introduction

Lors de l'achat d'actions et de fiducies de placement, il existe une méthode d'étalement des coûts en dollars. Le risque peut être réduit en achetant régulièrement des produits tels que des actions et des fonds d'investissement à un prix fixe.

Dans les diapositives que je vois souvent, je sentais que je n'étais pas convaincu car il était écrit en supposant une transition arbitraire du cours de l'action / prix de base et le nombre de données était petit. Évidemment, le risque est réduit en théorie. Par conséquent, il s'agit d'une tentative de simulation basée sur les données de prix standard de la fiducie de placement réelle.

Hypothèses de simulation

Fiducie d'investissement utilisée pour la simulation

[Indice des actions étrangères e] de Sumitomo Mitsui Trust Assetment (http://www.smtam.jp/fund/detail/_id_122/)

Index d'évaluation

Dans cette simulation, nous comparerons le ROI un an après le début de l'achat.

ROI = \frac{Actifs détenus un an plus tard-Montant d'investissement d'un an}{Montant d'investissement d'un an}

Méthode 1 (achat en gros)

J'achèterai un certain montant (100 000 yens) à un certain moment.

Méthode 2 (achat régulier d'un certain nombre d'unités)

A partir d'un certain moment, nous achetons un certain nombre d'unités (10 000 yens) le 25 de chaque mois pendant un an.

Méthode 3 (abonnement à montant fixe)

À partir d'un certain moment, j'achèterai un montant fixe (10 000 yens) le 25 de chaque mois pendant un an.

simulation

L'évaluation des risques est effectuée en modifiant l'heure de début de l'achat de 100 façons et en comparant la distribution du retour sur investissement qui en résulte.

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'Prix de base')
ax.set_ylabel(u'Prix de base')
ax.set_xlabel(u'Date')

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'Date')
    ax.legend_.remove()
    return final_ratio

package_ratio = sim(package, u'Achat en vrac', 'blue')
constant_ratio = sim(constant_num, u'Nombre d'abonnements fixe', 'green')
dc_ratio = sim(doller_cost, u'Abonnement à montant fixe', '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'Achat en vrac')
pd.Series(constant_ratio).hist(ax=ax, color='green', alpha=0.3, normed=True, label=u'Nombre d'abonnements fixe')
pd.Series(dc_ratio).hist(ax=ax, color='red', alpha=0.3, normed=True, label=u'Abonnement à montant fixe')
ax.set_xlabel('ROI')
ax.set_ylabel('freq(normed)')
ax.legend()

Ce que j'ai trouvé

Il a été possible de simuler que l'achat en gros a une large distribution de retour sur investissement.
La différence entre l'achat forfaitaire régulier et l'achat régulier à prix fixe n'était pas si grande

[PYTHON] J'ai essayé de simuler la méthode de calcul de la moyenne des coûts en dollars