跳到主要內容

我的投資血淚史

我從小出生在一個投資觀念比較保守的家庭,常常聽到父母聊天聊到誰誰誰又投資虧了幾百萬,誰誰誰把退休金賠光之類的,耳濡目染之下,漸漸對於投資一點興趣都沒有。

開始工作後,有賺一些錢,花剩的錢也都是用在買儲蓄型保險居多。我大多都買美金的保單;有的到一定年度,還可以每年領息,有的是可以複利滾存,也就是利息不配發,滾進本金,併同計算次年度利息。

有幸在儲蓄型保險努力購買之下,終於存到第一桶金,我就深思有什麼其他投資標的可以投入,而不是再買保單;雖然說努力存保單,應該是放著領息比較好,但是,還是想要賺更多錢。

從買儲蓄型保單開始,我就對於投資就有一個很明確的目標,就是早點獲得財務自由,所以我買的儲蓄型保單,大多都是期滿每年領息那種,希望能早點「半退休」,時間更自由。

目錄:

套房出租

我第一個想到能用大約100萬就能做的投資就是買套房出租。當房東收房租就能獲得被動收入的美夢,驅使我開始投入研究。經過粗淺研究發現,假設我用100萬買了一間套房租給學生,每月收3000,1年收了36000,年報酬為3.6%,感覺其實不錯,當然這個還不包括房屋修繕等,一些雜七雜八的維護、管理費用。

但是,後來在網路上爬文,有看到有人分享,其實套房流動性不好,也就是說,買了之後要賣不一定好賣,若是要急脫手,有可能需要降價銷售。因此,有人建議投資2房1廳的小房,不僅可以出租,脫手時,也可以賣給小家庭,流動性會提高。

就因為這個流動性問題再加上其實投資套房也需要持續維護、管理,不是百分之百的被動收入,也怕租給惡房客等負面因素,我放棄了投資套房出租的計畫。

另外,其實房地產買賣及出租都還有稅務問題,不過,我沒有研究太深入。 

債券基金

套房出租計畫放棄之後,我另尋他路,找到債券這個投資標的。

債券的道理很簡單,投資100元,若票面利率(coupon rate)為5%,每年可領利息5元,領到債券到期日,也可拿回本金100元。大致是這個道理。

債券依其信用評等大致可分為兩大類:信用評等較好的投資等級債及信用評等不好的高收益債。信用評等好表示不易違約,利如美國政府公債目前都沒有違約記錄(不還利息或本金的狀況),而信用評等不好就指比較容易違約。

如果違約,有可能拿不到利息或債券到期時拿不回本金。

經過些許研究,發現身為小資族,要買投資級債券僅能透過買債券型基金(當時還沒有國內發行的國外投資等級債ETF)。

我在2015年買了一些投資等級債基金,沒想到美國在2015年底左右開始升息,我的基金報酬率開始下跌..。一開始學投資就看到報酬率-3%之類的這種數字,心真的很心痛。

為什麼升息使債劵報酬率下跌,可以參考這篇文章:

改買高收益債基金

高收益債這個名詞光是用聽的就很爽,「高收益」!

雖說高收益債的信用評等低,有違約疑慮,不過看到這些基金的配息率都很驚人,真的讓我動心,也就開始買了。

買了之後,報酬率也是一路下跌,配息率果真不等同報酬率...

不過,那時候的我已經有一些投資遇逆風如何處理的簡單心理準備,就是計畫好不論怎麼跌,我就是定期定額買入,越跌我就買得越便宜,配息率越高,跌到我買下全世界所有的高收益債為止...

就因為有投資虧損後如何反應的心理準備,我就一路定期定額投資了高收益債,後來報酬也都是正的。

雖然說買高收益債基金有一點成果,不過有一件事一直掛在我心上,未獲得解答,一件小小的數學問題。

就是基金每年內扣費用(管理費、保管費等)的問題。基金投資不僅購買時有手續費,每年還要內扣管理費等等的費用,令人頭疼。我要承擔高收益債的違約風險,利息的獲利還有一部分被基金公司收走,這樣我到底能賺多少?

因此,基金內扣費用的問題就一直在我心中。
回到目錄

美國交易的債券ETF

在搜尋適合投資標的的路上,我遇見了ETF(Exchange Traded Funds),指數股票型基金,特點就是管理費(每年內扣費用)低廉。

不過,國內當時沒有發行國外債券ETF,要投資國外債券ETF大多都是要從美國券商或是經過國內複委託下單才行。最嚴重的問題是,身為台灣人,美股配息都要扣高達30%的稅,高收益債ETF配息也要收。

那麼,本來為了買債券是要領配息度日的夢也就泡湯了。

然而,我並沒有停止尋找更好的投資標的。
回到目錄

標普500指數ETF

因緣際會之下,終於接觸到了美股ETF。直接吸引我的就是追蹤標普指數的ETF,目前有名的有3檔,SPY、IVV及VOO。3檔ETF都有非常低的每年內扣費用,像是IVV的內扣費用是每年0.03%,超級無敵低!且標普500指數成分股公司非常強大,有如蘋果、google、臉書等等的公司。

但是,標普500指數成分股的配息大致上都很少,像是IVV近幾年的配息率都在1%左右,並且,從本來要賺取配息而投資債券,到為轉取資本利得而投資股票,這個概念變化相當的大。

我就開始了我研究股票、經濟學、金融數學的路,也認識了股票市場報酬的潛力及可能的風險。
回到目錄

結尾

這段努力獲得被動收入的過程中,我甚至做過直銷,也做過台指期及選擇權交易,不過都沒有具體成效(以後可能會做台指選)。投資,真的要學很多東西,不然真的很不安心,畢竟都是自己的血汗錢。現在,我的投資組合大多都是股票型ETF,美股、台股都有,當初的基金也都還留著。
為何我也買了台股,可參考這篇文章:

留言

這個網誌中的熱門文章

母體變異數(population variance)、樣本變異數(sample variance)及自由度(degrees of freedom)

母體指的是所有的數據,樣本指的是從母體抽樣的數據,舉例來說,一個班級有40人,它們的身高,40個身高數據,若只針對這個班,就是母體,但是,卻只是代表全校學生身高的一部分,也就是樣本。 回到「機率統計」頁面 樣本平均數(mean)不是母體平均數,樣本變異數(variance)也不是母體變異數,一個班40個人身高的平均數很難剛好是全校學生的身高平均數。 一個班40個人的身高變異數也不會是全校學生的身高變異數。 變異數計算 母體變異數的定義如下: 而樣本變異數的定義如下: 奇怪的地方 平均數 雖然樣本平均數不是母體平均數,不過,如果不斷重複從同一個母體抽樣平均,會得到一個近似母體平均數的數字。舉例來說,從一個學校所有學生中,不斷隨機選出40個學生取平均數,再將這些平均數平均,結果會接近直接算全校學生的身高平均數。 也就是說樣本平均數的期望值就是母體平均數: 變異數 樣本變異數跟母體變異數就沒這麼單純了。奇怪的地方是,為什麼樣本變異數公式的除術是n-1,而不是像平均數計算一樣用n? 為何樣本變異數要除的是(n-1)? 除數為n的話,變異數會太小 如果樣本變異數的除數是n,樣本變異數就會常常比母體變異數小。為什麼呢? 因為,樣本是從母體抽取的,抽樣的數據算出平均,並且抽樣的數據會相對的接近抽樣的平均,總不會剛好抽出的樣本平均數剛好是母體平均數,且樣本數據離樣本平均數就像母體數據離母體平均數一樣分散吧? 假設母體數據為0-99的整數,共100個數據,從中選出10個數字,然後計算樣本的平均數,分別用n及n-1當作除數算出變異數,連續執行200次,並將200個樣本平均數及200個樣本變異數平均。 也就是取得樣本平均數及樣本變異數的期望值,結果如下: 母體平均數 = 49.5 ...

Blogger文章在Google搜尋引擎找不到,怎麼辦?

剛開始經營部落格,最令人不解及懊惱的其中一件事就是為什麼我的文章發布了,在Google搜尋引擎不管怎麼搜尋都找不到;文章找不到就沒辦法建立自然流量了。 回到「部落格經營血淚史」頁面 Google Search Console無法為Blogger建立索引,出現伺服器錯誤(5XX)⇨ 這是因為Google搜尋引擎還沒將新的文章或網頁放進去索引(index)裡。 可以用手動的方式,將新文章或網頁加入Goolge搜尋引擎索引裡。 首先,在Google搜尋「google search console」。 進去後,輸入網站網址如下圖,兩者選其一。 輸入網站網址並點點擊「繼續後」後,選擇「前往資源」。 視窗上側,找到「檢查XXX中的任何網址」,輸入要加入Google搜尋引擎索引的網頁(文章)網址。 如果該網頁不在Google搜尋引擎索引內,結果會出現「網址不在 Google 服務中」,這時需點擊「要求建立索引」。 這樣就完成了;大概過4-6天就會編入Google搜尋引擎索引了,不過,不需要一直重新提出建立索引的要求,因為這樣不會比較快編入索引。 如何提交Blogger Sitemap? 到Google Search Console的Sitemap,填入落格網址並加上 /sitemap.xml ,舉例來說,我的部落格就是https://quanist.blogspot.com/sitemap.xml,送出即可。 送出之後要等大約10分鐘,正常來說就會從「Couldn't fetch 」轉為顯示「成功」。 如何提交Blogger Atom Sitemap? 文章數少於500篇:到Google Search Console的Sitemap,填入部落格網址並加上 /atom.xml?redirect=false&start-index=1&max-results=500 ,舉例來說,我的部落格就是https://quanist.blogspot.com/atom.xml?redirect=false&start-index=1&max-results=500,送出即可。 文章數少於1000篇:到Google Search Cons...

【美式口音訓練】連音(word linking)

美式英文發音大部分都不是一字字念出來的,一句話通常都會有連音,而連音的發生的狀況有很多,以下一一介紹。 回到「英文口說訓練」頁面 子音結尾搭配母音開頭 這是最容易理解的連音發式。這種連音方式發生在一個字以子音結尾,下一個字則以母音開頭。舉例來說, turn on the light - tur non the light turn off the light - tur noff the light come again another day - cu magay nu nuther day Yes, I do - Yes sIai do 母音結尾搭配母音開頭 這種連音方式發生在一個字以母子音結尾如ow、o,這個連音方式比較容易被忽略,舉例來說 How are you - how ware you:are 的前面要加 w 的音 No, I don't - No wI don't:I 的前面要加 w 的音 I ate it - I yate it:I 結尾有一個 y 的音 I will wear it - I'll wear rit 子音結尾搭配子音開頭 算是相當困難的連音,或者說不算是連音,但是遇到兩個子音連在一起,都要記得發出來 month - mo n th:n 跟 th 都要發 recognize - re kgnize:k 跟g 都要發,美國人聽得出來 子音同化(assimilation) 子音同化發生相似子音被另一個子音取代,舉例來說 Handbag - hanmbag:nd 後面接 b,所以很可以用 m 取代。 有無聲子音轉換 I have to go -I haft go:v 變成 f I have to go to the bathroom - I haft go dthe bathroom:v 變成 f、to the 變成 d the 不該使用連音的時候 如果在說話時要特別強調一個字,這個字前後就不要連音,可以稍微停頓,把這個字念清楚。 回到「英文口說訓練」頁面

中央極限定理(central limit theorem)證明

中央極限定理(central limit theorem )指的是從一個獨立同分布(Independent and identically distributed, i.i.d)取出之變數數量趨近無限多時,其平均數(mean)將趨近常態分布(normal distribution)。 回到「機率統計」頁面 目錄: 動差母函數(moment generating function) 常態分布的動差母函數 中央極限定理證明 中央極限定理模擬 中央極限定理應用 動差母函數(moment generating function) 動差母函數為機率密度函數(probability density fFunction, PDF)及累積分佈函數(cumulative distribution function CDF)之外,另一種描述機率分布模型的一種方式。 定義 M X (t) = E[e tx ] 而 e tx 的泰勒級數(Taylor series)為 e tx  = 1 + tx + t 2 x 2 /2! +  t 3 x 3 /3! + ... 則 M X (t) 的泰勒級數為 M X (t) = E[e tx ]  = 1 + tE[x] +  t 2 /2! E[x 2 ] +  t 3 /3! E[x 3 ] + ... 因此,當t = 0時,以t取 動差母函數m次微分,就可以找到其分布模型的第m動差。 特性 M X+Y (t) = E[e t(x+y) ] =  E[e tx+ty ] =  E[e tx e ty ]  =  E[e tx ]  E...

一體成形式馬桶馬桶蓋怎麼拆及上裝式馬桶蓋膨脹螺絲原理介紹

家裡有主臥室廁所馬桶的馬桶蓋緩降有點壞掉,也就是沒有緩降功能,蓋馬桶蓋不小心會「碰」的一聲,關起來。 為了省錢,想要自己買馬桶蓋來換就好,就開始了馬桶蓋茶拆除研究之旅。 一看到主臥馬桶馬桶蓋才發現,原來沒有我想像的簡單,原因如下: 馬桶蓋兩側的空隙非常小,手要伸進去都很困難,何況是要轉鬆裡面的螺絲。 費盡千辛萬苦,終於從馬桶左側下方把手伸進去,也頂多只能摸到一邊的螺絲。 馬桶右側有一些水管,也就是說我根本不可能把手伸進去,摸到另一側的螺絲。 最後,花費了2-3天的偵探式思考,終於想到,說不定馬桶蓋向上拔起就拆除了,果真,只要將馬桶蓋立起來,往上拔就拆掉了。 附記:我家主臥廁所馬桶型號為:Derek C693NA 照片及拆除影片 馬桶前側照 馬桶蓋後側照 馬桶上方照 馬桶蓋拆除 上裝式馬桶蓋膨脹螺絲介紹 後來我另外買了上裝式馬桶蓋,包裹拆開來看到零件,附的膨脹螺絲我還是第一次看到,研究許久才知道怎麼裝。 原理 首先,拿出以下配件,可以看到上面有四個突出部 這個配件是用來裝在膨脹螺絲裡面的,它的突出部要跟膨脹螺絲相對應的開口及縫結合 然後,將螺絲從另一邊裝入 將螺帽從第一步驟介紹的配件端鎖上,直到螺帽進入該配件,與其吻合,接下來塞進安裝馬桶蓋的孔洞中,轉緊螺絲,這時,因為第一步驟的配件4個突出部已經卡住膨脹螺絲,膨脹螺絲已被孔洞夾住,且螺帽也被第一步驟的配件卡住,旋轉螺絲時,配件就會順著螺帽被往上鎖,擠開膨脹螺絲,最後把馬桶蓋安裝座鎖緊。  從正面將組裝好的膨脹螺絲塞進馬桶蓋安裝孔中,鎖緊即可

LQD 與 TLT 風險報酬比較

現在美國 10 年期公債殖利率站上 4%,算是站在近 20 年來的高水位,因此我有大筆買進的衝動,不過,經過一系列研究,美國長年期公債在殖利率上升時,風險還是蠻高的,我就轉向研究公司債。 今天我研究的 ETF 是 LQD,iShares iBoxx $ Inv Grade Corporate Bond ETF,也就是投資級公司債的代表。比較標的是 TLT,原因是 TLT 算是長債的代表,而且歷史平均報酬率容易勝過短債,適合用作與 LQD 相比,作為投資參考。 首先,先來技術分析。 LQD 上次低點在 2020/10/14 的 100.38 附近,與目前的 105.01 相差 4.612%。 TLT 上次低點在 2022/11/4 的 94.22 附近,與目前的 95.16相差 1%。 技術上 技術上,兩者都在近 10年低點,技術上算是有吸引力。 殖利率上升時,公司債的表現 TLT 2003-05-23 到 2004-05-21 跌了 10.254% TLT 2009-01-06 到 2010-01-05 跌了 16.364% 這段期間美國 30 年期公債殖利率從 3.04% 漲到  3.74%,漲了 0.7%。 TLT 2012-11-14 到 2013-11-13 跌了 15.701% 這段期間 美國 30 年期公債殖利率從 2.73% 漲到  3.83%,漲了 1.1%。 TLT 2016-07-29 到 2017-07-28 跌了 10.307% 這段期間 美國 30 年期公債殖利率從 2.18% 漲到  2.89%,漲了 0.71%。 TLT 2021-11-18 到 2023-8-15 跌了 32.695% 這段期間美國 30 年期公債殖利率從 1.97% 漲到  4.35%,漲了 2.38%。 結論 LQD 現在也很便宜,在公債殖利率還有可能持續上漲狀況下,表現可能勝過公債。

HYG、LQD 與 TLT 風險報酬比較

10 年期公債除了站上 4%,再撰寫這篇文章時,已經在 4.3% 徘迴,上次在 這篇文章 研究了現在是否應該要買 LQD 而不是 TLT,本篇文章我想研究非投資等級債是否更適合。 買點 HYG 現在 HYG 價格為 74.04,距離近一次低點 2020/3/20 的 69.75,差別為 5.794% LQD 上次低點在 2020/10/14 的 100.38 附近,與目前的 105.01 相差 4.612%。 TLT 上次低點在 2022/11/4 的 94.22 附近,與目前的 95.16相差 1%。 殖利率上升時,公司債的表現 TLT 2009-01-06 到 2010-01-05 跌了 16.364% 這段期間美國 30 年期公債殖利率從 3.04% 漲到  3.74%,漲了 0.7%。 TLT 2012-11-14 到 2013-11-13 跌了 15.701% 這段期間 美國 30 年期公債殖利率從 2.73% 漲到  3.83%,漲了 1.1%。 TLT 2016-07-29 到 2017-07-28 跌了 10.307% 這段期間 美國 30 年期公債殖利率從 2.18% 漲到  2.89%,漲了 0.71%。 TLT 2021-11-18 到 2023-8-15 跌了 32.695% 這段期間美國 30 年期公債殖利率從 1.97% 漲到  4.35%,漲了 2.38%。 結論 HYG 現在也很便宜,在公債殖利率還有可能持續上漲狀況下,表現可能勝過公債及投資等級公司債。

Google Search Console無法為Blogger建立索引,出現伺服器錯誤(5XX)

這幾天,我把我Blogger的網址改了幾次,為了測試Google是否有把我的網頁加進搜尋索引,我到了Google Search Console做了測試,結果出現錯誤,伺服器錯誤(5xx)! 回到「部落格經營」頁面 ⇦Blogger文章在Google搜尋引擎找不到,怎麼辦? Google AdSense要幾篇文章才能通過之審查甘苦談⇨ 我非常驚訝,我用的是Google自家的部落格平台,怎麼可能被Google封鎖;我想可能是我剛改網址,系統還不允許排入谷歌搜尋引擎。 官方網站「Google Search Console說明(註1)」出現的解釋是 當 Googlebot 無法存取網址、要求逾時,或是網站處於流量高峰狀態時,就會出現伺服器錯誤。在此情況下,Googlebot 便不得不放棄要求。 我能找誰詢問,解決「Googlebot便不得不放棄要求」的問題?我就滿心憂慮地去睡覺了。 隔天一早起來,我第一件事就是重新在Google Search Console測試我的網頁,還好過了。真是虛驚一場。 另外,如過要查詢伺服器狀態可以到Google Search Console的「設定」去看。 點選「設定」。 點選「檢索統計資料」的「開始報表」。 點選「主機狀態」,即可查看伺服器各種數據。 註1擷取自「Google Search Console說明」,https://support.google.com/webmasters/answer/7440203?hl=zh-Hant#zippy=%2C%E4%BC%BA%E6%9C%8D%E5%99%A8%E9%8C%AF%E8%AA%A4,2021/6/13 回到「部落格經營」頁面 ⇦Blogger文章在Google搜尋引擎找不到,怎麼辦? Google AdSense要幾篇文章才能通過之審查甘苦談⇨

何謂有效利率(effective interest rate)?

有效利率(effective interest rate)就是將名目利率分割領息週期後,將複利效果納入計算後的利率。 回到「金融分析」頁面 每季領息 舉利來說,存款1年,名目年利率為6%,如果每季發利息,名目季利率就是6%/4 = 1.5%,再把每季的配息拿去定存,形成複利效果,一年後的本金加利息是100(1 + 0.015)^4= 106.14元,減去本金100元(106.14 - 100 = 6.14),賺得利息6.14元,除以本金100元,等於0.0614,因此,考量每季將利息投入定存產生的複利效果後,實際利率應為6.14%,不是6%。 換成每月領息 如果每月發利息,名目月利率就是6%/12 = 0.5%,再將配息定存,形成複利效果,一年後的本金加利息是100(1 + 0.005)^12 = 106.17元,減去本金100元(106.17 - 100 = 6.17),賺得利息6.17元,除以本金100元,等於0.0617,因此,考量每月將利息投入定存產生的複利效果後,實際利率應為6.17%。 將領息間距切割到無限小 名目年利率不變,領息次數越多,有效年利率就越高。假設名目年利率為6%,各領息次數的有效年利率如下表: 領息次數 有效年利率(%) 1 6 2 6.09 4 6.14 6 6.15 12 6.17 120 6.18 無限次 6.18 連續複利(compounded continuously) 將領息次數增加到無限多次,就像每秒都領一點利息,稱為連續複利(compounded continuously)。公式如下: FV = PV*e^rt FV = 終值、  PV = 現值、r = 有效利率、t = 時間長度 公式證明: 連續複利公式有趣的地方是,有效利率跟時間長度的乘積(rt)就是計算終值的參數,舉例來說,用5%有效年利率存2年結果等於用10%有效年利率存1年。 這種特性可以用在許多金融數學的算式裡,算是變動利率下債券價格評估及股價走勢預測等。 可參考: 利率變動下,終值(future value)...

中央極限定理 (central limit theorem)之用均勻分布(uniform distribution)模擬常態分布(normal distribution)

中央極限定理 (central limit theorem)指的是只要從任何一個分布取出樣本後平均,樣本數量越多,這個平均會越接近常態分布(normal distribution)。 數學證明可參考: 中央極限定理(central limit theorem )證明 中央極限定理好用的地方在模擬現實生活中的很多現象,就算不確定某個事件的機率分布,只要取其平均,就可以用常態分布模擬。 舉例來說,股價可以用對數常態分布(log-normal distribution)來模擬,也就是說,股票報酬可以用常態分布模擬。 可參考: 股票走勢模擬 假設從某個數據庫,隨機選取4個樣本叫做X1、X2、X3、X4,然後將樣本平均,也就是 ( X1 + X2 + X3 + X4) / 4 = Xi,然後不斷重複選取4個樣本取平均,Xi會遵循常態分布;其平均值(mean)就是原數據庫的平均值,標準差(standard deviation)就是原數據庫的標準差除以每次樣本數開根號(根號4 = 2)。 電腦應用 中央極限定理其中一個應用就是可以用別的已知分布模型來模擬常態分布,舉例來說程式語言javascript沒有用常態分布取得隨機參數的方式。 但是可以藉由javascript原生產製的數據,藉由平均樣本來模擬。 舉例來說,我可以用javascript產至1000組範圍0到10的隨機數字,再從其中選5個數字作為樣本,然後看看樣本平均(為了方便做圖,皆四捨五入)是否遵循常態分布。 回到「工具」頁面 模擬計算 javascript程式碼分享 有需要用js來產生常態分布樣本的人可以參考這邊的程式碼。 首先設定常態分步的標準差及平均值,得到相對應均勻分布的上下限: 假設常態分步的平均值為x,標準差為y 則相對應的均勻分布的上下限分別為:上限則為x+y*√12/2,上限則為x-y*√12/2。 有了均勻分布的上下限,就可以求得其散步範圍 (range),也就是上限減去下限: y*√12。 假設要模擬的常態分步平均值為10,標準差為...