跳到主要內容

定期定額投資法的特點及迷思

定期定額投資法就是固定時間投入固定資金，舉例來說，每月固定用3,000元買入某一檔基金即為定期定額投資法。

回到「投資概念」頁面

優點

克服貪婪

股票或基金起起伏伏，只要定期定額投資就可以不用擔心買到高點或是沒買到低點，跌多買得便宜，漲多之前買到的也有賺。

克服恐懼

人人都想買股票(基金)買在最低點，但是往往在股票(基金)不斷下跌時又不敢買進，怕再跌，股票(基金)不斷上漲時也不敢買，怕被套牢，導致漲多跌多都不敢買的恐懼心裡。

定期定額投資是可以長久嚴格執行的投資方式，可以協助克服股票(基金)漲多跌多都不敢買的心態。

可以小額投資

如果剛開始沒辦法大額投資，可以先從定期定額小額開始，投資時間一久成效也會很不錯。


缺點

持續上漲標的報酬率低於單筆投資

股票(基金)持續上漲時報酬率不會較高，每月投資某標的100元成果如下表：

時間 股價 總單位數  總現值
1月 10元 10 100元
2月 20元 15 300元
3月 25元 19 457元

每月定期定額投資100元最後成果為457元，如果是單筆在第1個月投資300元，成果為750元。

小額定期投資成本較高

小額定期投資通常成本較高，舉例來說，股票整張(1,000股)買很貴，以台灣50(0050)每股150元來說，1張就要150,000元，很難每月投資。

如果以零股投資就有可能因為成交量較小導致價差較大，或是當大家都搶買的時候零股交易成交價會較整股還貴，大家搶賣的時候零股成交價又比較低的狀況。

這些都是成本。

迷思 

定期週期

定期定額的「定期」不一定是要「每月」，也可以是「每季」，甚至「每年」。有時候就是要存錢存到一定額度在交易即可。

舉例來說，可以存到150,000元在買整張台灣50(0050)即可，不一定一定要買零股。

比單筆投資安全

定期定額投資的標的假設也是「核心資產」類型的標的，也就是長線可以持有並預估有穩定獲利的，就如前述所言：「長線看漲的標的定期定額報酬較低」。

如果是會擔心長線會下跌，那定期定額就要有賣出時機，因為長線投資標的下跌，那麼不論是單筆投資還是定期定額投資都不會賺錢。

所以，核心資產直接單筆投資即可，因為沒有要一下買、一下賣，因為要長期持有。

可以買在區間低點

假設有12,000元可以投資A標的，並假設A標的為追蹤標普500指數的ETF，且現價為100元，以下有兩個選擇：
  1. 定期定額1月到12月買月投資1,000元。
  2. 單筆於1月投資12,000元。
第1個選項是可以有機會在1年內買到1年內最低點，而第2個選項沒辦法，如果A標的在3月崩跌，選項2的報酬會很難看。

但是，如果標普500指數長線看漲，20年後A標的價格為400元，那麼選項1跟選項2的投資結果會相當接近。
時間 股價 總股數  總現值
1月 100元 10 1,000元
2月 110元 19.09 2,100元
3月 50元 39.09 1,954元
4月 70元 53.38 3,736元
5月 90元 64.49 5,803元
6月 110元 73.58 8,093元
7月 120元 81.91 9,829元
8月 130元 89.60 11,648元
9月 140元 96.75 13,545元
10月 130元 104.44 13,577元
11月 110元 113.53 12,488元
12月 100元 123.53 12,353元
投資1年後，單筆投資價值維持在12,000元，沒賺也沒賠，不過定期定額投資資產變成12,353元，高於單筆投資成果。

但是，20年後A標的為400元，單筆投資價值為48,000元，而定期定額選項的結果為49,412元(股數123.53乘以400元)，相當接近。

換句話說，用定期定額投資法攤平短期成本意義不大。

模擬器

Labels:

留言

張貼留言

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
張貼留言
Read more »

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[ e ty ] =  M X (t)  M Y (t)  常態分布的動差母
張貼留言
Read more »

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。
張貼留言
Read more »

如何在Chart.js的圖上加上X軸或Y軸名稱

 Chart.js可以幫助網頁顯示各類圖表，要在X軸及Y軸上標示名稱方法如下： 找到Chart物件。 在Chart物件內找到options。 在options內找到scales，若無，自行加上scales。 即可在scales下設定X軸及Y軸的標示。 程式碼範例 <div> <canvas id="myChart"></canvas> </div> <script src="https://cdn.jsdelivr.net/npm/chart.js"></script> <script> const labels = [ '1', '2', '3', '4', '5', '6', ]; const data = { labels: labels, datasets: [{ label: '數據', backgroundColor: 'rgb(255, 99, 132)', borderColor: 'rgb(255, 99, 132)', data: [0, 10, 5, 2, 20, 30, 45], }] }; const config = { type: 'line', data, options: {scales:{ x:{ title:{ display:true, text:"月" } }, y:{ title:{ display:true, text:"unit" } } } } }; var myChart = new Chart( document.ge
張貼留言
Read more »

賭徒破產理論(Gambler's ruin)機率公式證明

賭徒破產理論(Gambler's ruin)指指的是兩位賭徒，每局賭1元，A賭徒有i元，B賭徒有n-i元，兩人不斷的賭，直到一人輸光為止。 回到「機率統計」頁面 前言 假設A賭徒勝率為p，輸的機率就是1-p，稱為q，我們要求算A贏光所有錢的機率。 讓p(i)代表A賭徒擁有i元的時候，獲得最後勝利的機率。 p(0) = 0，因為已經輸光所有錢並且賭局已結束。 p(n) = 1，因為已經贏光所有錢並且賭局已結束。 那麼p(i)呢？ 遞迴公式(recursive formula) 假設A有i元，它下一局有可能贏，有可能輸。贏的機率為p，輸的機率為1-p = q。 不論這一局是贏還是輸，A要贏光所有錢的機率還是沒有算出來。 這局贏了，接下來贏光所有錢的機率為p(i+1)。 這局輸了，接下來贏光所有錢的機率為p(i-1)。 因此，p(i) = p*p(i+1) + q*p(i-1)，且可以繼續延伸，例如p(i+1) = p*p(i+2) + q*p(i)、p(i-1) = p*p(i-) + q*p(i-2)... 每個公式需要套用原本的公式，稱為遞迴公式公式，而遞迴公式解法可以像解微分方程(differential equation)一樣，可以先用猜的！ 例如dx/dt = rx，微分之後x還是在公式裡，可以先猜測x = e^y。 猜測 假設，p(i) = x i ，並帶入p(i) = p*p(i+1) + q*p(i-1)，得到  x i   = p* x i+1  + q * x i-1 x = p* x 2  + q p* x 2  - x + q = 0 解一元二次方程式得 x = 1 或 x = q/p 微分方程 p(i) = x i ， x = 1 或 x = q/p，且有兩已知數 p(0) = 0 及 p(n) = 1。 而x i 的x有兩個根(root)，必須都帶入線性組合(linear combination)公式求解。 p(i) = A(1) i  + B ( q/p ) i  =  A +  B ( q/p ) i  p(0) = A + B = 0 ， A = -B p(n) = A + B ( q/p ) n   = 1 A + B ( q/p ) n  = -B +  B ( q/p ) n  = B(-1 +  ( q/p ) n )
張貼留言
Read more »