主要是讀了99趴大大的動能致富一書簡單寫的筆記:
加速防禦雙動能策略是一個有效的風險管理方法，透過結合相對動能和絕對動能兩種方式，讓投資者在市場上漲時能夠抓住機會，而在市場下跌時則能降低風險，從而達到「進可攻，退可守」的效果。雙動能策略的基礎的核心原理是「強者恆強」，即過去表現好的資產未來有可能繼續表現良好。雙動能策略運用了兩個概念：
- 相對動能：比較不同資產在過去一段時間的表現，選擇表現較好的進行投資。例如，投資者可以比較美股 ETF（如 SPY/VOO）和國際小型股 ETF（如 SCZ）的報酬率，選擇近一個月、三個月或六個月報酬率平均的表現較佳的資產進行配置，會選擇國際小型股(如SCZ)的邏輯是因為和SPY/VOO的走勢相關係數較低。
- 絕對動能：當市場處於下跌趨勢時，避免投資表現不佳的資產，將資金轉向債券或現金等避險資產（例如 TLT，美國長期國債 ETF），藉以減少下行風險。
整個運作方式如下：
- 篩選表現較佳的資產：根據近一個月、三個月和六個月的報酬率平均，選擇表現較好的股票資產（例如 SPY 或 SCZ）。
- 判斷市場情況：當股市下行時，絕對動能策略會自動判斷市場趨勢。如果選擇的股票資產表現不佳，資金會轉向避險資產（如 TLT），以保護投資組合免受市場波動的影響。
- 加入現金避險選項：如果避險資產如債券的表現也不理想，那麼策略可以進一步轉向現金，這是市場出現極端風險時的最後防線。
為什麼加速防禦雙動能有效？
這種策略之所以有效，主要有兩個原因：
- 動態調整資產配置：加速防禦雙動能策略能夠根據市場狀況靈活調整資產配置，在市場上漲時抓住機會，而在市場下跌時轉向債券或現金，降低損失。
- 降低投資組合波動性：單純持有股票（如 SPY）在市場回調時可能會經歷較大損失，防禦雙動能策略通過債券或現金的避險，可以在市場不穩定時保持穩定的資本保護。
儘管防禦雙動能策略在風險管理方面具有顯著優勢，但也有一些潛在的缺點：
- 牛市中可能錯過增長：當市場快速上升時，如果過早轉向避險資產，可能會錯過一些市場的上升潛力。
- 依賴過去數據：動能策略依賴於過去的資產表現來進行投資決策，但過去的表現未必能夠保證未來的回報，在市場快速反轉時策略可能無法立即做出反應。
- 金融市場對事件的反應速度愈來愈快：報酬率計算權動可能要適時調整，不然會跟不上市場的變化。
防禦雙動能策略是一個簡單、有效的投資方法，特別適合希望在市場不穩定時保護資本的投資者，通過靈活調整股票與避險資產的配置，這種策略能夠在不同的市場環境中達到較好的風險管理效果，相較於單純的 Buy-and-Hold 策略，防禦雙動能策略雖然可能在牛市中略顯保守，但其在熊市中的防禦能力使得它成為一個值得考慮的長期投資策略。
基於查證精神用 Portfolio Visualizer 驗證看看策略的有效性，把時間拉到2024之後…表現比Buy and Hold VOO差，呃……
ANYWAY，分享一下加速防禦雙動能的判斷小程式(每個月初執行一次)
import yfinance as yf
import pandas as pd
import sqlite3
from datetime import datetime, timedelta
# 設定 ETF 代號
symbols = ['VOO', 'SCZ', 'TLT']
# 建立 SQLite 連接
conn = sqlite3.connect('etf_data.db')
c = conn.cursor()
# 建表格（如果尚未存在）儲存每月的收盤價
c.execute('''
CREATE TABLE IF NOT EXISTS etf_monthly_close (
symbol TEXT,
date TEXT,
close_price REAL
)
''')
# 抓取 ETF 的歷史資料（過去 7 個月）
def fetch_and_store_data(symbols, conn):
end_date = datetime.now().strftime('%Y-%m-%d')
start_date = (datetime.now() - timedelta(days=7*30)).strftime('%Y-%m-%d') # 抓取過去7個月的數據
for symbol in symbols:
#print(f"正在取得 {symbol} 的資料...")
# 抓取數據
data = yf.download(symbol, start=start_date, end=end_date)
if data.empty:
print(f"未能取得 {symbol} 的資料")
#else:
#print(f"成功取得 {symbol} 的資料:\n{data.tail()}")
data.reset_index(inplace=True)
data['Date'] = pd.to_datetime(data['Date'])
# 找到每個月最後一個交易日的資料
monthly_data = data.groupby(data['Date'].dt.to_period('M')).tail(1)
#print(f"{symbol} 每月最後一個交易日的資料:\n{monthly_data}")
# 檢查資料庫中是否已有該月份的資料，沒有的話才寫入
for _, row in monthly_data.iterrows():
c.execute('''
SELECT * FROM etf_monthly_close
WHERE symbol = ? AND date = ?
''', (symbol, row['Date'].strftime('%Y-%m-%d')))
result = c.fetchone()
if result is None:
# 插入新的數據
c.execute('''
INSERT INTO etf_monthly_close (symbol, date, close_price)
VALUES (?, ?, ?)
''', (symbol, row['Date'].strftime('%Y-%m-%d'), row['Close']))
#print(f"插入 {symbol} 的 {row['Date'].strftime('%Y-%m-%d')} 資料")
conn.commit()
# 計算報酬率的函數
def calculate_returns(df, symbol):
df_symbol = df[df['symbol'] == symbol].copy()
df_symbol.set_index('date', inplace=True)
# 計算 1 個月、3 個月、6 個月報酬率
df_symbol['month_1_return'] = df_symbol['close_price'].pct_change(1)
df_symbol['month_3_return'] = df_symbol['close_price'].pct_change(3)
df_symbol['month_6_return'] = df_symbol['close_price'].pct_change(6)
# 刪除 NaN 值
df_symbol.dropna(inplace=True)
return df_symbol
# 取得資料並存入資料庫
fetch_and_store_data(symbols, conn)
# 從資料庫中讀取所有 symbol 的資料
query = '''
SELECT symbol, date, close_price
FROM etf_monthly_close
ORDER BY symbol, date
'''
df = pd.read_sql(query, conn)
df['date'] = pd.to_datetime(df['date'])
# 確認已經讀取了 VOO、SCZ 和 TLT 的資料
#print(f"從資料庫讀取的資料:\n{df}")
# 檢查每個 symbol 的資料是否足夠計算報酬率
for symbol in symbols:
symbol_data = df[df['symbol'] == symbol]
#print(f"{symbol} 的資料量: {len(symbol_data)} 個資料點")
#print(symbol_data)
# 計算每個 ETF 的報酬率
voo_returns = calculate_returns(df, 'VOO')
scz_returns = calculate_returns(df, 'SCZ')
tlt_returns = calculate_returns(df, 'TLT')
# 計算 VOO、SCZ 和 TLT 的報酬率平均值（1 個月、3 個月、6 個月的平均）
voo_avg_return = voo_returns[['month_1_return', 'month_3_return', 'month_6_return']].mean(skipna=True).mean()
scz_avg_return = scz_returns[['month_1_return', 'month_3_return', 'month_6_return']].mean(skipna=True).mean()
tlt_avg_return = tlt_returns[['month_1_return', 'month_3_return', 'month_6_return']].mean(skipna=True).mean()
# 檢查報酬率是否有 NaN 值
print("VOO 的報酬率:")
print(voo_returns[['month_1_return', 'month_3_return', 'month_6_return']])
print("SCZ 的報酬率:")
print(scz_returns[['month_1_return', 'month_3_return', 'month_6_return']])
print("TLT 的報酬率:")
print(tlt_returns[['month_1_return', 'month_3_return', 'month_6_return']])
# 比較 VOO 和 SCZ 的平均報酬率
if not voo_returns.empty and voo_avg_return > scz_avg_return:
if voo_avg_return > 0:
result = 'VOO'
else:
if not tlt_returns.empty and 'month_1_return' in tlt_returns.columns and not tlt_returns['month_1_return'].isna().all():
if tlt_returns['month_1_return'].iloc[-1] > 0:
result = 'TLT'
else:
result = 'CASH'
else:
result = 'CASH'
else:
if scz_avg_return > 0:
result = 'SCZ'
else:
if not tlt_returns.empty and 'month_1_return' in tlt_returns.columns and not tlt_returns['month_1_return'].isna().all():
if tlt_returns['month_1_return'].iloc[-1] > 0:
result = 'TLT'
else:
result = 'CASH'
else:
result = 'CASH'
# 回傳結果及報酬率
print(f"VOO 平均報酬率: {voo_avg_return:.4f}")
print(f"SCZ 平均報酬率: {scz_avg_return:.4f}")
print(f"TLT 平均報酬率: {tlt_avg_return:.4f}")
print(f"最終選擇: {result}")
# 關閉資料庫連接
conn.close()
強烈懷疑 Buy-and-Hold VOO 是真王道，持續反覆打臉自己為什麼不加入大盤到底！？
