Adatgyűjtés részvénybefektetéshez Tudatos KisBefektetőknek – adatforrás ajánlások

Ahogy Jim Simons (matematikus, a világ egyik legnagyobb hozamát biztosító Medallion Fund mögött álló adatvezérelt befektetési irányzat megalkotója) szokta volt mondani: “We don’t start with models. We start with data”. Innen kiindulva a részvényelemzés (kvantitatív része) az adatelemzés, ez utóbi pedig a Data Science részhalmaza az én olvasatom és gyakorlatom szerint.

Ebből eredően az elemzési folyamat első és egyik legfontosabb része az adatgyűjtés. Tudatos KisBefektetőként nekem a következő adatforrások (és részben elemző eszközök, döntéstámogató szolgáltatások) bizonyultak hasznosnak (tervezem majd őket később bemutatni, de most ne vigyék el a fókuszt):

1. The Falcon Method: az EVA keretrendszer szerinti adatbázisuk szerintem a piacon a Tudatos KisBefektetők számára legjobb ár-érték arányt biztosító adatforrás és döntéstámogató szolgáltatás.
2. Morningstar: a jól feléptett “business moat” (fenntartható versenyelőny) alapú rating rendszere és úgy általában az adat- és kapcsolódó elemzői szolgáltatásai miatt sztem nélkülözhetetlen.
3. FastGraphs: a klasszikus value investing megközelítés és az adatvizualizáció legszebb “házassága”.
4. OldSchoolValue: ha tényleg nagyon a motorháztető alá szeretnél nézni a “klasszikus” módokon.
5. Iparági szinten Prof. Aswath Damodaran rendszeresen frissített adatbázisai kincset érnek.
6. Ha kifejezetten osztalékfizető cégek kerülnek a fókuszomba, akkor rá-rá pillantok a DRIPinvesting spreadsheetjeire is.

Ezeken felül kísérleteztem és/vagy a látóterembe került, de lényegileg nem használtam:

1. Stock Rover
2. FinViz
3. Value Line
4. És, ha igazán “vakmerő” vagy és a megatrendeken alapuló startupok érdekelnek, akkor a Nanalyze is érdekes lehet
5. Greenblatt Magic Formula

A fentiek egy része ingyenes, más része akár szemmel is látható, de a Tudatos KisBefektetők számára még elérhető árakon “forognak”. Ha azonban az összesre befizetnél, akkor az már komoly költségtényező lehet. Éppen ezért én egyszerre ezek közül általában legfeljebb hármat használok (plusz az ingyenesek), sőt ezeket időben szoktam váltogatni is (körmérkőzés szerűen ).

Miért többet is egyszerre? A tőzsde egy probabilisztikus aréna. Bárki ígérjen bármit is Neked, nincsenek varázsképletek és nincsenek dollár-cent szintű számítások (vannak, csak értelmetlen). Sávok (rangek) léteznek és ezekhez kapcsolódó valószínűségi szintek a különböző megközelítések (szolgáltatások) alapján. Még akkor is, ha egyesével van egy elfogadható meggyőződésed a szolgáltatók módszertana és minősége felé, érdemes ezek együttmozgását is vizsgálni. Szerintem fontos mindig ránézni, hogy pl. a fair értékkel, vagy egy hozampotenciállal kapcsolatban mit mond az egyik és mit mond a másik. Az egy erős jelzés, ha minél több (nekem hármat követni van kapacitásom egyelőre) egy irányba mozog (pozitívan korrelál) és egy számodra elfogadható sávon belülre esik az összes előrejelzés.

Ezzel így egészen jól el lehet boldogulni, ha vetted a fáradtságot és kitanultad a szolgáltatód mögötti módszertant (érted, hogy mit csinál). Ez sem kis munka, egy kisebb szakképzést csinálsz végig, mire ide eljutsz. A baj csak az, hogy ha kezelni szeretnéd a módszertani kockázatot is, akkor vissza kell menned a “kályháig”, kvázi “át kell ülnöd” a szolgáltató oldalára.

A fentiekben ismertetett adatforrások és elemzőeszközök -legyenek bár szerintem professzionálisak- többségében nem feltétlenül alkamsak erre. Ehhez már vissza kell nyúlnod az “ősforrásig (pl. SEC EDGAR), vagy kicsit be kell lépned a fintech univerzumba. És ez az a pont, ahol a Tudatos KisBefektető átlép a részvényelemzői világból az adatelemzői (valójában inkább a Data Science) világba. Ilyesztően hangzik, de nyugalom. Egyrészt nem kell Data Scientisté válnod, elég bizonyos alapvetéseket elsajátítanod, másrészt itt lesz nagy segíségedre az AI.

Ha elindulsz ebbe az irányba (is), akkor a fenti szolgáltatók mellett (vagy részben helyett) olyanok is képbe kerülhetnek akiktől a nyers, vagy közel nyers (részben már feldolgozott) adatokat is megkapod.

A legfontosabb szempont azonban az adatminőség. Soha ne feledd a GIGO (Garbage In – Garbage Out) elvet. Akármilyen jó elemzési módszertannal és számítási kapacitással is dolgozol, ha silány adatokat használsz, silány lesz a döntésed is. Ezekhez a célokhoz itt találsz egy szubjektív összefoglalót, amivel már Te is “játszhatsz”. Ezek mentén haladunk majd az AI által támogatott Data Science alapú elemzési gyakorlatunk során.: