Re: [心得] 最差的30年rolling return,到底有多差?

看板Foreign_Inv (海外投資)作者 (~凰之翼~)時間16小時前 (2024/10/30 07:48), 編輯推噓14(14012)
留言26則, 8人參與, 3小時前最新討論串2/2 (看更多)
※ 引述《daze (一期一會)》之銘言: : 最近看到了些談 30-year rolling return 的文章 : 突然想到,最差的30年rolling return,到底有多差? : === : 考慮某投資,假設其年報酬率為獨立同分佈,且服從對數常態分佈。 : (這裡假設了分佈的型態,但並不對μ跟σ做估計。) : 問: 該投資未來三十年的累積報酬率,低於過去一百年間的 30-year rolling return : 之最小值的機率有多少? : 這個問題也許有解析解,但我數學不太好,就直接用蒙地卡羅法模擬看看。 : 我模擬的結果是大約 12%。 : === : 這裡的前提,「獨立同分佈+對數常態分佈」是非常強的假設 : 這個模擬的結果,不見得能適用於現實 : 但「過去100年的 30-year rolling return」雖然看似足足有71組數字 : 對於從中得到的一些觀察 : 或許可以再思考看看要給予多少信心 小弟剛好對這頗有興趣 以下是一點拙見: ---------------------------------------------- 1. 為什麼股價是對數常態,而不是常態分佈? 常態分佈的數值本身沒有上下限 可以說,負無限和正無限都有機率發生(當然機率很小很小) 但這對股價來說是不對的,因為股價都是正值、最小值就是0 用對數常態來描述股價就能解決這個問題 對數常態另一個重要理由就是數學好描述 實際上,真實股價比對數常態分佈有更多極值(大漲大跌)出現 ---------------------------------------------- 2. 報酬是常態分布嗎? 這其實對了一半 在股價是對數常態分佈的假設下(其實誰是因誰是果有點難說) 對報酬 x 而言 正確解答是他的對數 ln(1+x) 是常態分布 但當x不太大的時候,ln(1+x) 近似 x 所以報酬x不大的話(1%、2%之類的),可以說報酬近似於常態分布 但報酬很大的時候(-50%),這個近似就不成立、報酬就不是常態分布 這也可以從報酬有最小值(-100%)看出來報酬不完全是常態分布 ---------------------------------------------- 3. 回到原po的問題 "下一個 30-year rolling return 比前100年的最差的30-year rolling return 還差的機率是多少" 首先,前100年的最差30-year rolling return 我的理解是 前100年當中、任一個連續30年的return 因此如原po所說,有71個不同的連續30年(1-30年,一直到71-100) 如原po所說,這個解析解似乎相當困難 但有個方便粗略估計的方法 就是這100年中,有至少3個不重疊、也就是互相獨立的30年 這問題可以簡化成像是,擲完3次骰子,再擲一次會比前3次都小的機率 (骰子可能不是很好的例子,因為會有相同數值的時候...) 那這個的解是25% (並且這與是什麼分佈完全無關) 這當然是個會高估的粗估,因為還少算過去100年裡的一個10年 然後還有其他71-3=68個有重疊、不完全獨立的30年 如原po所說,更準確的解大概就只能靠蒙地卡羅了 我也得到跟原po一樣的數字、11.9 +/- 0.1 % 與mu和sigma無關 ---------------------------------------------- 以上一點淺見 感謝daze大分享如此有趣的問題 :) -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 96.246.241.196 (美國) ※ 文章網址: https://www.ptt.cc/bbs/Foreign_Inv/M.1730245727.A.BE6.html

10/30 08:47, 15小時前 , 1F
專業
10/30 08:47, 1F

10/30 08:56, 15小時前 , 2F
Right,其實是(報酬率+1)服從對數常態分佈。我習焉而不察,
10/30 08:56, 2F

10/30 08:56, 15小時前 , 3F
漏掉了那個+1
10/30 08:56, 3F

10/30 10:23, 13小時前 , 4F
謝謝分享
10/30 10:23, 4F

10/30 11:19, 12小時前 , 5F
太強了
10/30 11:19, 5F

10/30 13:44, 10小時前 , 6F
太深究沒有意義,常態分佈本來就有離散性,
10/30 13:44, 6F

10/30 13:44, 10小時前 , 7F
極端情況還是有可能發生,所以才要降低預期報酬來做資產
10/30 13:44, 7F

10/30 13:44, 10小時前 , 8F
配置來 ,做為一種保險手段
10/30 13:44, 8F

10/30 13:45, 10小時前 , 9F
不然大家都直接上槓桿all in上去就好了,什麼都不用研究
10/30 13:45, 9F

10/30 13:45, 10小時前 , 10F
10/30 13:45, 10F

10/30 13:50, 10小時前 , 11F
是與參數無關不是與分佈無關吧?不然怎跑蒙地卡羅?
10/30 13:50, 11F

10/30 13:58, 10小時前 , 12F
同是lognorm得到一樣估計機率,換norm得到另一估機率
10/30 13:58, 12F

10/30 13:59, 10小時前 , 13F
還是我又誤解意思了?
10/30 13:59, 13F

10/30 15:06, 9小時前 , 14F
那個粗略估計方法得到的25%的上界,與分佈無關。至於蒙地卡
10/30 15:06, 14F

10/30 15:06, 9小時前 , 15F
羅得出的11.9%則需要指定分佈的形式。
10/30 15:06, 15F

10/30 15:38, 8小時前 , 16F
我可能沒搞清楚假設前提,可否寫一下上界解的詳盡數
10/30 15:38, 16F

10/30 15:38, 8小時前 , 17F
學推導25%怎麼來的
10/30 15:38, 17F

10/30 15:49, 8小時前 , 18F
簡化成骰子還是要假設uniform
10/30 15:49, 18F

10/30 17:26, 6小時前 , 19F
對任意獨立同分佈的四個樣本,最小值出現在最後一個
10/30 17:26, 19F

10/30 17:27, 6小時前 , 20F
樣本的機率為 1/4;不知否表達這個意思
10/30 17:27, 20F

10/30 17:43, 6小時前 , 21F
連續的;避免原 PO 所謂重複的情況
10/30 17:43, 21F

10/30 19:18, 4小時前 , 22F
我試著改用對數Student's T分佈做蒙地卡羅,結果是自由度越
10/30 19:18, 22F

10/30 19:21, 4小時前 , 23F
低,機率越高。自由度=1,約16.9%。自由度=2,約13.7%。
10/30 19:21, 23F

10/30 19:29, 4小時前 , 24F
直覺上這似乎很合理,自由度低,tail比較肥。但其他tail更肥
10/30 19:29, 24F

10/30 19:30, 4小時前 , 25F
的分佈也會有這個現象嗎?
10/30 19:30, 25F

10/30 21:11, 3小時前 , 26F
謝謝分享。
10/30 21:11, 26F
文章代碼(AID): #1d8NHVlc (Foreign_Inv)
文章代碼(AID): #1d8NHVlc (Foreign_Inv)