跳到主要內容

美國升息期間買美股好嗎?

我第一次開始投資股票,債券時,印象中是在美國執行上一次的升息循環時,結果,現在又讓我遇到第二次美國升息,因此我做了一些研究,針對美國升息期間,美股走勢的簡單分析。

2004年

在 2008 年美國次貸風暴前,美國也是在執行升息循環,當時,聯邦基準利率從 2004 年 6 月 14 日的 1%,一路升到 2006 年 6 月 24 日的 5.25%,真不巧,跟現在的聯邦基準利率一模一樣。


不過在升息期間,美國核心通膨 (PCE growth) 也不過才在 2% 左右而已,換句話說,當時美國的實質利率高達 3%,貨幣比現在還緊縮。

根據 The Fed in Action 網站資料,美國 2004 年通膨有升溫跡象,而失業率也逐漸從 2000 年金融風暴中恢復,因此聯準會升息。

這也說明了聯準會升息,也有可能不是只是根據手邊數據,也有可能是根據未來可能數據。

Inflation had started to increase somewhat in early 2004, and the unemployment rate had decreased to 5.3 percent in May 2004. So in August 2004, the Fed started a gradual increase of the target federal funds rate. 

這段期間,標普 500 指數也是震盪向上。 


2015年

上一次的升息循環在 2015 年底,當時的美國核心通膨更是低於 2%,不過美國還是升息,根據聯準會官方網站的資料,當時也是預測通膨會升溫,且就業市場良好,才會升息,並不是通膨已經超過目標的 2% 才升息。

In March 2015, the FOMC indicated in its postmeeting statement that it anticipated that it would be appropriate to raise the target range for the federal funds rate when it had seen further improvement in the labor market and was reasonably confident that inflation would move back to its 2 percent objective over the medium term...Inflation was especially low in 2015, held down by declines in energy prices and in prices of non-energy imports. However, with the economy having strengthened considerably, the FOMC is reasonably confident that inflation will move back to 2 percent as energy and import prices stabilize and the economic expansion continues.

聯邦基準利率從 2015 年 12 月的 0% 升到 2019 年 4 月的 2.5%,也就是說,這段期間大部分美國是實質負利率,貨幣相對寬鬆,因此升息的目的,我想也是想讓利率達到中性水準。

這段期間,標普 500 指數也是震盪向上。 


2022年

聯準會 2022 年 3 月開始了目前我們所經歷的升息,到了 2023 年 7 月美國才算正式進入實質正利率,也就是貨幣緊縮,到底未來通膨會不會就此開始下降,真的很難說,畢竟如果參考 2004 年的狀況,實質正利率都已經達到 3%,通膨還是不段緩緩上升。

將匯率納入考量

標普 500 指數歷史高點在 2022 年 1 月 3 日的 4796.56 點,何時會創新高無法預測,但是,如果將美金匯率納入計算,美股早就創新高。

  • 2022 年 1 月 3 日美金匯率:27.632。
  • 2022 年 7 月 28 日美金匯率:31.39。
  • 2022 年 1 月 3 日 SPY 價格(經股利調整):466.41。
  • 2022 年 7 月 28 日 SPY 價格(經股利調整):456.92。
投資 1 萬台幣,可以換成 10000 / 27.632 = 361.899美金,可以買進 0.775925 股 SPY,到了 2023 年 7 月 28 日,總價值為 0.775925 * 456.92 = 354.5357,換成台幣,354.5357 * 31.39 = 11,128.87,報酬率高過 11%。

我們看 00646 就知道了。


債券呢?

看起來,以台幣計價的話,只有 1 至 3 年的美國公債表現可以。

結論



美股在前 2 次美國升息期間,表現都是震盪向上,目前這一次就考量美金匯率而言,早已突破前高,這 3 次升息的共通點都是美國失業率很低,或許也是說明了美國經濟在這 3 次升息循環間的韌性,也導致了美股能夠震盪向上,當然,這也只是對於美國升息與美國走勢的粗淺分析,並沒辦法有效做關聯性。

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 )