你要「一輩子 賺一千萬」還是「一天 賺一百萬」?有錢人 想的是「報酬效率」而不是「絕對報酬」!

牧清華

牧清華

  • 2016-08-09 17:06
  • 更新:2021-02-05 17:19

投資報酬率

 

【我們想讓你知道】

賺了 1000 萬和賺了 100 萬,你覺得哪個比較厲害?大部分人都會說是賺了 1000 萬比較厲害,可是假設這 1000 萬,是花了一輩子賺的,而 100 萬是花了一天賺的,大家反倒會說是賺了 100 萬比較厲害。其實,這就是「報酬效率」的問題,就讓理財專家用實際的數據,來告訴你,有錢人的思維模式!

 

本文目錄:

 

文 / 牧清華

 

在電影鋼鐵人 3 裡,Tony 製造了一整排的鋼鐵人,每隻鋼鐵人因應各種作戰情況各有功能,Tony 只需決定派遣多少隻鋼鐵人出去應戰就好,Tony 絕不會把手上所有的鋼鐵人都派出去,即使這樣做是戰力最強。而是在完成任務最有效率的情況下,派出「部分」最適合的鋼鐵人,這其實就是 槓桿空間模型的想法,你追求的報酬率,真的讓你賺最多錢嗎?

 

一輩子賺了一千萬 v.s. 一天賺了一百萬,到底哪個厲害?

雖然之前我已經介紹過,但這篇我們用另個觀點(報酬效率)去解釋,一輩子賺了一千萬 v.s. 一天賺了一百萬,投資是賺了 1000 萬比較厲害?還是賺了 100 萬比較厲害?大部分人會同意賺了 1000 萬比較厲害,可是如果 1000 萬是花了一輩子賺的,而 100 萬是花了一天賺的,那我想大家會反過來說一天賺了 100 萬比較厲害!

 

大部分人追求【絕對報酬】

也就是如何賺到最多錢?說真的,把身家財產全部壓一個價外買權或賣權,然後押對行情一天翻個 30 倍 50 倍賺最快,但是可能? 有可能!機會大嗎?很小!這樣做的結果無疑是忽略了風險,忽略了這是個機率的世界,更重要的是忽略了要用多久的時間賺到?換句話說,賺錢的效率其實更為重要。我們在做最佳化,其實最重要的不是最佳化絕對報酬,而是最佳化策略的穩定度、獲利的效率,或著說是利潤和風險比值的最佳化,為何需要投資多商品多策略多市場?我在前面文章裡已經介紹過何謂槓桿空間模型(Leverage Space Model)。簡單的說,將資金分散在多市場、多商品、多策略,使得在最佳化的前提下,資金使用效率最大而這個理論,也可以用報酬效率去詮釋。舉例來說:考慮勝率 50% 賠率為 2 的賭局,只玩 1 場連續 40 次,跟同時玩 2 場連續 40 次的差別如下:

  1. 玩一場賭局 40 次的期望報酬:[(1+2f)^20] * [(1-f)^20],最佳 f 為 25%,期望報酬可達 10.5 倍。
  2. 玩兩場賭局40次的期望報酬:[(1+4f)^10] * [(1+f)^20] * [(1-2f)^10],最佳 f 為 23%,期報酬可達 90.17 倍。

 

時間是獲利最佳助選員

「玩一場」 跟 「同時玩兩場」,報酬差了快 9 倍,時間絕對是獲利的最佳助選員。已上的結果,你可能會覺得不公平,同時玩兩場 40 局,實際上是玩了80場,怎麼可以拿來跟只玩 1 場 40 局做比較?沒有錯! 同時玩兩場連續 40 次的報酬,比的應該是只玩一場賭局連續 80 次的報酬,而連續玩 80 次的報酬為:[(1+2f)^40] * [(1-f)^40],最佳 f 為 25%,期報酬為 111.19 倍,還勝過同時玩兩場連續 40 次的 90.17 倍。

 

以上的計算結果證明:

時間累積的威力實在不容小覷,但重點是,若只給你 40 場賭局的時間,你要如何達到最大報酬?這才是現實人生下的處境。我們追求要是「報酬效率」,理論上,我們可以在無限時間內,追求無限報酬,只要時間夠長,路一定走的到,但人生是有限的,交易次數也是有限的,有了時間在分母這個因素後,我們追求的是「報酬效率」,而不是「絕對報酬」。

 

什麼是「報酬效率」?

講白點...就是賺錢的速度啦! 在「資金成長最佳化」的前提下,只有同時多商品、多市場、多策略,才能允許你使用較多的資金下去博輸贏,這點在後來的另篇文章裡(資金操爆秘訣大公開),我計算出 n 場賭局,可以使用到多少最佳比例資金。我們可以看的出來,一場勝率 50% 賠率是 2 的賭局,你就是只能用 25% 的資金,用再多不會賺更快,但同時玩兩場就不同了,你「有權力」可以使用 46% 的資金(各壓23%),就像派出較多的鋼鐵人出去打仗,幫你賺更多的錢回來!但記得,這是在有限的時間內效率的最佳化!

 

趁早理財,早日財富自由:

 

本文由 畢圖誌-牧清華 授權轉載,原文於此
(圖:shutterstock,僅示意  / 責任編輯:Ting;內容純屬參考,並非投資建議,投資前請謹慎為上)

牧清華

牧清華

數理背景出身、資訊博士畢業,熱愛鐵人三項,醉心期權交易。

數理背景出身、資訊博士畢業,熱愛鐵人三項,醉心期權交易。