Re: [心得] 最差的30年rolling return，到底有多差?

看板 Foreign_Inv
作者 yesjimmy62 (~凰之翼~)
時間 2024-10-30 07:48:45
留言 38 ( 19推 0噓 19→ )
回文 2則
※ 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

回文

[心得] 最差的30年rolling return，到底有多差?
27 76 foreign_inv daze
2024-10-27 22:46:59
Re: [心得] 最差的30年rolling return，到底有多差?
19 38 foreign_inv yesjimmy62
2024-10-30 07:48:45

留言

推 a4695200 專業 10/30 08:47 1F
推 daze 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
→ daze 漏掉了那個+1 10/30 08:56 3F
推 Altair 謝謝分享 10/30 10:23 4F
推 elven 太強了 10/30 11:19 5F
推 icelaw 太深究沒有意義，常態分佈本來就有離散性， 10/30 13:44 6F
→ icelaw 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
→ icelaw 配置來 ，做為一種保險手段 10/30 13:44 8F
→ icelaw 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
→ icelaw 了 10/30 13:45 10F
推 staytuned74 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
推 staytuned74 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
→ staytuned74 還是我又誤解意思了？ 10/30 13:59 13F
推 daze 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
→ daze 羅得出的11.9%則需要指定分佈的形式。 10/30 15:06 15F
推 staytuned74 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
→ staytuned74 學推導25%怎麼來的 10/30 15:38 17F
推 staytuned74 簡化成骰子還是要假設uniform 10/30 15:49 18F
推 aldosterone 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
→ aldosterone 樣本的機率為 1/4；不知否表達這個意思 10/30 17:27 20F
推 aldosterone 連續的；避免原 PO 所謂重複的情況 10/30 17:43 21F
推 daze 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
→ daze 低，機率越高。自由度=1，約16.9%。自由度=2，約13.7%。 10/30 19:21 23F
→ daze 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
→ daze 的分佈也會有這個現象嗎? 10/30 19:30 25F
推 weimr 謝謝分享。 10/30 21:11 26F
→ KooA 取對數還有detrending的目的 10/30 23:50 27F
推 a4695200 有關『對數常態分佈』如果只是因為"股價都是正值" 10/31 09:39 28F
→ a4695200 似乎不夠完健 10/31 09:39 29F
→ a4695200 那謂何不能用『指數分佈』或『Gamma 分佈』? 10/31 09:40 30F
→ a4695200 還有每年的報酬謂何可以假設是i.i.d? 10/31 09:41 31F
推 a4695200 而且股價之間是否須滿足『無記憶性』？ 10/31 09:45 32F
推 a4695200 to 冰律哥 『常態分佈本來就有離散性』我猜您指的是 10/31 10:22 33F
→ a4695200 離散程度。就老弟認知應該就是變異數(variable) 10/31 10:23 34F
→ a4695200 但任何機率分佈都有啊？ 10/31 10:24 35F
→ a4695200 還是冰律哥指的是discrete?但常態分佈是連續型的 10/31 10:25 36F
推 SweetLee 我猜冰律要講的意思是常態分佈在很大的地方值不為0 10/31 22:57 37F
推 vincent1700 請問mu的區間是（-1,無限大）？ 11/01 17:00 38F