戴维斯双击背后的故事 - 读《戴维斯王朝》

一、序言


作为一个对炒股知识孤陋寡闻的新手,我最近才听说「戴维斯双击」,于是买了《戴维斯王朝》了解了一下戴维斯本人以及他的成功故事。看完书后,我感觉戴维斯本人还真算是一段传奇经历。


戴维斯的投资回报率和巴菲特对等,他投资生涯起步很晚,30 多岁才靠老婆的 5 万美元的嫁妆作为本金开始投资,最后历时 47 年,把 5 万美元的本金增值到了 9 亿美元,资产增值约 1.5 万倍,年化复利回报率为 23.18%


戴维斯和巴菲特虽然水平很似,但是他们的孩子和孙子却选择了不同的道路。巴菲特的孩子没有选择父辈的职业生涯,但是戴维斯不一样,他的孩子和孙子都在继续从事投资行业。戴维斯的孩子谢尔比掌管的基金,从事的 20 年期的投资,年化复合回报率为 19.9%,而且投资的领域和父亲基本上是不一样行业。书中也介绍了戴维斯的孩子和孙子在投资上的成长故事,其中不乏很多血亏的教训。


所以,我最后的收获到的是一些关于投资和育儿的理念,以下是一些总结,分享给大家。


二、复利


复利是指:当你把投入本金获得的收益进行再投资后,多年以后这种利滚利的效果是非常惊人的。书中用几个故事强调了复利的概念。


故事一:72 法则。72 法则用另一个方式来解释复利。具体来说,当你得到一个投资的回报率数值后,拿 72 除以该数值,就可以快速估算出按照这个回报率算下去,多少年资产可以翻一翻。比如你的投资年化回报率是 10%,则 72/10 = 7.2 年后,你的资产就可以翻一翻。戴维斯 40 多年投资的年化回报率是 23%,所以 72/23 = 3.1,他平均 3 年资产就可以翻一翻。


故事二:有一天,戴维斯的孙子向爷爷要 1 美元买个热狗。爷爷严肃地说:“如果你将这 1 美元进行投资,每 5 年翻一翻(按14%年化收益率计算),那么等你到了我的年纪,50 年之后,这 1 美元就会变成 1024 美元。你现在有这么饿吗?” 这 1 美元的故事教会了他的孩子 3 件事情:1、金钱的价值 2、复利的价值 3、自己有钱的重要性。


复利的核心是每年增长,很多人炒股很厉害,可能刚开始年化收益很高,比如 50%,但是一但某一年亏个 50%,综合下来年化收益就低很多了。比如两年 50% 的收益率,一年 -50% 收益率,1.5*1.5*0.5 = 1.1,3年下来整体收益才 11%,年化收益不到 4%,非常低。所以维持复利很不容易,需要守好安全线。 


三、戴维斯双击


首先解释一下什么是「戴维斯双击」,我们知道:股价(PRICE) = 每股盈利(EPS) x 市盈率(PE)。在不同的阶段,对于同一家公司,市场会给出不同的 PE。


当公司发展好的时候,每股盈利会上升,同时因为大家预期未来还会保持这样的增长率,所以 PE 也会上升。股价就会出现「戴维斯双击」的效应。


举个例子:如果一个公司盈利 1 美元,PE 为 10 倍。如果公司发展很好,盈利提升到 2 美元,这个时候市场预期未来可能保持这个增长,PE 上升为 20 倍。这个时候股价就会从原来的 10 元上升为 40 美元,这就是「戴维斯双击」。


如果公司盈利下滑,同时会造成 PE 下降,就会出现反向的作用,这称为「戴维斯双杀」。


光听这个理论不直观,书中列出了一个具体的案例,我看完还是非常吃惊的。让我们来看下图的例子。


两支股票,一支是利润增速为 30% 的高成长股,另一支是利润增速为 13% 的低成长股。但是一家公司不可能长期都是以 30% 增速一直成长,最后它在第 6 年增速降为 15%,这其实非常合理。


大部分人都喜欢买高成长的股票吧?但是你看,如果你在第2年买入,在增速降下来那年卖出,因为戴维斯双击,当高成长的股票不能维持 30% 增长的时候,它的市盈率也会跟着降,所以如果你最终的年化收益才 6.7%。


而如果你买那支只有 13% 增长,市盈率只有 10 倍的股票,因为它一直稳定增长,最后市盈率还有可能上升到 13。这样 5 年之后可以做到 20% 的年化收益。


640?wx_fmt=png


这个例子对我还是很警醒的,因为互联网行业的股票都是高增长,高市盈率的。如果你把握不好,遇到增长放缓,市盈率降低,就会亏得非常惨。我个人在某支股票上,就交了几万块钱的学费。希望这个例子也能帮到各位关注互联网行业的同行。


四、研究事情的本质


其实投资的收益,来源于对于价值判断与主流判断的差异。如果你和所有人都认为一个东西便宜,那么市场的作用,就会使得这个东西的价格上升到合理的位置。所以,只有当大众都认为一个东西贵,但事实上这个东西其实便宜,而你又发现了这个事实,你才可以挣钱。


要与大众的认识产生差别,就需要独立思考,研究清楚一件事情的本质。并且认知到大众为什么产生了这样的差别,什么时候这种差别可能被消除,这样就可以挣钱了。格雷厄姆也在《聪明的投资者》中说:要获得持续高于市场平均水平的回报,需要投资的标的在华尔街并不风行


从书中,我发现戴维斯就具有这样的研究事情的本质性格。当很多人都不看好保险公司的时候,他发现保险公司其实会在财报中尽可能合规地显示出自己经营得很惨。因为保险会计是为了让政府监管机构满意而设置的,而不是为了向潜在投资者提供信息。就像一个金矿矿工去索赔的时候,特地穿得很破烂,以免引起他人的嫉妒。


戴维斯又很仔细地分析保险公司的投资收益,保单的风险等。然后他把他看得上的美国的保险公司全部投了一遍,之后又把日本的优秀的保险公司又投了一遍。后来,他的收益主要就来自这些公司持续几十年的价值上升。


五、安全边际


一家公司再好,也得价格便宜才行,安全边际很重要。我在这一点上交了不少学费。在书中,戴维斯也会非常注重安全边际,他是这么做的:


戴维斯对于出现的机会采取非公开市场的估值方法进行大致的评估。对于戴维斯而言,他想买的保险公司的股票在他心中的估值,必须远远高于市场给出的价格。


六、如何处理资产和教育孩子


在养育这一点上,戴维斯和巴菲特非常类似,即给予孩子仅仅够基本生活和教育的钱,别的钱都捐掉。因为他们希望孩子在长大成人的时候,具备独立的人格,免于金钱的毒害。戴维斯认为,孩子能够在经济上独立自主,并且量入为出,用自己的余钱进行投资,自己利用复利挣钱,才是最好的教育。


戴维斯因为这个观点,还使得他和孩子们产生了一段被媒体曝光的故事。故事是这样的:戴维斯希望只能孩子仅够基本生活的钱,别的钱都捐掉,所以在 1940 年左右,他给每个孩子办了 4000 美元的信托。结果,这个信托他管理得太好了,20年之后,4000 美元变成了 380 万美元!戴维斯觉得 380 万美元太多了,然后就要求他的孩子把这个钱给捐掉。但是他和孩子沟通得特别不好,结果孩子刚开始没有答应,戴维斯就把这个事情曝光给媒体,把孩子描述成贪图钱财的小人,但他的妻子却站在孩子一边,认为是戴维斯的沟通问题。当时戴维斯已经是名人了,媒体和吃瓜群众也对这种事情怀着八卦的心态。最后经过长久的争吵以及媒体的跟踪报道,最后每个孩子从信托中得到 100 万美元,别的全部交还给了戴维斯。


这件事情也使得戴维斯和他的孩子关系特别差。


全书中有多处细节都显得戴维斯某些时候情商还是偏弱,除了和孩子相处的结果偏差之外,他还因为巴菲特救助盖可保险的价格偏低而抛售了所有盖可保险,这也成为他晚年一直后悔的事情。


七、小结


今年读的第五本书,小结一下:

  • 保持持续赢利,以便复利增长

  • 警惕互联网高增长公司的「戴维斯双击」

  • 研究清楚事情的本质,从认知差异中挣钱

  • 价格很重要,给自己留够安全边际

  • 教育孩子人格独立,别给孩子花不完的钱,够他基本生活就行,更多的钱得他自己挣



图书信息如下


  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值