AKM1 — Den Kontroversiella Modellen: SUPERDJUP

AKM1 i ett stycke: modellen poängsätter ett bolag på 20 variabler fördelade på sju kategorier — Tillväxt (V01–V03), Värdering (V04–V06), Lönsamhet (V07–V09), Stabilitet (V10–V12), Moat (V13–V15), Katalysator (V16–V18) och Risk (V19–V20). Varje variabel får 0, 1, 2, 3, 4 eller 5 poäng efter dokumenterade trösklar. Aritmetiken är enkel: 20 variabler gånger max 5 poäng ger exakt 100 poäng som maximal totalsumma.

Sex kategorier har tre variabler och bidrar med högst 15 poäng var; Risk har två variabler och bidrar med högst 10. Poängen är en fundamentalprofil — en våg av belägg — och aldrig ett köpsignal i sig. Det är där den första kontroversen börjar, för enligt den akademiska huvudfåran ska förväntade avkastningar förklaras av faktorer, inte av rubriker med poäng i.

Skalan 0–5 är ett medvetet kompromissval. En tiogradig skala skulle ge sken av precision vi inte har — ingen kan ärligt skilja en 7:a från en 8:a på varumärkesstyrka. En treskalig skala (dålig–ok–bra) räcker inte för att skilja en marginalvinnare från en ordinär aktör. Fem steg tvingar dig att ta ställning men kräver inte falsk noggrannhet. Regeln vi arbetar efter: varje poäng ska kunna motiveras i en enda mening med ett tal eller ett dokumenterat faktum i.

Trösklarna du möter i den här kursen är riktvärden — sektorjustering är tillåten och efterfrågan, men den ska dokumenteras, inte smygas in. Poängsättning utan motivering är inte analys; det är stämningsläge med siffror på.

Marginal of safety är modellens överhuvud — och den har avsiktligt inget V-nummer. Benjamin Graham ägnade kapitel 20 i The Intelligent Investor åt principen: skillnaden mellan pris och verkligt värde är det som skyddar dig när din analys, eller världen, har fel. AKM1 poängsätter bolagets fundamentaldata; marginalen prissätter allt. En rak 100-poängare på ett bolag som handlas till fyra gånger verkligt värde är ett svagt case, inte ett starkt.

Varför ingen variabel? Därför att marginal of safety inte är en egenskap hos bolaget — den är en egenskap hos transaktionen. Att baka in den i summan skulle låta dig säga att ett dyrt bolag med 92 poäng är bättre än ett billigt med 78. Det är precis fel ordning. Först poäng, sedan pris. Alltid.

Kontroversernas karta har tre frontavsnitt, och du ska kunna samtliga utantill. Front ett: moat-variablerna V13–V15 (patent, varumärke, nätverkseffekter) — en kvantitativ tradition med rötter i Famas effektiva marknadshypotes (1970) skulle kalla dem oregistrerbara opinionsdata som inte kan backtestas. Front två: katalysatorvariablerna V16–V18, som poängsätter framtida händelser — mainstream-modeller äter bara bakåtblickande data.

Front tre: själva viktningsmatrisen, där inga regressionsvikter har satt talen. Mot allt detta en ärlig bekännelse som kursen upprepar: AKM1 är ett pedagogiskt struktureringsverktyg som tvingar dig att titta på allt — inte en bevisad alfa-källa. Vi tror på strukturen. Vi har inte ett p-value att visa upp. Det är utgångsläget, och det är bättre att veta det före motståndaren.

Matrisen konkret: Tillväxt (V01 Försäljningstillväxt, V02 ARR-tillväxt, V03 Intäktsdiversifiering) max 15 poäng. Värdering (V04 P/S, V05 P/B, V06 EV/EBITDA) max 15. Lönsamhet (V07 Bruttomarginal, V08 EBITDA-marginal, V09 ROE) max 15. Stabilitet (V10 Skuldsättningsgrad, V11 Likviditet, V12 Intäktsstabilitet) max 15. Moat (V13 Patent och IP, V14 Varumärke och kundlojalitet, V15 Nätverkseffekter) max 15. Katalysator (V16 Produktlanseringar, V17 Avtal och partnerskap, V18 Regulatoriska katalysatorer) max 15.

Risk (V19 Kapitalförbränning och emission-risk, V20 Återköp) max 10. Summa: 100. Lägg märke till vad matrisen inte gör: den multiplicerar inte, den diskonterar inte, den har inga dolda interaktionstermer. En 5:a i moat räknas exakt lika mycket som en 5:a i bruttomarginal. Det är enkelt, transparent — och angripningsbart, vilket vi kommer till.

Första invändningen vi avfärdar själva: varför inte likaviktning mellan kategorierna, sju kategorier à cirka 14,3 poäng? Tre skäl. Ett: variabeln — inte kategorin — är den atomära bedömningsenheten. Det går att motivera en tröskel för bruttomarginal; det går inte att motivera varför Lönsamhet som låda exakt ska väga lika mycket som Katalysator som låda. Två: kategoriviktning tvingar fram onaturliga variabelvikter.

Om Risk ska ge 14,3 poäng med två variabler skulle V19 och V20 väga 7,15 var — mer än någon enskild variabel i modellen — eller så skulle vi behöva hitta på en tredje riskvariabel bara för symmetrins skull. Tre: Risk-kategorins roll är till stor del asymmetrisk — den flaggar och sänker, den bygger inte berättelser. Att den bidrar med 10 i tak är en konservativ design, inte ett förbiseende.

Vad mainstream gör — och här ska vi vara exakta, för det är en stark motståndare. Fama-French-faktormodellerna (tre faktorer 1993, fem faktorer 2015) är långa-korta-portföljer: HML är lång hög bokvärde/pris och kort låg; SMB är lång små och kort stora; i femfaktormodellen läggs RMW (lång robust lönsamhet, kort svag) och CMA (lång låg investering, kort hög) till. Vikterna där är inte doktrinära gissningar — de är datadrivna konstruktioner som testats över decennier av tvärsnitt, och när Fama och French 2015 visade att HML i stort uppslukas av lönsamhets- och investeringsfaktorerna gjorde de precis det en AKM1-kritiker skulle kräva: reviderade modellen.

Det är vetenskapligt beteende, och vi respekterar det. Skillnaden är ändamålet: en faktormodell söker förklara avkastningsskillnader mellan portföljer. AKM1 söker strukturera en helhetsbedömning av enskilda bolag i utbildningssyfte. Vi konstruerar ingen hedgefondstrategi, och vi ska inte låtsas att vi gör det.

Den verkliga svagheten — och den ärliga bekännelsen: att varje variabel väger lika (5 poäng i tak) är i sig ett val som ingen regression gjort. En optimerare som fick välja vikter fritt skulle nästan säkert vrida matrisen — tycka att lönsamheten borde väga mer och katalysatorerna mindre. Varför låter vi den inte? Därför att fritt optimerade vikter på liten data är en fabrik för överanpassning: Bailey och López de Prado har visat hur backtests med många frihetsgrader producerar imponerande Sharpe-tal som kollapsar ur sample.

Väljer vi mellan en falskt exakt optimerad matris och en transparent, enkel-förklarbar matris som varje elev kan granska i huvudet — väljer vi transparency. Motkraven vi ställer på oss själva: dokumenterade poäng, sensitivitetstest (slopa en hel kategori och se om helhetsbilden ändras — gör den det var bilden skör), och mod att ändra trösklar offentligt när de misslyckas. En matris som inte får granskas är ingen modell; den är dogm.