Előre szólok, hogy ez most egy terjedelmes szöveg lesz, mert a téma (indirekt módon a trading vs. hosszú távú buy‑and‑hold befektetés) darázsfészek, és szeretnék világos és tényszerű lenni. Amikor elindulunk a részvénybefektetés útján, az egyik eldöntendő kérdés, hogy milyen befektetési módszertant, „iskolát” kövessünk. A baj csak az, hogy ez így a legtöbb KisBefektetőben fel sem merül. Akkora a zaj ebben a tekintetben, hogy ha nem kapunk már az elején megfelelő szakmai útmutatást, a legnagyobb eséllyel valamilyen kereskedési, trading (azaz tisztán az árfolyamváltozásra játszó) „megoldásba” csöppenünk.
Magam is így kezdtem a tőzsdei „karrieremet”. Szentül hittem, hogy befektető vagyok. Fel sem merült bennem, hogy a kereskedésen kívül van más út is; legfeljebb a trading tárgya volt kérdés (FOREX, CFD stb.) – egészen addig, amíg a bejegyzésben részletezett statisztikák, mint rögvalóság, be nem könyököltek az ablakomon, és el nem vesztettem mindent, amit úgynevezett „befektettem”. Miután végigmentem az ilyenkor tipikus lelki folyamatokon (tagadás → „miért én?” → „mindenki más a hibás” → közgazdász diplomám napi rituális megtaposása → elfogadás), szerencsére a kíváncsiságom nagyobbnak bizonyult a kétségbeesésemnél, és visszamentem az oktatómhoz azzal a kérdéssel, hogy hallottam valamilyen Warren Buffettről – neki mégis miért működött.
Sosem fogom elfelejteni a választ: „Ja, Laci, hát akkor te nem a kereskedést keresed, hanem a hosszú távú buy‑and‑hold irányzatot.” A kérdésre, hogy erről hol olvashatok bővebben, Sólyomi Dávid akkoriban megjelent Osztalékból szabadon című könyve volt a válasz. Nem tudom, rohantam‑e bármi vagy bárki után olyan szélsebesen, mint akkor (ha jól emlékszem) a Libribe – és nem hatásvadász túlzás, de konkrétan az utolsó darabot emeltem le a polcról. A többi – számomra – már történelem.
Ezen a ponton szeretném rögzíteni, hogy még véletlenül sem az az üzenetem, hogy a trading „rossz” vagy nem működik. Egyrészt – jogi disclaimerként – én nem állíthatom és nem is állítom, hogy neked ebbe vagy abba kellene befektetned, vagy nem befektetned. Ez továbbra is egy oktatási célú, a data science‑t mint döntéstámogató eszközt népszerűsítő blog, amely magánvéleményt közvetít.
Másrészt már ennek a bejegyzésnek a végén is kifejtem, hogy a tárgyalt szomorú statisztikákat hogyan helyezzük kontextusba, és hogyan értelmezzük újra a trading – vagy tágabban a nem fundamentális elemzésen alapuló – iskolák teljesítményét. Spoiler: a valaha mért legnagyobb hozamokat pont kvázi trading megoldások (is) biztosítják, de ne szaladjunk ennyire előre 😉.
Számodra a lényeg, hogy amikor elindulsz a hosszú távú vagyonépítés útján, fontos megértened, hogy nem csak az a tudás a kincs, hogyan csinálj pénzt, hanem az is, hogyan ne veszítsd el. Ahogy ezt maga Warren Buffett mondta az első országos tévés szereplésében a PBS csatornán, Adam Smith (George Goodman) műsorában 1985‑ben: „The first rule of investment is: don’t lose. And the second rule of investment is: don’t forget the first rule. And that’s all the rules there are.”
Ennek a szabálynak a betartásához az egyik út (stratégia), hogy – mint minden probléma esetén – első lépésként itt is „zoomolj ki”: nézz körül a pályán, és láss. A tőzsdei befektetés egy univerzum – kicsit hasonlít a harcművészetekhez –, ahol számos iskola, stílus, filozófia létezik, amelyek ráadásul dinamikusan változnak. A kérdés nem az, hogy „melyik a legjobb”, mert erre nincs is válasz. A te feladatod (önismeret!) ezen a ponton az, hogy felismerve a képességeidet, lehetőségeidet és pontosan megfogalmazva a céljaidat, elhelyezd magad ebben a koordinátarendszerben, ki tudd választani a számodra legmegfelelőbb iskolákat, és azokat magadra „hajlítsd”. Ezzel már csökkented a lehetséges veszteségek mértékét.
Praktikusan hatalmas segítség egy olyan mű, mint a New York University pénzügyprofesszorának, Aswath Damodarannek az Investment Phylosophies című könyve, amelynek harmadik kiadása mostanában jelenik meg.
A „ne veszíts pénzt” szabály betartásának következő útja – és ezzel rákanyarodunk a data science mondanivalójára –, hogy minden döntésednek adat‑ és tényalapúnak kell lennie (figyelembe véve a pszichológia törvényszerűségeit is). Mérj, mérj, mérj – és aztán merj!
Számos tudományos igényű munka jelent meg a trading eredményességével kapcsolatban, amelyek elég tényt szolgáltatnak a döntéshez (trading vs. hosszú távú buy‑and‑hold). Van, ami indirektebb módon fogalmaz meg állításokat, mint például az általam is bemutatott David Dreman Contrarian Investment Strategies műve. Dreman bizonyította, hogy a Hatékony Piacok Elmélete – amelynek kidolgozásáért a szerzők közül többen is Nobel‑díjat kaptak – legalábbis rövid és középtávon nem működik.
Ennek egyik – itt nagyon leegyszerűsített, de rövid/középtávon téves – állítása az, hogy a részvény árába bele van kódolva minden lényeges információ. Márpedig részben – akár tudatában van ennek a kereskedő, akár nem – ezen is alapul az a trader‑kiindulópont, hogy „nem kell mélyen foglalkozni a mögöttes vállalattal vagy eszközzel (fundamentumokkal), elég jól olvasni az árat”. A klasszikus retail trading gyakorlatilag úgy viselkedik, mintha a Hatékony Piacok Elméletét feltételezné: az ár „mindent tud”, csak gyorsabban kell reagálnom, mint a többiek. A statisztikák és kutatások viszont azt mutatják, hogy ez a megközelítés a legtöbb kisbefektetőnél negatív várható értékű játékhoz vezet.
A legklasszikusabb források közé tartozik Brad M. Barber és Terrance Odean Trading Is Hazardous to Your Wealth: The Common Stock Investment Performance of Individual Investors , valamint a The cross-section of speculator skill: Evidence from day trading című tanulmánya. Hasonlóan szemfelnyitó Fernando Chague és szerzőtársai 2019‑ben publikált Day Trading For Living kutatása, nem beszélve a számos felügyeleti szerv – köztük a bejegyzés tárgyát is adó ESMA, az Európai Értékpapír‑piaci Hatóság – saját vizsgálatairól.
Ezek összességében azt mondják, hogy a traderek több mint 70%-a veszít a kereskedési gyakorlata során. És ez még csak a „barátibb”, többszörösen aggregált adat. Ha szétszálazod a kutatásokat és mélyebben a motorháztető alá nézel, találsz olyan speciális kategóriákat is, ahol akár 97%-os veszteségi arányokkal is szembesülsz. Ez olyan megdöbbentő, hogy egyre több felügyelet megköveteli a szabályozott brókerektől, hogy nyilvánosan kitegyék: a hátratekintő 12 hónapban a lakossági CFD‑számlák hány százaléka veszített pénzt.
A CFD egy származtatott (derivatív) ügylet, amelyben az ügyfél és a brókercég abban állapodik meg, hogy egymás között elszámolják egy mögöttes eszköz (részvény, index, deviza, nyersanyag stb.) nyitó és záró árfolyama közötti különbséget; az ügyfél nem lesz a mögöttes eszköz tulajdonosa, csak annak árfolyamváltozására spekulál, jellemzően tőkeáttétellel. A CFD‑k eredményessége nagyon hasonló mintázatot mutat a tipikus rövid távú forex/termék/részvény‑tradinghez (a többség veszít), ezért az ott látott számok jól jelzik előre a te hosszú távú várható teljesítményedet is, bármivel is rövid távon tradelsz.
Innen lép be a web scraping. Ha nincs időd tanulmányokat olvasni, de a saját szemeddel szeretnéd látni a számokat, automatikusan le tudod gyűjteni a brókerek által kötelezően közzétett veszteségi arányokat, majd elemezheted őket. A web scraping mellett sokszor elérhető egy ‘hivatalosabb’ út is: az API (alkalmazásprogramozási felület), amely szabványos, dokumentált módon engedi, hogy a programjaid közvetlenül a szolgáltató rendszeréből kérjenek le strukturált adatokat – ha a szolgáltató ezt az utat megnyitja. Erről már volt szó a blogon, itt olvashatsz róla.
A data science célú web scarpingről a data36 blogján számos remek részletet találsz Mester Tamás és Újhelyi Tamás “tollából”:
Egy 3-6 hónapos intenzív data science és AI képzés, az erős domain ismeretet (itt: fundamentális elemzés) és a GenAI együtt képessé tesz a fentiek feldolgozására és saját célú alkalmazására.
Magam is így állítottam össze (GenAI támogatással) egy olyan megoldást, amivel a tárgyalt adatokat (lakossági felhasználók CFD számláinak 12 havi hátratekintő aggregált vesztesége) automatizálva le tudtam szedni, majd elemztem. Mivel demonstrációs céllal tettem mindezt, ezért a lehető legegyszerűbb megoldásokra törekedtem.
Egyrészt olyan weblapokat kerestem most, melyek maguk is az aggregált adatokat tartalmazzák. Ilyenek pl. a GoodMoneyGuide, BrokerChooser, vagy az InvestinGoal. Valós helyzetben dönthtsz úgy, hogy az általad preferált brókerek honlapjait közvetlenül célzod meg.
Másrészt, bár a scraping képes honlapok tömegével egyszerre dolgozni, most csak egyetlen egyel dolgozunk. Ennek az is az oka, hogy az említett három lap közül az első kettőre az algoritmus 403-as státuszkódot dobott, ami azt jelenti, hogy az automatikus robotok (főleg az “AI-szerű” user-agentek) előtt részben elzárják az adatokat. Ez egy fontos etikai és jogi problémája a web scrapingnek: nem minden weblapon engedélyezik ugyanis ezt. Nyilván a cél is fontos (pl. kereskedelmi célú-e, stb.) és lehet, hogy egy ilyen oktatási alkalmazás esetén nem lenne gond, de legyen része az is a demonstrációnak, hogy mindezt tiszteletben tartjuk. Ebben a demoban tehát csak az InvestinGoal weblapját scrapeljük.
Az itt bemutatott web scraping példákat Google Colab környezetben futtatom, elsősorban oktatási és kísérletezési céllal. A Colab nagyon kényelmes ilyen interaktív adatgyűjtéshez és elemzéshez, viszont önmagában nem alkalmas arra, hogy a kódunkat megbízhatóan, időzítve (például évente egyszer) automatikusan futtassa, mert a notebookok leállnak, és nincs natív időzítés (cron). Ha a scrapinget élesben, rendszeresen és automatikusan szeretnénk futtatni, akkor érdemes egy folyamatosan működő Linux szervert használni (például egy VPS-t a DigitalOcean vagy más szolgáltatónál), amelyet távolról, például PuTTY segítségével érhetünk el, és ahol egy Python scriptet egy cron job időzítve indít minden évben. Ebből kifolyólag a kód nem tartalmaz automatizálási (tehát hogy pl. évente egyszer automatikusan gyűjtse le újra és újra az adatokat) kódcellákat, de Te bátran kísérletezz ezzel is.
Az egyes Python futtatási lehetőségekről itt olvashatsz.
A Colab (Python) kódot itt éred el. A link megnyitása után a notebook a böngésződben töltődik be Google Colabon. Ha saját magad is módosítani vagy menteni szeretnéd, válaszd fent a menüben a File → Save a copy in Drive pontot; ekkor létrejön egy saját példány a Google Drive‑odban, amit szabadon szerkeszthetsz és futtathatsz.
Miután megnyitottad, görgess le és akkor valami ilyesmit látsz majd:
Soronként a # után zöld színű megjegyzésekben minden kódra találsz egy részletes magyarázatot, de álljon itt összefoglalva is:
Cell 1 – Oldal letöltése és HTML elemzése
Cél: Letölteni az InvestinGoal ESMA-statisztikás oldalát és BeautifulSoup-pal beolvasni a HTML-t.
Cell 2 – Az ESMA-táblázat azonosítás
Cél: Megtalálni azt a konkrét HTML-táblázatot, amelyben az ESMA brókerek és a „traders losing money” százalékok szerepelnek.
Cell 3 – Scraping logika: broker + traders losing money
Cél: Tiszta Python listát építeni a broker neve + szöveges százalék adatokból.
Cell 4 – Pandas DataFrame és rendezés
Cél: Tanulóbarát, jól olvasható táblázat készítése pandas DataFrame-ként.
Cell 5 – CSV mentés
Cél: A táblázatot újrahasználható CSV formában is elmenteni (pl. más elemzésekhez, megosztáshoz).
Cell 6 – Százalék konvertálása és alapstatisztikák
Cél: A „65,00%” jellegű szövegeket valós számokká alakítani és kiszámolni a legfontosabb statisztikákat.
Cell 7 – Hisztogram
Cél: Megmutatni az eloszlást vizuálisan.
A kódokat lefuttatva ezeket az eredményeket kapod:
A brókerek vesztes ügyfélaránya még a „legjobb” szereplőknél is 50–60% körül mozog, vagyis a lakossági CFD‑számlák fele‑háromnegyede mínuszban zár. A skála másik végén 80–90% körüli értékeket látunk: vannak szolgáltatók, ahol 10‑ből 8–9 ügyfél veszít. A legtöbb bróker valahol 70–75% körül koncentrálódik, a hisztogram is egy nagy “dombot” rajzol ki ezen a tartományon, 60% alatt kevés szereplő található, 80% felett viszont van egy hosszú „farka” az eloszlásnak. A viszonylag alacsony szórás (standard deviation) azt mutatja, hogy ezek az értékek egymáshoz elég közel vannak: nem néhány extrém „rossz” bróker húzza fel az átlagot, hanem a mezőny nagy része 70–80% közötti vesztes aránnyal dolgozik. Ez statisztikai szempontból azt jelzi a kisbefektetőnek, hogy nem pusztán „néhány ügyetlen” játékosról van szó: rendszerszintű jelenség, hogy a többség veszít. A Hatékony Piacok Elméletének említett “megbicsaklása”, a “zéró összegű játszma” könyörtelensége, a magas tőkeáttétel, a költségek (spread, jutalék), a gyakori kötés, a pszichológiai torzítások és az információs aszimmetria együtt olyan hátrányt jelentenek, amit az átlagos kisbefektető nagyon nehezen tud tartósan ellensúlyozni.
A klasszikus CFD‑zés és rövid távú spekuláció lényegében fogadás: valaki long, valaki short ugyanarra az ármozgásra. Ha az ár felmegy, a long nyer, a short veszít; ha lemegy, fordítva – a két fél bruttó eredménye kioltja egymást, tehát a játék alapvetően zéró‑összegű. Erre jönnek rá a költségek: spread, jutalék, overnight finanszírozási díjak, kamat, amelyekből a bróker biztosan keres, miközben a retail ügyfelek 70–80%-a (sok statisztika szerint még több) hosszú távon veszít.
Ráadásul a trading időtávja jellemzően percek–órák–napok, ahol a mögöttes eszköz reálgazdasági értéke még nem változik érdemben. Ilyen horizonton nincs beépített „termelés” vagy osztalék, az ár főleg más szereplők várakozásainak átrendeződését tükrözi, így amit az egyik nyer, az valaki más vesztesége, mínusz a költségek. Matematikailag a bruttó játék zéró‑összegű, a költségek levonása után viszont a kisbefektetők számára várhatóan negatív‑összegű. És akkor itt most nem említettem az érzelmi és gondolkodási torzításokat (pszichológia), de itt olvashatsz róluk.
Amikor fundamentális alapon veszel részvényt vagy széles, diverzifikált ETF‑et, nem pusztán fogadásba szállsz be, hanem vállalatok jövőbeli cash‑flow‑jának részesévé válsz. Ezek a cégek terméket és szolgáltatást adnak el, profitot termelnek, beruháznak, innoválnak – vagyis új gazdasági értéket hoznak létre, ami korábban nem létezett. Hosszú távon (10–20 év) a részvényárfolyamokat és az osztalékot ez a reálnövekedés és termelékenység hajtja, nem csak az order bookban zajló „ki kit ver át” játék.
A nagy részvényindexek (S&P 500, MSCI World stb.) infláció feletti, hosszú távú átlaghozama történelmileg pozitív volt, ami azt jelenti, hogy a befektetők összességében együtt is nyerhetnek. Itt a „pálya emelkedik”: ha a gazdaság egésze nő, a produktivitás javul, akkor a teljes részvénypiac tulajdonosai nem egymás kárára, hanem a létrejövő új értékből részesednek.
Nem, ilyen kategorikus állítást nem lehet felelősen tenni. Amit a statisztika és a tudományos irodalom mutat – és ez az én, oktatási célú személyes értelmezésem, nem befektetési tanács –, az az, hogy az átlagos, felkészületlen kisbefektető számára a hosszú távú, diverzifikált buy‑and‑hold sokkal kedvezőbb esélyeket kínál, mint a rövid távú, aktív tréding, de -felkészületlenül- ott is legfeljebb csak a passzív befektetési irányzatok.
Nem véletlen, hogy Warren Buffett a 2013‑as részvényesi levelében azt írta: a felesége örökségének 90%-át egy nagyon alacsony költségű S&P 500 indexkövető alapba (konkrétan egy Vanguard S&P 500 index fundba), a maradék 10%-ot pedig rövid lejáratú állampapírokba javasolja fektetni. Ez a gondolat jól összefoglalja, milyen típusú stratégiát tart ő évtizedes távon ésszerűnek egy nem profi befektető számára. Aktív részvénybefektetés felkészületlenül a hosszútávú buy-and-hold irányzatoknál is inkább lesz eredménytelen, mint nem.
Ugyanakkor fontos hangsúlyozni, hogy a tréding önmagában nem „rossz” vagy lehetetlen: léteznek extrém sikeres, kvantitatív alapok, mint Jim Simons Renaissance Technologies‑ének Medallion Fundja, amely több évtizeden át évi 25–35% körüli (vagy egyes becslések szerint ennél is magasabb, akár >60%) évesített hozamot ért el, ami messze veri a részvénypiaci indexeket. A Medallion ugyanakkor nem abban a ligában játszik, mint egy átlagos kisbefektető: óriási, több évtizedes tick‑ és order‑flow adatbázisra, matematikusok és fizikusok csapatára, data sciencre, gépi tanulásra, saját HFT‑infrastruktúrára és nagyon alacsony egységköltségre támaszkodik; sokszor nem fizeti a spreadet, hanem épp ő veszi fel. Ez a fajta, adat‑ és technológia‑vezérelt trading inkább ipari méretű kvantkutatás, mintsem „otthoni” kereskedés – belépési korlátai a tipikus kisbefektető számára megugorhatatlanok.
Személyes megjegyzésként megemlíteném, hogy vannak olyan „trading jellegű” megközelítések, amelyekben kisbefektetőként is láttam fantáziát (újra: nem ajánlás, hanem sztorizok!). Nagy dilemma volt számomra pár éve, hogy opciózással színesítsem a buy‑and‑hold befektetési stratégiáimat, vagy a data science‑ismereteimet mélyítsem el ugyanazon célból. Végül ez utóbbi mellett döntöttem, de ha két életem lenne, biztosan végigcsinálnék egy opciós képzést is.
Végül egy személyes sztorimegosztás – véletlenül sem befektetési tanácsadás. Ahogy a bevezetőben írtam, egykor csúnyán vesztes tréderként kezdtem, majd váltottam a hosszú távú buy‑and‑hold irányzatokra. Ez utóbbi a vagyonépítésről szól, és nem a rövid távú jövedelemszerzésről. Ám az élet dobott olyan helyzeteket, amikor rövid távon meg kellett oldanom a jövedelmet, lehetőleg nem a megtakarítások vagy a hosszú távú befektetések kárára. Ekkor dolgoztam ki az általam Controlled Quality‑Growth Trading‑nek elnevezett „kényszer” módszert.
Ennek lényege, hogy kizárólag a Minőség–Növekedés–Értékeltség (QGV) hármas alapján azonosított, nagy hozampotenciállal rendelkező vállalatok esetén – amelyekbe már eleve hosszú távra befektettem vagy terveztem befektetni – egy rövid távú trading hozamösszetevőt is bevezettem. Normális esetben a hozamösszetevők a fenntartható tulajdonosi értéknövekedésből, az osztalékból, a részvényvisszavásárlásból és a hosszú távú értékeltségváltozásból adódhatnak. Erre az utóbbira „húztam rá” egy rövid távú értékeltség‑változási (day/swing trading) réteget, kizárólag az azonosított QGV‑célpontok esetén.
Ez azonban már a piaci időzítés kategóriája, és nagyon komoly pozícióméretezési dilemmákat is felvethet, ha mellényúlsz. Az ilyesmit minden valamire való profi befektető kerülendőnek tartja, mert hosszú távon bizonyítottan kontraproduktív. Nem is ajánlom senkinek, és hacsak az élet nem kényszerít rá erre a kockázatos lépésre, magam sem alkalmazom. De őszinte vallomásként azért ide kívánkozott, mert ez is egy adalék ahhoz, hogy speciális feltételek mellett működhet a trading is.
Ám ha nincsenek speciális feltételeid, akkor szerintem érdemes tiszteletben tartani a statisztikák üzenetét.
Az itt leírtak kizárólag oktatási és szemléltetési célt szolgálnak, nem minősülnek egyedi befektetési ajánlásnak vagy pénzügyi eszközre vonatkozó elemzésnek. Az esetleges befektetési döntéseket te hozod meg, és te viseled azok következményeit. Befektetési döntés meghozatala előtt azonban mindig konzultálj független, engedéllyel rendelkező pénzügyi tanácsadóval, és végezz saját kutatást. Az én szerepem az, hogy módszertant, gondolkodásmódot és elemzési eszközöket mutassak be – ezen a fórumon erősen egyszerűsített formában –, valamint a saját tapasztalataimat osszam meg. Amit elmondok, az vélemény és ismeret, nem pedig utasítás, ajánlás.
Az adatvezérelt döntéshozásról ma már minden cég beszél, de jóval kevesebben csinálják jól. Hárombetűs rövidítések (KPI, OKR, ERP, CRM) lepik el a prezentációkat, miközben a valódi kérdés az lenne: tényleg azt mérjük, ami a tulajdonosok számára értéket teremt? Vagy csak kipipáljuk az „adatvezéreltség” és a „digitalizáció” buzzwordjeit, miközben csendben égetjük a tőkét.
Az adatvezérelt döntéstámogatás folyamatának egyik kritikus lépése a megfelelő metrikák megválasztása.
Tudtad, hogy a rosszul meghatározott KPI ok és ösztönzők alapján simán el lehet vezetni egy vállalatot hatalmas bónuszokért úgy, hogy valójában a menedzsment nem tesz le valódi hozzáadott értéket az asztalra?
Tudtad, hogy még ha a vezetés jóhiszemű és hozzáértő is, akkor is tud tulajdonosi értéket rombolni egyszerűen a rosszul megválasztott metrikák eredményeként?
Tudtad, hogy külön irodalma van annak, hogyan lehet a klasszikus számviteli mutatókat törvényes keretek között – akár akaratlanul, akár szándékosan – manipulálni a vezetés érdekében, a tulajdonosok rovására? Olvass tovább a részletekért!
