ماشین حساب شاخص سهام

در تلاش برای گسترش میزان داده های رایگان بازار سهام تاریخی که در دسترس عموم است ، من در مورد عملکرد داخلی صندوق های شاخص تحقیق کرده ام و انواع شاخص های سهام سالانه و ماهانه ایالات متحده را از ابتدا به سال 1927 بازسازی کرده ام. داده هابرای بارگیری هر کسی در دسترس است و این صفحه قرار است یک قطب اصلی برای توضیحات و به روزرسانی ها باشد.

فهرست

• بررسی اجمالی
• چگونه یک صندوق فهرست کار می کند
• چگونه داده های Fama-French کار می کند
• ترجمه داده های Fama-French برای فهرست بندی شرایط صندوق
• جزئیات محاسبه
• نتایج و مقایسه
• نتیجه گیری
• سلب مسئولیت
• بازخورد

بررسی اجمالی

محاسبات نمودارهای نمونه کارها داده های منبع عمومی را از کتابخانه داده های Fama-French به بازده تبدیل می کند که آینه یک روش شاخص در دنیای واقعی را نشان می دهد. این کار با بازسازی بازارهای شبیه سازی شده برای یک شاخص معین با استفاده از فیلترهای اندازه و ارزش مبتنی بر سرمایه انجام می شود و سپس وزن بازده گزارش شده Fama-French را بر اساس بازار شبیه سازی شده انجام می دهد. نتایج نهایی جایگزینی برای داده های واقعی از یک صندوق خاص نیست ، اما آنها تاریخچه عملکرد کلی را به خوبی دنبال می کنند و برای اهداف عمومی پس زمینه مستقل از هر ارائه دهنده شاخص خاص مناسب هستند.

چگونه یک صندوق فهرست کار می کند

به معنای عمومی ترین آن ، یک صندوق شاخص عملکرد یک زیر مجموعه خاص از بازار را دنبال می کند که هیچ مدیریت فعال درگیر آن نیست. این یک تعریف دقیق مبتنی بر قوانین از "بازار" را که دنبال می کند تعیین می کند و بر این اساس نمونه کارها خود را می سازد. ارائه دهندگان شاخص هایی که شاخص های ایجاد و ردیابی را ایجاد می کنند شامل سازمان هایی مانند CRSP ، MSCI و راسل هستند. شرکت هایی مانند Vanguard داده های شاخص را از یکی از این شرکت ها خریداری می کنند و از آن برای ساخت وجوه خود استفاده می کنند. به عنوان مثال ، VTSMX در حال حاضر مبتنی بر شاخص کل بازار CRSP ایالات متحده است.

با این حال ، بسیاری از سرمایه گذاران ممکن است تعجب کنند که هر ارائه دهنده شاخص "بازار" را متفاوت تعریف می کند. به عنوان مثال ، S& P کلاه های بزرگ را به عنوان 500 شرکت برتر با کلاه بازار تعریف می کند. شاخص بزرگ درپوش Russell 1000 بزرگترین 1000 شرکت را ردیابی می کند. به جای استفاده از تعداد شرکت ، شاخص هایی مانند CRSP CAP بزرگ را به عنوان 85 ٪ برتر بازار با سرمایه گذاری تعریف می کنند. این تعاریف متفاوت از "بازار" بدان معنی است که دو منبع که ادعا می کنند همان شاخص را ردیابی می کنند ممکن است بازده متفاوتی داشته باشند.

وقتی به مواردی مانند رشد و ارزش رسیدید ، پیچیده تر می شود. هر گروه این اصطلاحات را متفاوت تعریف می کند ، و همه آنها فرمول های اختصاصی دارند که از طیف گسترده ای از معیارها (از جمله اختیار مدیر) استفاده می کنند تا تصمیم بگیرند که چه چیزی به عنوان ارزش و رشد طبقه بندی می شود. با این حال ، جایی که بیشتر آنها موافق هستند ، این است که بازار ارزش و رشد با تعداد شرکت تقسیم نمی شود بلکه با سرمایه گذاری در بازار تقسیم می شود. هنگامی که یک شرکت جدید به شاخص اختصاص داده می شود ، به نیمی از بازار اختصاص می یابد که در آن به بهترین وجه در طیف ارزش/رشد متناسب است."مخلوط" به سادگی بازار کل شامل رشد و ارزش است.(استثنائات قابل توجه S& P و Moingstar است. وقتی "مخلوط" را در یک جعبه سبک Moingstar مشاهده می کنید ، این افراد سوم شرکت ها هستند که رشد و ارزش را در نظر نمی گیرند.)

برای اهداف این تمرین ، من تصمیم گرفته ام که از تعاریف بازار مبتنی بر درصد برای اندازه استفاده کنم که (در حالی که بعضی اوقات از اصطلاحات مختلفی استفاده می کنند) در شاخص ها توسط CRSP و MSCI استاندارد هستند. علاوه بر این ، من از تعریف ارزش همانطور که توسط همکاران بین المللی استقلال (IIA) تعریف شده است استفاده می کنم. این نه تنها برای سازگاری داده ها در طول زمان با سری داده ها در سایت که شامل داده های IIA نیز می شود ، بلکه به طور کلی تمرین خوبی نیز دارد زیرا IIA نقش مهمی در ایجاد شاخص های ارزش و رشد MSCI دارد. با استفاده از این استانداردها ، CAP بزرگ به عنوان 70 ٪ برتر بازار با سرمایه کل ، CAP میانی 70-85 ٪ و CAP کوچک به عنوان 85 ٪ -98 ٪ تعریف می شود. ارزش به عنوان نیمی از بازار با کتاب به بازار تعریف می شود ، در حالی که رشد نیمی از گران است. در حالی که روشهای شاخص از این نظر متفاوت است و باندهای مختلف شناور مسئله را حتی بیشتر پیچیده می کنند ، B/M یک پروکسی قابل اندازه گیری خوب است و تقسیم بازار 50/50 در واقع یک روش استاندارد است. من چند نمودار را به اشتراک می گذارم که نشان می دهد چگونه این کار می کند ، اما ابتدا در مورد داده های اساسی که با آنها کار می کنیم صحبت می کنیم.

چگونه داده های Fama-French کار می کند

داده های منبع اصلی از کتابخانه داده های شگفت انگیز است که توسط دکتر کنت فرانسوی ، استاد دارایی در دانشکده تجارت Tuck در کالج دارتموث نگهداری می شود. خود داده ها بسیار متراکم و دانشگاهی است و به ویژه در مورد اطلاعات بازده ساده کوتاه است. حتی اگر می دانید به کجا نگاه کنید ، داده هایی که برای مواردی مانند رشد بزرگ کلاه و ارزش کلاه کوچک تهیه می شود ، به ویژه شاخص های مدرن را ردیابی نمی کند ، بنابراین بسیاری از افراد تمایل دارند که به دنبال اطلاعات تاریخی مفیدتر باشند.

نکته این است که مشکل مربوط به داده های Fama-French نیست بلکه با نحوه تفسیر آن است. روشهایی که از صندوق های فهرست برای ساخت یک شاخص استفاده می کنند ، کاملاً متفاوت از علایق تحقیق دکتر فرانسوی است ، اما اگر کسی بداند که با آن چه کار کند ، اطلاعات اساسی در آنجا وجود دارد.

پرونده ای که ما با آن کار می کنیم "100 پرتفوی تشکیل شده در اندازه و کتاب به بازار (10 10 10)" است. فهمیدم که تصویر کردن داده ها به عنوان یک شبکه مفید است:

هر سطل افقی نمایانگر یک دهفر اندازه است. با استفاده از تعاریف استاندارد Decile ، بزرگترین شرکت ها در Decile 1 و کوچکترین در Decile 10 هستند (Fama-French در واقع اعداد را معکوس می کند ، اما برای سازگاری با منابع دیگر ، من از تعاریف عادی در توضیحات کتبی استفاده می کنم). هر سطل عمودی نمایانگر یک دهکیت ارزیابی (تعریف شده توسط کتاب به بازار) با بیشترین شرکت های رشد در Decile 1 و بیشترین ارزش شرکت ها در Decile 10 است.

نکته مهمی که باید در اینجا درک کنید این است که دو مجموعه از دهک ها به روش های مختلفی جمع می شوند. دهک های ارزیابی تقریباً به همان اندازه با تعداد شرکت در هر دهک توزیع می شوند. دهک های اندازه توسط کل سرمایه در بازار جمع می شوند و به طور مساوی توزیع نمی شوند. آنها براساس نقاط شکست NYSE برای حفظ سازگاری در تعاریف اندازه هستند ، با شرکت هایی از مبادلات بسیاری دیگر که در درجه اول در دهک های کوچکتر قرار گرفته اند. به طور متوسط ، Decile 1 64 ٪ از کل بازار را نشان می دهد ، در حالی که Decile 10 کمتر از 1 ٪ از بازار را نشان می دهد.

بخش حیرت انگیز این است که در شرایط خاص بازار ، ترکیب های Decile می توانند به سرعت تعداد شرکت ها را از دست بدهند. به عنوان مثال ، در اوج سقوط بازار در سال 2001 ، فقط دو شرکت در اندازه Decile 1 وجود داشتند که در هر یک از سه دهکده برتر برتر واجد شرایط بودند. بنابراین برای پیگیری صحیح از کدام یک از دهکده ها ، شما فقط نمی توانید از شمارش های Decile ثابت استفاده کنید. مهم است که همیشه سرمایه گذاری در بازار را در هر دهفر پیگیری کنید.

پرونده داده Fama-French شامل یک تن اطلاعات طبقه بندی شده در این شبکه است ، اما برای نیازهای ما می خواهیم از "بازده وزن متوسط با ارزش" ، "تعداد بنگاه ها" و "کلاه متوسط بازار" استفاده کنیم.

ترجمه داده های Fama-French به شرایط صندوق فهرست

ما قبلاً بحث کردیم که چگونه شاخص ها هم اندازه و هم ارزش را از نظر کل سرمایه در بازار تعریف می کنند. بنابراین برای استفاده از داده های Fama-French ، ابتدا باید آن را به بازار مرتبط با هر مربع مقیاس دهیم. کل داده های اندازه بازار به طور مستقیم ارائه نشده است ، اما می توان آن را به راحتی از آنچه که ما داریم محاسبه کرد.

اندازه کل بازار = تعداد شرکتهای x متوسط کلاه بازار

مقیاس بندی شبکه قبلی بر اساس اندازه بازار هر یک از مربع های جداگانه (با استفاده از اندازه متوسط بازار تاریخی) این را به ما می دهد:

در اینجا می توانید چند مورد را ببینید. اول ، چند دهکده برتر بر اساس اندازه بر بازار کلی حاکم است. و دوم ، شرکت های بزرگتر تمایل به رشد بیشتر از شرکت های کوچکتر دارند. آنچه فوراً مشهود نیست این است که این نسبت ها به هیچ وجه ثابت نیستند و هر سال تغییر می کنند. ما در یک لحظه آن را به حساب می آوریم ، اما در حال حاضر پوشیدن تعاریف روی شبکه بسیار ساده تر است.

بنابراین با مقیاس کردن دهک ها با سرمایه گذاری در بازار و جدا کردن آنها بر اساس فیلترهای اندازه و ارزش ، می توان انواع مختلفی از صندوق های شاخص مدل غیر همپوشانی را مطابق با روشهای شاخص مدرن اما مستقل از هر ارائه دهنده ساخت.

جزئیات محاسبه

ماشین حساب شاخص سهام نمونه کارها با ایجاد پنج فیلتر بر اساس سرمایه بازار: بزرگ ، میانی ، کوچک ، ارزش و رشد ، به این عوامل مختلف اندازه و ارزش می پردازد. بیایید با عوامل اندازه شروع کنیم.

برای هر سلول از داده های Fama-French (مقیاس برای اندازه بازار) ، ماشین حساب تعیین می کند که آیا در محدوده مورد نظر برای شاخص قرار دارد یا خارج می شود. اگر خارج شود ، 0 ٪ گنجانده شده است. اگر وارد شود ، 100 ٪ گنجانده شده است. اگر نقطه شکست در وسط یک دهفر قرار بگیرد ، درصد مناسبی به بازار مدل شده اختصاص می یابد. بدین ترتیب یک ماتریس کامل برای ترجمه داده های بازار بر اساس اندازه ایجاد می شود و ماتریس هر ساله تغییر می کند زیرا درصد بازار دهک ها با گذشت زمان متفاوت است.

فیلترهای ارزش و رشد به طور مشابه ایجاد می شوند. برای هر سال و هر اندازه دهکده ، بازار بر اساس نقاط شکست باند به بخش های ارزش و رشد تقسیم می شود. هنگامی که نقطه شکست در وسط یک دهفر قرار می گیرد ، Decile کامل به نزدیکترین دسته اختصاص می یابد. این امر به این دلیل است که در حالی که توزیع کلاه بازار در یک دهک اندازه قابل پیش بینی است ، توزیع در یک دهکده با ارزش غیرقابل پیش بینی است و تلاش برای تقسیم آن خطای بیشتری را از بین می برد.

توجه داشته باشید که دهک های ارزیابی می توانند به طرز چشمگیری چرخش کنند. در یک سال ، دهکده با بالاترین رشد ممکن است 10 ٪ از بازار را پوشش دهد و در دیگری ممکن است 50 ٪ را پوشش دهد. تا حد امکان دقیق باشد ، توزیع هر سال دوباره محاسبه می شود.

هنگامی که این فیلترها را داریم ، ریاضی نهایی نسبتاً ساده است و از یک رویکرد ماتریس استفاده می کند.

فیلترهای مورد نظر برای ایجاد یک بازار شبیه سازی شده برای داده های اندازه بازار Fama-French محاسبه شده اعمال می شوند. سپس بازار با درصد وزن می شود و درصد حاصل از آن توسط داده های بازگشت Fama-French ضرب می شود تا بازده وزنی برای هر مؤلفه از شاخص بدست آید. اضافه کردن تمام بازده های وزنی ، بازده کل سال را می دهد.

نتایج و مقایسه

در اینجا نحوه بازگشت شاخص محاسبه شده شاخص های شناخته شده در طی 20 سال گذشته آمده است. تمام داده های فهرست از ویکی Bogleheads در اینجا ، اینجا و اینجا است. سری "PC" قرمز نشانگر محاسبات نمودارهای نمونه کارها است. برای بزرگنمایی کلیک کنید.

نتیجه گیری

محاسبات ترکیبی همه بسیار لکه دار هستند و این نشان می دهد که محاسبات اندازه سالم است. تعداد ارزش و رشد به طور کلی بسیار خوب است ، اما به دلیل داده های محدودی که باید برای تعیین ارزش داشته باشیم ، کمی متفاوت هستند. با این وجود ، تمام شاخص ها به وضوح بازده متفاوتی دارند و اعداد بازسازی شده به طور کلی در محدوده قابل قبولی از تنوع قرار می گیرند و روند را به اندازه کافی برای مطالعه گاه به گاه ردیابی می کنند.

آیا داده ها کامل هستند؟البته که نه! اما هدف این نیست که جایگزینی برای منابع دقیق نهادی فراهم شود که من مطمئن هستم که ارزش آن را دارند. برای یک سری داده رایگان که شکاف ها را پر می کند و پوشش تاریخ صندوق های شاخص مدرن را برای اهداف عمومی پشتی گسترش می دهد ، احساس می کنم بسیار منطقی است.

سلب مسئولیت

داده ها کاملاً هیچ تضمینی برای صحت ندارند. این صرفاً تقریب بازده های گذشته بر اساس منابع آزادانه در دسترس است و ممکن است حاوی خطا باشد.

روشهای دقیق صندوق های شاخص در دنیای واقعی بسیار پیچیده تر از آنچه در اینجا با داده های ارائه شده مدل سازی می شود. هدف از نظر منطقی واقع بینانه است ، نه دقیق.

اعدادی که در اینجا پیدا می کنید ممکن است به طور دقیق عملکرد هر صندوق شاخص فردی را نشان ندهد. همیشه هر صندوق خریداری شده را به طور کامل تحقیق کنید.

بازخورد

در حالی که من کارهای زیادی را در این مورد قرار داده ام و نسبت به نتایج بسیار خوب هستم ، می خواهم این اعداد تا حد امکان دقیق و مفید باشد و برای ورودی بسیار باز هستم. اگر کسی سؤال ، اظهار نظر ، اصلاحات یا پیشرفتهای توصیه شده دارد ، لطفاً با من تماس بگیرید.