加速防禦雙動能投資法

主要是讀了99趴大大的動能致富一書簡單寫的筆記:

加速防禦雙動能策略是一個有效的風險管理方法，透過結合相對動能和絕對動能兩種方式，讓投資者在市場上漲時能夠抓住機會，而在市場下跌時則能降低風險，從而達到「進可攻，退可守」的效果。

雙動能策略的基礎的核心原理是「強者恆強」，即過去表現好的資產未來有可能繼續表現良好。雙動能策略運用了兩個概念：

• 相對動能：比較不同資產在過去一段時間的表現，選擇表現較好的進行投資。例如，投資者可以比較美股 ETF（如 SPY/VOO）和國際小型股 ETF（如 SCZ）的報酬率，選擇近一個月、三個月或六個月報酬率平均的表現較佳的資產進行配置，會選擇國際小型股(如SCZ)的邏輯是因為和SPY/VOO的走勢相關係數較低。
• 絕對動能：當市場處於下跌趨勢時，避免投資表現不佳的資產，將資金轉向債券或現金等避險資產（例如 TLT，美國長期國債 ETF），藉以減少下行風險。

整個運作方式如下：

1. 篩選表現較佳的資產：根據近一個月、三個月和六個月的報酬率平均，選擇表現較好的股票資產（例如 SPY 或 SCZ）。
2. 判斷市場情況：當股市下行時，絕對動能策略會自動判斷市場趨勢。如果選擇的股票資產表現不佳，資金會轉向避險資產（如 TLT），以保護投資組合免受市場波動的影響。
3. 加入現金避險選項：如果避險資產如債券的表現也不理想，那麼策略可以進一步轉向現金，這是市場出現極端風險時的最後防線。

為什麼加速防禦雙動能有效？

這種策略之所以有效，主要有兩個原因：

• 動態調整資產配置：加速防禦雙動能策略能夠根據市場狀況靈活調整資產配置，在市場上漲時抓住機會，而在市場下跌時轉向債券或現金，降低損失。
• 降低投資組合波動性：單純持有股票（如 SPY）在市場回調時可能會經歷較大損失，防禦雙動能策略通過債券或現金的避險，可以在市場不穩定時保持穩定的資本保護。

儘管防禦雙動能策略在風險管理方面具有顯著優勢，但也有一些潛在的缺點：

• 牛市中可能錯過增長：當市場快速上升時，如果過早轉向避險資產，可能會錯過一些市場的上升潛力。
• 依賴過去數據：動能策略依賴於過去的資產表現來進行投資決策，但過去的表現未必能夠保證未來的回報，在市場快速反轉時策略可能無法立即做出反應。
• 金融市場對事件的反應速度愈來愈快：報酬率計算權動可能要適時調整，不然會跟不上市場的變化。

防禦雙動能策略是一個簡單、有效的投資方法，特別適合希望在市場不穩定時保護資本的投資者，通過靈活調整股票與避險資產的配置，這種策略能夠在不同的市場環境中達到較好的風險管理效果，相較於單純的 Buy-and-Hold 策略，防禦雙動能策略雖然可能在牛市中略顯保守，但其在熊市中的防禦能力使得它成為一個值得考慮的長期投資策略。

基於查證精神用 Portfolio Visualizer 驗證看看策略的有效性，把時間拉到2024之後…表現比Buy and Hold VOO差，呃……

ANYWAY，分享一下加速防禦雙動能的判斷小程式(每個月初執行一次)

import yfinance as yf
import pandas as pd
import sqlite3
from datetime import datetime, timedelta

# 設定 ETF 代號
symbols = ['VOO', 'SCZ', 'TLT']

# 建立 SQLite 連接
conn = sqlite3.connect('etf_data.db')
c = conn.cursor()

# 建表格（如果尚未存在）儲存每月的收盤價
c.execute('''
    CREATE TABLE IF NOT EXISTS etf_monthly_close (
        symbol TEXT,
        date TEXT,
        close_price REAL
    )
''')

# 抓取 ETF 的歷史資料（過去 7 個月）
def fetch_and_store_data(symbols, conn):
    end_date = datetime.now().strftime('%Y-%m-%d')
    start_date = (datetime.now() - timedelta(days=7*30)).strftime('%Y-%m-%d')  # 抓取過去7個月的數據

    for symbol in symbols:
        #print(f"正在取得 {symbol} 的資料...")
        # 抓取數據
        data = yf.download(symbol, start=start_date, end=end_date)
        if data.empty:
            print(f"未能取得 {symbol} 的資料")
        #else:
            #print(f"成功取得 {symbol} 的資料:\n{data.tail()}")

        data.reset_index(inplace=True)
        data['Date'] = pd.to_datetime(data['Date'])

        # 找到每個月最後一個交易日的資料
        monthly_data = data.groupby(data['Date'].dt.to_period('M')).tail(1)

        #print(f"{symbol} 每月最後一個交易日的資料:\n{monthly_data}")

        # 檢查資料庫中是否已有該月份的資料，沒有的話才寫入
        for _, row in monthly_data.iterrows():
            c.execute('''
                SELECT * FROM etf_monthly_close
                WHERE symbol = ? AND date = ?
            ''', (symbol, row['Date'].strftime('%Y-%m-%d')))
            result = c.fetchone()

            if result is None:
                # 插入新的數據
                c.execute('''
                    INSERT INTO etf_monthly_close (symbol, date, close_price)
                    VALUES (?, ?, ?)
                ''', (symbol, row['Date'].strftime('%Y-%m-%d'), row['Close']))
                #print(f"插入 {symbol} 的 {row['Date'].strftime('%Y-%m-%d')} 資料")

    conn.commit()

# 計算報酬率的函數
def calculate_returns(df, symbol):
    df_symbol = df[df['symbol'] == symbol].copy()
    df_symbol.set_index('date', inplace=True)

    # 計算 1 個月、3 個月、6 個月報酬率
    df_symbol['month_1_return'] = df_symbol['close_price'].pct_change(1)
    df_symbol['month_3_return'] = df_symbol['close_price'].pct_change(3)
    df_symbol['month_6_return'] = df_symbol['close_price'].pct_change(6)

    # 刪除 NaN 值
    df_symbol.dropna(inplace=True)

    return df_symbol

# 取得資料並存入資料庫
fetch_and_store_data(symbols, conn)

# 從資料庫中讀取所有 symbol 的資料
query = '''
    SELECT symbol, date, close_price
    FROM etf_monthly_close
    ORDER BY symbol, date
'''
df = pd.read_sql(query, conn)
df['date'] = pd.to_datetime(df['date'])

# 確認已經讀取了 VOO、SCZ 和 TLT 的資料
#print(f"從資料庫讀取的資料:\n{df}")

# 檢查每個 symbol 的資料是否足夠計算報酬率
for symbol in symbols:
    symbol_data = df[df['symbol'] == symbol]
    #print(f"{symbol} 的資料量: {len(symbol_data)} 個資料點")
    #print(symbol_data)

# 計算每個 ETF 的報酬率
voo_returns = calculate_returns(df, 'VOO')
scz_returns = calculate_returns(df, 'SCZ')
tlt_returns = calculate_returns(df, 'TLT')

# 計算 VOO、SCZ 和 TLT 的報酬率平均值（1 個月、3 個月、6 個月的平均）
voo_avg_return = voo_returns[['month_1_return', 'month_3_return', 'month_6_return']].mean(skipna=True).mean()
scz_avg_return = scz_returns[['month_1_return', 'month_3_return', 'month_6_return']].mean(skipna=True).mean()
tlt_avg_return = tlt_returns[['month_1_return', 'month_3_return', 'month_6_return']].mean(skipna=True).mean()

# 檢查報酬率是否有 NaN 值
print("VOO 的報酬率:")
print(voo_returns[['month_1_return', 'month_3_return', 'month_6_return']])

print("SCZ 的報酬率:")
print(scz_returns[['month_1_return', 'month_3_return', 'month_6_return']])

print("TLT 的報酬率:")
print(tlt_returns[['month_1_return', 'month_3_return', 'month_6_return']])


# 比較 VOO 和 SCZ 的平均報酬率
if not voo_returns.empty and voo_avg_return > scz_avg_return:
    if voo_avg_return > 0:
        result = 'VOO'
    else:
        if not tlt_returns.empty and 'month_1_return' in tlt_returns.columns and not tlt_returns['month_1_return'].isna().all():
            if tlt_returns['month_1_return'].iloc[-1] > 0:
                result = 'TLT'
            else:
                result = 'CASH'
        else:
            result = 'CASH'
else:
    if scz_avg_return > 0:
        result = 'SCZ'
    else:
        if not tlt_returns.empty and 'month_1_return' in tlt_returns.columns and not tlt_returns['month_1_return'].isna().all():
            if tlt_returns['month_1_return'].iloc[-1] > 0:
                result = 'TLT'
            else:
                result = 'CASH'
        else:
            result = 'CASH'

# 回傳結果及報酬率
print(f"VOO 平均報酬率: {voo_avg_return:.4f}")
print(f"SCZ 平均報酬率: {scz_avg_return:.4f}")
print(f"TLT 平均報酬率: {tlt_avg_return:.4f}")
print(f"最終選擇: {result}")

# 關閉資料庫連接
conn.close()

強烈懷疑 Buy-and-Hold VOO 是真王道，持續反覆打臉自己為什麼不加入大盤到底！？