Einführung

Beim Kauf von Aktien und Investment Trusts gibt es eine Methode zur Mittelung der Dollarkosten. Das Risiko kann durch den regelmäßigen Kauf von Produkten wie Aktien und Investment Trusts zu einem festen Preis verringert werden.

In den Folien, die ich oft sehe, hatte ich das Gefühl, nicht überzeugt zu sein, weil sie unter der Annahme eines willkürlichen Übergangs von Aktienkurs zu Basispreis geschrieben wurden und die Anzahl der Daten gering war. Offensichtlich ist das Risiko theoretisch reduziert. Daher ist es ein Versuch, basierend auf den Standardpreisdaten des tatsächlichen Investment Trusts zu simulieren.

Simulationsannahmen

Investment Trust für die Simulation

[Foreign Stock Index e] von Sumitomo Mitsui Trust Assetment (http://www.smtam.jp/fund/detail/_id_122/)

Bewertungsindex

In dieser Simulation vergleichen wir den ROI ein Jahr nach Kaufbeginn.

ROI = \frac{Vermögenswerte ein Jahr später gehalten-1 Jahr Investitionsbetrag}{1 Jahr Investitionsbetrag}

Methode 1 (Großeinkauf)

Ich werde zu einem bestimmten Zeitpunkt einen bestimmten Betrag (100.000 Yen) kaufen.

Methode 2 (Regelmäßiger Kauf einer bestimmten Anzahl von Einheiten)

Ab einem bestimmten Zeitpunkt kaufen wir am 25. eines jeden Monats für ein Jahr eine bestimmte Anzahl von Einheiten (10.000 Yen).

Methode 3 (Abonnement mit festem Betrag)

Ab einem bestimmten Zeitpunkt werde ich am 25. eines jeden Monats für ein Jahr einen festen Betrag (10.000 Yen) kaufen.

Simulation

Die Risikobewertung erfolgt durch Ändern der Kaufstartzeit auf 100 Arten und Vergleichen der resultierenden ROI-Verteilung.

import pandas as pd
df = pd.read_csv('http://www.smtam.jp/fund_data/csv/110057.csv', 
                 names=['day', 'price', 'income', 'asset'], skiprows=1)
df.loc[:, 'day'] = pd.to_datetime(df.day)
print df.shape
df.head(10)

import matplotlib
import seaborn as sns
%matplotlib inline
import matplotlib.pyplot as plt

fig, ax = plt.subplots(1, figsize=(12, 8))
df.plot('day', 'price', ax =ax, label=u'Grundpreis')
ax.set_ylabel(u'Grundpreis')
ax.set_xlabel(u'Datum')

import  numpy as np
def package(timing):
    num = []
    invest = []
    price = 100000
    for i, r in df.iterrows():
        if i == timing:
            num_add = int(10000.0 * price/ r.price)
            num.append(num[i-1] + num_add  if len(num) > 0 else num_add)
            invest.append(invest[i-1] + price if len(invest) > 0 else price)
        else:
            num.append(num[i-1] if len(num) > 0 else 0)
            invest.append(invest[i-1] if len(invest) > 0 else 0)
    return num, invest

def constant_num(start_timing):
    num = []
    invest = []
    for i, r in df.iterrows():
        if r.day.day == 25 and i >= start_timing:
            num_add = 10000
            invest_add = r.price 
            num.append(num[i-1] + num_add  if len(num) > 0 else num_add)
            invest.append(invest[i-1] + invest_add if len(invest) > 0 else invest_add)
        else:
            num.append(num[i-1] if len(num) > 0 else 0)
            invest.append(invest[i-1] if len(invest) > 0 else 0)
    return num, invest


def doller_cost(start_timing):
    num = []
    invest = []
    price = 10000
    for i, r in df.iterrows():
        if r.day.day == 25 and i >= start_timing:
            num_add = int(10000.0 * price/ r.price)
            num.append(num[i-1] + num_add  if len(num) > 0 else num_add)
            invest.append(invest[i-1] + price if len(invest) > 0 else price)
        else:
            num.append(num[i-1] if len(num) > 0 else 0)
            invest.append(invest[i-1] if len(invest) > 0 else 0)
    return num, invest


def sim(function, label, color):
    fig, ax = plt.subplots(1, figsize=(12, 8))
    final_ratio = []
    for i in np.arange(0, 100) * 10:
        num, invest = function(i)
        num = pd.Series(num)
        invest = pd.Series(invest)
        df.loc[:, 'ratio'] = (num * df.price / 10000.0 - invest.astype(float)) / invest.astype(float)
        df.plot('day', 'ratio', ax=ax,alpha=0.1, color=color)
        
        final_ratio.append(df.iloc[i + 365].ratio)
    ax.set_title(label)
    ax.set_ylabel('ROI')
    ax.set_xlabel(u'Datum')
    ax.legend_.remove()
    return final_ratio

package_ratio = sim(package, u'Großeinkauf', 'blue')
constant_ratio = sim(constant_num, u'Feste Anzahl von Abonnements', 'green')
dc_ratio = sim(doller_cost, u'Festbetrag Abonnement', 'red')

fig, ax = plt.subplots(1, figsize=(12, 8))
pd.Series(package_ratio).hist(ax=ax, color='blue', alpha=0.3, normed=True, label=u'Großeinkauf')
pd.Series(constant_ratio).hist(ax=ax, color='green', alpha=0.3, normed=True, label=u'Feste Anzahl von Abonnements')
pd.Series(dc_ratio).hist(ax=ax, color='red', alpha=0.3, normed=True, label=u'Festbetrag Abonnement')
ax.set_xlabel('ROI')
ax.set_ylabel('freq(normed)')
ax.legend()

Was ich fand

Es konnte simuliert werden, dass der Großeinkauf eine große ROI-Verteilung aufweist.
Der Unterschied zwischen dem regulären Pauschalkauf und dem regulären Festpreiskauf war nicht so groß

[PYTHON] Ich habe versucht, die Methode zur Mittelung der Dollarkosten zu simulieren