一、前言

承接上一回[Day 16] 保守型投资 - 「只买不卖」策略真的赚?，
上次提到「只买不卖」策略的报酬率和定存差不多，
然而可能会有人拿着存摺打我脸：「我明明靠这招存到退休金啊? 在唬烂啊!」，
先别急，容我解释一番，理由很很复杂，这边先不提了，简单来说就是我忘了考虑股利。

如果要把股利的因素放进回测里，最直观的想法可能是：
「在除息日当天，若有持股，则会在付息日给本金相应的股息」
然而很可惜这招会让策略忽略的机会成本的概念，打个比方

台积电在2019年6月24日进行了除息，当天股价为241，股息为每股8元
而在上一个交易日6月21日股价为248.5，
乍看之下在6/21买进的股价较高，然而事实上6/24买进虽省下了248.5-241 = 7.5元，
但是却少赚了股息8元，整体来说还倒赔0.5元。

因此现在的回测分析普遍使用「调整过去股价」的方法，具体作法为：
6/24日股价维持241元，6/21日股价会减去股息，调整後的价格为240.5。
该作法的另一个好处即是让股价正确反映股票价值，
以更极端的拆分为例：
如果今天公司以0.5的比例拆分股票，
则股价的两日价差甚至会直接砍半(因为股票数量加倍，但是股本不变)，
然而该公司的价值并不会因为股票拆分而砍半，砍半的仅仅是每张的股票价值而已，
如果是用调整股价进行分析，则拆分股票的行为并不会对调整股价有所影响。

二、调整股价

股利政策表

url = "https://api.finmindtrade.com/api/v4/data"
parameter = {
    "dataset": "TaiwanStockDividend",
    "start_date": datetime.datetime(2020, 1, 1, 0, 0).strftime("%Y-%m-%d"),
    "end_date": datetime.datetime(2021, 12, 31, 0, 0).strftime("%Y-%m-%d"),
    "data_id": stock_index,
}

data = requests.get(url, params=parameter)
data = data.json()

div_df = pd.DataFrame(data["data"])
div_df = div_df[["CashExDividendTradingDate", "CashEarningsDistribution"]]
div_df = div_df.rename({"CashExDividendTradingDate": "date"}, axis=1)
div_df = div_df.rename({"CashEarningsDistribution": "Dividends"}, axis=1)
div_df = div_df.set_index("date")
div_df

调整股价

调整公式为：
第一次调息因数 = 1 + (股息 / 除息日前一天收盘价)
第一次调整股价 = 除息日原始收盘价 / 第一次调息因数

第二次调息因数 = 第一次调息因数 * (1 + (股息 / 除息日前一天收盘价))
第二次调整股价 = 除息日原始收盘价 / 第二次调息因数

第三次之後的调整以此类推，公式从yahoo finance资料反推而来，

• 为什麽不用yahoo finance的Adj close资料?
  • 因为台股资料有误，有一半以上的股息调整都是错的(少算除息日)。
• 为什麽算出来的资料和yahoo finance不同?
  • 因为公式是近似值，由於小数点问题会有些微差异，如果要求精确值还要继续推，但我今天已经花两小时算数学了。

adj_df = etf50[stock_index].join(div_df)

adj_df["F"] = (1 + adj_df["Dividends"] / adj_df["Close"]).shift(-1)
adj_df["Factor"] = adj_df.iloc[::-1]["F"].cumprod().iloc[::-1].bfill().fillna(1)
adj_df["Adj Close"] = adj_df["Close"] / adj_df["Factor"]
adj_df = adj_df.drop(columns=["Dividends", "F", "Factor"]).dropna()
adj_df

三、参考

• 只有一半的调整公式
• 为什麽需要调整股价
• 完整程序码