現在假設有另外一檔基金，年度標準差為5.0%，年度報酬為11.0%那麼哪一個基金比較好呢？這兩個基金很明顯的，風險（以標準差當作波動程度來看）高的報酬也比較高，如果以Sharpe值來看，則兩檔基金其實是一樣的，Sharpe Ratio=(11-1)/5=2。這意味著這兩檔基金在承受相同單位風險的情況下，可以獲得相同的報酬。
之前我介紹過以效率前緣進行資產配置的最佳化，但這個方法並不實用，因為很容易出現極端的配置，例如報酬與風險較為中庸的資產可能在計算之後就完全不配置，而另一個缺點是計算的時候報酬不能為零（這是可以校正的，但原始設計不接受負報酬）。再加上效率前緣本身的計算較難，受資料選擇區間的影響很大，因此這只是一個理想化的理論，應用上則幾乎沒辦法使用。而這邊要介紹另一個資產配置最佳化的方法，就是以Sharpe值來作調整。
舉例來說，有A、B、C三檔基金，他們的Sharpe Ratio分別是0.6、0.7、0.8，那麼A基金應該配置的比例則 = 0.6 / (0.6+0.7+0.8) = 28.57%，B基金則 = 0.7 / (0.6+0.7+0.8) = 33.33%，C基金則 = 0.8 / (0.6+0.7+0.8) = 38.1%。簡單來說，單位風險能獲得越高報酬的基金，配置越多。而這種方法當然也有許多缺點，但可以接受報酬為零的情況，也比較不會出現極端的配置。但以Sharpe作資產配置的缺點則是沒有考慮到資產之間的相關性，也不是考慮在最低的風險下獲得最高的報酬。因此最理想的情況，是同時使用效率前緣以及Sharpe Ratio去計算資產配製的比例，而在這些計算的過程中瞭解各資產的特性，再進行調整，換句話說，各種量化計算的資產配置最佳化並不是解答，而是參考。
而更重要的，是要瞭解到這些計算都是根據過去的資料，但過去的資料並不代表未來的表現，只能說對同一個資產而言，過去的資料可以在一定程度上讓投資人瞭解到該資產的特性，例如該資產的波動程度、報酬高低以及與其他資產的相關性。
William Bernstein在他的「智慧型資產配置」一書中有提到，計算效率前緣的軟體起初很昂貴，而資料也很貴，但隨著網路資料的普及，以及Excel等軟體的發展，要計算效率前緣已經不是什麼困難的事情，甚至還有許多網站提供免費的服務，而包括Sharpe Allocator也有，這對投資人來講是很幸福的。
investorcraft.com這個網站就是提供這些服務，例如Efficient Frontier：
只要輸入ETF或共同基金，就會幫你計算出效率前緣的最佳化配置，這邊以VTI、VWO、BND、VNQ、DBC這最基礎的五大資產ETF為例，就可以看得出來其實在最佳化配置的情況下（Optimal Weight），VTI的配置比例竟然是負值，而這其實是效率前緣時常遇到的現象，所以通常會設定一個該資產的配置上下和下限，而我設定為10%和30%，所以經過校正後（Adjusted Weight），配置就正常多了，但也已經不是最佳化配置了。
可以看得出來校正後的配置報酬比較低，風險比較高。此外，也可以看出我設定的是一年的資料時間尺度，設定的無風險利率則是目前十年債券殖利率2.5%。而所謂的Minimum Variance Portfolio則是在效率前緣曲線最左側的端點，為風險最低的投資組合。
接下來試用看看Sharpe Allocator，條件的設定都一樣：
在最佳化的情況下，負報酬的DBC配置為零，而經過10%、30%的上下限校正後，則看起來比較合理了，所以以Sharpe值作資產配置的話，則大約是VTI、VWO、DBC配置15%，BND配置25%，VNQ配置30%。但這也顯示出問題：這樣的配置是根據過去的資料所計算出來的，而VNQ之所以配置最佳，是因為用來計算的這段期間漲最多，換句話說，如果用這樣的最佳化結果去配置，將會越貴的資產買越多，跌到便宜價的資產反而買得少。所以，僅供參考。
最後，這個網站的Correlation計算也很好用，而也建議大家只需要用這個計算器就好了，這就足以瞭解各資產的特性為何：
沒有留言:
張貼留言