美股最近跌的慘慘慘，又到了聖誕假期，剛好又休市。我們當然趁現在來研究美股大跌時，要如何來投資，才是最佳的選擇呀！今天要介紹 VIX，以及查看 VIX 如何幫助我們做美股長期投資。

什麼是VIX

首先，究竟是什麼是 VIX 呢？VIX 是一個預估 12 個月的波動程度，假如市場上的不確定因素越高，代表將來的股價會有非常高的不確定性，則 VIX 越高，假如市場普遍穩定，則 VIX 就會比較低。通常 VIX 大概會在 15 附近，當大家極度恐慌時（例如恐怖攻擊、金融海嘯等），VIX 會急速跳動到 30～50，然後再緩和下來。

更嚴謹的數學公式以連結的方式讓大家參考

於是有人就說可以參考 VIX 非常高的時候，當作是買點進行買入。今天我們就用 python 來試試看是否有用？

獲取歷史資料

取得歷史資料的方式非常簡單，可以到「芝加哥期交所」官網來下載 S&P500歷史資料，還有VIX歷史資料，將下載下來的 csv 檔放在資料夾中，就可以開始今天的實驗了！

1. 利用pandas匯入歷史資料

首先，我們可以使用 pd.read_csv() 這個函示來匯入歷史資料如下：

      
        顯示程式碼
        
      %matplotlib inline
import pandas as pd
 
vix = pd.read_csv("vixcurrent.csv", header=1, index_col='Date', parse_dates=['Date'])
vixc = vix['VIX Close']

VIX 歷史資料走勢圖

其中，header=1 是指從第一行是 column 的名稱。index_col 是將指定的 column 轉換成 index，最後，parse_dates 是將指定的 column 轉換成 datetime 的格式。

再來，也是用類似的方法將 SPX 的指數給拿出來：

      
        顯示程式碼
        
      b = pd.read_excel("dailypricehistory.xls", header=4)['SPXSM']
b.index = pd.to_datetime(b.index, errors="coerce")
b = b.reindex(vixc.index)
b = b.dropna()
b.plot()

SP500 大盤指數歷史走勢圖

不過我們使用了一些額外的 code，來稍微處理一下大盤指數，其中 b.dropna() 是將冗餘的資料去掉，另外，使用 b.reindex() 是因為，我們希望 vixc 跟 b 的長度是一樣的，每一天的 index 是對齊的。

大盤歷史績效分析

接下來我們希望可以分析美股 SP500 的年報酬指數，我們可以這樣寫：

      
        顯示程式碼
        
      (b.dropna()[-1]/b[0]) ** (250/len(b))

其實公式就是：

年化報酬率計算公式

但由於我們要算年報酬，還要進一步修改，ndays 就是所有的歷史報酬天數，其中的 250 是一年的交易日估算。

從下圖可以看出，大盤的平均年報酬率大概是 6％左右。

大盤平均年報酬率計算結果

VIX大於40，買入一年大盤能賺錢嗎？

接下來，我們來看當 VIX 大於 40 的當天，買入大盤並持有 250 天，會發生什麼事情呢：

      
        顯示程式碼
        
      # vix 大於 th 時，進行買入
th = 40
# 持有 days 天
days = 250
 
# 當天是否買入
buy = (vixc > th)
 
# 確保最近三十天並沒有buy發生，才是需要買入的訊號
buy &= (buy.shift().rolling(30).mean() == 0)

最後一行值得一提，因為其實 VIX 大於 40 後，有時候會常常飆高，但其實我們是希望 VIX 突然飆高的第一天，而不是變低後 39，然後又飆高到 40 以上，這種訊號不是我們需要的，所以利用上方的最後一行代碼進行過濾。

繪圖

將買點給畫出來：

      
        顯示程式碼
        
      b.plot()
buy.astype(float).plot(secondary_y=True)

VIX 大於 40 的買入訊號標示於大盤走勢圖

報酬率計算

接下來我們就來計算，當我們使用這個邏輯進行買賣時，效果如何：

      
        顯示程式碼
        
      # 當天收盤價
price_begin = b[buy]
 
# 隔250天後 的收盤價
price_end = b.shift(-days)[buy]
 
# 報酬率計算
ret = (price_end/price_begin)

VIX 大於 40 買入持有 250 天的報酬率結果

我們可以發現報酬率滿不錯的，唯一一次沒有賺錢，是在 2008 年金融海嘯那次，我們可以將報酬率畫出來，方便大家理解

持有250天的報酬率

接下來我們可以將這四次持有 250 天的大盤報酬曲線畫出來，橫軸為時間，會得到很有趣的結果：

      
        顯示程式碼
        
      import matplotlib.pyplot as plt
 
def normalize(s):
    return s / s[0]
 
for d in ret.index.dropna():
    plt.plot(normalize(b.loc[d:].head(250).values))

四次買點持有 250 天的大盤報酬曲線比較圖

這張圖中藍色的為金融海嘯，所以當買入時，還跌了一段，還是賠了 40％的資產，非常的恐怖…。可見這種方法還是不能亂用。

另外更有趣的是，紅色跟藍色的大盤趨勢非常像，而綠色跟橘色也很類似，感覺大盤的變化隨時間是有規律的。

優化策略

接下來，我想要進行一個小修改，因為 VIX 是市場恐慌的程度，VIX 高代表市場可能過於悲觀，但是不代表悲觀已經結束了，所以 2008 年的 VIX 才會噴到將近 50 左右的位置，所以我們不應該在 VIX 噴發時投資，應該要等它降溫時，投資會比較好，所以新的策略邏輯如下：

VIX 近120天超過40
VIX 當天降到了30

      
        
        顯示程式碼
        
      
      th = 40
days = 250
 
buy = (
    ((vixc > th).rolling(120).sum() > 0) &
    (vixc < 30)
)
 
buy &= (buy.shift().rolling(30).mean() == 0)
 
price_begin = b[buy]
price_end = b.shift(-days)[buy]
ret = (price_end/price_begin)#.groupby(price_begin.index.year).first()
ret
    

優化後策略買入持有 250 天的報酬率結果

我們發現，這四次的買點都是有獲利的，且大於平均年報酬率(6％)，說明了這可能是比較好的投資方法。然而取樣的點非常少，才 4 次，所以也有可能只是運氣好而已，過去不等於未來，投資風險就請大家自行斟酌囉！

相信大家可以用類似的方式，找到更好的投資方式喔！快來試試看吧～

優化後策略四次買點持有 250 天的大盤報酬曲線圖

VIX 美股大跌投資法：用 Python 實作回測恐慌指數抄底策略