Ano ang Semi-Deviation?
Ang Semi-paglihis ay isang paraan ng pagsukat sa ibaba-ibig sabihin ng pagbabagu-bago sa pagbabalik sa pamumuhunan.
Ang Semi-paglihis ay magbubunyag ng pinakamasama-kaso na pagganap na inaasahan mula sa isang peligrosong pamumuhunan.
Ang Semi-paglihis ay isang alternatibong pagsukat sa karaniwang paglihis o pagkakaiba-iba. Gayunpaman, hindi tulad ng mga panukalang ito, ang semi-paglihis ay tumitingin lamang sa mga negatibong pagbabagu-bago ng presyo. Kaya, ang semi-paglihis ay madalas na ginagamit upang suriin ang downside na panganib ng isang pamumuhunan.
Pag-unawa sa Semi-Deviation
Sa pamumuhunan, ang semi-paglihis ay ginagamit upang masukat ang pagkalat ng presyo ng isang asset mula sa isang napansin na halaga o target na halaga. Sa kahulugan na ito, ang pagkakalat ay nangangahulugang lawak ng pagkakaiba-iba mula sa nangangahulugang presyo.
Mga Key Takeaways
- Ang Semi-paglihis ay isang kahalili sa karaniwang paglihis para sa pagsukat ng antas ng panganib ng isang asset.Semi-paglihis ay sumusukat lamang sa ibaba-ibig sabihin, o negatibo, pagbabagu-bago sa presyo ng isang asset.Ang tool sa pagsukat na ito ay madalas na ginagamit upang masuri ang mga peligrosong pamumuhunan.
Ang punto ng ehersisyo ay upang matukoy ang kalubhaan ng downside na panganib ng isang pamumuhunan. Ang semi-paglihis na numero ng pag-aari ay maaaring ihambing sa isang benchmark number, tulad ng isang index, upang makita kung ito ay higit o mas mababa sa peligro kaysa sa iba pang mga potensyal na pamumuhunan.
Ang pormula para sa semi-paglihis ay:
Semi-paglihis = n1 × rt <Average∑n (Average - rt) 2 kung saan: n = ang kabuuang bilang ng mga obserbasyon sa ibaba ng meanrt = ang sinusunod na halaga
Ang buong portfolio ng mamumuhunan ay maaaring masuri ayon sa semi-paglihis sa pagganap ng mga pag-aari nito. Ilagay nang walang kamali-mali, magpapakita ito ng pinakamasama-kaso na pagganap na maaaring asahan mula sa isang portfolio, kung ihahambing sa mga pagkalugi sa isang indeks o kung ano man ang maihahambing na napili.
Kasaysayan ng Semi-Deviation sa Teorya ng Portfolio
Ang Semi-paglihis ay ipinakilala sa mga 1950 na partikular upang matulungan ang mga mamumuhunan na pamahalaan ang mga peligrosong portfolio. Ang pag-unlad nito ay kredito sa dalawang pinuno sa modernong teorya ng portfolio.
- Ipinakita ni Harry Markowitz kung paano pagsamantala ang mga average, pagkakaiba-iba, at covariances ng pagbabahagi ng pagbabalik ng mga ari-arian ng isang portfolio upang makalkula ang isang mahusay na hangganan kung saan nakamit ng bawat portfolio ang inaasahang pagbabalik para sa isang naibigay na pagkakaiba-iba o binawasan ang pagkakaiba-iba para sa isang naibigay na inaasahang pagbabalik. Sa paliwanag ni Markowitz, isang function ng utility, na tinukoy ang pagiging sensitibo ng mamumuhunan sa pagbabago ng kayamanan at panganib, ay ginagamit upang pumili ng isang naaangkop na portfolio sa statistical border.AD Roy, samantala, ginamit ang semi-paglihis upang matukoy ang pinakamabuting kalagayan sa kalakalan-off ng panganib na bumalik. Hindi siya naniniwala na may kakayahang mag-modelo ng sensitivity sa panganib ng isang tao na may isang function ng utility. Sa halip, ipinapalagay niya na nais ng mga namumuhunan ang pamumuhunan na may pinakamaliit na posibilidad na pumapasok sa ilalim ng antas ng kalamidad. Sa pag-unawa sa karunungan ng habol na ito, napagtanto ni Markowitz ang dalawang napakahalagang mga prinsipyo: Ang panganib sa ibaba ay may kaugnayan para sa anumang mamumuhunan, at ang mga pamamahagi ng pagbabalik ay maaaring mabaluktot, o hindi pantay na ipinamamahagi, sa pagsasagawa. Tulad nito, inirerekumenda ni Markowitz gamit ang isang variable na panukalang- batas , na tinawag niyang isang semivariance , dahil isinasaalang-alang lamang nito ang isang subset ng pagbabahagi ng pagbabalik.
Semi-Deviation Versus Semivariance
Sa semi-paglihis, n ay nakatakda sa buong bilang ng mga obserbasyon. Sa semivariance, n ang subset ng pagbabalik sa ibaba ng kahulugan. Gayunpaman, habang ito ang tamang kahulugan ng matematika ng semivariance, ang resulta na ito ay hindi magkakaroon ng kahulugan kung gagamitin mo ang serye ng oras ng pagbabalik sa ibaba ng ibig sabihin o sa ibaba ng isang MAR upang bumuo ng isang semi-covariance matrix para sa pag-optimize ng portfolio.
