股票投資要看費半嗎?費城半導體指數簡介和分析

股票投資要看費半嗎?費城半導體指數簡介和分析

費半指數近十年績效

費城半導體指數(PHLX Semiconductor Sector Index)簡稱費半,是美國股市的一個知名的產業指數,收錄在美國股市上市,經營半導體製造、配銷、設計、銷售的重要公司。被列為美股四大指數之一。

費半指數的知名度雖然不及道瓊工業指數S&P500納斯達克指數等,而且這類單一產業指數,一般在指數化投資不太會使用,但不少投資台股的人,認為它與和台股走勢相關,因此常會關注此指數,本文即簡介這個指數,並探討它和台股是否有明顯的相關性。

一、費城半導體指數簡介:

費半指數最初由費城交易所製定,始於1993年12月,當時原本基準點數為200,但後來到1995年時指數作了切分,所以回溯一開始的點數改為100。目前(2019年10月8日)股價指數已達到1514點。

2007年時,費城交易所被納斯達克買下,該指數改由納斯達克管理至今,但名稱未改變。

費城系列的指數,目前除了較有名的半導體指數之外,尚有其他產業別,如油業(PHLX Oil Service Sector Index)、金銀(PHLX Gold/Silver Sector Index) 等指數,但知名度較低,也缺少可以投資的工具。

二、費半指數成分股收錄標準:

費城半導體指數成分股的主要收錄標準包括:

1、在美國主要交易所上市的普通股、ADR或是有限合夥公司(Limited Partnership)
2、根據行業分類標準(ICB),分類號為9576,即半導體製造、配銷、設計、銷售的公司。
3、市值超過1億美金。
4、過去半年成交量在150萬股以上。

三、費城半導體指數更新和加權方式:

費半會依照前述標準,於每年9月評價更新一次成分股,取符合上述條件,市值前30的股票納入指數。

指數基本採用在外流通市值加權,但會加以調整,每季會平衡調整一次。調整之後,任一成分股不超過8%,而且依此規定而到達8%的成分股不能超過5支,前5大成分股以外(第6大之後)的成分股被限定(在前幾成分股多的部分分配之後)不能超過4%。

目前指數中絕大多數都是在納斯達克上市的美國公司,唯一只有台積電ADR是在紐約證交所上市的非美國公司。

實際上台積電在所有費半成分股中,公司總市值最高(目前佔比最高的Nvidia輝達,到2019年10月8日時,總市值為1079億美元,還不到台積電總市值2328億美元的一半),但因為指數加權時,只計入在美國ADR的流通市值,所以實際上在指數中佔比目前只排名第6,而且因為前述的第6大持股之後的加權規則,目前只佔大概4.3%左右(定期調整之後又大漲,所以能超過4%)。

四、費城半導體指數的ETF:

目前追蹤費半指數的ETF有兩支:

(一)iShares PHLX Semiconductor ETF(SOXX):於美國上市的唯一ETF,費用率0.46%,交易量還不差。

(二)國泰美國費城半導體指數基金 (00830):今年於台股上市的ETF,依目前規模,經理費0.45%、保管費0.11%、指數授權費0.05%,掛牌費約0.015%,因為是今年上市ETF,實際總費用率不確定。

五、費城半導體指數是是觀察台股的好指標嗎?

費城半導體指數代表美國半導體業,並且包括台積電在內,而以台積電為首的電子業又是台股的龍頭,所以很多人會拿費城半導體指數當作台股的指標。

我們實際來看二者的相關度,並和其他相關指數作比較:

以下使用Portfolio  Visualizer檢視代表台股的EWT(使用美股的ETF讓匯率因素相同)和代表費城半導體的SOXX兩支ETF的每月績效相關度,時間為2002年-2019年(SOXX成立於2001年7月。並且納入TSM(台積電ADR)、QQQ(納斯達克指數)IVV(代表美國大型股S&P500指數)一起比較。

EWT SOXX TSM QQQ IVV
EWT 0.66 0.74 0.69 0.71
SOXX 0.66 0.76 0.88 0.79
TSM 0.74 0.76 0.69 0.65
QQQ 0.69 0.88 0.69 0.89
IVV 0.71 0.79 0.65 0.89

由上表可得知,台股(EWT主要是大型和中型股,可參見這篇文章)和費半指數雖然有相關度,但僅為0.66,還不及台股和納斯達克指數的0.69,以及台股和S&P500指數的0.71。因此如果想要從美股看台股,用S&P 500指數或整體美股(如果改用美國全市場的VTI相關度會變0.72)會更為有效。

不過如果只看台積電本身,因為作為半導體產業,則和費半指數的相關度較高,達0.76,而台積電與台股的相關度為0.74。

ffaarr的粉絲專頁

想要更即時的股市投資資訊?快追蹤股癌粉專

更多投資股票資訊請參考:

Gooaye AI 推薦閱讀機器學習中: