Chương 2 Quy trình xây dựng danh mục
2. Phân tích dữ liệu
2.7 Các phương pháp xây dựng danh mục
2.7.1 Naive portfolio (1/N)
Naive portfolio là một phương pháp phân bổ tỉ trọng hoặc giá trị đều cho các tài sản, với hy vọng rằng điều này làm giảm rủi ro tổng thể của danh mục đầu tư.
Quy trình xây dựng danh mục:
B1: Tìm tỷ suất sinh lời của từng danh mục B2: Tìm độ lệch chuẩn của từng danh mục
B3: Phân bố tỷ trọng của từng cổ phiếu bằng nhau (10%) B4: Tìm phương sai danh mục bằng hàm :
MMULT(MMULT(TRANSPOSE(wi),'Var-Cov'),wi) B5: Tìm độ lệch chuẩn của danh mục bằng hàm SQRT(Var)
B6: Tìm tỷ suất sinh lời kỳ vọng của danh mục bằng hàm SUMPRODUCT(Ei,wi) B7: Tìm Annual Std: Port STD*SQRT(250)
B8: Annual Mean: (Port Mean +1)^250-1 Bảng kết quả:
E SD Weight
BVS 0.03% 1.75% 10%
SSI 0.05% 2.03% 10%
KDC 0.02% 1.71% 10%
HHC 0.27% 4.06% 10%
DHG 0.05% 2.26% 10%
TRA -0.01% 2.25% 10%
VCB 0.05% 2.12% 10%
BID 0.10% 2.51% 10%
VCF 0.04% 2.85% 10%
DBC 0.02% 2.18% 10%
Portfolio variance 9.95685E-05 Portfolio STD 1.00%
Portfolio Mean 0.06%
Annual STD 15.8%
Annual Mean 16.8%
Ưu điểm:
Naive Portfolio là danh mục đầu tư không cần đến các mô hình toán học phức tạp, ít sai số, dễ dàng tính toán và thực hiện. Thích hợp cho các danh mục đầu tư lớn nhằm đa dạng hóa phân tán rủi ro phi hệ thống. Vì chia đều tỉ trọng hoặc giá trị đầu tư nên danh mục native bỏ qua hệ số tương quan giữa các tài sản, giảm rủi ro tổng thể của danh mục.
Nhược điểm:
Tuy không cần đến mô hình toán học phức tạp nhưng danh mục Naive phải đánh giá định kỳ lại những tài sản được chọn. Không thể áp dụng cho các danh mục ít tài sản và không được các nhà đầu tư mong chờ lợi suất cao sử dụng.
2.7.2 Mean maximization Quy trình xây dựng danh mục:
B1: Tìm tỷ suất sinh lời của từng danh mục B2: Tìm độ lệch chuẩn của từng danh mục B3: Tìm phương sai danh mục bằng hàm
MMULT(MMULT(TRANSPOSE(wi),'Var-Cov'),wi) B4: Tìm độ lệch chuẩn của danh mục bằng hàm SQRT(Var)
B5: Tìm tỷ suất sinh lời kỳ vọng của danh mục bằng hàm SUMPRODUCT(Ei,wi) B6: Tìm Annual Std: Port STD*SQRT(250)
B7: Annual Mean: (Port Mean +1)^250-1
B8: Chạy hàm mục tiêu bằng Solver cho Mean Max với điều kiện tổng tỷ trọng bằng 100 và tỷ trọng từng cổ phiều lớn hơn hoặc bằng 0.
Bảng kết quả:
E SD Weight
BVS 0.03% 1.75% 0%
SSI 0.05% 2.03% 0%
KDC 0.02% 1.71% 0%
HHC 0.27% 4.06% 100%
DHG 0.05% 2.26% 0%
TRA -0.01% 2.25% 0%
VCB 0.05% 2.12% 0%
BID 0.10% 2.51% 0%
VCF 0.04% 2.85% 0%
DBC 0.02% 2.18% 0%
Portfolio variance 0.00164969 Portfolio STD 4.06%
Portfolio Mean 0.27%
Annual STD 64.2%
Annual Mean 95.2%
Ưu điểm:
Ưu điểm chính của danh mục Mean maximization là mang lại lợi suất tối đa cho nhà đầu tư
Nhược điểm:
Tuy đem lại lợi suất cao nhưng đồng thời nhà đầu tư cũng chịu rủi ro lớn. Vì tập trung vào những tài sản mang lại lợi suất cao nên không đa dạng hóa được danh mục, dẫn đến biến động và rủi ro lớn nếu nắm giữ danh mục dài hạn.
2.7.3 Standard deviation minimization Quy trình xây dựng danh mục:
B1: Tìm tỷ suất sinh lời của từng danh mục B2: Tìm độ lệch chuẩn của từng danh mục B3: Tìm phương sai danh mục bằng hàm
MMULT(MMULT(TRANSPOSE(wi),'Var-Cov'),wi) B4: Tìm độ lệch chuẩn của danh mục bằng hàm SQRT(Var)
B5: Tìm tỷ suất sinh lời kỳ vọng của danh mục bằng hàm SUMPRODUCT(Ei,wi) B6: Tìm Annual Std: Port STD*SQRT(250)
B7: Annual Mean: (Port Mean +1)^250-1
B8: Chạy hàm mục tiêu bằng Solver cho Port Variance Max với điều kiện tổng tỷ trọng bằng 100 và tỷ trọng từng cổ phiều lớn hơn hoặc bằng 0.
E SD Weight
BVS 0.03% 1.75% 18.66%
SSI 0.05% 2.03% 5.63%
KDC 0.02% 1.71% 18.66%
HHC 0.27% 4.06% 4.64%
DHG 0.05% 2.26% 7.01%
TRA -0.01% 2.25% 10.74%
VCB 0.05% 2.12% 7.04%
BID 0.10% 2.51% 8.90%
VCF 0.04% 2.85% 7.08%
DBC 0.02% 2.18% 11.64%
Portfolio variance 8.42E-05 Portfolio STD 0.92%
Portfolio Mean 0.04%
Annual STD 14.5%
Annual Mean 11.8%
Ưu điểm:
Danh mục phương sai bé nhất đa dạng hóa được danh mục và đem lại rủi ro, biến động tổng thể thấp. Giúp xây dựng được đường biên hiệu quả cho các nhà đầu tư.
Phù hợp cho các nhà đầu tư ưa thích an toàn.
Nhược điểm:
Tuy nhiên, danh mục phương sai bé nhất chỉ giảm rủi ro nhưng không tối ưu hóa được tỉ lệ rủi ro trên phần thưởng. Và chỉ tập trung vào các tài sản có biến động thấp. Chỉ thích hợp cho các nhà đầu tư ưa thích an toàn.
2.7.4 Mean/Std maximization Quy trình xây dựng danh mục:
B1: Tìm tỷ suất sinh lời của từng danh mục B2: Tìm độ lệch chuẩn của từng danh mục B3: Tìm phương sai danh mục bằng hàm
MMULT(MMULT(TRANSPOSE(wi),'Var-Cov'),wi) B4: Tìm độ lệch chuẩn của danh mục bằng hàm SQRT(Var)
B5: Tìm tỷ suất sinh lời kỳ vọng của danh mục bằng hàm SUMPRODUCT(Ei,wi)
B6: Tìm Annual Std: Port STD*SQRT(250) B7: Annual Mean: (Port Mean +1)^250-1
B8: Chạy hàm mục tiêu bằng Solver cho Mean/STD Max với điều kiện tổng tỷ trọng bằng 100 và tỷ trọng từng cổ phiều lớn hơn hoặc bằng 0.
Bảng kết quả
E SD Weight
BVS 0.03% 1.75% 13.20%
SSI 0.05% 2.03% 0.00%
KDC 0.02% 1.71% 4.13%
HHC 0.27% 4.06% 29.38%
DHG 0.05% 2.26% 13.73%
TRA -0.01% 2.25% 0.00%
VCB 0.05% 2.12% 3.09%
BID 0.10% 2.51% 22.64%
VCF 0.04% 2.85% 9.28%
DBC 0.02% 2.18% 4.55%
Portfolio variance 0.000213942
Portfolio STD 1.46%
Portfolio Mean 0.12%
Mean/SD Max 8.19%
Annual STD 23.1%
Annual Mean 34.9%
Ưu điểm:
Mean/Std maximization là danh mục đem lại mức lợi suất cao nhất cùng một mức độ rủi ro thấp nhất nhận được. Không yêu cầu mô hình toán học phức tạp nhưng vẫn đem lại hiệu suất tốt cho danh mục.
Nhược điểm: Vì chú trọng vào các tài sản mang lợi suất cao và biến động thấp nên không đa dạng hóa được danh mục.
2.7.5 Mean/ VaR maximization Quy trình xây dựng danh mục:
B1: Tìm tỷ suất sinh lời của từng danh mục B2: Tìm độ lệch chuẩn của từng danh mục B3: Tìm phương sai danh mục bằng hàm
MMULT(MMULT(TRANSPOSE(wi),'Var-Cov'),wi) B4: Tìm độ lệch chuẩn của danh mục bằng hàm SQRT(Var)
B5: Tìm tỷ suất sinh lời kỳ vọng của danh mục bằng hàm SUMPRODUCT(Ei,wi) B6: Tìm Annual Std: Port STD*SQRT(250)
B7: Annual Mean: (Port Mean +1)^250-1
B8: Chạy hàm mục tiêu bằng Solver cho Mean/VaR Max với điều kiện tổng tỷ trọng bằng 100 và tỷ trọng từng cổ phiều lớn hơn hoặc bằng 0.
Bảng kết quả
E SD Weight VaR
BVS 0.03% 1.75% 0% -0.02848
SSI 0.05% 2.03% 0% -0.03287
KDC 0.02% 1.71% 0% -0.02796
HHC 0.27% 4.06% 0% -0.06417
DHG 0.05% 2.26% 0% -0.03665
TRA -0.01% 2.25% 100% -0.03711
VCB 0.05% 2.12% 0% -0.03439
BID 0.10% 2.51% 0% -0.04018
VCF 0.04% 2.85% 0% -0.04646
DBC 0.02% 2.18% 0% -0.03567
Portfolio variance 0.000506317 Portfolio STD 2.25%
Portfolio Mean -0.01%
Mean/VaR 0.1891848178150830%
Annual STD 35.6%
Annual Mean -1.7%
2.7.6 Sharpe maximization Quy trình xây dựng danh mục:
B1: Tìm tỷ suất sinh lời của từng danh mục B2: Tìm độ lệch chuẩn của từng danh mục B3: Tìm phương sai danh mục bằng hàm
MMULT(MMULT(TRANSPOSE(wi),'Var-Cov'),wi) B4: Tìm độ lệch chuẩn của danh mục bằng hàm SQRT(Var)
B5: Tìm tỷ suất sinh lời kỳ vọng của danh mục bằng hàm SUMPRODUCT(Ei,wi) B6: Tìm Annual Std: Port STD*SQRT(250)
B7: Annual Mean: (Port Mean +1)^250-1
B8: Chạy hàm mục tiêu bằng Solver cho Sharpe với điều kiện tổng tỷ trọng bằng 100 và tỷ trọng từng cổ phiều lớn hơn hoặc bằng 0.
Bảng kết quả
E SD Weight
BVS 0.03% 1.75% 0.0%
SSI 0.05% 2.03% 0.0%
KDC 0.02% 1.71% 0.0%
HHC 0.27% 4.06% 63.3%
DHG 0.05% 2.26% 0.0%
TRA -0.01% 2.25% 0.0%
VCB 0.05% 2.12% 0.0%
BID 0.10% 2.51% 36.7%
VCF 0.04% 2.85% 0.0%
DBC 0.02% 2.18% 0.0%
Sharpe ratio 1.500743719 Portfolio variance 0.000760916
Portfolio SD 2.758%
Portfolio E 0.207%
Annual E 67.755%
Annual SD 43.615%
Ưu điểm:
Công thức đơn giản không đòi hỏi nền tảng sâu rộng về toán học Sharpe thể hiện mối quan hệ giữa rủi ro và lợi nhuận, do đó có thể được sử dụng để so sánh cái loại đầu tư khác nhau. Sharpe có thể áp dụng cho tất cả các loại tài sản (chứng khoán riêng lẻ, trái phiếu so với khoản đầu tư vào vàng, danh mục đầu tư,…)
Nhược điểm:
Phụ thuộc vào độ lệch chuẩn, chỉ sử dụng độ lệch chuẩn làm thước đo rủi ro.
Hạn chế về các dữ liệu quá khứ, nếu xét trong diễn biến các yếu tố vĩ mô, điều kiện cạnh tranh và cơ cấu sản phẩm không thay đổi trong những năm gần đây thì lợi suất và độ lệch chuẩn có thể là nguồn dữ liệu tốt để dự đoán cho tương lai. Nhưng trong tình trạng thị trường năng động như hiện nay, tương lai hiếm khi lặp lại quá khứ. Kết quả không nói lên nhiều trừ khi được so sánh với tỷ lệ đầu tư Sharpe khác trong cùng một khoảng thời gian. Không sử dụng để làm thước đo so sánh với các danh mục đầu tư có giá trị sharpe âm.
-0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2
-0,4 -0,2 0 0,2 0,4 0,6 0,8
Series2 Series1 Series3