跳到主要內容

千金難買早知道 – 不需後悔沒買SHLD


筆者有些朋友聚會的時候特別喜歡講他們沒買到什麼股票,或是什麼股票早賣了,然後一個消息放出,股價大漲而懊悔。這類敘述的格式通常是"昨天XXX發布OO消息、股價漲了30%,早知道我就不要賣了"。

這種能夠多賺但沒賺到的當然可惜,但筆者卻覺得,假如您已經做好了充分的研究與風險的評估,那您會賣出或不買一檔股票絕對是前景不吸引人、或是風險太高。這樣一來,一個突如其來的好消息本來就不在您期望的目標範圍內,又何必為了自己沒本來就不屬於你的財富而困擾呢?

Sears僅僅只是昨日(7/20)發布將要在Amazon上販賣有Alexa語音助理的家電之,因而股價開盤就從8.68跳到10.40,大漲19.81%,且爆大量。看到這個消息,您後悔沒做好研究,跟著入場嗎?

雖然美國的景氣開始回溫,股市也呈現多頭狀態,但是大型的實體零售業的市場卻因為線上商店的緣故持續萎縮。SHLD等傳統大型零售商的應對不外乎縮減店面、增加網路商店、裁員等被動式的策略,加上Sears市占無法與龍頭Wal-Mart(WMT)比拚、價格又沒有Target (TGT)來得有吸引力,沒有自己特色的情況下,股價與其他類似的賣場如JC PennyStanley Black & Decker (SWK)一樣一直低迷不振。昨天讓Sears股價大漲的新聞,充其量只是多開了一條本來就有的通路(網路商店),策略上並沒有改變,對未來營收的幫助有限,這個從昨日大漲從10點開始便持續降低,到收盤時上漲幅度已經近幾腰斬來看,便可知道市場其他的投資人們並不買帳。

Sears與JC PennyStanley Black & Decker一樣,自2009-2010年股市反彈後因整體環境及無法找到利基市場的策略而持續損失,造成股價連S&P 500(紅色線)都無法比得上

而身為投資人的您,在沒有內線的情況下,事前能夠得知SHLD會將家電搬到亞馬遜上面賣而造成股價短期大漲的機會有多少呢?或許您會說多方找尋管道銷售本來就是可預期的,但您能夠料到是昨日會漲,而在事前就部好局嗎?筆者推斷,SHLD的大漲僅是短期,下跌趨勢依舊繼續,因此也不用為了一天沒法賭對賺10%而難過,畢竟勝率80%的小賺,累積起來會比勝率0.01%的大賺來得強啊。



留言

這個網誌中的熱門文章

為什麼Yahoo! Finance跟Google Finance算的Beta不一樣? – 淺談資料使用與比較的小陷阱

大家一定都知道 beta 是計算一檔股票相對於大盤的波動性大小。假如一隻股票 S 的 Beta 等於 1.3 ,則當大盤漲 1% 的時候, S 可能漲 1.3% ;大盤跌 1% 的時候, S 可能跌 1.3% 。假如 S 的 Beta 等於 0.8 ,那麼大盤漲 1% , S 可能漲 0.8% ,大盤跌 1% 、 S 可能跌 0.8% ,諸如此類。那麼,為什麼同一天的同一支股票,在 Yahoo! Finance 顯示的 Beta 跟在 Google Finance 顯示的 Beta 不同呢 ? 2017 年 11 月 13 日台積電 (TSM) 在 Yahoo! Finance(上) 與在 Google Finance(下) 網站 顯示的 Beta 。 從上圖可以看出,同樣都是台積電,在 Yahoo! Finance 上頭的 Beta 是 0.87 、但是在 Google Finance 上面變成了 0.77 。有人算錯了嗎? 不一定。根據 Beta 的定義: Cov(r 個股 , r 大盤 ) 代表個股與大盤的共異變數或協方差, Var(r 大盤 ) 是大盤的變異數或方差。很明顯地,計算 beta 需要兩列尺寸相等的序列才能算,其中一個自然是過去一段時間個股的回報,另一個是大盤過去一段時間的回報。這麼一來,這個數據就取決於三個選擇: 1)     大盤要選哪個指數?例如蘋果 AAPL 同時被納在 道瓊工業指數 、 S&P 500 指數 、以及 那斯達克Nasdaq-100 指數 當中,你在計算 AAPL 的 beta 時,大盤要用哪一個呢 ? 2)      要往以前拉多久 ? 朔往的時間如果太近,則資料數量可能不夠代表性;如果時間拉太遠,則可能沒有辦法反映現下的經濟及市場情況。 3)      每一個資料點,是選每天的報酬、每週的報酬、還是每月的報酬資料呢 ? 同樣都是取過去一年資料,日報酬可以給你 250 筆資料、週報酬可以給你 50 筆、月報酬則只有 12 筆資料。 同一檔股票,以上三個選擇只要一個不同,算出來的數字就會不一樣。根據 CFA Level II 的教材,...

波動度的計算及投資意涵

波動度 的計算方式,依照網路上或是教科書上的算法,如下 將你要計算的資產每週期的價格列出 (每週期的頻率可能是日資料, 週資料, 月資料等, 我們為了接下來參照方便,把這個叫做參數1)。可參考表格1的解釋。 計算每週期的報酬率,方法為 (價格_{週期T}-價格_{週期T-1}) / 價格_{週期T-1}。 (對照表格1,例如參數1=日,則2001/1/2日的報酬率 = (4935.28 - 4739.09) / 4739.09 = 4.1398%)我們把這些報酬率稱做 "每周期報酬率" (如表格2) 選定一個要計算波動度的週期(例如2001/12/30),選定一個計算區間(例如過去20筆資料, 或是過去1年的資料。如果是過去20筆資料,則如果採用日資料,則會使用過去20天,也就是約1個月的資料來計算)