Pca Trading Stratégies

Les hedge funds sont, dans l'ensemble, des fonds d'investissement qui ont moins de réglementation et plus de souplesse par rapport à d'autres fonds d'investissement classiques, tels que les fonds communs de placement (plus sur cette distinction est écrit ci-dessous). Un fonds de couverture aura un gestionnaire de placements et sera généralement ouvert à une gamme limitée d'investisseurs qui paient une commission de performance au gestionnaire de fonds sur les bénéfices gagnés par le fonds. Chaque hedge fund a sa propre philosophie d'investissement qui détermine le type de placements et les stratégies qu'il emploie. En général, la communauté Hedge Fund entreprend un éventail beaucoup plus large d'activités d'investissement et de négociation que les fonds d'investissement traditionnels. Les fonds de couverture peuvent utiliser des opérations à haut risque ou exotiques, comme investir dans de l'argent emprunté ou vendre des titres en vente à découvert, dans l'espoir de réaliser de gros gains en capital. De plus, Hedge Funds investit dans un éventail plus large d'actifs, y compris des positions longues et courtes en actions, en titres à revenu fixe, en devises, en matières premières et en actifs non liquides, comme l'immobilier. On pensait que les premiers hedge funds existaient avant la Grande Dépression dans les années 1920, bien qu'ils n'aient gagné en popularité que dans les années 1980, avec des fonds gérés par des investisseurs légendaires comme Julian Robertson, Michael Steinhardt et George Soros. Soros a gagné une grande notoriété en 1992 quand son Fonds d'investissement Quantum parier correctement contre la Banque d'Angleterre en prédisant que la livre serait dévalué, ayant été poussé dans le mécanisme de taux européen à un taux trop élevé. La mise en jeu de Soros a porté ses fruits à 1 milliard de dollars et a ouvert la voie aux futurs investisseurs de fonds spéculatifs, qui ont spéculé sur les marchés en fonction de facteurs fondamentaux et quantitatifs. Hedge Funds: Comment diffèrent-ils des fonds communs de placement Tout comme pour les hedge funds, les fonds communs de placement sont des fonds communs de placement. Cependant, il existe de nombreuses différences entre les deux, y compris les suivants: Les fonds communs de placement sont réglementés par la SEC Hedge Funds ne le sont pas. Les investisseurs de hedge funds doivent être accrédités (ce qui signifie qu'ils ont un certain montant d'actifs liquides). De nombreuses stratégies de fonds communs de placement sont de longue durée, ce qui laisse supposer que les titres individuels ne peuvent pas être vendus à découvert (bien que de plus en plus, les gestionnaires de longue date soient en mesure de vendre des indices à court terme via des contrats à terme et des options). Les fonds communs de placement ne détiennent généralement pas de frais de performance, généralement seulement des frais de gestion. Hedge Fund Structure des revenus Les Hedge Funds facturent à la fois des frais de gestion et des frais de performance. Bien que cela varie en fonction du fonds, les frais de gestion typiques comprennent 1-2 des actifs sous gestion et des honoraires de rendement ou d'incitation d'environ 20 provenant des bénéfices bruts. La commission de performance est une caractéristique clé d'un hedge fund, ce qui motive le gestionnaire de fonds spéculatifs à générer des rendements supérieurs en alignant ses intérêts sur ceux des investisseurs. En revanche, les fonds communs de placement et les gestionnaires de longue durée ne paient généralement que des frais de gestion. Hedge Fund Industry Today Le total des entrées de capitaux investis par les hedge funds au 1er trimestre 2012 a dépassé 16 milliards, le nombre de fonds ayant augmenté pour 9 trimestres consécutifs pour atteindre 7 477 fonds au 3e trimestre 2011. La croissance de l'actif a augmenté plus rapidement que la croissance du nombre De nouveaux fonds, ce qui implique la préférence des investisseurs pour l'attribution aux plus grandes entreprises de l'industrie. Au 4e trimestre 2011, les actifs sous gestion couvrant toutes les stratégies de hedge funds ont été estimés à 1,641 trillions (avec 315 milliards supplémentaires résidant avec des comptes futurs), ce qui représente une baisse de plus de 200 milliards par rapport au T2 2011. Qu'est-ce qu'un Quant Hedge Fund A Le Fonds de couverture quantitatif est tout fonds de couverture qui s'appuie sur des stratégies algorithmiques ou systématiques pour mettre en œuvre ses décisions commerciales. Les stratégies de négociation de Quant peuvent se concentrer sur toute catégorie d'actifs (actions, produits dérivés, titres à revenu fixe, devises, matières premières, etc.), avec des opérations basées sur des stratégies systématiques plutôt que sur des décisions discrétionnaires. En d'autres termes, au moins dans une certaine mesure, les hedge funds quantitatifs emploient des règles commerciales automatiques plutôt que celles que les employés du fonds identifient et évaluent. Bien entendu, ces deux stratégies peuvent être mixtes, mais presque tous les hedge funds sont soit principalement un fonds de couverture de quantité, soit un fonds de couverture autre que Quant. En d'autres termes, les fonds dont le style de placement repose en grande partie ou entièrement sur des recherches fondamentales visant à évaluer les titres sur le marché et à identifier les actifs sous-évalués et surévalués. Les Fonds de couverture fondamentaux et les Fonds de couverture quantitatifs peuvent utiliser des informations fondamentales, telles que des données économiques, des données financières comptables ainsi que des mesures gouvernementales, démographiques et industrielles de l'offre et de la demande. Cependant, la principale différence est que les analystes quantitatifs chercheront à utiliser ces données d'une manière systématique et automatisée. Souvent, l'analyste quantitatif utilisera des dizaines, voire des centaines de types différents de données pour prédire une seule sortie (règles sur les actifs à acheter et à vendre), ces analyses seront ensuite utilisées pour identifier les positions attrayantes longues et courtes. Une grande partie de ces données prendra la forme d'informations chronologiques (par exemple, le rendement du Trésor à dix ans au fil du temps) ou d'informations transversales (par exemple, différents ratios PriceEarnings pour les entreprises d'un secteur donné). Les analystes quantitatifs n'effectueront pas d'analyse fondamentale approfondie et ascendante des stocks ou d'autres titres individuels, mais ils pourraient essayer de se faire une idée de l'attrait relatif de dizaines ou de centaines d'actifs différents simultanément. De même, Quant Hedge Funds emploiera rarement des analyses macro-axées comme celles d'un Global Macro Hedge Fund, comme la politique monétaire et son impact sur les marchés obligataires ou les taux de change, ou des évaluations de la stabilité politique ou des relations de travail sur un marché donné. Pour Quant Analystes, ces données sont très probablement subjectives, à moins qu'elles ne puissent être quantifiées de manière rigoureuse. En bref: tous les gestionnaires de hedge funds peuvent analyser des facteurs fondamentaux, mais les hedge funds quantitatifs n'utiliseront aucune information qualitative ou subjective qui ne puisse être agrégée systématiquement et statistiquement analysée. Un fonds de couverture quantitatif basera les décisions de négociation sur un modèle mathématique (qui peut être peuplé en partie par des facteurs fondamentaux), mais il ya généralement peu de jugement humain à l'égard des décisions de négociation en dehors de ce modèle. En d'autres termes, les analystes quantitatifs essaient de développer des modèles intelligents qui prédisent quels métiers faire. Modèles quantitatifs de trading Les hedge funds quantitatifs développent des modèles mathématiques complexes pour tenter de prédire l'investissement opportunément sous la forme de prédictions sur lesquelles les actifs sont censés avoir des rendements élevés (pour les investissements longs) ou des rendements négatifs (pour les placements à court terme). L'utilisation de techniques de modélisation sophistiquées, telles que l'optimisation, la modélisation des prédictions, les réseaux de neurones et d'autres formes d'algorithmes d'apprentissage automatique (où les stratégies de négociation évoluent au fil du temps grâce à l'apprentissage à partir de données passées) ont évolué au cours des dernières décennies ). Une approche de modélisation classique, classique de Quant Hedge Fund est appelée Modélisation basée sur les facteurs. Dans ces données, on utilise des variables prédictives (ou indépendantes) comme le rapport PriceEarnings ou les taux d'inflation ou la variation des taux de chômage pour tenter de prédire la valeur d'une autre variable d'intérêt (variables dépendantes), comme le changement prévu Dans le prix d'un stock. Les modèles de facteurs peuvent baser les décisions commerciales sur un ensemble prédéterminé de facteurs (tels que les rendements du SampP 500, l'indice du dollar américain, un indice des obligations de sociétés, un indice des produits de base comme le CRB et une mesure des variations des écarts des obligations des sociétés Et le VIX) ou un ensemble de facteurs liés mathématiquement (mais sans spécification explicite) tels que ceux obtenus par analyse de composantes principales (PCA). Un modèle à facteur unique généralisé tentant de prévoir les rendements R à l'aide du facteur F prendrait la forme suivante: où R it. I 1, 8230. N et t 1, 8230. T. Est le rendement excédent (au-dessus du taux sans risque) de l'actif i à l'instant t. Et F t est le facteur considéré avec moyenne nulle et variance 2 F. De toute évidence, ce modèle peut être élargi pour inclure de multiples facteurs dans la prédiction de R. Les modèles de facteurs peuvent inclure des informations fondamentales, y compris les déterminants de la valeur par rapport aux titres de croissance tels que les multiples de flux de trésorerie, les ratios de ventes aux prix, l'EP aux chiffres de croissance des bénéfices, les ratios de distribution des dividendes, le rendement des capitaux propres. Pour les modèles à revenu fixe, ces facteurs ont tendance à être liés à des variables macroéconomiques (telles que la production industrielle, la croissance de l'emploi ou l'inflation par rapport à la tendance) ou des facteurs tels que les ratios de couverture d'intérêts ou DebtEBITDA. Les tests peuvent être effectués sur des portefeuilles de titres (groupés par section) ou sur des titres individuels. De tels modèles peuvent également utiliser l'élan des prix antérieurs pour saisir les tendances comportementales qui peuvent être corrélées au rendement futur des prix et peuvent inclure des mesures de l'offre par rapport à la demande. Les indicateurs de sentiment, tels que les révisions des analystes des bénéfices pour les actions ou les économistes Les estimations de la croissance du PIB pour les titres à revenu fixe, peuvent également apparaître comme des facteurs. Les modèles peuvent être séparés par sous-groupes (différents secteurs d'équité, par exemple), peuvent avoir des termes d'interaction (F 1 t peut apparaître comme un facteur individuel en plus du produit de F 1 et F 2, c'est-à-dire F 1 t F 2 t ) Ou peut avoir des variables fictives (par exemple, D 1 peut représenter une variable factice pour savoir si une entreprise est plus grande qu'une certaine taille). Les modèles factoriels ne doivent pas nécessairement être des termes quadratiques linéaires (et des termes d'ordre supérieur) peuvent également être ajoutés à un modèle linéaire. Il est à noter que les modèles de facteurs peuvent être utilisés dans un modèle de prévision de retour et de modélisation des risques, en vue d'utiliser des facteurs spécifiques pour expliquer le degré de variabilité de la performance sur une base absolue ou par rapport aux facteurs modélisés. L'amélioration des techniques de gestion des risques, conçues pour pondérer les stratégies selon les conditions des différents marchés et les fluctuations de liquidité et de sentiment, prennent de plus en plus d'attention, en particulier dans un environnement macroéconomique où les outils politiques (et leur impact sur les marchés) sont sans précédent. Il est à noter qu'il existe des risques liés à l'utilisation de modèles quantitatifs pour prévoir les rendements des actifs. Les modèles factoriels, par exemple, utilisent des données historiques pour déterminer la relation entre les facteurs et les rendements. Ces relations peuvent ne pas se poursuivre. Les relations non linéaires entre les variables peuvent ne pas être détectées. En outre, des événements sans précédent ne seront probablement pas saisis dans les données historiques. Enfin, certaines approches quantitatives traditionnelles (comme les modèles factoriels) peuvent ne pas s'adapter à l'évolution des conditions du marché, en utilisant le même ensemble de facteurs statiques, qui fonctionnent jusqu'à ce qu'ils ne le fassent pas. Cela est arrivé à de nombreux Quant Hedge Funds en 2008, lorsque de nombreux fonds avaient des positions semblables dans des actifs semblables, parce qu'ils cherchaient des ensembles de facteurs similaires. Lorsque ces postes ont commencé à perdre de la valeur et les fonds ont été forcés de réduire ou d'éliminer ces postes, les pertes ont augmenté, déclenchant plus de vente, etc Dans mon précédent post, j'ai montré comment créer des facteurs de retour d'équité en utilisant l'analyse des composantes principales. Dans ce post, je vais comparer les trois facteurs PCA que j'ai créé aux trois facteurs Fama-français. Le but de ce post est de déterminer si les facteurs Fama-français laissent quelque chose de significatif sur la table que les facteurs PCA, qui capturent autant de covariance dans les portefeuilles cible que possible avec trois facteurs, sont capables de reprendre. En d'autres termes, il faut comparer les R2 et les alphas pour les facteurs Fama-français et les facteurs PCA, et, après quelques réarrangements, il compare également les charges factorielles. Les données Fama-French 3 Factor (FF3F) et Fama-French 25 (FF25) proviennent du site Web de Kenneth French. Les facteurs PCA ont été calculés dans le post précédent, et j'ai affiché les données dans un Google Docs Spreadsheet. R2 et Alpha à l'aide des facteurs PCA et Fama French Factors Comme première étape, les R2 et les alpha pour les portefeuilles FF25 peuvent être calculés en utilisant à la fois les facteurs Fama-français et les facteurs PCA. Les facteurs PCA nous donneront le meilleur ajustement parmi les 25 portefeuilles qui est possible avec trois facteurs, donc nous nous attendons à ce que les R2 pour les facteurs Fama-français soient inférieurs en moyenne. La question est: Combien plus bas Les tableaux ci-dessous montrent les R2 pour les facteurs PCA et Fama-French Factors. Pour chaque tableau, les valeurs mises en évidence en vert ont un R2 qui est supérieur au modèle alternatif et les valeurs mises en évidence en rouge ont un R2 qui est inférieur au modèle alternatif. Lire la suite raquo Les facteurs les plus populaires pour analyser les retours sur actions sont les trois facteurs Fama-français (RMRF, HML et SMB). Le facteur RMRF est le rendement du marché moins le taux sans risque, et les facteurs HML et SMB sont créés en triant les portefeuilles en plusieurs blocs de valeur et de taille et en formant des portefeuilles longs et courts. Les trois facteurs peuvent être utilisés pour expliquer, sans toutefois prédire, le rendement d'une variété de portefeuilles diversifiés. Beaucoup de messages sur ce blog utilisent le modèle Fama-French 3 Factor (FF3F), y compris un tutoriel sur l'exécution de la régression à 3 facteurs en utilisant R. Une autre façon de construire des facteurs est d'utiliser l'algèbre linéaire pour créer des facteurs optimaux en utilisant une technique telle que l'analyse des composantes principales (PCA). Ce post montrera comment construire les facteurs statistiquement optimales pour les portefeuilles Fama-French 25 (classés par taille et par valeur). Dans mon prochain post, je vais comparer ces facteurs PCA aux facteurs Fama-français. Description des données Les données utilisées pour cette analyse proviennent du site Web de Kenneth French. J'utilise les rendements du portefeuille Fama-French 25 (FF25) qui sont disponibles dans le dossier intitulé 25 Portefeuilles formés sur la taille et le livre au marché. Im utilisant les rendements de 1962 à 2012 depuis les portefeuilles de l'époque pré-Compustat ont relativement peu d'actions. Les facteurs Fama-français sont également disponibles sur le site Web de Kenneth French dans le dossier FamaFrench Factors. Dans ce post, je vais utiliser ne pas utiliser les facteurs Fama-français eux-mêmes, mais je ne utiliser le fichier de données facteur pour obtenir le taux mensuel sans risque. À titre de référence, les rendements mensuels moyens arithmétiques des portefeuilles FF25 sont tracés pour la période utilisée dans cette analyse. Le script Octave pour créer ce tracé a été fourni dans un post antérieur. Penser au risque dans le compte de retraite Roll-overs Avez-vous déjà demandé combien le niveau du marché boursier peut varier sur une semaine Qu'en est-il deux semaines ou un mois Jusqu'à récemment, je n'avais pas pensé beaucoup sur la gamme des fluctuations du marché à court terme. Après tout, je me considère comme un investisseur à long terme Cependant, une expérience récente a piqué ma curiosité, et j'ai décidé de faire une petite recherche. Il ya environ un mois, j'ai transféré un petit compte de retraite d'un ancien employeur dans un autre compte de retraite existant. Je n'étais pas en mesure de faire une transaction électronique ou un 8220transfer en nature 8220, donc j'ai dû liquider l'ancien compte avant d'envoyer les fonds au nouveau fournisseur de compte. Le fournisseur de l'ancien compte a émis un chèque papier et il y a eu un délai étonnamment long pour l'envoi et le traitement avant que les fonds ne soient affichés dans le nouveau compte. L'expérience m'a fait penser au risque d'être hors du marché (en espèces) pendant de courtes périodes de temps tout en transférant des fonds entre les comptes. Le marché peut tomber (bon) ou augmenter (mauvais) par un montant significatif dans un temps assez court. Si le montant transféré est important, le risque peut être important. Dans ce post, Ill regarder quelques statistiques historiques sur les rendements du marché à court terme. Source de données et méthodologie J'ai téléchargé des données quotidiennes de retour de Juillet 1963 8211 Août 2012 du site Web Ken French. Les rendements sont disponibles dans le fichier FamaFrench Factors Daily. Le taux quotidien sans risque doit être ajouté à nouveau dans la colonne RMRF pour obtenir le rendement total. Notez que ce sont 8220total stock market8221 retours, de sorte que les résultats peuvent différer légèrement d'une analyse similaire en utilisant SampP500 retours. J'ai calculé les rendements composés sur des périodes de roulement de 5, 10, 15 et 20 jours de bourse. Je n'ai pas restreint l'analyse aux limites de la semaine du calendrier. J'ai ensuite calculé un certain nombre de statistiques sur les retours de 1, 5, 10, 15 et 20 jours. Notez que les distributions de rendement à court terme sont très variables8221, donc je n'ai pas fait de statistiques qui supposent une distribution normale. Au lieu de cela, j'ai calculé la fréquence historique des rendements qui dépassent les différents seuils. Résumé Statistiques Continuer à lire raquo Une comparaison à long terme des stratégies d'inclinaison Un débat fréquent parmi les investisseurs de fonds indiciels implique 8220tilting8221 ou surpondération des classes d'actifs particuliers. Habituellement, les catégories d'actifs à surpondérer sont des actions à petite capitalisation et de valeur. Certains investisseurs pensent qu'un portefeuille orienté vers un capitalisation faible et une valeur supérieure à un portefeuille de marché. Ces investisseurs estiment que la surpondération de ces catégories d'actifs (par rapport au poids du marché) et la sous-pondération des autres catégories d'actifs augmentent la probabilité d'obtenir un résultat supérieur (à savoir, des rendements plus élevés, un risque plus faible ou les deux). D'autres investisseurs croient qu'un portefeuille de marché ou TSM (Total Stock Market) est le meilleur choix. Ces investisseurs estiment que nous ne savons pas quelles classes d'actifs sont les plus susceptibles de surperformer à l'avenir et que les pondérations du marché reflètent le meilleur équilibre de risque et de récompense compte tenu des informations disponibles pour les investisseurs à un moment donné. Les débats impliquent souvent une analyse détaillée des performances passées qui, bien sûr, n'a qu'une valeur limitée pour prévoir l'avenir. Cependant, même faire des comparaisons entre les pommes et les pommes est compliqué parce que les fonds indiciels 8220live8221 qui suivent les diverses classes d'actifs ont été disponibles pour Un temps relativement court. Il existe des ensembles de données pour les TSM, les petites capitalisations et les indices de valeur pour des périodes plus longues (remontant à 1926 pour les actions américaines), mais ces indices ne tiennent pas compte des dépenses de fonds et des coûts de négociation. En outre, ils impliquent parfois des inclinations extrêmes vers des stocks illiquides qui sont difficiles à mettre en œuvre par les fournisseurs d'indices. Dans ce post, je vais évaluer le facteur Fama-français de chargement pour plusieurs fonds d'indices 8220live8221, et j'utiliserai ensuite les coefficients de régression et alpha (ce qui devrait prendre en compte les dépenses et autres coûts) pour construire 8220pseudo-fonds8221 qui couvrent toute la gamme de Données académiques de 1926 à nos jours. Ces pseudo-fonds sont une tentative pour ajuster les données historiques pour les dépenses, les coûts de négociation, et modestes facteurs de charge que nous voyons généralement avec today8217s fonds en direct. Les pseudo-fonds peuvent être utilisés pour comparer des stratégies TSM et des stratégies d'inclinaison réalistes sur une plage historique étendue. Puisque nous ne pouvons pas connaître l'avenir, je ne pense pas que ce message réglera le débat sur l'inclinaison (aucune chance), mais c'est ma meilleure tentative pour regarder les données historiques à travers un objectif équitable. Télécharger des prix historiques et convertir en déclarations De nombreux types d'analyse des investissements exigent des rendements historiques. Par exemple, si nous voulons calculer le ratio Sharpe ex post, le CAPM bêta ou Fama-facteurs français d'un fonds, nous avons besoin des rendements historiques du fonds (y compris les dividendes). Une source de données incluant les ajustements de dividendes est Yahoo Finance. Vous pouvez cliquer sur l'option 8220Historical Prices8221 après avoir regardé le devis pour un ticker particulier pour voir un tableau des prix passés. Par exemple, Yahoo Finance fournit des prix quotidiens, hebdomadaires ou mensuels pour SPY, un FNB SampP500 remontant à 1993. Ces prix incluent la colonne 8220Adj Close8221 qui donne les cours de clôture historiques ajustés pour les rajustements et les dividendes passés. Les prix de clôture ajustés par Yahoo Finance peuvent être téléchargés dans une feuille de calcul et les rendements totaux quotidiens, hebdomadaires ou mensuels peuvent être calculés à partir de ces prix. Cependant, cela peut être un processus fastidieux s'il doit être répété pour plusieurs stocksfunds, donc j'ai créé une feuille de calcul Google Docs qui peut automatiquement importer les prix pour un stock ou fonds spécifiés et convertir les données de prix en rendements mensuels. Exemple Retour Télécharger Mon fichier de téléchargement de retour de Google Docs est en lecture seule, il est donc impossible de modifier directement après l'ouverture. Toutefois, si vous êtes connecté à Google Documents, vous pouvez créer une copie (sous la liste déroulante 8220File8221) sur votre compte personnel et la copie aura tous les privilèges d'édition. Voici une capture intégrée de la feuille 8220Total Returns8221. Les valeurs en bleu sont les valeurs qui doivent être éditées par l'utilisateur. Dans cet exemple, je télécharge les relevés mensuels pour SPY à partir de janvier 2000. La mise à jour des valeurs bleues (et en attendant que les mises à jour se propagent dans le reste de la feuille) vous donnera les rendements historiques du fonds ou du stock de votre choix . Continuer à lire les courbes de rendement de raquo et l'inflation de rentabilité Dans un post précédent, j'ai montré comment calculer le taux d'inflation à l'équilibre en utilisant les données de courbe de rendement réel et nominal disponibles sur le site Web du Trésor des États-Unis. Dans ce post, je vais montrer comment importer automatiquement les données de courbe de rendement les plus à jour dans une feuille de calcul Google Docs à l'aide de la fonction 8220ImportXML8221. Ces données sur la courbe de rendement sont utiles pour de nombreux calculs financiers, mais dans ce post je vais de nouveau utiliser les données de la courbe de rendement pour faire une estimation approximative du taux d'inflation de rentabilité. Pour obtenir une explication du taux de rentabilité et une explication sur la raison pour laquelle la méthode présentée ne donne qu'une approximation du taux de rentabilité, lisez les notes 8220 de la section Calcul de l'inflation à la baisse8221. Fonction ImportXML dans Google Docs La fonction ImportXML peut être utilisée pour importer des données à partir de fichiers XML. La syntaxe de la commande est la suivante: L'exemple ImportXML illustré ici va importer les rendements réels de 5 ans dans la feuille de calcul. Le 8220TC5YEAR8221 est une expression xpath qui sélectionne tous les nœuds nommés 8220TC5YEAR8221 dans le document cible. D'autres maturités dans le document peuvent être sélectionnées en changeant le nom du noeud. Par exemple, les rendements réels à 30 ans sont sélectionnés en changeant l'expression xpath en 8220TC30YEAR8221. Exemple Google Docs Spreadsheet J'ai créé un exemple de feuille de calcul Google Docs qui utilise les données ImportXML pour télécharger les rendements réels et nominaux à plusieurs échéances. La feuille d'exemple est en lecture seule, mais si vous souhaitez personnaliser, vous pouvez sélectionner 8220faire une copie8221 dans la liste déroulante 8220File8221 et modifier la copie de la feuille de calcul. Vous devez être connecté à votre compte Google Documents pour en faire une copie. La feuille de calcul importe automatiquement les informations de rendement pour le mois en cours sur la feuille intitulée 8220Yields8221. La feuille 8220Summary8221 extrait la plus récente série de données courantes sur la courbe de rendement de la feuille 8220Yields8221 et l'utilise pour estimer le taux d'inflation de rentabilité. Les courbes de rendement et les courbes d'inflation de seuil de rentabilité sont tracées dans la feuille 8220Summary8221 comme illustré ici: Portefeuille international Fama-French et données de facteurs Les lecteurs ordinaires savent que mes messages utilisent fréquemment des données de la bibliothèque de données Kenneth. La bibliothèque de données est une excellente ressource pour tous ceux qui s'intéressent aux petites valeurs et aux effets de valeur et au modèle Fama-French 3 Factor. Récemment, j'ai appris que la bibliothèque de données a été élargie pour inclure des données de marchés d'actions développés autres que les États-Unis. Cela ouvre une variété de possibilités intéressantes pour une analyse plus approfondie. Région dans le nouvel ensemble de données. Les parcelles utilisent les données de retour pour les 25 portefeuilles classés par taille (capitalisation boursière) et valeur (bookmarket). L'axe z de chaque graphique montre le rendement mensuel moyen (géométrique) de chaque portefeuille. Les rendements sont en dollars américains. Dans un post précédent. J'ai créé des parcelles similaires pour le marché des États-Unis et fourni quelques exemples de code d'octave pour la production de ces parcelles. L'échelle de couleurs pour chacune des parcelles est liée à l'ampleur du rendement mensuel, et la cartographie entre la couleur et le rendement moyen est cohérente entre les parcelles. Cela permet de comparer facilement les rendements entre les différentes régions. Cependant, cette mise à l'échelle de la couleur rend le tracé du Japon un peu difficile à lire puisque les rendements moyens pour le Japon étaient bien inférieurs aux rendements moyens pour les autres régions au cours de la période d'échantillonnage. Le nouvel ensemble de données comprend également les facteurs du facteur Fama-French 3 facteurs (RMRF, HML et SMB) pour chaque région. J'ai calculé la moyenne, l'écart-type, le rapport de Sharpe, l'erreur-type et le t-stat pour les facteurs pour chaque région et j'ai inclus ces résultats dans un tableau sous chaque graphique. Lectures recommandées Je n'ai jamais terminé ma série précédemment promise sur la prime de risque d'actions, mais pour les lecteurs qui sont intéressés par le sujet, je recommanderais fortement le 8220Rethinking récemment la prime de risque d'équité 8221 de l'Institut CFA. Ce livre PDF contient une variété de perspectives intéressantes sur l'avenir de la prime de risque actions. Notez qu'une version imprimée du livre est disponible sur Amazon, et les utilisateurs Kindle peuvent télécharger une version formatée pour Kindle pour seulement 1. Key Takeaway Le livre a des analyses à la fois des universitaires et des praticiens, et une variété de méthodes d'estimation sont utilisés. À mon avis, la clé à emporter est que presque tous les experts prévoient des rendements futurs des actions qui sont inférieurs aux moyennes historiques. Plusieurs prévisions bien argumentées ont mis les rendements attendus des actions nominales dans la fourchette de 6-7 par année. La raison principale des prévisions inférieures est simple. Les valorisations des actions sont supérieures à leur niveau historique moyen. Cela conduit à des rendements plus faibles, et à un moindre potentiel de gains en capital grâce à une nouvelle expansion des taux de PE. Une baisse des rendements et un moindre potentiel de croissance des multiples d'évaluation font que la croissance plus élevée des bénéfices doit relever le fléchissement. Plusieurs auteurs expliquent pourquoi une croissance des gains plus élevée que l'historique est peu probable. De nombreux facteurs mesurables suggèrent en fait une croissance économique inférieure (démographie, niveaux d'endettement, ressources limitées) et la croissance économique est étroitement liée à la croissance des bénéfices. Mes réflexions après avoir lu ce document sont que peu d'investisseurs épargnant pour la retraite sont préparés pour des primes de risque d'actions et des rendements réels aussi bas que ceux suggérés par beaucoup de ces experts . L'expérience des années 80 et 90 a conduit de nombreux investisseurs à croire que la mise de côté d'une somme relativement modeste chaque année conduirait à un nid de nid confortable au moment où la retraite est venu autour. La dernière décennie a certainement rendu les investisseurs plus pessimistes sur l'investissement des rendements, mais je ne sais pas combien comprennent pleinement l'impact de la baisse des rendements sur leurs objectifs d'investissement. Le tableau ci-dessous illustre le montant des économies annuelles nécessaires pour atteindre un objectif de retraite d'un million de dollars à plusieurs niveaux de rendement annuel nominal. Cet exemple simple suppose qu'un épargnant commence à épargner à l'âge de 25 ans et continue à verser des cotisations annuelles jusqu'à l'âge de 65 ans (41 cotisations). Je suppose que les paiements sont effectués au début de chaque année. Valeur cible Montant demandé Contribution annuelle