顯示具有 統計學 標籤的文章。 顯示所有文章
顯示具有 統計學 標籤的文章。 顯示所有文章

【祿】政府年金之我見

這兩天多位 Blogger 都在討論政府年金,讓筆者也湊湊熱鬧。政府年金的產品特色、償付條件、各方評價相信大家已經聽得太多,容許筆者不再贅述,直入正題。

(圖片來源:香港 01)


首先筆者必須指出,年金不是純投資的產品。說得白一點,年金其實是在生的年金持有人「發死人財」的遊戲。年金持有人所得到的「年金回報」,背後其實是年金公司資產管理者從資產所賺取的「投資回報」,加上「死亡回報」製作出來的:

個人「年金回報」 = 整體「投資回報」+ 「死亡回報」

容許筆者以例子說明。為求簡化例子,本例假設投資回報為零。

假設一群 100 名 70 歲的長者成立了一個互助社,每人貢獻 $300 萬出來成立「自製年金信託」,即成立日基金總額為 $3 億。從即日起,每年之初,信託管理人跟據這班長者的指示,從信託基金取出 $1,000萬,並平分給每年年初所有在生的長者。由於本例假設投資回報為零,基金一共可以取出款項 30次,直至這群老人家 100 歲。

  • 第 1 年,100 名老人家均健在,每人分得 $10萬。
  • 第 2 年,有 1 位老人家在第 1 年內不幸過身了。餘下在生人數只有 99 位,每人分到 $101,010。
  • 第 3 年,有另外兩位老人家不在,餘下在生人數只有 97 位,每人分到 $103,092。
  • ...
  • 第 30 年,只有一名老人家仍然生還,他該年獨吞 $1,000萬。


可以看見,即使支持「信託基金」背後的資產回報為零,每一名在生的老人家所得到的「年金」收入仍然可以遞增,因為在生的人瓜分了死去的同伴最初的貢獻。這便是所謂的「死亡回報」,學名是 Survivorship Accumulation。

留意政府年金的給付是每個月定額的,並不如上述例子每年遞增,這只政府年金公司的產品定價部門將現金流搓圓按扁再排得整整齊齊,但背後產生年金回報的來源概念上是一樣的。(註:上面這個信託安排的學名叫做「唐提」Tontine,有興趣的讀者不妨研究一下。)

政府年金之所以能做到 6.3%-7%「粗略回報率」(Crude Return Rate,即男性年取 $69,600、女性年取 $63,600 除以 $100萬本金),粗算概念就是由政府保證 4% 的「投資回報」,加上每年平均有 2-3% 老友記離開而為在生的年金持有人提供「死亡回報」製造出來的。但由於投保人在投保時並不知道誰人會先行離去,所以年金投保人有機會會是第一年交保費後立即過身「蝕盡」的那位,也有機會是上例守候 30 年的「最後武士」(或「最後無事」)。



當筆者說到這裏,或者說到政府年金在過早身故或者提早贖回會有賠本機會(有些人的「賠本」可以指「比內部回報率 4% 回報為低」,縱使政府已經在死亡給付上包了 105% 底),有些朋友或者老友記就會說,「如果我早死,那豈不很蝕底?」「如果我過早死了,為甚麼後人一筆過償付死亡保障要被『懲罰』?」

要拆解這個謎思,請容許筆者將上面的例子換一換。假設那 100 名長者均有上述老友記「早死好蝕」的擔心,而大家在開盤之初都不知道自己是「賺了」還是「蝕了」那位,於是在成立「自製年金信託」之時,指示信託人在有人離世時必須返還該位長者所貢獻的金額,減去未曾獲分發的年金。結果?


  • 第 1 年,100 名老人家均健在,每人分得 $10萬。
  • 第 2 年,有 1 位老人家在第 1 年內不幸過身了。由於該老人付出了 $300萬但只曾獲發 $10萬年金,他獲得了 $290 萬的賠償。基金現在只剩下 $2億 8710萬。由於預算分 29 年,如果繼續每年攤分 $1,000萬基金到最後便入不敷支,所以管理人今年只分發 $990萬 = $28,710萬 / 29。餘下在生人數只有 99 位,所以每人分得 $10萬,不多不少。
  • 第 3 年,有另外兩位老人家不在,該兩位各得到 $280萬賠償。餘下在生人數只有 97 位,不用多說,每人也只是分到 $10萬。
  • ...
  • 第 30 年,只有一名老人家仍然生還,但基金此時只剩下 $10萬。這位仁兄 30年來不多不少取回當初貢獻出來的 $300萬。


結果就是,每一位老人家都要公平,所以人人「得個吉」!每人分不到「死亡回報」,只能理論上從基金得到「投資回報」(如有的話,上例假設為零);信託當中沒有分擔長壽風險的機制,那就每位老友記自己去投資好了,不用搞甚麼年金。很多人覺得「早死會蝕」就對年金「耍手擰頭」,因為這班人不明白年金的真締就是跟其他年金投保人賭長命「發死人財」,而「賭」就是有「賭贏」和「賭輸」的機會。如果閣下不願意冒上「賭輸」的風險,想魚(死亡給付)與熊掌(生存年金)兼得,那年金產品並不適合閣下。

所以分析年金,我們不應該單看年金的「粗略回報率」或者「內部回報率」,因為當中包含了保險保障的成份,而這回所保障的是「長壽風險」。如果單看回報高低就不買,那麼倒轉過來筆者極力推崇的定期人壽保險也一定不要買了,因為不死就一毛錢都取不到,保險公司「袋晒」;而筆者相信除了有心「呃保險」的極小眾外,應該沒有人希望能取到壽險賠償吧?



筆者認為,考慮應否購買年金,應該同時考慮回報和保障兩個部份。
  1. 年金的保障部份的確要看當事人有多擔心長命的。以同一個資產內部回報率來計,因著「死亡回報」,將本金年金化(Annuitize)所得到的每期回報(即上述的粗略回報率)定必有所提高。如果一名 65 歲男士無人又無物,健康無病痛,手頭上只有 $100萬現金,讀者如果是他,會選擇 (a) 將投資於在保證年回 4% 的收息物,年取 $40,000,還是 (b) 購買政府保證內部回報率 4% 的年金,年取 $69,600?

    當然上述選擇假設了 (1) 他只有兩項回報相同的投資可供選擇(回報的問題在下面討論)、(2) 故事主角無人又無物,沒有遺產需要留給後人的考慮、(3) 他確實擔心長壽,即某程度上他有自信「賭贏」。留意如果他明知自己多病痛、食煙飲酒三高,筆者就會勸他不要學人賭長命,就算賭都應該考慮留番個錢睇醫生。


  2. 年金的回報部份,在比較時也要留意,應該與擁有相似特性的投資物作比較。政府年金「投資」的特性是長線、流動性低但政府保證回報,因此筆者會採用跟政府長期債券去作比較,而非像某些評論員般以股票作點評。需知道 4 厘保證回報,現市況來說真的多長的政府債券 / 銀髮債也做不到。當然日後加息幅度和時間也很難說,但至少就現市況來說,4% Guaranteed IRR 簡直就是政府在派錢。

    在私人市場,筆者敢寫包單一般人壽保險公司不可能會開出這個盤。其實 10 年前金融海嘯以前,年金產品也曾經掀起過一輪熱潮,不過當時賣的是「變額年金」Variable Annuities,年金給付跟投資相連掛勾之上還有各式各樣的保證回報,甚麼 GMDB、GMAB,百花齊放,好像金融市場上的衍生工具、Accumulator 玩法一樣五花百門。這些產品在海嘯後「連影都無」,為甚麼?因為一場海嘯,令監管機構真正意識到「保證回報」是有成本的,而且在零息時代成本之鉅大高得很多人都不相信。海嘯後監管機構、會計準則紛紛修例,要求保險公司更準確反映保證回報的資本成本(Capital Cost)和準備金(Reserves)。長期 4% 保證回報,資本成本高高在天,要不是我們港府儲備雄厚,保監根本不可能批准推出。這也正說明了為甚麼政府要為年金產品設有 100 / 200 億元的額度。

    所以 4% 保證回報是高是低?見仁見智吧。

最後筆者有兩點補充評語:
  • 公共年金的設計上有個「死位」最惹人詬病,就是年金給付「追不上通脹」。筆者也認為政府日後在設計類似年金產品時可以考慮加入通脹的元素,例如年金給付能隨通脹遞增,或者以固定某個百分率增長。但大家也明白「羊毛出自羊身上」的道理,在保證回報大約不變的前提下,要日後通脹派多些,自不然現在要派少些。到時買 $100萬 而年金金額每年遞增 4%,但第一年每個月只取得 $3,000 左右,讀者又會買還是不買?要知道大眾、傳媒都在看表面回報、回本期、「有無賺蝕」的時候,政府現行的年金設計也許已經在迎合大眾口味而犧生某些真正有用的產品特色。
  • 筆者在網上見到不少評論員以 81-82 歲做香港男性平均死亡年齡,然後以此說平均男士只能做到保本(因為 65-80歲收 15 年錢後才大約收回 $100萬);這點其實有個統計謬誤。需知道 81-82 歲是香港所有男性在出生時起計的平均壽命,當中包括嬰兒時期夭折、青年壯年時意外死亡、或者上回講到在海洋公園被棺材壓死的青年。但是,買得起年金的,資格是首先要活到 65 歲,所以年金的參與者已經排除了一班「拉底整體平均壽命」的早死者(統計學上這是「條件概率」 Conditional Probability 的問題)。

    所以真正相關的平均,應該以香港 65 歲在生男士的「平均餘命」去計算。根據筆者以 2014 年香港人口生命表的計算,男性平均餘命 20 年,即活到 85 歲;女性平均餘命 24 年,即活到 89 歲。如能活到這些歲數,年金投保人的個人內部回報率,應該能與整體回報 4% 更為類近。

【祿】主板熱鬧指數(實戰、下篇)—— 成交熾熱必然有股災?

導讀:2018年開局以來港股可謂價量齊升,恆生指數屢創新高、大市成交量亦節節上升,近日成交量更迫近 2,000 億。參考歷史主板成交量,紀錄高位為 2015/4/9 的 2,906 億;而以曆月平均計,歷史紀錄為 1,981 億。所以 2,000 億成交絕對不容小覷,然而成交熾熱過後是否必然有股災?筆者的「主板熱鬧指數」正嘗試解答這個問題。在 12 月市場淡季時研究的成果,想不到這麼快就能派上用場!


感謝讀者熬過了筆者上篇發的統計癮 :P 上回提要為筆者開發了「主板熱鬧指數」,指數每曆月發表一次,其定義為:

主板熱鬧指數 X點,表示考慮歷史趨勢後,
該曆月的成交比例(每日平均成交額相對於主板平均市值)
高於歷史中所有月份的 X%。

指數依然是 0-100 為限,指數愈高代表主板交投愈熾熱,指數愈低代表主板交投愈死寂。

好了,花了這麼多力氣,好不容易才開發了一個指數,是時候檢測一下其實戰能力了。


Q1: 回答 Roy 兄的問題,大市成交量可否解決 2015 大時代的問題(即 2015 大時代高點時沸騰指數僅報 48 點相對安全的水平,但大市及後一年之內最多仍瀉 35%)?

最簡單的答案是肯定的,留意就算不開發「主板熱鬧指數」,單看大市成交比例的紅色折線,歷史中的四大飆升位分別對應 87年股災、97年亞洲金融風暴、08年金融海嘯和 15年大時代,不就已經說明了成交量何其有用嗎?




但這個推論有個問題,就是「馬後炮」!


  • 第一,要知道 87、97 和 08年三次股災,伴隨的是大市估值過高(三次股災前沸騰指數也報超過 94 點)。如果時空回到 2015 大時代之前,投資者所認識的大跌市都會伴隨著「雙高」(高估值、高成交量;即高「沸指」和高「鬧指」)的出現,那大時代鬧指爆燈但沸指正常,投資者要相信哪個?
  • 第二,如果我們科學數據化一點,四大飆升位也不是僅有的高位,如果出現了其他「相對的高位」,投資者又應如何理解及處理?


這個時候讓我們取出歷史上「熱鬧指數」相對的高位(95點以上),伴以沸騰指數及恆指往後的表現。留意「熱鬧指數」1996年12月以後才被定義,因此分析並未能包含 87 年股災:




筆者從以上數據的觀察:

  • 過往十年一遇的兩大股災「亞洲金融風暴」和「金融海嘯」,大市均持續數個月熾熱(見表中橙黃色部份),而且兩次的最高點(表中綠色)均出現在交投熾熱期間,即觀察大市成交量或「主板熱鬧指數」應能給予投資者足夠時間逃生。
  • 其餘交投熾熱的月份為「突強」的月份,熱鬧指數從較低的水平飆高一個月後便回落。從上表可見,這些月份的表現大多與其恆指沸騰指數相符,即「主板熱鬧指數」身處高位這個事實並沒有提供額外的價值。
  • 大時代於 2015年 4月的成交額突強屬於後者(表中藍色),所以就算其時熱鬧指數已經誕生,也不一定能協助投資者逃過一劫。
  • 值得留意的是亞洲金融風暴後的 1998 年8月,其時沸騰指數只報 7 點未滿而熱鬧指數高踞 98 點以上,結果一年後恆生指數回升接近一倍!事後孔明原來當時是暑假大減價,投資者都在掃平貨,可見成交熾熱過後不一定是股災,必須配合當時的大市估值。

小結:只能夠說,現在經過大時代一役的我們,經一事長一智,對於突如其來暴升的成交額要注意一下;但對於連續數月的股市熾熱,依歷史兩次實測,似乎是音樂椅遊戲快要完結的時候,還是在別人勁歌熱舞時悄悄走到逃生口吧。


Q2:  反過來說,當市況死寂的時候,後市又會如何?

這回筆者抽取歷史上「熱鬧指數」相對的低位(15點以下),並將這些月份的沸騰指數由低至高排列:




筆者在市況死寂時的觀察:

  • 最明顯的觀察,就是大市在死寂時幾乎沒有大調整的風險。根據歷史數據,當「大市熱鬧指數」在 15 點以下,以月末點數計,其後 12 個月並沒有出現 25% 以上的調整(其實 20 點以下也沒有發生過)。最差的一次調整也不足 20%,而且該次的沸騰指數也達到建議「沽貨」的 80.18。
  • 在市況死寂的時候入市,後市的表現往往比歷史平均理想。從上表可見,交投死寂月份恆指一年後的平均表現,竟是大市平均的 2.5 倍!上表淺綠色正表示回報優於大市平均的情況,可謂比比皆是!最佳表現平均也許與大市同步,但最差表現平均只有 -4%。換句話說,交投死寂過後往往是升市,是防守性相對較強的入市時刻。
  • 當然當中一部份原因是市況死寂多數也是股市相對低位的時候,這單純根據沸騰指數入市也可以有不錯的表現;但筆者特別留意到當沸指在「等待」(40-80 點)水平時,如果大市交投死寂,歷史數據顯示後市往往有不錯的表現。即是說,如果歷史是會重演的話,當交投死寂的時候,運用沸騰指數時可以冒險一點,即使沸指在 60 點左右也許仍然是不錯的「吸納」水平。

小結:這也許是另類的「藍海戰術」,當人人都對股票沒有興趣的時候密密收集,只要大市價格大致合理,平均回報會較佳,防守性也較強。


Q3: 「主板熱鬧指數」還有甚麼觀察,以及使用上要注意的地方?

從下圖可見,「主板熱鬧指數」單獨使用時,其測市的效能當屬一般。除了上文已經探討過的兩個極端,即死寂的 10 點以下,以及熾熱的 95 點以上,基本上未能為後市提供方向。

(圖中橫軸以 5 點為一單位,例如「5」代表主板熱鬧指數在 5-9.99 之間;注意指數實際上從未在 5 點以下)



但交投量高,往往意味價格的波動較大。為了測試這一點,我們改為計算往後 12 個月恆指月回報的變異數(Variance)再取平均。結果趨勢十分明顯,說明「主板熱鬧指數」主要是用來預測後市的波動性的。一般來說,大市交投愈熱鬧,後市便愈波動,一般認為風險便較高,至少傳統財務學便是以此變異數(或標準差,Standard Deviation,即變異數的平方根)定義回報的風險。




而如果我們將風險定義為後市出現調整的機率,亦可得出類似的結論:




如「沸騰指數」一樣,筆者先將「熱鬧指數」以其後市波動性和後市出現調整的機會率,做了 5 個階段以便往後分析:


  • 0-15點:死寂,人人都對股票沒有興趣,也許是海藍戰術密密收集的時候。
  • 15-60點:一般,市況交投正常,後市調整機會相對平均值較低。
  • 60-80點:活躍,股市開始暢旺,後市調整機會相對平均值較高。
  • 80-95點:熱鬧,大市氣氛熱烈,後市調整機會要比平均值高出接近一倍。
  • 95-100點:熾熱,突然飆升的話要多加留意,連續數月熾熱更應考慮逃生,除非大市本身已經低無可低。


筆者隨即心想,波動性較高,意味升市時升得更牛,跌市時跌得更熊,上落市也更波動。如果推論正確,那「主板熱鬧指數」在愈高的水平時,理論上沸騰指數之預測市能力使愈清晰。於是筆者做了一連串將兩個指數 Cross-over 的分析,主要結果在以下矩陣表示。雖然在熱鬧和熾熱階段,沸指高低時顏色好像鮮明了;不過坦白說,效果並沒有筆者當初想的那樣清晰,畢竟只有 240 個數據點而矩陣有 25 個分析點。



實測上,筆者曾經嘗試以類似上表的結論,更新建基於「恆指沸騰指數」的自動交易系統,以歷史數據測試可再度提升年回報達 2% 以上(即比「平均成本法」超 4% 以上),但筆者感覺如此高表現不太合理,應是過度套入(Over-fitting)的結果。以歷史數據回測歷史回報,其實某程度上是自欺欺人;要永遠記住,過往回報並不代表將來表現,我們開發的各項指數,均只是參考過往的數據和表現,為未來把脈而已。


主結論

「主板熱鬧指數」主要是用來預測後市的波動性,實際應用時應該作為使用「沸騰指數」時的輔助參考,當中在市況死寂或熾熱時或可改變「沸騰指數」各投資提示的參考區間。但參考歸參考,世上並沒有 once-and-for-all 的發達程式,但求在未知的未來能參考過去,提供一成功率較高而風險較低的的交易方法而已。

通過筆者一系列的計算和探索,筆者認為成果不僅僅是以上的數個結論,而是對恆指過往 2、30 年的變化有一個概括的感覺。專家們都說投資是一門藝術而非絕對的科學,而學習藝術,也許就是追求這種藝術的感覺吧。



免責聲明

本網頁屬個人網誌,一切言論純粹是表達本人的個人意見或經驗分享。「主板熱鬧指數」(及其領先指數)、「恆指沸騰指數」(及其分類指數)及其投資提示只作意見分享及學術用途,無論在任何情況下,不應被視為投資建議,也不構成要約、招攬、邀請、誘使、建議或推薦,本人亦無法保證網誌內容、「主板熱鬧指數」(及其領先指數)、「恆指沸騰指數」(及其分類指數)、「測市指數系統」的指數及其投資提示的真確性和完整性。讀者務請運用個人獨立思考能力自行求證和分析,讀者一切的投資決定以及該投資決定引致的收益或損失,概與本人無涉。

【祿】主板熱鬧指數(理論 · 上篇)—— 將大市成交量標準化

筆者研發並發表大市探熱針「恆指沸騰指數」後,在 Blog 裏曾掀起一番討論如何提升其測市的表現。及後筆者受到 Blog 友 Roy 的啟發,研究大市成交量對回報的影響,目標是為測市指標安裝「警報器」或「第二引擎」,務求進一步提升指數基金投資法的長期回報率。



經過一系列的研究和測試,現將研究過程及結果分別在上、下兩篇發表。筆者認為,探索的過程和結果同樣重要,而且也很享受著過程中將大學的統計知識溫故知新。雖然本篇比較沉悶,但還是讓筆者發一下寫統計教科書的癮吧! :D

探索大市成交量數字

在沸指的討論中,筆者在回應 Roy 的貼文時已即時提出:「今日的成交量不能直接跟30年前的成交量比較⋯⋯較理想的做法是利用恆指或大市總市值 Normalize。」需知道 30年前一日有 10億成交已是大新聞,今日過千億成交卻是等閒事。要知道成交量(以金額計)受大市氣氛、貨幣供應以及大市水平等因素影響,而我們有興趣的只是相對的大市氣氛,希望用交投量評估市場是死寂、冷清、活躍還是熾熱,所以便有「正常化」(Normalization)的必要。

最理想的正常化分母是大市總市值。用每日成交金額除以大市總市值,得到的便是整個市場當日股票易手的比例。舉個簡單例子:假設 iPhone 交易所共有 1,000 部 iPhone X,每部價值 $10,000,總市值就是 $1千萬;今天交易所買賣了 8 部手機,總值 $80,000,易手的手機佔大市總值便是 $8萬/$1千萬 = 8部/1,000部 = 0.8% 或 8‰(1‰ = 0.1% = 10 點子,筆者工作關係習慣使用千分率)。假設 iPhone 的價格現在被炒高一倍至 $20,000 一部,但假設交易數量不變,易手量佔市值依然是 8‰ = $16萬/$2千萬。這例子說明利用總市值 Normalize 後的成交量(即「成交比例」),不會受貨幣供應或股價因素影響。

那麼市場上有 0.8% 的股票易手,算是死寂還是熾熱?這便要看歷史數據了。

港交所主板的歷史成交金額以及歷史市值的數據,可以簡單在港交所網站免費取得。數據大約包含 30 年歷史——歷史成交額由 1986年 4月起提供每日數據,而歷史市值同樣由 1986年4月起提供,但僅提供每月月末的市值數據,直至 1994年12月末才開始提供每日收市市值。30年每月數據,覆蓋和頻率剛巧切合筆者就沸騰指數歷史表現的分析。如果讀者希望做更高頻率的分析,可能就需要放棄某段歷史,或另找數據庫了。

得到數據後,便可以為 30 年歷史中的每個月,計算平均每個交易日的「成交比例」。對於一個曆月而言,算式如下:

成交比例 = 平均每日交易金額 / 平均市值

其中    每日交易金額 = 該曆月的成交金額總和 / 交易日數
            平均市值 = ( 該曆月月末的總市值 + 上一曆月月末的總市值 ) / 2

結果如下圖:


在 Excel 成圖後筆者第一反應是暗喜,因為數據反映 30 年來的成交比例並沒有翻天覆地的改變。縱使 Trendline 是微微向上,反映現在購買股票的渠道多了方便了,也許也因為多了些程式交易(Algo Trading),但在 Order of Magnitude 上並沒有太大的變化,歷史數據應該會很有參考價值。這正如恆指的歷史股息率和市盈率在過去 30年的區間並沒有太大的變化,使得「恆指沸騰指數」具有參考價值。

「主板熱鬧指數」的構築

由於歷史數據顯示成交比例成上升趨勢,必須去除此趨勢(即 De-Trend)數據才能用於未來測市。例如 80、90年代曾有不少日子成交比例低於 2‰,但金融海嘯後這現象基本上已不會發生。如果我們單看成交量的歷史數據並發現成交比例低於 2‰ 的日子是有利於後市,這結果一來根本在未來就沒有實用價值,二來只是敍述了某段歷史的表現(即 「2‰ 以下表現較佳」只是代表了「80、90年代表現較佳」而非表示在此水平的成交比例的一些實際意義,是統計學中某程度的共因謬誤 Confounding Error)。

認清要 De-Trend 之後,問題來了,要用甚麼方法來 De-Trend?這個是統計學中時間序列(Time Series)的課題。坦白說筆者當年大學上時間序列課時都是得過且過,到現在「書到用時方恨少」,所以都是用自己三教九流的方法,大抵沒有正統統計學基礎。

第一個想法是做差分(Differencing),即每項減去之前一項。這方法用來套入 AR、MA 模型做預測是好,但用來做指標檢測水平卻沒什麼作用。

第二個想法是用線性迴歸(Linear Regression),把一條最佳直線當成是最佳趨勢線放到序列上,然後每個項減去趨勢線的相應項。然而盲目套用這方法有兩大謬誤:

  1. 線性迴歸的基礎假設是殘差(Residual)跟從常態分佈,然而觀乎成交比例的數據,大部分日子風平浪靜少部分飆升亢奮熾熱,很明顯不是 Normally distributed。
  2. 利用 1987-2017 整整 30 年數據找出最佳直線放在圖上,再用這直線來 De-Trend 1987 年的點,意味分析員在 1987 年有超能力預知 30 年後的成交比例水平。

處理第一個問題的過程也很意外的。筆者在利用統計軟件探索數據時,無意中發現成交比例的數據取自然對數(Natural Logarithm)後,竟然大致遵從常態分佈(見下圖)。即是說成交比例大致遵從對數常態分佈(Lognormal Distribution)。讀者不要被其名字嚇壞了,其實日常生活中很多東西都可以用對數常態分佈描述模型的,例如是一頭牛的牛奶產量、一個地方的雨量、一個病毒的潛伏期等等。更甚者,曾淵滄博士的曾氏通道,說穿了就是假設恆指跟從對數常態分佈,然後做線性迴歸(當然筆者在前文指出這個假設不太好,恆指的對數要比常態分佈表現得更尖峰厚尾就是了)。可以說,數學上,筆者往後的動作是跟曾氏通道分析是一致的,但筆者在統計學上的論證(看似)比較嚴謹。



要處理第二個問題,方法就是避免使用未來的數據去分析過去的數據點。換句話說,就著每一個數據點,我們都可以利用該點之前的所有數據點(的對數),以迴歸做一條趨勢線。讀者可能也聽說過「移動曾氏通道分析」 (可參考此 Blog 文章),正正就是這個概念了。不過,這就要犧牲最初幾年的數據點,因為利用最初幾年這麼少觀測點所畫成的趨勢線,基本上是不準確的。由於成交比例圖看似首 10 年和次 10 年來了一個循環,筆者決定犧牲首 10 年的數據,製作 20 年歷史的「主板熱鬧指數」。

以 1996 年 12月的數據點為例,筆者利用 1986年 12月 至 1996年 11月共 120 個月的數據,做一次對數線性迴歸並做出一條趨勢線,然後利用這條趨勢線預測下一個數據點(即1996 年 12月)的成交比例。由於下一個月的成交比例是隨機的,所以我們只能給予一個隨機分佈去描述我們的預測。根據我們的假設,這個隨機分佈就是對數常態分佈(Lognormal Distribution),而迴歸結果能給予這分佈的參數(Parameters)。利用這個分佈,我們可以描述,有多大的機會,下一個月的成交比例會在某數值之下。


1996年 12月的實際平均成交比例在 2.446‰,而根據模型預測,有 83.4% 的機會成交比例會在此數字以下,只有 16.6% 的機會成交比例會在此數字之上。換人講的說話,就是考慮歷史趨勢後,1996年 12月的實際成交比例是偏高的;而至於有多高,就是大約每 6 個月有 1 個月(16.6% = 1/6)的成交比例比這個月的要高;另外 5 個月要比這個月的要低。

這個 83.4% 機會率,就是筆者新開發的「主板熱鬧指數」;指數依然是 0-100 為限,指數愈高代表主板交投愈熾熱,指數愈低代表主板交投愈疏落。

將上三段重覆 239 遍,建立 239 個迴歸模型後,就能得到下圖(實際上建立這 239 個迴歸模型只是一分鐘的 Excel 工作;預備分析用的數據所花的時間何只百倍):


至此「主板熱鬧指數」的構築大致完成,下篇將會探討大市過往在不同交投氣氛下的後市表現,以及如何利用「主板熱鬧指數」進一步提升「恆指沸騰指數」的回報表現。

熱門文章