最近很不容易取得台灣個股的資料,回測後發現策略都有25-50%的年報酬率。
如果對策略有興趣,或想合作請寄mail給我。
mail: yungcross@gmail.com
line:yoyowang123
貼一下有多強:
最近很不容易取得台灣個股的資料,回測後發現策略都有25-50%的年報酬率。
如果對策略有興趣,或想合作請寄mail給我。
mail: yungcross@gmail.com
line:yoyowang123
貼一下有多強:
最近很不容易取得台灣個股的資料,回測後發現策略都有25-50%的年報酬率。
如果對策略有興趣,或想合作請寄mail給我。
mail: yungcross@gmail.com
line:yoyowang123
如果能夠取得資料的話其他各國股市都可開發策略。
香港也可開發出25-50%年報酬的策略,有任何問題歡迎寄信給我。
先取一個很穩健的策略給大家看:
quant trading, alpha, annual return
我的telegram討論區:
My telegram group:
https://t.me/joinchat/IL2WpkzxE2Crp4RbEwb5HA
AI robot will post 2 strategies on my telegram everyday.
AI機器人每天會貼2個美股策略在我telegram群組。
AI robot report:
如果加不進去telegram,請留言跟我說。
我的策略15年的平均年報酬是40%。
可以看下面兩個美股策略績效。
You can read my post first:
https://leochenyen.wordpress.com/2017/07/09/sp500-strategy/
https://leochenyen.wordpress.com/2017/07/09/new-us-sp500-strategy/
I can provide strategy mail report every day.
Format like below:
E-mail me:
yungcross@gmail.com
Or leave your message on my blog.
Thank you very mcuh.
最近在開發量化投資系統,要做量化投資最重要的就是對股票進行回測,而回測計算報酬率的時候,必須計算還原股價 ,估計公司沒有除權息調整時的股價,所以這篇文章就來教大家如何用Python計算還原股價。
資料的方面我們使用FindMind所提供的開源數據集,來做計算~
首先先取得股票的各年股利分配情況的資料,那我們這邊使用台積電(2330),作為範例,參數中的token需要到FindMind的官網去 申請帳號取得。
import requests import pandas as pd def get_dividend_data(): url = "https://api.finmindtrade.com/api/v4/data" parameter = { "dataset": "TaiwanStockDividend", "data_id": "2330", "start_date": "2000-01-01", "token":'your token' } dividend_data = requests.get(url, params=parameter) dividend_data = dividend_data.json() dividend_data = pd.DataFrame(dividend_data['data']) return dividend_data
一樣也是從FindMind官網去取得資料,和取得股利資料一樣。
def get_stock_data(): url = "https://api.finmindtrade.com/api/v4/data" parameter = { "dataset": "TaiwanStockPrice", "data_id": "2330", "start_date": "2006-01-01", "token":'your_token' } resp = requests.get(url, params=parameter) stock_data = resp.json() stock_data = pd.DataFrame(stock_data["data"]) return stock_data
首先我們計算還原股價會用到的是以下四個欄位:
主要分成兩部分:
a. 計算除權因子: 在發放股票股利那天以前(包含當天)的股價都要乘上除權因子去調整股價。
除權因子=1/(1+股票股利/10)
除權因子=1/(1+股票股利/10)
b. 計算除息因子:
這裡有人可能會直接用收盤價扣現金股利,但這樣會導致股價調整前和調整後日收益率改變,但用下面的方法就可以讓日收益率不變, 因為我們是去計算發放現金股利後與原本股價的改變比例,而這裡t-1代表的是昨日的價格,在發放現金股利那天以前的股價 都要乘上除息因子去調整股價。
首先將股利資料分別分成現金股利以及股票股利,並且將這兩個資料合併到股票價格資料上,因為股利資料會有先公布的資料, 也就是未來的資料,所以合併的同時也可以使未來的資料刪掉。
dividend_data = get_dividend_data() stock_data = get_stock_data() # 將資料分成現金股利和股票股利 stock_dividend_data = dividend_data[['StockExDividendTradingDate', 'StockEarningsDistribution', 'StockStatutorySurplus']] stock_dividend_data = stock_dividend_data.rename(columns={"StockExDividendTradingDate":'date'}) cash_dividend_data = dividend_data[['CashExDividendTradingDate', 'CashEarningsDistribution']] cash_dividend_data = cash_dividend_data.rename(columns={"CashExDividendTradingDate":'date'}) # 順便也將未來要發股利的去掉了 stock_data = stock_data.merge(stock_dividend_data, on='date', how='left') stock_data = stock_data.merge(cash_dividend_data, on='date', how='left')
然後在按照公式分別計算除權因子和除息因子
# 計算除權因子 stock_dividend_factor = 1 / (1 + (stock_data.loc[stock_data['StockEarningsDistribution'].notnull(), 'StockEarningsDistribution'] + stock_data.loc[stock_data['StockEarningsDistribution'].notnull(), 'StockStatutorySurplus']) / 10) stock_data.loc[stock_dividend_factor.index-1, 'stock_dividend_factor'] = stock_dividend_factor.values # 計算除息因子 stock_data['previous_close_price'] = stock_data['close'].shift(1) cash_dividend_factor = (stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'previous_close_price'] - stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'CashEarningsDistribution']) / stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'previous_close_price'] stock_data.loc[cash_dividend_factor.index-1, 'cash_dividend_factor'] = cash_dividend_factor.values cash_dividend_index = stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'cash_dividend_factor'].index
然後將每一期的除息因子都做累積乘積,這樣就可以將每一期調整的程度反映到過去的股價上,算完除息因子後乘上除權因子 就可以得到總因子,再乘上原始股價就可以得到調整股價,因為有些是在除權後的股價,因此就是填充為原始股價。
# 累積總因子 cum_prod_cash_dividend = stock_data.loc[stock_data['cash_dividend_factor'].notnull(), 'cash_dividend_factor'][::-1].cumprod()[::-1] stock_data.loc[cash_dividend_factor.index-1, 'cash_dividend_factor'] = cum_prod_cash_dividend.values stock_data['cash_dividend_factor'] = stock_data['cash_dividend_factor'].fillna(method='backfill') stock_data['stock_dividend_factor'] = stock_data['stock_dividend_factor'].fillna(method='backfill') stock_data['cash_dividend_factor'] = stock_data['cash_dividend_factor'].fillna(method='backfill') stock_data['stock_dividend_factor'] = stock_data['stock_dividend_factor'].fillna(method='backfill').fillna(1) stock_data['total_factor'] = stock_data['cash_dividend_factor'] * stock_data['stock_dividend_factor'] stock_data['adjust_price'] = stock_data['close'] * stock_data['total_factor'] # 還沒到除息日的股價用現在的股價填充 stock_data.loc[stock_data['adjust_price'].isnull(), 'adjust_price'] = stock_data.loc[stock_data['adjust_price'].isnull(), 'close']
那以下就是完整的程式碼,如果有什麼問題歡迎在下面留言,喜歡我的作品可以幫我拍拍手喔!!!
import requests import pandas as pd def get_dividend_data(): url = "https://api.finmindtrade.com/api/v4/data" parameter = { "dataset": "TaiwanStockDividend", "data_id": "2330", "start_date": "2000-01-01", "token":'your token' } dividend_data = requests.get(url, params=parameter) dividend_data = dividend_data.json() dividend_data = pd.DataFrame(dividend_data['data']) return dividend_data def get_stock_data(): url = "https://api.finmindtrade.com/api/v4/data" parameter = { "dataset": "TaiwanStockPrice", "data_id": "2330", "start_date": "2006-01-01", "token":'your token' } resp = requests.get(url, params=parameter) stock_data = resp.json() stock_data = pd.DataFrame(stock_data["data"]) return stock_data def cal_adjusted_price(stock_data, dividend_data): stock_dividend_data = dividend_data[['StockExDividendTradingDate', 'StockEarningsDistribution', 'StockStatutorySurplus']] stock_dividend_data = stock_dividend_data.rename(columns={"StockExDividendTradingDate":'date'}) cash_dividend_data = dividend_data[['CashExDividendTradingDate', 'CashEarningsDistribution']] cash_dividend_data = cash_dividend_data.rename(columns={"CashExDividendTradingDate":'date'}) # 順便也將未來要發股利的去掉了 stock_data = stock_data.merge(stock_dividend_data, on='date', how='left') stock_data = stock_data.merge(cash_dividend_data, on='date', how='left') # 計算除權因子 stock_dividend_factor = 1 / (1 + (stock_data.loc[stock_data['StockEarningsDistribution'].notnull(), 'StockEarningsDistribution'] + stock_data.loc[stock_data['StockEarningsDistribution'].notnull(), 'StockStatutorySurplus']) / 10) stock_data.loc[stock_data['StockEarningsDistribution'].notnull(), 'stock_dividend_factor'] = stock_dividend_factor # 計算除息因子 stock_data['previous_close_price'] = stock_data['close'].shift(1) cash_dividend_factor = (stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'previous_close_price'] - stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'CashEarningsDistribution']) / stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'previous_close_price'] stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'cash_dividend_factor'] = cash_dividend_factor cash_dividend_index = stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'cash_dividend_factor'].index # 累積總因子 cum_prod_cash_dividend = stock_data.loc[stock_data['cash_dividend_factor'].notnull(), 'cash_dividend_factor'][::-1].cumprod()[::-1] cum_prod_cash_dividend.index = cash_dividend_index stock_data.loc[stock_data['CashEarningsDistribution'].notnull(), 'cash_dividend_factor'] = cum_prod_cash_dividend stock_data['cash_dividend_factor'] = stock_data['cash_dividend_factor'].fillna(method='backfill') stock_data['stock_dividend_factor'] = stock_data['stock_dividend_factor'].fillna(method='backfill') stock_data['cash_dividend_factor'] = stock_data['cash_dividend_factor'].fillna(method='backfill') stock_data['stock_dividend_factor'] = stock_data['stock_dividend_factor'].fillna(method='backfill').fillna(1) stock_data['total_factor'] = stock_data['cash_dividend_factor'] * stock_data['stock_dividend_factor'] stock_data['adjust_price'] = stock_data['close'] * stock_data['total_factor'] # 還沒到除息日的股價用現在的股價填充 stock_data.loc[stock_data['adjust_price'].isnull(), 'adjust_price'] = stock_data.loc[stock_data['adjust_price'].isnull(), 'close'] return stock_data if __name__ == "__main__": dividend_data = get_dividend_data() stock_data = get_stock_data() stock_data = cal_adjusted_price(stock_data, dividend_data)
近五年來,ARK Invest 旗下的五檔主動型 ETFs 表現相當亮眼,每年都能有近 25% 以上的獲利,一躍成為市場上的話題新寵。
頓時引發許多人的好奇,到底是怎樣獨特的投資策略,才能有如此優異的表現?
本文將會介紹由「女股神」所創辦的 ARK Invest ,是如何有效管理旗下的五檔主動型 ETFs ,並取得超越市場大盤的績效!
其他產業延伸閱讀:
文章目錄
以下是凱薩琳·伍德(Catherine Duddy Wood)的生平簡介:
data:image/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==【訪談】Cathie Wood Sees 20% Returns After ‘Unbelievable’ 2020
凱薩琳一向以大膽的投資風格著名,尤其以「破壞式創新」的企業為主要投資標的而聞名。(或許也跟她繼承 D 的意志有關……?)
所謂的「破壞式創新」,指的就是那些能改變世界的新創服務以及商品,例如自動技術(Autonomous Technology)、人工智慧、DNA 醫療、區塊鏈…等等。
舉例來說,凱薩琳就曾在 2015 年時以約 400 美元的價格買入比特幣,並在 2017 年時以 20,000 美元出脫,獲得近 50 倍的獲利。
在諸多大膽投資中,最為人津津樂道的就是凱薩琳對於特斯拉的精準判斷。
長年以來,凱薩琳一直看好特斯拉的發展,在創辦 ARK Invest 後便將特斯拉納為基金中的第五大持股,並且一路走來都無視於市場上對特斯拉的負面看法,繼續增持特斯拉——
2016 年,市場上 75% 的分析師認為特斯拉不具備購買價值,但凱薩琳依然增持了 1 倍的股份。
2017 年,特斯拉股價上升 46%,依然有 68% 的人看跌,此時凱薩琳大幅購入了 13 倍的股份。
2018 年,馬斯克表示有意將特斯拉私有化,此時凱薩琳直接公開致信給他,表示她反對這項做法,認為特斯拉的未來發展可期,私有化只會使得價值貶低。同年 8/24 ,馬斯克打消了私有化的念頭,表示凱薩琳的信件確實終止了他們原先私有化的決定。
特斯拉的股價在 2018~2020 年時上漲了近 773% ,從 64.56 漲到 499.27 美元 (2018/8/24 ~ 2020/11/19,歷經特斯拉 1 拆 5 的拆股政策),證明凱薩琳當年的眼光相當正確。
如今特斯拉已經是 ARK Invest 旗下持有最多的股票,佔基金組合中約 10%。
這種預見未來趨勢、以技術面來判斷公司成長性,又稱為「成長型投資策略」。
巴菲特自己也曾說過,有 15% 的資金比例是投入成長股之中,更多細節可參考下面兩篇文章:
凱薩琳獨具慧眼的投資方式,使得 ARK 基金的績效遠遠勝過大盤。
但讓人驚訝的是,ARK Invest 的分析師們幾乎都沒有財經背景,大多都是來自不同科技行業的人,像是遊戲設計師、醫療人員、人工智慧工程師…等等。
對此,凱薩琳表示如果分析師具有相關科技背景的話,會更能夠理解該企業的運作模式與價值所在,進而得到更準確的分析結果。
我個人認為,凱薩琳找來各界專業人士的做法相當聰明,因為成長型企業有時確實很難用傳統思維來判斷股價,通常只有實際待過該產業的人才能理解該企業的行為方針與專利的真正價值,
舉例來說,你和一名金融分析師談一項醫療專利能帶來的收益,對方收集資料研究半天後也不一定能和你談出些什麼;但若是具有醫療背景的人,便能和你聊得頭頭是道。
透過 ARK Invest 優異的投資績效,證明了凱薩琳的策略相當正確。
可以由上面資訊中看出,凱薩琳真的是一位相當特別的投資者,勇於擁抱創新,同時也理解該如何評估這些企業的價值。
此外,她也樂意將團隊的研究資訊公開,只要前往 ARK 官網並申請訂閱,就能得知它們每天的交易情況,讓投資人能夠參考,消弭資訊不對等的情況。不過目前訂閱功能只能看到當天的持股比例,並不包含過去的投資資訊;
因此有一位英國投資者 Richard ,開發出了ARK Invest Active ETF Holdings Tracker 網站,完整紀錄 ARK 的所有交易歷史,並提供圖表來呈現資訊,方便投資者清楚了解 ARK 的持股變化趨勢。
另外也有一個網站 Cathie’s Ark-Ark Invest Fund Holdings 記錄了 ARK 旗下 ETF 每天的交易紀錄,以及近期 45 天內的個股交易趨勢,網站資訊直觀、排版良好,有興趣的人也可以做為參照資訊。
不過近期有聲浪傳出,ARK 旗下 ETFs 的發行商 Resolute 有意透過行駛選擇權的方式,來取得 ARK Invest 多數控股權,
事件起因是 ARK Invest 曾於 10/26 日,把合作的 ETF 發行商 Resolute 撤換掉,導致 Resolute 有了這次動作。
如果 Resolute 成功的話,意味著凱薩琳可能將失去對 ARK Invest 的絕對控制權。但目前事件尚未有定論,也有可能是雙方會透過私下協商來達成協議。
最糟的情況便是凱薩琳帶著她的團隊離開 ARK Invest 另起爐灶,對 ARK Invest 來說無疑會是一大打擊。
不過對投資人來說,不需要太過擔心,畢竟大家所關注的是凱薩琳及她所帶領的團隊,就算凱薩琳另起爐灶,也還是能夠吸引眾人目光。
ARK Investment 提供了五檔主動型 ETF,以下將一一介紹 (取自 ARK Invest 的官方網站):
由於其在科技領域卓越而長遠的眼界,ARK的Big Ideas系列年度報告以往在專業金融圈被奉為科技投資「聖經」。在他們傳奇般的特斯拉戰績火遍全球之後,今年的年度報告更加引人矚目。
在今年的報告中,「牛市女皇」Cathie Wood帶領她的ARK研究團隊提出了15個宏大而前景廣闊的投資主題,涉及的領域除了為人熟知的比特幣、電動車、無人駕駛之外,還包括深度學習、新一代基因定序、數據中心再創造、虛擬世界等。
在ARK看來,這些主題不僅僅是今年可以重點關注的主題,還在未來數年都擁有巨大的市場以及投資空間。比如,他們認為,深度學習將在未來15-20年裡為全球股票市場增加30兆美元的市值。廣告面對疫情,CEO一定要知道的逆境突圍戰法!
此外,他們預計某些領域可能將要或者正在出現極具創新力的顛覆性進展。其中,比特幣可能迎來以機構作為投資主力的全新時代,數據中心產業正在經歷一場翻天覆地式的技術革命,數位錢包將從根本上撼動全世界傳統銀行的地位,而電動車的銷量將暴增20倍……
來看看ARK年度報告究竟說了什麼。
深度學習可能是當前時代軟體領域最重要的突破。迄今為止,所有的軟體都是由人類編寫完成。而深度學習,作為人工智慧的其中一種形式,利用數據寫軟體代碼。通過自動編寫程式、創建軟體,深度學習可以加快每一個行業的發展速度。ARK的研究顯示,深度學習將在未來15-20年裡,為全球股票市場增加30兆美元的市值。
深度學習標誌著軟體2.0時代的到來廣告
深度學習正在催生下一代運算平台,並被運用於各個AI領域
▲人機對話式智慧設備,例如:搭載人工智慧的智慧音箱在2020年回應了10000億人次的要求,相較2019年增長了75%。
▲自動駕駛汽車,例如:Waymo的自動駕駛汽車總行程已經超過了2000萬英里,駛過包括舊金山、底特律和鳳凰城在內的25個城市。
▲消費類App:使用深度學習來推薦影片的TikTok(海外版抖音),每日活躍用戶數比Snapchat和Pinterest用戶加起來還要多。
深度學習需要無限運算能力
雖然硬體和軟體的進步使得AI的培訓費用呈每年下降37%的趨勢,但是AI的市場體量增長的更快,達到了每年10倍。結果就是,AI的總訓練費用不斷增加,遠遠超過了源自硬體、軟體進步所節約的成本。ARK認為,最先進的AI訓練模型的成本很有可能增加100倍,從目前的大約100萬美元提高到2025年1億美元以上。
深度學習正在創造AI晶片的繁榮
▲AI項目的培訓成本之所以從1美元增至1億美元,主要是用在了GPU和TPU這種專用處理器上,它們佔據了絕大多數成本。
▲ARK預計,數據中心在AI處理器上的開銷將增長4倍多,從現在的每年50億美元增長到2025年的220億美元。
▲深度學習的部署階段即將到來,這將大大降低人工智慧的訓練成本,不僅是大型網路公司能夠從中收益,各行各業也都將獲益。
人工智慧正在從視覺領域拓展到語言領域
對於交互式人工智慧來說,2020年是極具突破性進展的一年。人工智慧系統第一次能夠理解和創造語言,精準度之高與人類間的對答無異。相比於早期侷限在視覺領域的AI,如今的交互式AI所需的資源也更多,是前者的10倍。這將在未來數年引發大規模的投資。
Open AI的GPT-3是第一款能夠「理解」語言的人工智慧
GPT-3將「法律術語」翻譯成簡單的英語:
除此之外,GPT-3還可以寫電子郵件、設計網頁、使用多種電腦語言編寫代碼、追溯歷史記錄、翻譯、診斷疾病等等。
深度學習可以比網路創造更多的經濟價值
過去20年裡,網路使全球股票市場的市值增加了13兆美元。而截至2020年,深度學習就已經創造了2兆美元市值了。
ARK認為,在未來15-20年,深度學習將為股票市場增加30兆美元的市值。
在強大的基本面支持下,比特幣價格達到了歷史新高。當比特幣價格不斷刷新歷史高位時,ARK的研究表明,它的基本面仍然健康。與2017年的成交量相比,比特幣的價格上漲似乎不是主要因為天花亂墜的炒作。隨著比特幣獲得了越來越多的信任,一些公司開始考慮比特幣,將其視為類似於現金的資產。
如果標普500中的所有成分股公司都將1%的資產配置比特幣,那麼預計比特幣的價格將增加至4萬美元左右。
隨著基本面獲得更多支持,比特幣價格在2020年臨近年末時率創新高。
市場參與者從未如此長時間地關注比特幣
截至2020年11月,大約60%的比特幣超過一年沒有易手,這證明了市場對它的長期關注程度,以及持有者強大的信念。
比特幣市場和投資者群體似乎逐漸成熟
用於衡量持有人成本基礎的重要指標——比特幣的已實現市值(Realized Capitalization)已經創出了歷史峰值。不斷增加的成本基礎表明,早期投資者獲利越來越多,新進的投資者正在建倉,並且不斷推高價格支撐線。
相比於2017年,圍繞比特幣的炒作更加密集了
隨著比特幣的價格飛漲,網絡上對它的搜尋興趣也隨之大增。當價格創新高時,在google裡尋比特幣相關訊息的數量也創出了歷史新高,達到15%。
比特幣被人接受的程度越來越高,為以太坊打下了基礎,也刺激著其他金融創新迎來一波新浪潮
我們認為,去中心化金融(DeFi)是推動以太坊被人們接受的良性催化劑。通過將以太幣作為「信任最小化」的抵押品,市場參與者可以跳過傳統金融公司這個中介,直接介入金融服務,包括信貸、造市、交易、託管、投資,還能接觸到綜合型美元風險倉口。
比特幣可以作為企業現金發揮關鍵作用
Square和Microstrategy這兩家公司都有投資比特幣,他們示範了上市公司可以配置比特幣,以作為現金的合法替代品。
根據我們的研究,如果標普500中的所有成分股公司都將1%的資產配置比特幣,那麼,比特幣的價格將增加至4萬美元左右。
ARK認為比特幣的高速上漲使得其在機構的資產配置中有了一席之地。我們相信比特幣提供了所有配置資產中最引人注目的風險回報性。研究結果表明,其市值可能再未來5到10年從當前的5000億美元左右擴大到1-5兆美元。我們認為人們應將忽略比特幣所導致的機會成本納入一部分新的投資成本中。
ARK相信在資產配置中,比特幣值得戰略性配置 。相比於其他資產,不受傳統規則約束的比特幣在多元化投資的資產配置中獲得了更多青睞。在過去十年中,比特幣是唯一與其他傳統資產有著較低相關性的投資選擇。
比特幣有著與大型股相媲美的交易量,且交易量仍在以指數級增長。ARK估計,4年內,比特幣的日交易量將會超過美國股市,6年內,將會超過全球外匯現貨市場。
機構投資者能以更多方式獲取比特幣
2020年10月,比特幣未平倉量(open interest)和期貨合約交易在價格商品交易所創下歷史新高,增加近10倍,達到10億美元。芝加哥商品交易所將比特幣融入到已有的金融資產中,為所有風險偏好的投資者開闢了更多機會。
我們相信比特幣已經贏得了多元化投資中重要的地位
▲基於跨資產類別的每日回報分析,比特幣的配置範圍從2.55%-6.55%為最大化回報。
▲在ARK的分析中, 我們模擬了一個Monte-Carlo(編按:蒙地卡羅法,藉由大量模擬樣本,尋求最佳解)—由100萬個投資組合組成的各資產配置組合。如圖所示,在固定的波動水平下,最高效的邊界意味著最高的回報率。星星(stars)表示最大夏普比率(編按:指在承受1%的風險下,能得到多少報酬)和最小波動性。
機構投資對比特幣價格有著實質性的影響
基於ARK的模擬產品組合,2.5%-6.5%的機構型配置會對比特幣價格產生20萬美元到50萬美元之間的影響。
電動車銷售將大幅加速。電動車的售價正逐漸靠近傳統汽車,頂尖企業在研發成本更低、里程更長的電池。根據萊特定律,ARK預計,電動車的銷量將暴增20倍,從2020年的220萬輛左右增長到2025年的4000萬。
阻止這一切發生的最大風險是,傳統汽車製造商能否成功過渡到電動車和自動駕駛領域。無論經濟景氣與否,電動車都佔據了一定的市場份額。在疫情期間,燃油車的銷量減少了,但全球電動車的銷量仍持續增長。
電池成本下降與車輛銷售攀升相當符合萊特定律
根據萊特定律推演,電動車的產量每增加一倍,電池成本下降28%。電池在電動車的總成本中佔了最大的比重。電池成本的下降將進一步縮小電動車與傳統汽車的售價差距。
電動車的定價正逐步接近傳統汽車
擁有一輛電動車的總成本在2019年低於豐田凱美瑞(Toyota Camry),對應的車輛售價可能很快也會如此。
除了成本,電動車在里程和性能上堪比傳統汽車
汽車市場正在由傳統燃油車轉向電動車和自動駕駛。ARK認為,傳統汽車製造商缺乏成功轉型所需的軟體和工程人才。
以今天的電池價格,電動車可以通過集成電池組實現以更低價格達到更遠續航的目標
▲與集成到模塊和組合當中的電池單元相比,集成電池組這種設計將電池的體積密度增加了50%。
▲在量產環節,集成電池組技術將使得電動車製造商能夠降低能量密度、減少單位成本,在同等條件下供應更多電量,從而達到提升續航里程的目的。
▲在相同的電池組尺寸下,擁有集成電池組技術的車輛能夠以更低的價格行駛更遠的距離。
如果傳統汽車製造商順利轉型,那麼全球電動車銷量將從2020年的220萬輛增長到2025年的4000萬輛,增幅達20倍。ARK預計,小型、廉價的「社區電動車」在電動車總銷量中的份額將大幅上升。
“在美国建国的短短232年里,还没有出现另一个像美国这样释放人类潜能的孵化器。尽管有一些严重的中断,但我们国家的经济进步一直是惊人的。我们坚定不移的结论:永远不要做空美国,”伯克希尔·哈撒韦的董事长兼首席执行官巴菲特在公开信中表示。
繼 BurgerSwap 之後,幣安智能合約鏈(Binance Smart Chain)於昨日(15日)啟動了 Bakeryswap、ForTube 2、Cream 三個流動性挖礦項目。意想不到的是,Bakeryswap 的代幣 BAKE 開盤即崩盤,開盤最高價格曾超過 60 美元,之後一路下跌,撰寫本文時,一顆 BAKE 代幣價格僅剩 0.2 美元。
此外,由於參與 Bakeryswap 需要使用到 BNB,因此這幾天市場上多出許多 BNB 的需求,然而,Bakeryswap 開礦後卻大規模下跌,收益率遠低於預期水平,農夫們不想玩了,便紛紛拋售先前為了參與 Bakeryswap 流動性挖礦而購買的 BNB,最終導致 BNB 從 33 美元的高點,快速滑落至 28 美元,跌幅 15%。
對參與 Pool 1 的人而言,須承擔的是 ETH、BTC、DOT、LINK 和 BNB 等代幣的下跌風險,因此,BAKE 代幣崩盤對其而言,只是挖礦收益大幅降低,並不會造成直接虧損,然而,Pool 2 的農夫就沒有那麼幸運了。
所謂的 Pool 2 是指 BAKE-BNB 交易對的資金池。一般來說,Pool 2 挖礦獎勵會比 Pool 1 高出許多,以 Bakeryswap 為例,Pool 2 的挖礦獎勵是 Pool 1 的 3~10 倍。如果 BAKE 不斷上漲,那參與 Pool 2 便能產生相當龐大的收益。但是,當 BAKE 幣價不斷下跌時,Pool 2 中的 BNB 會不斷被人用 BAKE 換走,換句話說參與者抵押的 BNB 會越來越少,變成持有滿手的廉價代幣(BAKE),在這個情況下,農夫不再是農夫,而是接盤俠。
根據中國媒體報導,一位參與 BakerySwap Pool 2 挖礦的網友,進池 1 小時,就虧了 3000 美元。
應該還是要使用資金曲線的moving average來管理策略
還有20%停損機制
另一個策略