對於全球股市各主要區塊,可以使用美國掛牌的低成本ETF進行投資,也可以透過國內業者代銷的高成本境外基金來投資。兩者長期投資的成果如何,本文進行比較。
這三大區塊的股票市場。指數化投資工具分別以投資美國股市的Vanguard Total Stock Market ETF(美股代號:VTI)、投資歐洲已開發股市的Vanguard FTSE Europe ETF(美股代號:VGK)與投資全球新興市場股市的Vanguard FTSE Emerging Markets ETF(美股代號:VWO)為範例。
(Vanguard FTSE Pacific ETF (美股代號:VPL)未納入比較。因為VPL同時投資日本跟紐澳。境外基金較少如此投資。)
與指數化投資工具進行比較的,是在台灣販售,投資各地區大型均衡股的境外基金。
比較時間為終止於2020年12月31日的十年期間。
這些比較表有些重要特性。
第一,這是十年期間仍存活在市面上的基金的比較表。
假如一樣看美國、歐洲與新興市場這三個地區的股票型境外基金,但年限換成一年期,那基金數量會多很多,高達五六十支以上的基金。
隨著時間經過,表現不好的基金規模縮小被清算,或是國內業者不願繼續代理,退出市場。時間拉長,存活的基金會愈來愈少。
所以,上述的比較表容易讓人以為選到勝出的基金很容易。
譬如新興市場基金列表,就是23支基金,有9支勝過市場。好像很容易選到。
不。當初在十年剛開始的時候,可能是有60支新興市場基金。你如何判斷與選出未來十年會勝出的那幾支基金呢?
上述列表也會讓人低估指數化投資的勝出幅度。譬如新興市場指數化投資工具,十年績效排名,是23支基金中的第10名。其實是存活基金中的第10名。
假如納入那些消失與被合併的基金,排名可能像是60支基金中,排名第10這種成果。
第二,市場報酬決定投資成果的”基調”。
譬如美國股市過去十年有13%的年化報酬,表格中的美國股市基金,長期年化報酬就是九趴到十幾趴之間。
譬如歐洲股市的年化報酬近於6%。歐洲股市基金的年化報酬就是3-9%之間。
主動投資的報酬,就是圍繞在市場報酬附近。
這可以用來破解一個常見的迷思。
有一種批評說,指數化投資假如遇到市場長期表現不好就慘了。
的確是這樣。因為指數化投資就是拿市場報酬。指數化投資無法避免市場風險(註)。
但這種批評有種言下之意就是,”做主動投資,假如市場報酬不好,我還是有機會拿到很好的報酬。”
這就是對市場與投資的不瞭解了。
主動選股仍然無法避免市場風險。
你在台灣股市選股投資,台股的報酬會很大部分決定你拿到怎樣的長期成果。
你在美國股市選股投資,美國股市的市場報酬也會跟你的投資成果有很大的關係。
這就像一個調酒師做一杯調酒,主要的酒水成分,80%就是來自某一瓶威士忌。
那麼這瓶威士忌的風味,會很大部分決定這杯調酒的口味。
假如有一位調酒師說,"我調出的酒的風味,跟主成分的味道無關。"
恐怕大家會覺得他怪怪的。
現在市場上卻有很多選股者說,”我主動選股的成果,跟這個股市的報酬沒有很大關係。市場報酬差,我可以報酬超好。”
卻有很多人點頭稱是。
不要讓自己無法接受市場風險的想法,轉化成荒謬的投資迷思。
主動投資,一樣躲不過市場風險。
最後一點,這個表格是”專業選股”的成果。
這些看起來沒有生命的表格,其實裡面每一支主動型基金,都有一位全職的專業經理人,利用分析師的資訊,每天努力不懈的研究著股票。
結果大多落後指數。
很多人把主動投資講得太容易。以為自己拿些業餘的時間研究股票,就有機會勝過大盤。
沒錯,是有機會。只是這個機會恐怕比你想像中低非常多。
請注意,專業選股,也大多會落後指數。
有人似乎覺得真實世界很可怕,工作很難賺錢,專心研究這些沒有情緒的營收數字與財務報表,過著隱士般的研究生活,就可以在金融市場賺大錢。
一段時間之後,他很可能也會發現,金融市場也是一個很可怕,很殘酷的地方。
不要花費自己寶貴的人生,去嘗試專業人士也難以達成的成果。不要花大錢請專業主動經理人操盤,拿到落後市場的成果。
指數化投資,不是無腦投資,是明智投資人的聰明選擇。
完整表格與討論,可見今天文章:
https://greenhornfinancefootnote.blogspot.com/2021/04/comparison-of-etf-and-off-shore-mutual.html
主成分分析範例 在 machine-learning-python/Ex2_feature_stacker.md at master 的推薦與評價
通用範例/範例二: Concatenating multiple feature extraction methods ... FeatureUnion合併主成分分析(PCA)和綜合篩選(SelectKBest)。 最後得到選出的特徵. ... <看更多>
主成分分析範例 在 主成分分析 的推薦與評價
2020年12月22日 — 主成分分析, Principal component analysis, 簡稱PCA, 是個資料分析或是資料降維的工具. 資料降維簡單來說, 假設我們有一些資料, 這資料中的每一筆 ... ... <看更多>
相關內容