跳到主要內容

安聯收益成長基金評價

安聯收益成長基金我從2015年就開始投資,目前也是我投資組合算是基金中高比例部位。當初會買這檔基金,是因為有超高配息,報酬也不錯,另外股票搭配選擇權確實也是一個很特殊的操作手法。

投資這檔基金已逾7年,來分享一下我對安聯收益成長基金的評價及是否值得投資。

投資組合分析

依據2022年2月安聯收益成長基金月報,投資成分如下:
  • 非投資級債券:33.86%,其中BB級佔49.03%,B級佔37.22%。。
  • 可轉換債:33.36%。
  • 股票:32.78%,其中資訊科技佔32.41%,前5大持股分別為微軟、蘋果、字母、亞馬遜及特斯拉,與標普500指數前5大權重成分股一樣。
  • 雖然安聯收益成長基金在已經沒有再宣傳這檔基金有使用掩護性買權來創造額外現金流,不過從其半年報(資料時間2021/3/31)來投資組合來看,還是有使用掩護性買權,量不算大。

績效與標普500指數比較

近1年(2021/4/7-2022/4/7)

安聯收益成長基金報酬為-1.46%,標普500指數為10.37%,基金嚴重落後。

近2年(2020/4/7-2022/4/7)

安聯收益成長基金報酬為43.78%,標普500指數為69.26%,基金嚴重落後,雖然2021年1月之前追蹤指數的不錯。

近3年(2019/4/7-2022/4/7)

安聯收益成長基金報酬為33.42%,標普500指數為55.52%,基金嚴重落後,雖然2021年1月之前追蹤指數的不錯,且2020年新冠肺炎爆發時,跌幅也較標普500指數小。

近4年(2018/4/6-2022/4/7)

安聯收益成長基金報酬為41.87%,標普500指數為72.79%,基金嚴重落後。

近5年(2017/4/7-2022/4/7)

安聯收益成長基金報酬為54.07%,標普500指數為90.80%,基金嚴重落後。

近6年(2016/4/7-2022/4/7)

安聯收益成長基金報酬為74.73%,標普500指數為120.04%,基金嚴重落後。

近7年(2015/4/7-2022/4/7)

安聯收益成長基金報酬為65.04%,標普500指數為116.5%,基金嚴重落後。

近8年(2014/4/7-2022/4/7)

安聯收益成長基金報酬為74.17%,標普500指數為143.45%,基金嚴重落後。

近9年(2013/4/5-2022/4/7)

安聯收益成長基金報酬為97.16%,標普500指數為189.23%,基金嚴重落後接近1倍。

下跌防禦力分析

2015年美國升息循環

2015年12月14日開始升息,基金與標普500指數績效概等。

2018年中美貿易戰

標普500指數高點為2018年9月20日的2,930.75,安聯收益成長基金一下跌較少。

2020年全球新冠肺炎危機

標普500指數高點為2020年2月14日的3380.16,安聯收益成長基金一下跌較少。

為何我投資安聯收益成長基金?

看完上面介紹各時期安聯收益成長基金與標普500指數的比較後發現,安聯收益成長基金很少勝過指數,不過我仍然持有,最大的原因不是他的高配息率,而是我在找尋一隻投資報酬與公司債相近的基金。

因為,我一直認為公司債算是創造現金流很好的來源,其一,公司債殖利率比公債高,其二,公司債理論上要比公司股票還安全。但是,我一直在追蹤又算蠻喜歡的富蘭克林公司債基金已經不接受新申購了,所以我才看上安聯收益成長基金,因為它持有公司債,可轉換債,及股票搭配選擇權,這種組合依金融工程角度分析,理論上報酬會接近公司債。

安聯收益成長基金與富蘭克林公司債基金及標普500指數報酬走勢比較

下圖可以看出安聯收益成長基金算是標普500指數與富蘭克林公司債基金的混合版,所以對我來說可以接受。

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

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

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。

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

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 )