Поддержите мой контент, делая покупки на Amazon и узнавая больше об оптимизации портфолио или становлении участником Medium.

Вдохновение

В предыдущем посте я писал об использовании современной портфельной теории (MPT) для построения дивидендного портфеля. MPT требует двух вещей: метрики риска и метрики доходности. Многокритериальная оптимизация выполняется с использованием этих двух показателей, при которых риск минимизируется, а доход максимизируется, создавая оптимальный портфель. Для инвесторов, стремящихся к приросту капитала, эти показатели достаточно четко определены, однако для дивидендных инвесторов они менее очевидны.

В своем предыдущем посте я определил риск как функцию финансовой устойчивости компании (т.е. используя данные баланса), а доходность как выплату дивидендов с учетом текущей ставки дивидендов и ожидаемого роста дивидендов. У этой метрики риска есть несколько явных проблем:

  1. Как определяется риск для других активов, которые могут не иметь необходимых данных баланса, например, ETF? Расчет риска не может быть выполнен с текущей метрикой.
  2. Это определение риска на самом деле не имеет ничего общего с доходом от дивидендов, а скорее с вероятностью того, что компания продолжит выплачивать эти дивиденды, не обанкротившись.
  3. Некоторые типы активов, такие как REIT, которые должны иметь высокие коэффициенты выплат, могут быть исключены из портфеля, поскольку высокий коэффициент выплаты дивидендов считается плохой характеристикой компании, поскольку дивиденды может быть трудно поддерживать.

В этом посте я определяю новую метрику риска, которая учитывает только историю дивидендов актива, выплачивающего дивиденды. Я представляю балльную систему, которая наказывает актив за пропуск или сокращение дивидендов и вознаграждает его за более частую выплату дивидендов. Эта метрика реализована в Python и используется в качестве метрики риска для оптимизации портфеля, ориентированной на дивиденды и доход.

Определение метрики риска на основе баллов

Для начала будет определена метрика риска. Есть две вещи, которые могут разрушить портфель, ориентированный на дивиденды: сокращение дивидендов и пропущенные выплаты дивидендов. Начнем с последнего.

Дивидендные разрывы

Чтобы определить, есть ли разрывы в выплате дивидендов, сначала необходимо определить частоту выплаты дивидендов на основе исторических данных о дивидендах. Это делается путем разности дат между строками в (упорядоченных) данных о дивидендах и определения количества месяцев между последовательными датами записи дивидендов.

В этом коде, как видно из комментариев, разница между последовательными выплатами дивидендов определяется для всей истории дивидендов. Период оплаты определяется как наиболее частая разница. Например, если частота выплаты дивидендов — ежеквартально, режим, возвращаемый этой функцией, должен быть 3 (месяца). Разница в месяцах между последовательными выплатами дивидендов также возвращается для использования в функции подсчета очков.

Этот метод используется для создания измерения риска актива с использованием промежутков в выплате дивидендов. Если пропусков нет, т. е. платежей, которые занимают больше времени, чем заранее определенная частота выплат, оценка должна быть равна 0. В противном случае оценка увеличивается (риск выше) на длину промежутка и уменьшается (риск снижается) на более частые выплаты дивидендов (например, специальные дивиденды).

Сокращение дивидендов

Второй серьезной проблемой для дивидендных инвесторов является сокращение дивидендов, то есть дивиденды по активу уменьшаются по сравнению с его предыдущей суммой. Это учитывается путем определения того, во сколько раз был уменьшен дивиденд, и среднего процента, на который был уменьшен дивиденд.

В приведенном выше коде операции над объектом Pandas DataFrame выполняются для определения количества сокращений дивидендов и средней суммы, на которую был уменьшен дивиденд. Эти два значения возвращаются и используются при расчете метрики риска.

Связывая это вместе

Теперь, когда есть расчеты вокруг кошмаров для дивидендных инвесторов, значения необходимо агрегировать, чтобы количественно оценить риск конкретного актива.

Эта логика определяет значение риска для актива. Исторические данные о дивидендах сначала извлекаются из API FMPCloud. Затем эти данные обрабатываются логикой разрыва дивидендов и сокращения дивидендов, представленной выше. Наконец, значения, возвращаемые функциями, объединяются в окончательную метрику риска. Окончательный расчет (агрегирование) подлежит точной настройке в зависимости от того, насколько важна каждая отдельная метрика риска для отдельного инвестора.

Полная реализация на Python

Ниже приведен полный код Python для этой метрики риска. Обратите внимание, что это не отдельная программа Python, а часть более крупной программы, которая выполняет вычисления MPT. Об этом более подробно рассказано в моем предыдущем посте.

Заключение

В этом посте я представляю и объясняю улучшенную метрику риска для дивидендных портфелей, которые должны быть оптимизированы с помощью современной теории портфеля. Этот пост является дополнением к предыдущему посту, в котором более подробно описывается MPT и как проводить оптимизацию MPT для акций, выплачивающих дивиденды. Эта расширенная метрика риска позволяет включать больше типов активов (таких как ETF) и решает несколько проблем с моей предыдущей метрикой риска.

Подпишитесь на DDIntel Здесь.

Посетите наш сайт здесь: https://www.datadriveninvestor.com

Присоединяйтесь к нашей сети здесь: https://datadriveninvestor.com/collaborate