在股市中成為更聰明的賣家(下)
收藏文章
很開心您喜歡 The Aleph Blog 的文章, 追蹤此作者獲得第一手的好文吧!
David Merkel
字體放大


分享至 Line

分享至 Facebook

分享至 Twitter


在股市中成為更聰明的賣家(下)

2016 年 5 月 17 日


上集精彩連結:在股市中成為更聰明的賣家(上)

這篇文章曾發表在RealMoney上,但我並不太確定確切的時間。我知道這只是第一版,不是最終版,因為我的編輯並不希望我提及我失業的事。

在股市中成為更聰明的賣家(下)1

2003年在我暫時性失業的時候,我注意到了我帳戶中的投資表現並不理想。為了擺脫心煩意亂的情緒,也希望藉此來增加我在面試時的自信,於是我重新的調整了我的投資組合。

我根據預期未來的收益對我的投資清單重新排序,這並不複雜,我只是將目標價格除以的目前價格,百分比高的在上面,低的在下面。接下來,我將尚未買入的口袋名單也作了一樣的動作。我觀察到這些口袋名單當中排名前三名的預期收益超過了投資清單當中的一些公司,因此我買入了這三家公司的股票,也賣出了投資清單中預期收益最低的四檔股票。此外,我還加買了一點投資清單中表現比較不好的兩檔股票。以下是我所作出的動作以及截至2003年7月14號為止的投資結果:

在股市中成為更聰明的賣家(下)2

懷抱著對Pechiney和Nucor的信心,我依然保留了所有的股份。但是當Pechiney聘請了投資銀行家時,我便改變了想法。我認為他們只是為了自己而奮鬥,而非為了增加股東的價值而努力,看到他們被Alcan併購,我相當地驚訝。

在2003年底我賣出了Nucor,即使因為廢鋼價格的上漲而使它能夠提高價格,但它的利潤成長仍然無法和其他鋼鐵公司相比。我也低估了Adtran,他們的前景比我預期的還要好。

在我的口袋名單中,有一些公司的預期收益比我投資清單中的公司還要好,但卻並沒有高於我所設定的門檻–預期收益的中位數。我將中位數設為門檻以避免買賣過度。

我希望我的報酬率能夠超過S&P 500,這一系列的交易流程確實對我有幫助。

調整資金組合

我買進少量兩檔股票的理由比較特別。PBR 和DY已經在我的投資組合裡,但是卻表現得非常差,他們在我的投資組合中所佔的比重已經縮到最小,我在重新檢視它們的基本面後,進行了資金組合的調整。

當我在Provident Mutual與經理人面談時,另一個會提出的問題是他們在市場的波動後會如何重新調整部位。大多數人選擇什麼都不做,其他人則沒有固定的策略。只有一小部分的人對投資組合的管理有所思考,出乎我意料的是,儘管他們投資組合管理的風格都不盡相同,但他們的策略都非常相似。這三個經理人一個採用的是價值投資,一個採用成長投資,另一個採用的則是核心投資,他們也表示所採用的方法讓他們的年報酬率提高了數個百分比。

越來越多的學術研究聚焦於市場微結構,其中有一項強調的是對交易總成本的衡量。交易成本部分取決於交易需求或交易供給對市場而言是否具有流動性。當賣方拋出限價單時,他給市場其他參與者一個能夠以限定價格交換股票的機會。在提供了流動性後,賣方希望能夠獲得一個有利的價格。

我也把這三個經理人所用的方法運用在我自己的投資中,這個方法是:

  1. 為投資組合中的股票訂定一系列的固定權重。
  2. 當任何一檔股票偏離目標權重20%時,進行資金組合的調整,利用這個機會重新對組合中的股票進行評價。
  3. 如果因調整資金組合而有多出的現金,將這部分現金投入離目標權重最低的股票,使該股票的目標權重增加。
  4. 如果調整資金組合需要額外的現金,賣出目標權重最低的一檔股票來換取現金,使該股票的目標權重減少。

股市-賣出原則

這一個法則可以使你以低價買入股票同時以高價售出,此外,還可以幫助你在市場發生重大變動後重新評估你持有的股票。這有助於避免因巨大損失而使平均報酬率降低。這個方法對投資比重平均且股票數量落在20至50檔標的的投資組合最為有效。我的投資清單一共有33間公司,每檔股票的比重落在2%-7.5%之間

數值20%是主觀的,在我看來,它能在頻繁交易和獲取合理的交易報酬之間取得一個平衡。而調整資金組合又可以實現以低價買入股票而以高價賣出。

聲明:在2013年寫這篇文章時,我持有DY, PBR, PCP,未持有其餘公司。(譯者:Yolanda)

The Aleph Blog》授權轉載

 
週餘
 
 
分享文章
分享至 Line
分享至 Facebook
分享至 Twitter
相關個股
收藏 已收藏
很開心您喜歡 The Aleph Blog 的文章, 追蹤此作者獲得第一手的好文吧!
David Merkel
分享至 Line
分享至 Facebook
分享至 Twitter
相關個股
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