го дня закрытия):

Влияние характеристик IPO-сделки:

Влияние финансовых факторов:

Три вопроса, которые заслуживают дополнительного изучения:

Про машинное обучение в целом:

Про алгоритм в частности:

На принципиальном уровне мы можем улучшить алгоритм двумя способами:

На практике мы используем оба подхода, но концентрируемся на первом. Новые данные выявляют новые закономерности. Некоторые из закономерностей фундаментально улучшают модель. Мы убедились в правильности решения, когда запустили Permutation Importance — добавление даже одного важного фактора работало эффективнее, чем оптимизация внутренних параметров. Поэтому в будущем мы сохраним аналогичную политику.

Факторы, которые мы добавим в следующую версию алгоритма:

Мы изучим и другие факторы, по которым достанем данные. Собственно, основной процесс улучшения алгоритма состоит в поиске, обработке и проверке информации. Задачи, связанные с этим процессом, мы считаем приоритетными.

Три философских совета, которые имеют математическое обоснование. Они затрагивают как инвестиции в целом, так и IPO в частности:

Советы очевидные, но инвесторы редко их соблюдают. Поэтому тот, кто соблюдает — в выигрыше.

Оставьте обратную связь! Так вы поможете нашей работе. А наша работа поможет вашим инвестициям.