Pca Trading Strategies

O que é um Fundo de cobertura quantitativo Breve resumo dos Fundos de cobertura Hedge Funds, em termos gerais, são fundos de investimento que têm menos regulação e mais flexibilidade em relação a outros fundos de investimento clássicos, como fundos mútuos (mais desta distinção está escrito abaixo). Um Hedge Fund terá um gerente de investimentos e, normalmente, estará aberto a uma gama limitada de investidores que pagam uma taxa de desempenho ao administrador de recursos sobre os lucros obtidos pelo fundo. Cada Hedge Fund tem sua própria filosofia de investimento que determina o tipo de investimentos e estratégias que emprega. Em geral, a comunidade Hedge Fund realiza uma gama muito maior de atividades de investimento e negociação do que os fundos de investimento tradicionais. A Hedge Funds pode empregar operações de alto risco ou exóticas, como investir com dinheiro emprestado ou vender títulos para venda a descoberto, na esperança de realizar grandes ganhos de capital. Além disso, os hedge funds investem em uma ampla gama de ativos, incluindo posições longas e curtas em ações, Renda Fixa, Câmbio, Mercadorias e ativos rígidos ilíquidos, como Imóveis. Sabe-se que os primeiros hedge funds existiram antes da Grande Depressão na década de 1920, embora não tenham ganhado popularidade até a década de 1980, com fundos geridos por investidores lendários, incluindo Julian Robertson, Michael Steinhardt e George Soros. Soros ganhou notoriedade generalizada em 1992, quando o seu Quantum Investment Fund apostou corretamente contra o Banco da Inglaterra ao prever que a libra seria desvalorizada, tendo sido empurrada para o Mecanismo de Taxas Européias em uma taxa muito alta. A aposta da Soros pagou uma melodia de 1 bilhão e preparou o terreno para futuros participantes em hedge funds, que especularam sobre os mercados com base em fatores fundamentais e quantitativos. Hedge Funds: como diferem dos fundos mútuos Similar aos hedge funds, os fundos de investimento são pools de capital de investimento. No entanto, existem muitas diferenças entre os dois, incluindo o seguinte: os fundos mútuos são regulados pelo SEC Hedge Funds não. Os investidores do Fundo Hedge devem ser credenciados (o que significa que eles têm uma certa quantidade de ativos líquidos). Muitas estratégias de fundos mútuos são únicas, sugerindo que os títulos individuais não podem ser vendidos curtos (embora cada vez mais, os gerentes de longo prazo podem vender índices curtos através de futuros e opções). Os fundos mútuos geralmente não possuem uma taxa de desempenho, geralmente cobrando apenas uma taxa de gerenciamento. Estrutura da receita do Fundo Hedge Os hedge funds cobram uma taxa de gerenciamento e uma taxa de desempenho. Embora isso varie de acordo com o fundo, as taxas de gerenciamento típicas consistem em 1-2 dos ativos sob gestão e desempenho ou taxas de incentivo de aproximadamente 20 retiradas dos lucros brutos. A taxa de desempenho é uma característica chave definidora de um hedge fund, motivando o gestor de hedge funds a gerar rendimentos superiores alinhando seus interesses com os dos investidores. Em contrapartida, os fundos de investimento e os gerentes de longo prazo geralmente cobram apenas uma taxa de gerenciamento. Hedge Fund Industry Today O ingresso total de capital do investidor alocado aos hedge funds no primeiro trimestre de 2012 ultrapassou os 16 bilhões, com o número de fundos aumentados por 9 trimestres consecutivos para atingir 7.477 fundos totais no terceiro trimestre de 2011. O crescimento do patrimônio aumentou mais rapidamente do que o crescimento no número De novos fundos, implicando a preferência dos investidores pela alocação às maiores empresas da indústria. A partir do quarto trimestre de 2011, os ativos sob gestão em todas as estratégias de fundos de hedge foram estimados em 1.641 trilhões (com 315 bilhões adicionais residentes com contas de futuros futuros gerenciados), refletindo uma queda de mais de 200 bilhões em relação ao segundo trimestre de 2011. O que é um Fundo de Cobertura Quant O Fundo de cobertura quantitativo é qualquer fundo de hedge que se baseia em estratégias algorítmicas ou sistemáticas para implementar suas decisões comerciais. As estratégias de negociação quantitativas podem se concentrar em qualquer classe de ativos (ações, derivativos, renda fixa, câmbio, commodities, etc.), com negociações baseadas em estratégias sistemáticas, ao invés de decisões discricionárias. Em outras palavras, pelo menos até certo ponto, os Fundos de hedge quantitativos empregam regras de negociação automática ao invés de aqueles que os funcionários do fundo identificam e avaliam. Claro, essas duas estratégias podem ser misturadas, mas quase todos os fundos Hedge são principalmente um Quant Hedge Fund ou principalmente um Non-Quant Hedge Fund. Para o resto desta discussão, nos referiremos a Fundos de cobertura não-Quant como fundos de hedge fundamentais, em outras palavras, fundos cujo estilo de investimento é, em grande parte ou inteiramente, conduzido por pesquisas fundamentais que tentam valorizar os valores mobiliários no mercado e identificar ativos subvalorizados e sobrevalorizados. Tanto Fundamentais quanto Quantitativos Hedge Funds podem usar informações fundamentais, tais como dados econômicos, dados contábeis financeiros, bem como medidas governamentais, demográficas e industriais de oferta e demanda. No entanto, a principal diferença é que os Analistas Quantitativos procurarão usar esses dados de forma sistemática e automatizada. Muitas vezes, o Analista Quantitativo usará dezenas, se não centenas de diferentes tipos de dados, para prever um único resultado (regras sobre quais ativos comprar e vender), essas análises serão usadas para identificar posições longas e curtas atrativas. Grande parte desses dados assumirá a forma de informações de séries temporais (por exemplo, rendimento do Tesouro de dez anos ao longo do tempo), ou informações transversais (por exemplo, rácios diferentes de PriceEarnings para empresas em uma determinada indústria). Os analistas quantitativos não realizarão análises fundamentais detalhadas, de baixo para cima, de ações ou outros títulos individuais, em vez disso, podem tentar obter uma sensação de atratividade relativa de dezenas ou centenas de ativos diferentes simultaneamente. Da mesma forma, o Quant Hedge Funds raramente empregará análises macro-orientadas como aquelas encontradas em um Global Macro Hedge Fund, como a política monetária e seu impacto nos mercados de títulos ou taxas de câmbio, ou avaliações de estabilidade política ou relações trabalhistas em determinado mercado. Para Quant Quant Analysts, esses dados provavelmente também são subjetivos, a menos que de alguma forma possam ser rigorosamente quantificados. Em suma: todos os gerentes do Hedge Fund podem analisar fatores fundamentais, mas os Fundos de cobertura quantitativos não usarão nenhuma informação qualitativa ou subjetiva que não possa ser agregada sistematicamente e analisada estatisticamente. Um Fundo de cobertura quantitativo baseará as decisões de negociação em um modelo matemático (que pode ser preenchido em parte por fatores fundamentais), mas geralmente há pouco julgamento humano em relação a decisões comerciais fora desse modelo. Em outras palavras, analistas quantitativos tentam desenvolver modelos inteligentes que prevejam quais trades fazer. Modelos quantitativos de negociação Os modelos quantitativos de hedge funds desenvolvem modelos matemáticos complexos para tentar prever oportunidades de investimento oportunamente, sob a forma de previsões sobre quais ativos são projetados para ter altos retornos (para investimentos longos) ou rendimentos pouco negativos (para investimentos curtos). À medida que o poder de computação floresceu ao longo das últimas décadas, o uso de técnicas de modelagem sofisticadas, como otimização, modelagem de previsão, redes neurais e outras formas de algoritmos de aprendizagem em máquina (onde as estratégias de negociação evoluem ao longo do tempo, aprendendo com dados passados ). Uma abordagem de modelagem de Quant Hedge Fund, comum e clássica, é chamada de Modelagem Baseada em Fator. Nesses dados, as variáveis ​​preditoras (ou independentes), como a relação PriceEarnings, ou a taxa de inflação, ou a mudança nas taxas de desemprego, são usadas para tentar prever o valor de outra variável de interesse (variáveis ​​dependentes), como a mudança prevista No preço de uma ação. Os modelos de fatores podem basear decisões de negociação em um conjunto pré-determinado de fatores (como os retornos no SampP 500, o índice do dólar dos EUA, um índice de títulos corporativos, um índice de commodities como o CRB e uma medida de mudanças nos spreads das obrigações corporativas E o VIX) ou um conjunto de fatores relacionados matematicamente (mas sem especificação explícita), como aqueles obtidos através da Análise de Componentes Principais (PCA). Um modelo generalizado de um fator que tenta prever os retornos R usando o fator F tomaria a seguinte forma: onde R. I 1, 8230. N e t 1, 8230. T. É o retorno excessivo (sobre a taxa livre de risco) do ativo i no tempo t. E F t é o fator em consideração com média zero e variância 2 F. Claramente, esse modelo pode ser expandido para incluir múltiplos fatores na predição de R. Os modelos de fatores podem incorporar informações fundamentais, incluindo determinantes do valor versus ações de crescimento, como múltiplos de fluxo de caixa, vendas para índices de preço, PE para valores de crescimento de lucros, índices de pagamento de dividendos, retorno sobre o patrimônio líquido e similares. Para os modelos de renda fixa, esses fatores tendem a estar relacionados a variáveis ​​macroeconômicas (como produção industrial, crescimento do emprego ou inflação em relação à tendência) ou fatores como índices de cobertura de juros ou DebtEBITDA. Os testes podem ser executados em carteiras de títulos (agrupados por seção transversal) ou em títulos individuais. Tais modelos também podem usar impulso de preço prévio para capturar tendências comportamentais que podem estar correlacionadas com o desempenho futuro dos preços e podem incorporar medidas de oferta versus demanda (como interesse aberto em metalhas versus chamadas ou métricas de fluxo de dinheiro). Indicadores de sentimento, tais como revisões de ganhos de analistas para equities ou economistas estimativas de crescimento do PIB para renda fixa, também podem aparecer como fatores. Os modelos podem ser separados por subgrupos (diferentes setores de equidade, por exemplo), podem ter termos de interação (F 1 t pode aparecer como um fator individual além do produto de F 1 e F 2. Ie F 1 t F 2 t ) Ou pode ter variáveis ​​dummy (por exemplo, D 1 pode representar uma variável dummy para se uma empresa é maior que um determinado tamanho). Os modelos de fatores não precisam ser termos lineares lineares (e termos de ordem superior) também podem ser adicionados a um modelo linear. Note-se que os modelos de fatores podem ser usados ​​em fins de previsão de retorno e de modelagem de risco com o objetivo de que fatores específicos possam ser usados ​​para explicar o grau de variabilidade no desempenho em uma base absoluta ou relativo aos fatores que estão sendo modelados. As melhores técnicas de gerenciamento de risco, projetadas para avaliar as estratégias de acordo com diferentes condições de mercado e mudanças de liquidez e sentimento, estão ganhando mais atenção, em particular contra um ambiente macroeconômico em que as ferramentas políticas (e seu impacto associado nos mercados) são sem precedentes. Observe que existem riscos com o uso de modelos quantitativos para prever os retornos dos ativos. Os modelos baseados em fator, por exemplo, usam dados históricos para determinar a relação entre fatores e retornos. Esses relacionamentos podem não continuar. As relações não-lineares entre as variáveis ​​podem não ser detectadas. Além disso, os eventos sem precedentes provavelmente não serão capturados em dados históricos. Finalmente, algumas abordagens quantitativas tradicionais (como os modelos baseados em fatores) podem não se adaptar às mudanças nas condições do mercado, usando o mesmo conjunto de fatores estáticos, que funcionam até não. Isso aconteceu com muitos Quant Hedge Funds em 2008, quando muitos fundos tinham posições similares em ativos similares, porque eles estavam olhando conjuntos semelhantes de fatores. Quando essas posições começaram a perder valor e os fundos foram forçados a reduzir ou eliminar essas posições, as perdas aumentaram, provocando novas vendas, etc. Na minha publicação anterior, mostrei como criar fatores de retorno de capital utilizando a análise de componentes principais. Nesta publicação, vou comparar os três fatores PCA que criei com os três fatores Fama-French. O objetivo deste post é determinar se os fatores Fama-French estão deixando qualquer coisa significativa na tabela que os fatores PCA, que capturam tanto covariância nas carteiras alvo quanto possível com três fatores, são capazes de se recuperar. Em outras palavras, eu estarei comparando os R2s e os alfas tanto para os fatores Fama-French quanto para os fatores PCA, e, depois de algumas reorganizações, eu também comparo as cargas fatoriais. Os dados do fator Fama-French 3 Factor (FF3F) e os dados do Fama-25 de tamanho e valor classificados (FF25) do Fama-French são fornecidos pelo site Kenneth French. Os fatores PCA foram calculados na publicação anterior, e eu postei os dados em uma Planilha do Google Docs. R2 e Alpha usando fatores PCA e Fama French Factors Como primeiro passo, os R2s e alphas para as carteiras FF25 podem ser calculados usando os fatores Fama-French e os fatores PCA. Os fatores PCA nos darão o melhor ajuste nas 25 carteiras que são possíveis com três fatores, então esperamos que os R2s para os fatores Fama-French sejam menores em média. A questão é: quanto mais baixas As tabelas abaixo mostram os R2s para os fatores PCA e Fama-Fatores franceses. Para cada tabela, os valores destacados em verde possuem um R2 maior do que o modelo alternativo, e os valores destacados em vermelho possuem um R2 menor do que o modelo alternativo. Continue a ler o raquo Os fatores mais populares para analisar os retornos de capital são os três fatores Fama-French (RMRF, HML e SMB). O fator RMRF é o retorno do mercado menos a taxa livre de risco, e os fatores HML e SMB são criados ordenando pastas em vários baldes de valor e tamanho e formando carteiras longas-curtas. Os três fatores podem ser usados ​​para explicar, embora não prever, os retornos de uma variedade de carteiras diversificadas. Muitas postagens neste blog usam o modelo Fama-French 3 Factor (FF3F), incluindo um tutorial sobre a execução da regressão de 3 fatores usando R. Uma maneira alternativa de construir fatores é usar a álgebra linear para criar fatores ótimos usando uma técnica como a análise de componentes principais (PCA). Esta publicação mostrará como construir os fatores estatisticamente ótimos para as 25 carteiras Fama-French (ordenadas por tamanho e valor). Na minha próxima publicação, vou comparar esses fatores PCA com os fatores Fama-French. Descrição dos dados Os dados utilizados para esta análise são provenientes do site Kenneth French. Estou usando os retornos da carteira Fama-French 25 (FF25) que estão disponíveis no arquivo intitulado 25 Carteiras Formadas em Tamanho e Book-to-Market. Estou usando os retornos de 1962 até 2012, uma vez que as carteiras da era pré-Compustat têm relativamente poucos estoques. Os fatores Fama-French também estão disponíveis no site Kenneth French no arquivo intitulado FamaFrench Factors. Nesta postagem, usarei não usar os próprios fatores Fama-French, mas uso o arquivo de dados do fator para obter a taxa sem risco mensal. Para referência, os retornos mensais aritméticos mensais das carteiras FF25 são plotados para o intervalo de datas usado nesta análise. O script Octave para criar esse argumento foi fornecido em uma publicação anterior. Pensando em Risco em Rollouts da Conta de Aposentadoria Você já se perguntou o quanto o nível do mercado de ações pode variar ao longo de uma semana? Que cerca de duas semanas ou um mês Até recentemente, eu não tinha pensado muito sobre o alcance das flutuações do mercado de curto prazo. Afinal, considero-me um investidor de longo prazo No entanto, uma experiência recente despertou minha curiosidade e decidi fazer uma pequena pesquisa. Cerca de um mês atrás, transferi uma pequena conta de aposentadoria de um ex-empregador para outra conta de aposentadoria existente. Eu não consegui fazer uma transação eletrônica ou um 8220transferente em espécie 8220, então eu tive que liquidar a conta antiga antes de enviar os fundos para o novo provedor de contas. O provedor da conta antiga emitiu um cheque em papel, e houve atraso surpreendentemente longo para envio e processamento antes que os fundos apareciam na nova conta. A experiência me fez pensar sobre o risco de sair do mercado (em dinheiro) por curtos períodos de tempo ao transferir fundos entre contas. O mercado pode cair (bom) ou subir (ruim) por um valor significativo em um tempo bastante curto. Se o valor transferido for grande, o risco pode ser significativo. Nesta publicação, observo algumas estatísticas históricas sobre os retornos do mercado de curto prazo. Fonte de dados e metodologia Eu baixei dados de retorno diários de julho de 1963 a 8211 de agosto de 2012 no site da Ken French. Os retornos estão disponíveis no arquivo FamaFrench Factors Daily. A taxa diária livre de risco precisa ser adicionada de volta à coluna RMRF para obter os retornos totais. Note-se que estes são 8220total stock market8221 retorna, de modo que os resultados podem diferir ligeiramente de uma análise semelhante usando retornos SampP500. Eu calculo os retornos compostos em períodos de rodagem de 5, 10, 15 e 20 dias de negociação. Eu não restringi a análise aos limites da semana de calendário. Eu então calculou uma série de estatísticas nas devoluções de 1, 5, 10, 15 e 20 dias. Observe que as distribuições de retorno de curto prazo são muito 8220fat-tailed8221, então eu não fiz nenhuma estatística que assuma distribuição normal. Em vez disso, calculo a frequência histórica dos retornos que excedem os vários pontos de corte. Resumo Estatísticas Continue lendo raquo Uma comparação a longo prazo de estratégias de inclinação Um debate frequente entre investidores de fundos de índice envolve 8220tilting8221 ou ponderação excessiva de classes de ativos particulares. Geralmente, as classes de ativos a serem ponderadas são pequenas ações de valores mobiliários e valores. Alguns investidores acreditam que um portfólio voltado para pequena capitalização e valor é superior a um portfólio de peso do mercado. Esses investidores acreditam que o excesso de peso dessas classes de ativos (em relação ao peso do mercado) e a subutilização de outras classes de ativos aumenta a probabilidade de um resultado superior (ou seja, maiores retornos, menor risco ou ambos). Outros investidores acreditam que um portfólio de mercado ou TSM (Total Stock Market) é a melhor escolha. Esses investidores acreditam que não sabemos quais classes de ativos são mais prováveis ​​de superar no futuro e que os pesos do mercado refletem o melhor saldo de risco e recompensa, dada a informação disponível para os investidores em qualquer momento específico. Os debates freqüentemente envolvem análises detalhadas do desempenho passado, que, obviamente, tem apenas um valor limitado para prever o futuro No entanto, mesmo fazer comparações de maçãs com as maçãs do desempenho passado é complicado porque 8220live8221 fundos do índice que rastreiam as várias classes de ativos estavam disponíveis para Um tempo relativamente curto. Existem conjuntos de dados acadêmicos para TSM, small cap e índices de valor por longos períodos de tempo (de volta a 1926 para ações dos EUA), mas esses índices não contabilizam as despesas do fundo e os custos de negociação. Além disso, eles às vezes envolvem inclinações extremas em relação a estoques ilíquidos, que são difíceis de implementar na prática para os provedores de índice. Nesta publicação, avaliarei o fara-fator francês de carregamento de vários fundos do índice 8220live8221 e então usarei os coeficientes de regressão e alfa (que deve capturar despesas e outros custos) para construir 8220pseudo-funds8221 que cobrem toda a gama de Dados acadêmicos de até 1926 até o presente. Estes pseudo-fundos são uma tentativa de ajustar os dados históricos para as despesas, os custos de negociação e as cargas de fator modestas que normalmente vemos com os fundos atuais de today8217s. Os pseudo-fundos podem ser usados ​​para comparar TSM realistas e estratégias de inclinação em uma faixa histórica extensa. Uma vez que não podemos saber o futuro, acho que esta publicação irá resolver o debate sobre a inclinação (sem chance), mas esta é a minha melhor tentativa de analisar os dados históricos através de uma lente clara. Fazendo o download de preços históricos e conversando para retornar Muitos tipos de análise de investimento exigem retornos históricos. Por exemplo, se quisermos calcular as taxas ex-post Sharpe, CAPM beta ou fama-fator francês de um fundo, precisamos dos retornos históricos do fundo8217 (incluindo dividendos). Uma fonte de dados que inclui ajustes de dividendos é o Yahoo Finance. Você pode clicar na opção 8220Historical Prices8221 depois de pesquisar a cotação para um ticker específico para ver uma tabela de preços passados. Por exemplo, o Yahoo Finance fornece preços diários, semanais ou mensais para o SPY, um ETF SampP500, que remonta a 1993. Estes preços cotados incluem a coluna 8220Adj Close8221 que dá os preços de fechamento históricos ajustados por divisões e dividendos passados. Os preços de fechamento ajustados do Yahoo Finance podem ser baixados para uma planilha e os retornos totais diários, semanais ou mensais podem ser calculados a partir desses preços. No entanto, isso pode ser um processo tedioso se ele precisa ser repetido para vários recursos de ações, então eu criei uma planilha do Google Docs que pode importar automaticamente os preços de um estoque ou fundo especificado e converter os dados de preços em retornos mensais. Exemplo Voltar Download A minha planilha de download do Google Docs return é somente leitura, portanto, não é possível editar diretamente após a abertura. No entanto, se você estiver logado no Google Docs, você pode criar uma cópia (sob o 8220File8221 pulldown) para sua conta pessoal e a cópia terá privilégios de edição completa. Aqui está uma captura incorporada da folha 8220Total Returns8221. Os valores em azul são os valores que devem ser editados pelo usuário. Neste exemplo, eu baixei os retornos mensais da SPY a partir de janeiro de 2000. Atualizando os valores azuis (e aguardando que as atualizações se propagem através do resto da folha) lhe dará os retornos históricos do fundo ou estoque de sua escolha . Continue a ler as curvas de rendimento do raquo e a inflação de equilíbrio Em uma publicação anterior, mostrei como calcular a taxa de inflação de equilíbrio usando os dados de curva de rendimento reais e nominais disponíveis no site do Tesouro dos EUA. Nesta publicação, vou mostrar como importar automaticamente os dados de curva de rendimento mais atualizados para uma planilha do Google Docs usando a função 8220ImportXML8221. Estes dados da curva de rendimento são úteis para muitos cálculos financeiros, mas nesta publicação vou usar novamente os dados da curva de rendimento para fazer uma estimativa aproximada da taxa de inflação de equilíbrio. Leia as notas 8220 na seção Cálculo de inflação de equilíbrio8221 para uma explicação da taxa de equilíbrio e um esclarecimento sobre o motivo pelo qual o método mostrado apenas fornece uma aproximação da taxa de equilíbrio. Função ImportXML no Google Docs A função ImportXML pode ser usada para importar dados de arquivos XML. A sintaxe do comando é: O exemplo ImportXML mostrado aqui importará os rendimentos reais de 5 anos na planilha. O 8220TC5YEAR8221 é uma expressão xpath que seleciona todos os nós denominados 8220TC5YEAR8221 no documento de destino. Outros vencimentos no documento podem ser selecionados alterando o nome do nó. Por exemplo, os rendimentos reais de 30 anos são selecionados alterando a expressão xpath para 8220TC30YEAR8221. Exemplo de planilha do Google Docs Criei um exemplo de planilha do Google Docs que usa os dados ImportXML para baixar os rendimentos reais e nominais em vários vencimentos. A folha de exemplo é somente leitura, mas se você quiser personalizar, você pode selecionar 8220 criar uma cópia8221 a partir do 8220File8221 pull-down e editar a cópia da planilha. Você deve estar logado em sua conta do Google Docs para fazer uma cópia. A planilha automaticamente importa as informações de rendimento para o mês atual para a folha rotulada 8220Yields8221. A folha 8220Summary8221 extrai o conjunto mais recente de dados da curva de rendimento diária da folha 8220Yields8221 e usa-a para estimar a taxa de inflação equilibrada. As curvas de rendimento e as curvas de inflação do ponto de equilíbrio são traçadas na folha 8220Summary8221, como mostrado aqui: Portfolio Internacional Fama-Francês e Dados do Fator Os leitores regulares sabem que minhas postagens freqüentemente utilizam dados da biblioteca de dados Kenneth French. A biblioteca de dados é um excelente recurso para quem está interessado nos efeitos de pequena e menor valor e do modelo Fama-French 3 Factor. Recentemente, eu aprendi que a biblioteca de dados foi expandida para incluir dados de mercados de ações desenvolvidos além dos EUA. Isso abre uma variedade de possibilidades interessantes para uma análise mais aprofundada. Para um começo, criei algumas parcelas da pequena capitalização e efeitos de valor para cada uma Região no novo conjunto de dados. As parcelas usam os dados de retorno para as 25 carteiras ordenadas por tamanho (valor do mercado) e valor (bookmarket). O eixo z em cada gráfico mostra o retorno mensal médio (geométrico) para cada portfólio. Os retornos são os retornos em dólar dos EUA. Em uma publicação anterior. Eu criei algumas parcelas similares para o mercado americano e forneci um código de Octava de exemplo para produzir esses lotes. A escala de cores para cada uma das parcelas está ligada à magnitude do retorno mensal e o mapeamento entre cor e retorno médio é consistente em parcelas. Isso facilita a comparação de retornos entre as diferentes regiões. No entanto, esta escala de cores torna o gráfico do Japão um pouco difícil de ler, uma vez que os retornos médios para o Japão foram muito inferiores aos rendimentos médios das outras regiões durante o período de amostragem. O novo conjunto de dados também inclui os fatores Fama-French 3 Factor (RMRF, HML e SMB) para cada região. Eu calculo a média, desvio padrão, razão de Sharpe, erro padrão e t-stat para os fatores para cada região e incluí estes resultados em uma tabela abaixo de cada parcela. Leitura recomendada Nunca completei a minha série previamente prometida sobre o prêmio de risco de equivalência patrimonial, mas para os leitores que estão interessados ​​no tópico, eu recomendo o recém-lançado 8220 Repensando o risco de risco Premium 8221 do Instituto CFA. Este PDF gratuito contém uma variedade de perspectivas interessantes sobre o futuro do prêmio de risco patrimonial. Observe que uma versão impressa do livro está disponível na Amazon, e os usuários do Kindle podem baixar uma versão formatada para o Kindle por apenas 1. Key Takeaway O livro possui análises de acadêmicos e profissionais, e uma variedade de métodos de estimativa são usados. Na minha opinião, a chave para levar é que quase todos os especialistas procuram rendimentos de capital futuros que são inferiores às médias históricas. Várias bem-argumentadas previsões colocam retorno de capital nominal esperado no intervalo de 6-7 por ano. O motivo principal para as previsões mais baixas é simples. As avaliações de capital são superiores ao seu nível histórico médio. Isso leva a menores rendimentos e menor potencial de ganhos de capital devido à expansão dos índices de PE. Menos rendimentos e menos potencial para múltiplos de avaliação crescente significam que o maior crescimento dos ganhos deve diminuir a velocidade. Vários autores fornecem motivos para o crescimento do lucro acima do histórico. Muitos fatores mensuráveis ​​realmente sugerem menor crescimento econômico futuro (dados demográficos, níveis de dívida, recursos escassos) e o crescimento econômico está intimamente relacionado ao crescimento dos lucros. Eu achei que muita análise é muito convincente, embora não seja especialmente edificante. Implicações para investidores. Meus pensamentos depois de ler este documento são que pouquíssimos investidores que economizam para aposentadoria estão preparados para prêmios de risco de ações e retornos reais tão baixos quanto os sugeridos por muitos desses especialistas . A experiência dos anos 80 e 90 levou muitos investidores a acreditar que, deixando uma soma relativamente modesta a cada ano, levaria a um ovo de ninho confortável pelo tempo que a aposentadoria surgiu. A última década certamente tornou os investidores individuais mais pessimistas quanto ao investimento de retornos, mas I8217m não tenho certeza de quantas compreendo plenamente o impacto de menores retornos em seus objetivos de investimento. A tabela abaixo ilustra o valor da poupança anual necessária para alcançar um objetivo de aposentadoria de um milhão de dólares em vários níveis diferentes de retorno anual nominal. Este exemplo simples pressupõe que um investidor começa a economizar aos 25 anos e continua a fazer contribuições anuais até os 65 anos (41 contribuições). Eu suponho que os pagamentos são feitos no início de cada ano. Alvo FV Quantia Obrigatório Contribuição Anual