股市平均報酬率:系統化交易者容易忽略的事
長期平均股市報酬只是單一期間的一個數字,通常未扣除通膨,且只涵蓋存活下來的市場。請用同一份資料,把策略和同一市場的買進持有做比較,並同時以報酬與回撤來評斷兩者。
作者 Soren Huang · 發佈 · 更新於 · 編輯原則
目錄
長期股票平均報酬率只是單一個數字。它取決於起始日期、是否計入股息與通膨,以及哪些市場存活下來。它完全沒有說明持有人必須忍受的回撤。要評斷一個期貨策略,請用同一口合約、同一份資料,把報酬與回撤合在一起,與買進持有做比較。
「股票平均報酬率」實際衡量的是什麼?
一般引用的平均值,通常衡量的是單一指數在單一長期間的表現,往往未扣除通膨,且股息再投入,所以在使用這個數字之前,必須先確認這三項選擇。當你讀到「長期來看,股票的平均報酬率是……」時,請問三個問題:從哪一年開始、有沒有計入股息、扣除通膨前還是後。持有之外,按規則進出的做法是程式交易,它得在扣掉成本後贏過這個基準。
- 價格報酬或總報酬。S&P 500 指數的點位是價格指數,不含股息。總報酬序列則會把股息再投入。經過數十年,兩者的差距很大。
- 名目或實質。名目報酬是以報價的金額計算的報酬。實質報酬是扣除通膨後的報酬,衡量的是這筆錢能買到什麼。
- 算術平均或複利。算術平均是把各年報酬相加,再除以年數。複利平均則是把起始價值變成期末價值的那個固定年化報酬率。複利平均才是你的帳戶實際經歷的結果,而且當報酬起伏不定時,它一定比較低。
年複合成長率(CAGR)是把起始價值連到期末價值的固定年化報酬率:
CAGR = (E ÷ S)1/N − 1
其中 E 是期末價值,S 是起始價值,N 是年數。先取總成長(E ÷ S),找出在 N 年內複利累積到該成長的年化報酬率,再減 1,把成長倍數轉成年化報酬率(乘以 100 即為百分比)。
假設範例
某指數第一年上漲 50%,第二年下跌 50%。算術平均是每年 0%。但 $100 變成 $150,再變成 $75。複利報酬率約為每年 −13.4%。同樣兩年,兩種截然不同的「平均」。
再來看通膨。以下是僅為範例而選的整數:某來源引用名目報酬為每年 10%,同期通膨平均為每年 3%。實質報酬約為 1.10 ÷ 1.03 − 1,約每年 6.8%。
長期平均值省略了什麼?
長期平均值省略了所選期間的運氣、通膨對購買力的影響,以及沒有存活下來的市場與公司。每一項都讓標題數字看起來比一般投資人實際拿到的更好。
所選期間會讓平均值改變多少?
結果會隨起訖日期而變。從崩盤之後開始、在市場高點結束的序列,平均值會高於從高點開始的序列。當兩個來源對「S&P 500 平均報酬率」給出不同數字時,通常是因為涵蓋的年份不同。
存活者偏誤如何墊高平均值?
存活者偏誤是只衡量仍然存在的對象、卻忽略已經消失的對象所造成的錯誤。這裡有兩個層面:
- 公司。指數會剔除萎縮的公司、納入成長的公司。指數報酬並不是一開始就在指數內的那些股票的報酬。
- 國家。長期數據通常來自美國市場,而美國市場在過去一個世紀表現良好。有些國家的市場並非如此。俄羅斯市場在 1917 年後關閉,中國市場在 1949 年後關閉。只由存活者建立的平均值,描述的是贏家。
通膨與投資人行為如何拉低人們實際賺到的?
在通膨同樣偏高的年份,名目平均值看起來可能很強。此外,指數報酬假設你每天都持有,且不付任何成本或稅。許多投資人在上漲後買進、下跌後賣出,所以賺得比指數少。
買進持有的投資人實際經歷了什麼?
買進持有的投資人經歷過資金跌掉約一半、並等上許多年才恢復,而平均報酬率把這一切都藏起來了。回撤是從帳戶目前最高價值跌到下一個新高之前最低點的跌幅。恢復時間則是回到那個高點所需的時間。
三段 S&P 500 價格指數的走勢(指數收盤點位):
| 期間 | 自高點的跌幅(價格指數) | 持有人的經歷 |
|---|---|---|
| 2000 至 2002 年 | 約一半 | 在 2000 年 3 月高點買進的人,以價格計算,在之後十三年的大部分時間都處於該水準之下。 |
| 2007 至 2009 年 | 超過一半 | 價格指數直到 2013 年才收在 2007 年高點之上。 |
| 2020 年初 | 約三分之一 | 這次下跌大約花了五週。 |
股息會讓這些恢復時間稍微縮短,但不會改變跌幅的大小。一個虧掉一半價值的策略,多數交易者早就在它恢復之前將它停掉了。然而買進持有不只一次這樣走過,而長期平均值把那些年份算進去,卻沒有顯示出來。你可以用免費的最大回撤與恢復時間回撤計算器,在任何權益序列上量測同樣的東西。
如何把買進持有當作期貨策略的比較基準?
買進持有是在測試期間開始時買進市場、不交易、一路持有到結束的比較基準。請使用同一口期貨合約、同樣的 K 棒、同樣的期間、同樣的成本所做的買進持有,而不是引用的股市平均值。這樣的比較才能顯示策略的規則增加了什麼。
引用的指數報酬不適合作為期貨策略的衡量標準,原因有二。第一,每季轉倉的指數期貨多單部位,大致賺到指數的總報酬減去短期利率。期貨價格已經反映股息與資金成本,而作為保證金持有的現金可以另外賺取利息。第二,期貨的百分比報酬取決於你假設每口配置多少帳戶資金,如期貨槓桿與回測回撤所述。所以請以每口的金額來比較,或為兩者固定同一個帳戶規模。
請依以下順序建立比較基準:
- 使用與策略相同的合約與資料檔,例如 ES 策略就用 E-mini S&P 500。S&P 500 期貨,ES 與 MES 的說明涵蓋了合約的選擇。
- 使用經過回溯調整的連續月序列,這樣每次轉倉的跳空就不會被算成損益。請見轉倉跳空與連續月回測。
- 從測試期間的第一根 K 棒到最後一根 K 棒,持有一口多單。
- 計入轉倉成本:每次轉倉一個一買一賣(來回),並使用與策略相同的手續費與滑價。回測中的交易成本一文說明如何設定。
- 記錄兩者的淨損益、最大回撤、最長恢復時間與持倉時間比例。
持倉時間比例是策略持有部位的 K 棒所占的比例。買進持有永遠是 100%。一個有 30% 時間持有部位、賺得較少的策略,仍可能把風險運用得好得多。
如何在績效報表中比較報酬與回撤?
把策略和買進持有並排,比較淨損益、最大回撤、兩者的比值以及逐年結果。淨損益較小但回撤小得多的策略,可能是比較好的結果;而只在上漲年份獲利的策略,可能只是偽裝過的買進持有。
假設範例
同一合約、同樣十年、一口、含所有成本。
買進持有:淨損益 +$120,000,最大回撤 −$90,000,持倉時間比例 100%。淨損益除以最大回撤:約 1.3。
策略:淨損益 +$80,000,最大回撤 −$25,000,持倉時間比例 35%。淨損益除以最大回撤:3.2。
策略賺得較少。但就最糟一次下跌的每一塊錢而言,它賺的超過兩倍,而且在大部分期間都沒有持有部位。
請依以下順序閱讀這個比較:
| 檢查項目 | 好的訊號 | 弱的訊號 |
|---|---|---|
| 淨損益與最大回撤 | 比值明顯高於買進持有 | 比值較低且淨損益也較低 |
| 逐年結果 | 在買進持有重挫的年份,虧損或獲利都很小 | 在與買進持有相同的年份出現大額虧損 |
| 多單與空單結果 | 兩邊都有貢獻,或空單在下跌年份有幫助 | 幾乎所有獲利都來自上漲市場中的多單 |
| 恢復時間 | 短於買進持有的最長恢復時間 | 多年低於前一高點 |
| 交易筆數 | 交易筆數足以讓比值有意義 | 少數幾筆交易撐起整個結果 |
多單與空單的檢查,對股價指數期貨最為重要。在大多數長期測試期間,指數期貨都是上漲的。經常在場內的純多單策略,單單因為市場上漲就會看起來不錯。它的多單交易,除了買進持有原本已給你的之外,幾乎沒有增加什麼。
在短歷史上量測的比值,誤差範圍很大,夏普比率也一樣(Lo, 2002)。夏普比率是高於短期利率(例如政府短期票券利率)的平均報酬,除以報酬的波動程度。而且,如果你是從許多變體中挑出這個策略,它的回測結果會向上偏誤,在與任何比較基準相比之前,應該先打折(Harvey & Liu, 2015)。夏普比率計算機可以貼上每日、每週或每月的報酬算出年化夏普值,拿同一策略的短歷史和長歷史各算一次就能比較。
AlphaPrime(Valynox)在它的績效報表中呈現這些檢視:權益、回撤、交易、分期績效,以及多單與空單分析。
如果你使用 AlphaPrime,這代表:用與策略相同的合約、相同的資料與成本,建立一個買進持有的測試,並與策略的結果比較。然後用績效報表中的回撤、分期績效以及多單與空單檢視,來看這些規則是否在單純持有市場之外增加了什麼。
常見問題
S&P 500 的平均報酬率是多少?
答案取決於期間,以及是否計入股息與通膨。你看到引用的大多數長期數字都是名目報酬、含股息再投入,且從好幾十年前開始。扣除通膨後的實質報酬低好幾個百分點。在比較兩個來源的數字之前,務必先確認起始年份與計算方法。
為什麼算術平均報酬高於複利報酬?
虧損造成的傷害大於同樣幅度的獲利帶來的幫助。先賺 50% 再虧 50%,算術平均是 0%,但 $100 最後是 $75。複利報酬反映了這一點,所以它才與你帳戶裡的錢相符。
期貨策略應該勝過買進持有嗎?
它應該在報酬相對於回撤上勝過同一口合約的買進持有,並且在相同資料、相同成本下量測。它不需要有更高的淨損益。一個賺得較少,但最大回撤小得多、恢復也較短的策略,可能是更實用的結果。
長期股市平均值就是投資人實際賺到的嗎?
通常不是。指數平均值假設你每天都持有、每一筆股息都再投入,且不付任何成本或稅。許多投資人在上漲後買進、在回撤期間賣出,所以他們自己的結果低於指數。
參考資料
- Harvey, C. R., & Liu, Y. (2015). Backtesting. The Journal of Portfolio Management, 42(1), 13–28.
- Lo, A. W. (2002). The Statistics of Sharpe Ratios. Financial Analysts Journal, 58(4), 36–52.

