Прошло 4 года, когда я впервые представил здесь стратегию усреднения цен (DCA), и пришло время для некоторых интересных улучшений.
Первая, основная запись появилась здесь , а мгновение спустя дополнила дополнительными подсказками. И затем я добавил модификацию этой стратегии под названием VCA. Что я возьму сегодня из академического исследования, опубликованного Л. Данхэм и Г. Фризен «Построение лучшей мышеловки: усиление усреднения стоимости в долларах»
(в свободном переводе: «Создание лучшей ловушки: расширенное усреднение долларовой стоимости») // приветствуется больше поэтических переводов ? //
Возвращаясь к теме с новыми открытиями, я считаю наиболее оправданным. Не только из-за пенсионных инвестиций «в рассрочку», но и из-за растущего обвинения в том, что стратегии «купи и держи» перестали работать (по крайней мере временно), а также потому, что пассивное инвестирование в десятки комбинаций оказывается большим более эффективен, чем активный тайминг.
«Улучшенный DCA» (или, возможно, более профессиональный: продвинутый DCA, сокращенно EDCA) основан на довольно простом предположении:
Вместо того, чтобы вкладывать средства равными частями / частями через циклические интервалы (каждый месяц, квартал, год), мы меняем размер транша в зависимости от поведения рынка в период, предшествующий следующей покупке. Если у нас был год с понижением, мы увеличиваем транш на Y процентов, если вверх — мы уменьшаем транш на Y%. // Я описал похожую технику в случае механических систем как «мягкий мартингейл» //
Чтобы проверить эффективность такой настроенной старой стратегии DCA, джентльмены на первом этапе создали своего рода эталон для сравнения всех протестированных модификаций:
Во-первых, они сгенерировали синтетический ряд данных, который должен был имитировать ход мировых фондовых бирж. Курсы в этом созданном ряду данных имитируют случайную прогулку с элементом дрейфа (символизирующего долгосрочные тенденции роста). Среднегодовая норма прибыли в этой серии составила 6% со стандартным отклонением 25%.
Во-вторых: для каждой модификации, которую они описывают в своей работе, вышеуказанные серии были сгенерированы в 10000 раз, а объем транша был уменьшен или увеличен на Y = 10%, 50% или 100%. Размер базового транша в моделировании составлял 100 долларов (так много было постоянно инвестировано в DCA), так что, например, после убывающего месяца покупка могла быть в трех вариантах EDCA — 110, 150 или 200 долларов соответственно. Транши транслировались туда каждый месяц, и результаты этих испытаний проверялись через 1 год, 2, 3, 4, 5, 10 и 30 лет. Окончательный результат был дан для эффективности теста как средняя разница в доходах между двумя стратегиями после 10000 тестов.
Это всего лишь модель, но имитирующая изменения обменного курса, аналогичные реальным обменным курсам. Чтобы понять продолжение испытаний, нужно сначала узнать полученные таким образом результаты, проанализировать их и запомнить в качестве ориентира.
Позвольте мне сделать самые важные выводы, которые я прочитал из таблицы результатов (я положил это ниже из оригинала):
Рис.1 Сравнение месячной нормы доходности DCA и EDCA. Источник: «Построение лучшей мышеловки: усиление усреднения стоимости в долларах»
Среднемесячные нормы доходности варьировались от 0,25% до 0,42% в обеих стратегиях.
Наибольший разрыв между среднемесячными ставками доходности был создан при 2-летних инвестициях и составил 0,17% при Y = 100% для EDCA (т. Е. Транш был на 100% больше после снижения или ноль после увеличения).
Интересно, однако, что за эти годы этот разрыв сокращается почти до нуля. Тем не менее, переменная стратегия EDCA не работает, и различия в окончательной средней норме прибыли за 30 лет колеблются от 363,88 до 3638,83 долларов в пользу EDCA.
Вероятность того, что стоимость капитала в стратегии EDCA будет выше, чем у обычного DCA, колеблется от 86 до почти 90%.
Однако, когда дело доходит до временных диапазонов, стоимость капитала в EDCA превышала стоимость капитала в DCA чуть более чем на 60% времени для 2-летних периодов и почти на 90% времени в 30-летних периодах.
Конечно, C.D.N.
-Kat ——-