Python x 美股｜ 資產配置 + 尋找 Alpha

優惠名額有限，售完為止！

包含 2 堂課

US$247.75
US$226.08

相關組合

內容簡介

按一下 進入設定

00:00
00:00
00:00

主動式交易的機會成本 = 多元資產配置

相信大家一定都有一種經驗，花了非常多的時間，分析了一大堆股票，東買一支西買一支，自己催眠自己是在分散風險，常常看著指數上去，但自己的報酬卻沒有跟著上去，以報酬率而言，就產生了負的Alpha值。


而多元資產配置所花費的時間對比主動式交易少非常多，但是報酬率或風險調整後報酬率卻不一定差，以CP值來說是非常適合一般沒那麼多時間的上班族來做長期投資，只需要在前期付出一點研究的時間成本，未來就是定期每季或每半年審視一次資產配置結果，並進行再平衡調整就好了，是不是相當的簡單呢？


為什麼要使用Python來做美股資產配置？

美國股市擁有全世界最大與最完整的資產池，廣度與深度難有其他市場可以比擬，也因為投資標的非常多，所以必須要使用更加聰明的做法，別再用Excel硬幹了！Python擁有非常簡潔優雅的語法外，更有強大的套件可以免費供我們使用，也因為有了這個工具，我們可以一次分析千百檔股票或ETF過去幾十年的走勢，可以找出在歷史統計上對我們最為有利的標的。


課程中會使用Python Anaconda平台來操作Python，並大量使用Pandas作為金融時間序列的多維度資料分析工具，資料視覺化將以最熱門的Matplotlib來呈現。


這堂課與其他資產配置課程的不同？省時、求解、通用！

購課學員專屬API

為了把大家的專注度集中在學習資產配置的內容上，所以特別外購資料庫並提供給上課的學員使用，省去大家撰寫及維護爬蟲程式的時間。


課程學員將可免費使用雷大專屬的金融資料資源，可以用簡單的Python指令就可以抓取完整的歷史資料，包含股價、股息或基本面資料，可供學員方便玩轉金融資料，不論是想要做資產配置應用或是選股器都可以建構在這個API之上。


使用方式非常簡單，下面舉一個抓取VTI這檔ETF的歷史價格資料的應用，只需要引入raymond_investment.py，再輸入代號與token，就會回傳整理好資料格式的pd.DataFrame，接下來就可以馬上進行分析與建立投資交易策略，可以省去相當多的時間，API的使用方法與token取得方式會於課程第三章進行說明與演練。


import raymond_investment token ='XXXXXXXXXX' df = raymond_investment.HistoricalData(Symbol ='VTI',token = token)print(df)


 Open High Low Close AdjClose Volume Date 2001-06-1500:00:00+00:0055.42556.00555.17555.66538.65941.0674e+062001-06-1800:00:00+00:0055.81555.91555.3155.3138.41282826002001-06-1900:00:00+00:0056.1556.16555.23555.46538.52051.7776e+062001-06-2000:00:00+00:0055.37556.07555.37556.0538.92684760002001-06-2100:00:00+00:005656.72555.87556.539.2393240400..................2021-08-3000:00:00+00:00233.22233.97232.8233.61233.613.19337e+062021-08-3100:00:00+00:00233.56233.63232.77233.17233.173.12916e+062021-09-0100:00:00+00:00233.82234.21233.25233.58233.583.48813e+062021-09-0200:00:00+00:00234.31234.65233.68234.37234.373.29917e+062021-09-0300:00:00+00:00234234.5233.63234.29234.292.49724e+06[5088 rows x 6 columns]


專注於資料統計分析 · 數學模型講求概念

這堂課程的程式操作或資料分析比例比較高，從單一資產延伸到多個資產下，對於數學統計模型與程式需求比重一定會增加，學習過程會感到有點痛苦燒腦，但撐過幾個關卡後，就會發現沒有金融時間序列的問題難得倒你。


兩大類資產配置策略延伸廣泛

課程中是以ETF作為主要的資產池，大家也可輕易的將應用端用於個股上，用於個股反而有更多的資料維度可以去分析與發揮，例如可以使用財報基本面資料或分析師評等作為因子，建構出帶有主動式的Smart Beta投資組合。


超佛心！購課超過 50 人就解鎖：資產配置下的選擇權策略

戰術型資產配置策略相對於戰略型資產配置策略來說可以更多彈性去調整，對於分析金融市場很有一套的投資人來說就有很多東西可以去玩，包含可以建立客觀的部位調整訊號，或是使用衍生性金融商品來提高收益或進行下檔保護，所以在解鎖單元特別將過去衍生性金融商品交易的經驗與資產配置做結合。


選擇權一般人都會覺得是一個短線投機的工具，但在一個持有長期做多的部位下，就有很多策略可以發展，例如可以在某個資產上漲超過長期平均報酬率時，操作Cover Call來以在資產報酬率回歸平均階段時提升收益，當股市技術面出現明顯空頭走勢時，買進Put來做股票資產下檔保護。

  • Black-Scholes選擇權訂價模型
  • 用Python回測與模擬資產配置搭配選擇權組合績效


為什麼要學會做多元資產配置？

相信大家近年來一定都常聽到一個名詞叫做「多元資產配置(Multi-Asset Allocation)」，這個名詞最常出現的地方在共同基金，多元資產配置的好處相當多，但共同基金的配置方式其實是讓投資人剝了好幾層皮，這些多元資產基金的基金經理人從公眾的手中取得投資的資金，再去購買一堆共同基金或ETF，這個叫做Fund of Funds，除了底層資產的管理費外，又有多元資產基金的管理費，對於投資人長期價值減少的是非常可觀，何不把決定權拿回自己手中，並利用持有成本極低的ETF來建構投資組合，讓自己重新掌握投資決策的權力，做自己的多元資產經理人！


以下用一個非常簡單的範例來呈現股債混合式的投資組合配置，傳統上來說大家會認為股票的風險比債券來得高，而承擔風險就有機會獲得額外報酬補償，我們可以利用歷史的軌跡來看看過去的狀況，過去的結果顯示，將30%權重的美股資產轉移至美債資產上，對於風險調整後報酬的影響並不大，夏普值(Sharpe ratio)並沒有顯著的增加，同時減少一部分的美股與美債部位也同樣能得到類似的結果。




有了這些客觀的數據後，是不是更容易去做決策來判斷呢？這堂課的重點就是在利用大量的金融歷史資料來去統計分析，並使用幾個經典的投資組合策略來提升風險調整後報酬。

📌 影響長期風險調整後報酬

根據眾多學術論文的研究指出，決定投資組合長期風險調整後報酬最重要的因素為「資產配置」，而普遍大家熱衷的選股與市場擇時(Market Timing)佔的比例其實相當小，主因就是「長期」，普遍來說短期內大家都有機會可以挑出領先於大盤指數的股票，買在起漲點或賣在起跌點，但是長期每次都能精準挑選出飆股的人數可以說是極其少數，那我們何不就直接投資於指數型產品呢？

📌 交易成本極低

短線交易最重要的就是進場時點拿捏與交易頻率了，像台灣近年來風行現股當沖，但台灣的交易成本是全世界數一數二的，這個交易成本包含股票最小變動單位、下單手續費與證交稅，偶爾當沖有機會賺到便當錢，但是不論是散戶還是大戶都非常容易被市場與主力割韭菜，長期下來獲利的只有你的營業員與財政部；而長期資產配置的交易成本相當低，且使用海外券商大多都幾乎趨近於零的手續費，讓長期的摩擦成本降到最低。

📌 可依照設定風險目標找出最合適的資產配置

一個完善的資產配置目標是橫跨人生的各階段，例如在年輕的時候，比較能夠承擔風險，所以可以增加多一點股票部位來，而退休狀態則可以加入較低波動的固定收益型股權或債券，每個人的人生狀態與可承擔風險都不同，所以很難透過一到兩種資產配置方式就達成。

📌 利用美國掛牌的ETF作為長期投資工具

近年來ETF市場蓬勃發展，最主要還是以美國的ETF市場為主，在美國可以交易的指數型商品ETF或ETN就有2000多檔，其中涵蓋各種資產類別主題或槓桿，甚至主動型的ETF都有，讓大家輕鬆透過單一帳戶將資產配置到全世界。


美股指數型商品的流動性且管理費率都是指數型商品投資人的首選，以下是投資美股ETF的優勢：

  • 管理費收費低廉
  • 流動性佳
  • 選擇權商品完整
  • 指數型商品涵蓋範圍最廣
  • 零股交易

利用美國掛牌的ETF就可以投資到全世界的股市與商品，如使用海外券商則在長期交易成本上會有更佳的效果，課程中都會是以美國掛牌的ETF作為核心配置工具，海外券商建議可使用TD Ameritrade。



一定會有人想要問「台股也有很多ETF，沒辦法做到這種策略嗎？」台股ETF近年來發展快速，檔數增加的速度相當驚人，但有幾個缺點：

  • 管理費相對高
  • 買賣價差相對大，且容易碰到ETF籌碼問題
  • ETF種類並不完整，且很常發生掛羊頭賣狗肉的情形
  • 債券型ETF大多為規避法人規避投資限制用，不適合散戶買賣


用量化統計與回測的方式規劃屬於自己的資產配置策略

相信很多知道資產配置好處的朋友在實際操作的時候會碰到一些問題，例如我要怎麼決定權重怎麼分配，挑選什麼資產的分散風險效果較佳，過去這個資產配置方式的最大可能虧損是多少？這些問題在這門課程都會獲得解決，我們將會使用課程專屬的美股資料API抓取資料，並利用大量的金融資料與Python來分析決策，課程中也會帶著大家使用Python建立幾個經典的投資組合策略，有了這些操作的經驗後，你就有可以操作多維度金融資料的能力，進而延伸出自己的資產配置策略。



投資組合理論告訴我們「相關性只要不等於1，就能夠達成降低整體投資組合的風險，這是世界上唯一的白吃的午餐」，下表過去十多年來各大類資產的長期報酬率相關係數矩陣，分散效果的好壞從這張圖就能略知一二，下圖代表的資產範圍有美國股市、成熟國家股市、新興國家股市、各天期美國公債、美國投資等級公司債、抗通膨債券、房地產REITs與黃金。



戰略型資產配置(Strategic Asset Allocation, SAA)

戰略型資產配置策略算是一個中長期的資產配置方式，投資時間大約在五到十年左右，期間只需要定期進行「投資組合再平衡(Portfolio rebalancing」操作，例如這一季股市漲太多了，會導致股市權重脫離長期股市權重，讓整體投資組合將過多的風險配置在股市，每季再平衡操作時將股票部位賣出，並加碼漲幅沒那麼高的資產類別，也同步將股市的暴險比例調整回長期應該有的比例。


戰略型資產配置策略適合作為個人的長期核心資產配置，投資組合價值增長來源主要來自於整體股市的公司盈餘成長、房地產的長期增值或固定收益證券的持續附息，期間我們不大需要主動去選股或是考慮進場點位，隨時都可以按照權重定期增持這個投資組合。


戰略型資產配置最重要的就是如何決定各資產的長期權重了，在學術界或實務界都有非常多的模型因此而產出，主要是用量化統計結果去做數學求解，我們在這個章節也會利用Python實作幾個經典的資產配置模型，並說明各個模型在實務上的優缺點：


  • 平均數-變異數投資組合模型(Mean-Variance Portfolio Model) 

由投資組合教父Markowitz所提出的第一個量化投資組合概念，透過資產的報酬率與變異數矩陣建立出在效率前緣(Efficient frontier)上的投資組合配置，透過數學規劃求解的方式可以找出風險報酬比最佳的切點投資組合，或最小波動投資組合。


  • Black-Litterman模型 

由於Markowitz提出的平均數-變異數投資組合模型會有配置過度集中與參數敏感的性質，所以在參數估計出現誤差時，對於投資組合的報酬影響會相當大，所以Black與Litterman就提出了新的模型以修正平均數-變異數模型的缺點。


  • 風險平價模型(Risk Parity Model)與全天候投資組合(All-Weather Portfolio) 

1996年橋水基金(Bridgewater)提出了透過風險平價模型建構出的全天候投資組合，透過風險等價的方式決定各類資產的權重，例如一個平均配置股票與債券的投資組合中，整體投資組合超過一半的風險來自於股票資產，風險平價模型就會賣出部分股票資產並增加債券權重，讓股票與債券的風險占比趨於一致。


  • 機器人理財(Robo-Advisor) 

過去幾年大家可能常聽到機器人理財這個新名詞，最初是由幾個金融科技新創公司結合演算法與資產管理業務，將多個量化投資組合模型應用於大眾上，透過這種方式可以大幅降低基金的管理成本，我們會在這章內容將前面寫的投資組合模型給串起來，包含風險設定、資產配置與投資組合再平衡。


透過以上的經典資產配置模型演練，我們可以直接使用這些模型，或是透過這些的基礎來去延伸並發展出自己的模型。




戰術型資產配置(Tactical Asset Allocation, TAA)

戰術型資產配置屬於一個短中期的操作方式，目的是希望透過主動式的操作來獲取超過市場報酬或是降低波動的行為，例如投資人可以在景氣擴張時期，多增持股票資產或轉為景氣循環股或科技股，而景氣反轉時，可以拉高債券配置比例，並將股市部位轉為防禦型的公用事業或電信類股。


要進行戰術型資產配置的假設就是「擁有長期穩定預測大規模市場波動的能力」，可以靈活進行資產成分權重調整或利用衍生性商品來進行避險，如果我們沒有這種長期穩定預測的能力或不想花更多時間在這上面，也是可以回到100%都使用戰略型資產配置策略：

  • 量化因子配置模型
  • 總經資產配置模型

查看其他內容簡介