科技股當公用股買 新經濟與傳統熊市脫鈎

科技股當公用股買 
新經濟與傳統熊市脫鈎


【數碼金魚缸】最近港股熱話離不開新增科技指數,與恒生指數走勢比較,難以相信兩者均來自同一市場和資產類別;強弱反差好比美國納指和道指,科技板塊名副其實與傳統熊市「脫鈎」了。儘管目前市場不明朗因素仍在,中美冷戰、疫情第二波、環球經濟衰退等因素甚至惡化了,標指卻出奇地穩定,實際波幅已跌至近疫情爆發前的相對低水平。這一定程度是科技板塊成為熱錢避風港,投資者索性把科技股當公用股追,導致新舊經濟並重的綜合型指數此消彼長,錄偏低波幅。

股市走勢越來越依賴資金流而不反映實際經濟情況。儘管目前環球經濟衰退,但在疫情衝擊下,不少政府也全民派錢及補貼,企業利潤也可能因此打了支強心針。

蘋果亞馬遜疫市業績報捷

近期facebook、蘋果公司、亞馬遜的第二季度業績顯示,在疫情經濟下仍然可超出預期,證明科技股或比公用股更能對抗逆周期。此外,同期偏強的資產類別還包括黃金,最近曾升破每盎斯2,000美元高位,反映近期升市與弱美元及資金流很有關係。

無論如何,在資金充足環境下,美股技術上已由熊轉牛,美聯儲大印銀紙及科技股超強勢,抵銷了大部份傳統板塊的向下動力;可以預期,在量化寬鬆環境下,短期內再出現大跌市機率降低了。

這點可以從市場實際波幅看到,目前標普500指數的實際波幅已回落至20%以下。實際波幅雖已回落,不明朗因素下期權引伸波幅仍高於長期平均值。

為了比較實際波幅和引伸波幅,筆者寫了簡單統計程式,以移動視窗方式同時對比30日前的VIX指數和30日後的實際波幅,並將之繪圖,結果見「圖一」。例如8月1日VIX指數,反映是未來30日指數波幅;到8月30日時量度過去30日實際波幅,便可對比30日前期權市場波幅預測是否準確。

圖一藍線是30日前引伸波幅,橙線是30日後實際波幅,對比兩者可以發現走勢大致相近,證明市場對實際波幅走勢預測也算準確。

然而,筆者發現橙線大部份時間均低於藍線,反映市場雖然能猜對實際波幅走勢,但卻經常性地高估了實際波幅。

為了更清晰地看到這個現象,筆者把引伸波幅減去同期實際波幅,繪畫出「圖二」。綠色區域代表引伸波幅高於實際波幅,或可理解為該時期期權價格高於它應有價值,對賣方有利;紅色區域則情況相反。

由圖二可歸納,出現機率高達80%的是綠色區域,是引伸波幅高於實際波幅日子,在這些時期買期權需要付出高於實際波幅的成本;而且期權進入價內機率也較預期低。剩下20%日子是紅色區域,是引伸波幅低於實際波幅日子,多於急跌市時發生,在這些時間買期權才有較高機會進入價內。

大跌市中後期可沽期權

觀察最近期的一個紅色區域,起因是今年2月尾因武漢肺炎首次傳至中國以外地方,引起環球股市一波急跌。紅色區域通常是跌市初期,期權賣方無可避免需要承擔賠付責任;然而,由於急跌使市場對於買put需求大增,導致引伸波幅也大幅上升,因此在跌市中後期,引伸波幅已追上甚至高於實際波幅,此情況一直從3月中持續至今,高估幅度甚至比一年前有過之而無不及。

因此,作為期權賣方雖然3月份承受賠付損失,但假如堅持沽期權策略,在之後的高引伸波幅環境下,通常很快便可以把跌市初期有限的損失追回。

另一種衡量引伸波幅高低的方法是IV百分位數(IV percentile),即是以今天的引伸波幅和過去一段長時期的引伸波幅,統計做一個排行;如果是在高百分比水平,例如50%以上,則引伸波幅是相對高估了,對期權賣方有利。SPY目前的52周百分位數約在56%以上,反映引伸波幅仍屬偏高水平。

另外,也可參考保歷加通道(Bollinger Bands)這個常用的技術指標,它透過歷史標準差通道的方式,表示近期正股波幅有否擴大或縮少,方便與過去情況比較。

針對傳統技術指標,筆者也曾寫過不少回歸測試,如果用於猜測大市方向,大部份未必有很大幫助;若用於輔助期權策略上,例如判斷指數波幅屬於高或低,從而判斷沽期權是否值博,卻有一定參考價值。更多關於技術指標的量化分析,或會在未來文章再分享。

被動型投資加劇新經濟熱炒

總之,牛熊市並存於同一市場或資產類別已非新觧事物,近幾個月可看到新舊經濟板塊脫鈎程度有多誇張;典型例子有騰訊(700)對比滙控(005)、亞馬遜對比波音等。

另外,目前很流行被動型投資,主因科技指數ETF或科技相關行業ETF,表現通常優於綜合型指數ETF,輕易跑贏很多主動型基金;基金公司為吸資金,傾向於繼續推出強勢板塊金融產品,進一步加劇新舊經濟脫鈎狀況。然而,單一板塊的ETF由於行業層面不夠分散,資金高度集中於少數股票;再者,被動型投資者通常不需要做基本分析選股,使市場失去發現價格(price discovery)的功能,長遠將造成問題。

希望坐上牛市快車的投資者,長倉科技板塊固然是首選,但應同時衡量風險與回報;因此筆者認為與其冒險高追科技板塊,不如利用高估了的引伸波幅,收取穩定期權金。筆者使用的繪圖和統計程式Python原碼放於Github(https://bit.ly/30H2iuI)。

量子雪球

作者電郵:[email protected]