震惊!格雷厄姆竟然是用这种投资策略躲避股灾的

2024-01-19 05:30

本文主要是介绍震惊!格雷厄姆竟然是用这种投资策略躲避股灾的,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

阅读原文: 京东量化平台-为投资者提供数据支持、策略开发到策略输出的量化生态服务

京东金融官方资讯QQ:3414182370 有什么想问的想说的都可以来参与!还有机会获取奖品!

无论过去现在,总时不时地有人冒出来宣称,格雷厄姆原则已经过时了。尤其是在中国股市,经过2015年来的持续下跌,一些人们对价值投资和长期投资理念的信任度从沸点降到了冰点。

  作为格雷厄姆原则的忠实执行者,约翰。聂夫长达31年执掌温莎基金的成功经历——22次跑赢市场,基金增长55.46倍,累计平均年复利回报率达13.7%,超过市场平均收益率3%以上——极有说服力地印证了格雷姆原则的长久生命力。

  虽然有人称聂夫为逆向投资者,但他本人更偏好另一个称呼:低市盈率投资者。因为这更加精确地描述了他引领温莎基金走向持续成功的投资风格。

  聂夫的投资风格比较独特之处,我以为,有以下几个方面:

  选股七要素:

  1、低市盈率。一般低于市场平均值的40%至60%.低市盈率的股票通常是冷门股,能带来双重的获利边际:向上则积极参与了可能大幅增值的股票,向下则很有效防范了风险。

  2、基本增长率超过7%.一个低市盈率股票到底值不值得关注,关键还得看其成长性。低市盈率的股票同时拥有7%以上的增长率,聂夫就认为它被低估了,股价上涨空间巨大,如果它分红也不错,更是机会难得。

  3、收益有保障。除了公司的收益增长率,还重视分红回报。低市盈率的投资策略的好处之一就是经常可以享受到很高的分红,而且因为股价的形成总是建立在预期收益增长率的基础上,分红前后对股价的影响很小,所以股东分红相当于是免费的。

  4、总回报率相对于支付的市盈率两者关系绝佳。总回报率是聂夫战胜同行的法宝之一,它描述的是一种成长预期:收益增长率加上股息率。例如,一家公司的收益增长率是12%,股息率是3.5%,总回报率等于15.5%.聂夫偏好市盈率是总回报率一半的股票。

  5、如果市盈率没能获得补偿,不买周期性股票。对周期性股票,时机的把握就是一切。周期性行业的高峰和低谷很难准确预测,对此聂夫采取了保护措施:只购买那些预计市盈率就要跌到底部的周期股。一般,采用低市盈率购买周期公司在公司报道收入增长的6至9个月之后获利最大。

  6、成长行业中的稳健公司。它们有着稳固的市场地位和巨大的上涨空间,当被坏消息打击而进入低市盈率状态时加以关注。

  7、基本面好。仅有低市盈率还不够,基本面和平均标准接近,而市盈率却很低,才说明公司的价值作未被充分认识。买卖决策取决于基本面的导向。

在策略方面我综合了一下,可以利用京东的选股宝非常快速的回测。具体因子参数如下:

市盈率<35 市净率<1.8 每股收益增长率>0 利润增长率>0 流动比率>1.8 速动比率>1


回测图出来后,很多人都会去看最大收益,其实这样不妥。上图告诉我们,格雷厄姆的价值投资方法可以完美的躲过股灾,因为在2015年6月的时候就已经选不出符合条件的股票了。同时最大回撤竟然产生在2011年,这也从另一个侧面反映出2011年大概率是大盘的底。

用某一种投资策略曲线来推导出大盘的顶与底,这是一个非常有用的方法。源码附后。


原文有完整代码

阅读原文:http://club.jr.jd.com/quant/topic/1160067

关注京东量化学院!获取更多最新最全面的量化交易知识!

http://quant.jd.com/college/index?from=zhihuhuida

这篇关于震惊!格雷厄姆竟然是用这种投资策略躲避股灾的的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/621388

相关文章

在JS中的设计模式的单例模式、策略模式、代理模式、原型模式浅讲

1. 单例模式(Singleton Pattern) 确保一个类只有一个实例,并提供一个全局访问点。 示例代码: class Singleton {constructor() {if (Singleton.instance) {return Singleton.instance;}Singleton.instance = this;this.data = [];}addData(value)

缓存策略使用总结

缓存是提高系统性能的最简单方法之一。相对而言,数据库(or NoSQL数据库)的速度比较慢,而速度却又是致胜的关键。 如果使用得当,缓存可以减少相应时间、减少数据库负载以及节省成本。本文罗列了几种缓存策略,选择正确的一种会有很大的不同。缓存策略取决于数据和数据访问模式。换句话说,数据是如何写和读的。例如: 系统是写多读少的吗?(例如基于时间的日志)数据是否是只写入一次并被读取多次?(例如用户配

Flink任务重启策略

概述 Flink支持不同的重启策略,以在故障发生时控制作业如何重启集群在启动时会伴随一个默认的重启策略,在没有定义具体重启策略时会使用该默认策略。如果在工作提交时指定了一个重启策略,该策略会覆盖集群的默认策略默认的重启策略可以通过 Flink 的配置文件 flink-conf.yaml 指定。配置参数 restart-strategy 定义了哪个策略被使用。常用的重启策略: 固定间隔 (Fixe

Java后端微服务架构下的API限流策略:Guava RateLimiter

Java后端微服务架构下的API限流策略:Guava RateLimiter 大家好,我是微赚淘客返利系统3.0的小编,是个冬天不穿秋裤,天冷也要风度的程序猿! 在微服务架构中,API限流是保护服务不受过度使用和拒绝服务攻击的重要手段。Guava RateLimiter是Google开源的Java库中的一个组件,提供了简单易用的限流功能。 API限流概述 API限流通过控制请求的速率来防止

未雨绸缪:环保专包二级资质续期工程师招聘时间策略

对于环保企业而言,在二级资质续期前启动工程师招聘的时间规划至关重要。考虑到招聘流程的复杂性、企业内部需求的变化以及政策标准的更新,建议环保企业在二级资质续期前至少提前6至12个月启动工程师招聘工作。这个时间规划可以细化为以下几个阶段: 一、前期准备阶段(提前6-12个月) 政策与标准研究: 深入研究国家和地方关于环保二级资质续期的最新政策、法规和标准,了解对工程师的具体要求。评估政策变化可

面对Redis数据量庞大时的应对策略

面对Redis数据量庞大时的应对策略,我们可以从多个维度出发,包括数据分片、内存优化、持久化策略、使用集群、硬件升级、数据淘汰策略、以及数据结构选择等。以下是对这些策略的详细探讨: 一、数据分片(Sharding) 当Redis数据量持续增长,单个实例的处理能力可能达到瓶颈。此时,可以通过数据分片将数据分散存储到多个Redis实例中,以实现水平扩展。分片的主要策略包括: 一致性哈希:使用一

集群环境下为雪花算法生成全局唯一机器ID策略

雪花算法是生成数据id非常好的一种方式,机器id是雪花算法不可分割的一部分。但是对于集群应用,让不同的机器自动产生不同的机器id传统做法就是针对每一个机器进行单独配置,但这样做不利于集群水平扩展,且操作过程非常复杂,所以每一个机器在集群环境下是一个头疼的问题。现在借助spring+redis,给出一种策略,支持随意水平扩展,肥肠好用。 大致策略分为4步: 1.对机器ip进行hash,对某一个(大于

数据库归档策略

数据库迁移策略 为备战双11,需要将数据库中的相关表(历史订单)进行归档,以便腾出更多的空间迎接订单的暴增。作者经过尝试,得出自认为最优的解决方案。下面给出数据库归档策略及示例代码。 现有条件: 1.现有两个数据库:db-A 以及 db-B; 2.两个库中有字段相同的表:tba(表中只有字段订单id–rx_id(long型) 有索引); 3.归档库的tba中还有17年整年的归档数据。 4.由于单

2024 年高教社杯全国大学生数学建模竞赛 C 题 农作物的种植策略 参考论文 无水印

持续更新中,2024年数学建模比赛思路代码论文都会发布到专栏内,只需订阅一次!  完整论文+代码+数据结果链接在文末!  订阅后可查看参考论文文件 第一问 1.1 问题重述 这个问题围绕的是华北山区的某乡村,在有限的耕地条件下,如何制定最优的农作物种植策略。乡村有 34 块露天耕地和 20 个大棚,种植条件包括粮食作物、蔬菜、水稻和食用菌。除了要考虑地块的面积、种植季节等,还要确保

【redis】数据量庞大时的应对策略

文章目录 为什么数据量多了主机会崩分布式系统应用数据分离架构应用服务集群架构负载均衡器数据库读写分离 引入缓存冷热分离架构 分库分表微服务是什么代价优势 为什么数据量多了主机会崩 一台主机的硬件资源是有上限的,包括但不限于一下几种: CPU内存硬盘网络… 服务器每次收到一个请求,都是需要消耗上述的一些资源的~~ 如果同一时刻处理的请求多了,此时就可能会导致某个硬件资源不够用了