《金融怪傑》親授 避過 1987 年股災的方法
收藏文章
很開心您喜歡 KGI凱基證券 的文章, 追蹤此作者獲得第一手的好文吧!
美股隊長
字體放大


分享至 Line

分享至 Facebook

分享至 Twitter


《金融怪傑》親授 避過 1987 年股災的方法

2020 年 10 月 11 日

 
展開

上周介紹過,如何利用 10 週/40 週移動平均線,去判別美股多頭市場,何時終結。方法樸實無華,然而往績亮麗:科網股泡沫爆破,甚至金融海嘯,悉數安然避過。

惟此法有一罩門,一字記之曰:「慢」。如碰上 1987 式股災,大盤一天內,急挫逾 20%,仍然難免束手就擒。故必須配搭,另一反應較快的戰法,組合防守力,益發昇華。

第二項戰法,是從著名交易員、《金融怪傑》(寰宇出版) 受訪者 Paul Tudor Jones (下簡稱 PTJ):以 200 日移動平均線,作為指標。

在 Tony Robbins 的理財書“Money: Master the Game”中,亦曾訪問 PTJ,談到 200 日線的應用,小弟無謂畫蛇添足,節錄直譯如下: (PTJ: Paul Tudor Jones、TR: Tony Robbins)

TR:你有甚麼具體策略,保護投資組合,免受虧損?

PTJ:我在維珍尼亞大學授課時,跟學生講:「我會讓你們省去唸商學院的功夫,現在這課就已值 10 萬美元。你們只要緊記兩件事:第一,順勢而行。」

TR:你如何判斷大趨勢?

PTJ:我觀察任何價格的尺度,就是由收市價組成的 200 日線。無論股票,還是商品,我見過太多案例,跌到接近 0。投資最重要的法門是:「我如何避免輸個精光?」如你善用前述的「200 日線定律」,你會在價格失守 200 日線時,果斷離場,以達致防守的目標。

TR:在史上最大的股災:1987 年黑色星期一 (美股道指單日跌幅逾 20%),你的 200 日線定律,能否及時預警?

PTJ:你應該發現,股災是在跌破 200 日線後發生。市場天崩地裂時,我絲毫無損。(美股隊長註:PTJ 於 1987 股災中,不但絲毫無損,更大肆作空股指期貨,一戰成名,奠定「金融怪傑」的江湖地位。)

TR:你要學生緊記的第二件事是甚麼?

PTJ:5:1 (風險/回報比例)。5 比 1 是指,只有預期可賺取 5 元回報時,我才會冒虧損 1 元的風險。5 比 1 這比例,意味就算我交易的命中率,僅得 20%,也不會虧本。當有 80% 的交易容許出錯,就算是呆子也沒問題。

TR:既然資產配置如此重要,請教閣下:若你無法傳承任何資產予子女,只可遺留一個資產組合的「配方」,和一套操作原則給他們,你會怎麼講?

PTJ:我感覺到,很難說服散戶、普羅投資人,要找到「一招制霸江湖」的心法,實為妄想,如有我們人人都已成億萬富豪了。若只能講一個原則,那就是任何投資跌破 200 日線時,立刻跳船。

回顧 1987 年股災,標指跌穿 200 日線時,尚在300點附近,到翌周發生股災時,投資人應早已離場或對沖,進取者甚至可作空,反應時間遠比等候 10 週/40 週線交會要快。

10 週/40 週線系統,與 200 日線指標,兩者並用,可收分工之效。整體策略,由 10 週/40 週線判斷;200 日線,則是實際觸發行動 (啟動對沖) 的根據。

假設我們持有一批美股,只要 10 週線維持高於 40 週線,就可長抱。但這只是開始,而非終結,第二步要觀察的,是指數 200 日線的位置,並預設賣空盤,一旦指數 (可選用標指或納指) 跌穿二百日線,便立即作空指數 ETF (SPY 或 QQQ),對沖持股。賣空指數 ETF 的金額,應與所持動力股金額相當。換句話說,如持有10萬美元的動力股,便作空等值的指數 ETF。

如果跌勢告終,指數重返200日線之上,則可於翌日開市,解除對沖;相反,當大盤續跌,而 10 週線低於 40 週線,確定大盤步入空頭,則轉為全體離場:同時砍倉動力股、將作空的 ETF 獲利了結,因為已屆熊市。

換言之,結合 10 週/40 週線系統,與200日線指標,會有四種情景。這四種情景,及操作手法,表列如下:

螢幕快照 2017-04-24 16.18.15

這樣既保留 10 週/40 週線系統,簡單而優雅的決斷,又不怕其反應過慢,貽誤對沖戎機。即使出現股災,只要在跌穿 200 日線後,全盤對沖,就不怕一下子大虧一筆,一敗塗地。

KGI Link-03

【延伸閱讀】

 
週餘
 
 
分享文章
分享至 Line
分享至 Facebook
分享至 Twitter
收藏 已收藏
很開心您喜歡 KGI凱基證券 的文章, 追蹤此作者獲得第一手的好文吧!
美股隊長
分享至 Line
分享至 Facebook
分享至 Twitter
地圖推薦
 
推薦您和本文相關的多維知識內容
什麼是地圖推薦?
推薦您和本文相關的多維知識內容