پرتفوی هوشمند شواب: رویکرد ما به ساخت و ساز نمونه کارها

مقدمه در مقاله قبلی ، ما تئوری و فواید تنوع و همچنین جهان گسترده کلاسهای دارایی را که پرتفوی هوشمند شواب در آن سرمایه گذاری می کند ، توضیح دادیم. این مقاله به ساخت نمونه کارها می پردازد - چگونه می توان این کلاس های دارایی را به شکلی آگاهانه ترکیب کرد. از شرایط مختلف بازار و اعتصاب تعادل مناسب بین ریسک سرمایه گذاری و بازده.

ما یک مرور سریع از چشم انداز و تاریخچه ساخت و ساز نمونه کارها ارائه خواهیم داد و برخی از محدودیت ها و انتقادات نظریه مدرن نمونه کارها را در این راه فراخوانی خواهیم کرد. در این مقاله همچنین چالش های قرن بیست و یکم و واقعیت های جدید بازار برجسته خواهد شد و توضیح می دهد که چگونه اوراق بهادار هوشمند شواب سعی می کند هنگام ساخت اوراق بهادار به این موارد بپردازد.

هری مارکوویتز ، یک تاریخچه مختصر از نظریه نمونه کارها مدرن در سال 1952 ، ابتدا مفهوم تنوع را با عنوان "تنها ناهار رایگان در امور مالی" معرفی کرد. کار مارکوویتز ، که به عنوان پایه و اساس نظریه مدرن نمونه کارها خدمت کرده بود ، نتیجه گرفت که یک سرمایه گذار می تواند با شامل سرمایه گذاری هایی که همبستگی کم با یکدیگر دارند ، خطر کلی یک نمونه کارها را کاهش دهد. 1 کار وی حاکی از آن است که سرمایه گذاران باید پرتفوی را با هدف برای به حداکثر رساندن بازده نمونه کارها مورد انتظار و در عین حال به حداقل رساندن ریسک نمونه کارها پیش بینی شده بسازند. این مفهوم راه را برای تکنیک ساخت و ساز پرتفوی همه جا معروف به "بهینه سازی میانگین واریانس" ، که از روشهای بهینه سازی صنعتی برای یافتن ترکیبی از اوراق بهادار که به هدف گفته شده در بالا می رسند استفاده می کند. خطر ، در زمینه MVO ، با واریانس بازده نمونه کارها اندازه گیری می شود. ریشه مربع این مقدار یا انحراف استاندارد بیشتر در امور مالی به عنوان "نوسانات" گفته می شود (بیشتر در مورد این بعداً).

در سال 1964 ، بیل شارپ بر این مفهوم بنا شد و آنچه را که به عنوان مدل قیمت گذاری دارایی سرمایه (CAPM) شناخته می شود ، معرفی کرد ، که رابطه بین ریسک و بازگشت را توصیف می کند و "بتا" را به عنوان معیار حساسیت به ریسک بازار معرفی می کند. 2 وی نتیجه گرفت که یک سرمایه گذار می تواند بازده مورد انتظار را تنها با ریسک بیشتر بازار افزایش دهد. ماركوویتز و شارپ در سال 1990 به دلیل مشاركت مهم خود در MPT ، جایزه نوبل اقتصاد را به دست آوردند.

نمودار زیر به عنوان "مرزی کارآمد" شناخته می شود و ترکیبات "کارآمد" یا بهینه اوراق بهادار را ترسیم می کند که بازده را برای سطح معینی از خطر به حداکثر می رساند.

نمایشگاه 1: نمونه مرزی کارآمد

نظریه مدرن نمونه کارها در قرن بیست و یکم: MVO چه مشکلی دارد؟در حالی که برخی این یافته ها را در طول سالها به چالش کشیدند ، پس از بحران مالی سال 2008 نبود که شایستگی های MPT به طور گسترده ای مورد سؤال قرار گرفت. منتقدین به ناتوانی MPT در مدل سازی چنین حوادث شدید (به اصطلاح "دم چربی") و افزایش همبستگی بین کلاسهای دارایی در دوره های استرس بازار اشاره کردند.

توجه به این نکته حائز اهمیت است که MPT و فواید تنوع هنوز هم تا به امروز صادق است. تا زمانی که دارایی ها در قفل کامل حرکت نکنند ، بهتر است تمام تخم های خود را در یک سبد قرار ندهید. اما آنچه ما از جابجایی های اخیر در بازار مالی مانند بحران مالی سال 2008 و همه گیر جدید Coronavirus آموخته ایم این است که نحوه مدل سازی و اندازه گیری بازده های مالی و خطرات (و هرگونه مزایایی از تنوع) به طور فزاینده ای مهم است.

بازارهای مالی از دهه 1950 تغییر زیادی کرده اند ، که چالش های جدیدی را ایجاد کرده و برخی از محدودیت ها و ساده سازی فرضیات MPT را در صدر قرار داده است. ما به نوبه خود در زیر می پردازیم و برجسته می کنیم که چگونه رویکرد ما به ساخت و ساز نمونه کارها برای پرداختن به برخی از این چالش های جدید جهان و واقعیت های بازار تلاش می کند.

انتظار می رود که بازده سهام و اوراق بهادار پایین تر از میانگین های تاریخی باشد ، نقطه شروع اکثر فرآیندهای ساخت و ساز نمونه کارها پیش بینی یا برآورد بازده آینده است. باید تأکید زیادی بر برآورد کلمه داشته باشد ، زیرا هیچ کس دقیقاً نمی داند S& P 500 سال آینده چگونه اجرا خواهد کرد (و شما باید نسبت به هر کسی که در غیر این صورت به شما می گوید شکاک باشید). بازارهای مالی پیچیده و در هم تنیده هستند ، ناشی از رفتار انسان است و دائماً در حال تحول هستند - پیش بینی آنها به ویژه در افق های کوتاه ، ذاتاً غیرممکن است. با این حال ، آنچه ما می دانیم این است که پیش بینی میانگین های بلند مدت آسانتر از پیش بینی عملکرد کوتاه مدت است. با پیشرفت در فناوری و بهره وری که منجر به رشد اقتصادی می شود ، تئوری به ما می گوید که طی دوره های طولانی ، بازارها باید بیشتر از پایین آمدن بالا بروند. به همین دلیل است که چارلز شواب و شرکت ، شرکت ("شواب") و پرتفوی هوشمند شواب دیدگاه بلند مدت در مورد بازارها و دفاع از برنامه ریزی مالی و سرمایه گذاری مبتنی بر اهداف و جلوگیری از تمرکز بر عملکرد کوتاه مدت دارند. نمودار زیر این نکته را با نشان دادن دامنه (بهترین و بدترین) میانگین بازده سالانه شاخص S& P 500 از 192 6-2019 نشان می دهد. بهترین بازده سالانه در این دوره 54 ٪ و بدتری ن-43. 3 ٪ بود. 3 دشوار نیست که ببینیم پیش بینی بازده 1 ساله با توجه به اختلاف می تواند دشوار باشد! اگر در عوض ، مثلاً دوره های 10 ساله را نگاه می کنیم: بهترین بازده متوسط سالانه 20. 1 ٪ و بدترین حال ت-1. 4 ٪ است ، دامنه بسیار کمتری و بنابراین پیش بینی بسیار ساده تر است.

نمایشگاه 2: دوره برگزاری طولانی مدت ممکن است سبد سهام متنوع در ریسک را کاهش دهد که توسط شاخص S& P 500 ® (1926-2019) نشان داده شده است

منبع: مرکز تحقیقات مالی شواب با داده های ارائه شده توسط Standard و Poor's. هر دوره تقویم نورد 1- ، 3- ، 5- ، 10- و 20 ساله برای شاخص S& P 500 از سال 1926 تا 2019 مورد تجزیه و تحلیل قرار گرفت. بالاترین و کمترین بازده کل سالانه برای دوره های زمانی نورد مشخص شده برای نشان دادننوسانات بازار. بازده شامل سرمایه گذاری مجدد سود سهام است. شاخص ها بدون کنترل هستند ، هزینه یا هزینه را متحمل نمی شوند و به طور مستقیم نمی توان در آن سرمایه گذاری کرد. برای اطلاعات بیشتر ، لطفاً به schwab.com/indexdefinitions مراجعه کنید. کارایی گذشته ضمانتی برای نتایج آینده نیست. استراتژی های تنوع ، سود را تضمین نمی کنند و در برابر ضرر در کاهش بازارها محافظت نمی کنند.

همانطور که در این مقاله برجسته شده است ، ما همچنین دلایل اقتصادی قوی داریم که باور داشته باشیم که ، پیشروی ، متوسط سهام و بازده اوراق قرضه پایین تر از میانگین های تاریخی آنها خواهد بود. همانطور که مانترا می رود ، "عملکرد گذشته هیچ تضمینی برای نتایج آینده ندارد."صرفاً برون یابی از عملکرد تاریخی بلند مدت سهام و اوراق قرضه برای تخصیص دارایی و ساخت نمونه کارها به جلو کافی نخواهد بود. به همین ترتیب ، پرتفوی هوشمند شواب از بدنه بزرگی از کار که به تخمین بازده بازار سرمایه شواب می رود ، استفاده می کند و به این پیش بینی ها ، بلند مدت ، تخمین می زند تا فرایند ساخت و ساز نمونه کارها ما را آگاه کند.

بازده بازار به طور معمول به هم پیوسته جهانی توزیع نمی شود و سرعت اطلاعات باعث می شود که بازارها به طور فزاینده ای بی ثبات تر شوند زیرا شوک های اصلی حرکت در بازار در سالهای اخیر از نظر تعداد و شدت افزایش یافته است. رویدادهای مالی ، مالی ، سیاسی و همه گیر مانند بحران بدهی اروپا در سال 2010 ، همه پرسی سال 2016 در مورد Brexit و موج مربوط به پوپولیسم جهانی ، همه گیر جهانی Covid-19 و اختلال در زنجیره های عرضه که از سال 2020 آغاز شده است و اخیراً ،2022 درگیری روسیه و اوکراین سرمایه گذاران غیرمترقبه و بازارهای مالی را به خود جلب کرده است.

ناسیم طالب از اصطلاح "قو سیاه" در کتاب پرفروش خود در نیویورک تایمز برای توصیف تأثیر شدید وقایع نادر و غیرقابل پیش بینی استفاده کرد. با توجه به تأثیر بیش از حد رویدادهای شدید می تواند بر اهداف مالی داشته باشد ، از نظر بسیار مهم است که روشهای ساخت نمونه کارها به آن توجه داشته باشند (و تا حد امکان ، مدل) این "دم" یا وقایع نادر.

متأسفانه ، یک فرض ساده کننده ساخته شده توسط MVO (و به طور کلی در کل امور مالی) این است که بازده مالی می تواند به خوبی با توزیع "عادی" زنگ شکل تقریبی شود. این فرض از زمان بحران مالی سال 2008 مورد انتقاد شدید قرار گرفته است ، زیرا به طور تجربی نشان داده شده است که بازده "دم چربی" و "منفی" را نشان می دهد ، 4 پرتفوی ساخته شده بر اساس یک توزیع عادی می تواند هم بروز و هم بزرگی چنین دم نادر را دست کم بگیردمناسبت ها.

به منظور پرداختن به این موضوع ، پرتفوی هوشمند شواب از روشها و فرضیات آماری استفاده می کند که می تواند به اندازه کافی ماهیت مبهم و چربی بازده مالی را نشان دهد. نتیجه یک نمونه کارها است که بر اساس فرضیات واقع بینانه تر در مورد ارزشهای شدید و جابجایی های بازار مالی ساخته شده است (که اکنون باید انتظار می رود یک هنجار باشد). برای نشان دادن این موضوع ، نمودار زیر فرکانس بازده ماهانه S& P 500 را از ژانویه 1926 تا مارس 2020 نشان می دهد. خط قرمز نقطه ای که چگونه یک توزیع "عادی" تقریباً S& P 500 را تقریبی می کند. اگر از نزدیک نگاه کنید ، ممکن است متوجه آن شویداین خط فرکانس بازده منفی بزرگ را دست کم می گیرد (مواردی که در واقع رخ داده اند). خط زرد تقریب "چربی" است که ما برای ساخت نمونه کارها شما استفاده می کنیم-یک فرض بسیار محافظه کارانه تر در مورد فرکانس "Outliers" یا حوادث شدید.

نمایشگاه 4: S& P 500 بازده: ژانویه 1926-مارس 2020

منبع: مشاوره سرمایه گذاری چارلز شواب ، شرکت و Moingstar Direct

نوسانات یک اندازه گیری ناقص از ریسک در یک روش مرتبط است ، روش متعارف "خطر" در MPT اندازه گیری می شود و در کل امور مالی مبتنی بر مفهوم آماری واریانس یا انحراف استاندارد است. شما ممکن است از یک کلاس ریاضی که در دبیرستان گرفته اید به یاد بیاورید که انحراف استاندارد اندازه گیری میانگین انحراف مطلق از میانگین است. 5 نوسانات (انحراف استاندارد بازده) یک اندازه گیری ناقص از خطر در یک زن و شوهر است. برای یکی ، همانطور که قبلاً معرفی شد ، نوسانات بر "وسط" توزیع تمرکز دارد و "دم" را نادیده می گیرد. ما قبلاً در مورد تأثیر فراوان از رویدادهای شدید می توانند در ثروت و اهداف مالی صحبت کنیم. دوم ، نوسانات بالاتر از بازده متوسط به همان اندازه زیر بازده متوسط است. گفت متفاوت ، متقارن است. ممکن است خوب باشد که این دو کاستی را نادیده بگیریم وقتی فرض می شود که بازده از توزیع عادی (متقارن) پیروی می کند ، اما در صورت وجود بازده های چرب و چربی ، به راحتی می توان فهمید که تمرکز فقط روی نوسانات ممکن است کل داستان را بیان نکند.

ما از استفاده از یک متریک ریسک جامع تر و نزولی معروف به "کمبود مورد انتظار" یا "ارزش مشروط در معرض خطر" (CVAR) به عنوان بخشی از ساخت و ساز نمونه کارها استفاده می کنیم. CVAR اندازه گیری اندازه تلفات شدید است ، مواردی که باید به آنها اهمیت دهید. در حالی که انحراف استاندارد اندازه گیری تغییرات معمولی در حدود متوسط است - "سر و صدای" شما باید انتظار داشته باشید. 6

همبستگی ها بیشتر است و تمایل به افزایش در هنگام بحران ها ، همانطور که در این مقاله برجسته شده است ، تنوع فواید قابل توجهی را ارائه می دهد. مزایای متنوع سازی مرتبط با ترکیب دارایی ها در یک نمونه کارها در درجه اول با توجه به اینکه بازده آن دارایی ها از نزدیک نزدیک می شوند ، هدایت می شود. هنگامی که دو دارایی کاملاً با همبستگی مثبت حرکت می کنند (همبستگی 1+) ، هیچ فایده ای برای ترکیب آنها در یک نمونه کارها وجود ندارد. هنگامی که دو دارایی به همان اندازه ریسک پذیر کاملاً منفی هستند (همبستگ ی-1) ، ترکیب این دو دارایی در یک نمونه کارها می تواند به از بین بردن نوسانات کمک کند. همبستگی صفر به این معنی است که این دو دارایی با هم ارتباط ندارند و به هیچ وجه با هم حرکت نمی کنند. در واقعیت ، هیچ دو دارایی کاملاً همبستگی ندارند - هم مثبت و چه منفی - و بیشتر همبستگی ها مثبت هستند. سرمایه گذاران باید از نظر ایده آل با همبستگی کمتری با یکدیگر سرمایه گذاری کنند.

دارایی ها در سالهای اخیر با همبستگی بیشتری پیدا کرده اند. این می تواند به تعدادی از عوامل نسبت داده شود ، اما مطمئناً به دلیل اتصال بیشتر بین بازارهای جهانی است. شرکت های چند ملیتی به حدی گسترش یافته اند که آنچه در اروپا و آسیا اتفاق می افتد بر بازارهای ایالات متحده تأثیر می گذارد و برعکس. بسیاری از شرکت های Fortune 100 در ایالات متحده برای زنجیره های رشد و عرضه به بازارهای نوظهور بستگی دارند و بسیاری از شرکت های خارج از کشور به تقاضای مصرف کنندگان آمریکایی بستگی دارند. علاوه بر این ، تجارت ، تجارت الکترونیکی و اینترنت در حال ایجاد ارتباط بین ارتباط بیشتری هستند.

همبستگی برای چهار کلاس دارایی سهام در سه دوره زمانی مختلف در زیر نشان داده شده است. همانطور که مشاهده می کنید ، همبستگی ها از سال 1995 تا 2000 به طور کلی در حال افزایش است (همانطور که در زیر با افزایش تعداد مربعات قرمز و نارنجی مشاهده می شود). این بدان معنی است که مزایای تنوع با گذشت زمان کاهش یافته است.

نمایشگاه 5: همبستگی کلاس دارایی: 1995-2019

منبع: مشاوره سرمایه گذاری چارلز شواب ، شرکت و Moingstar Direct. به افشای شاخص های پروکسی مراجعه کنید.

نه تنها همبستگی ها بیشتر است ، بلکه می توانند با گذشت زمان متفاوت باشند و از همه مهمتر ، تمایل به افزایش زمان بحران دارند. نمودار زیر همبستگی تخمین زده شده بین سهام ایالات متحده و بین المللی از سال 1972 تا 2020 را نشان می دهد. می بینید که میانگین متوسط بین این دو کلاس دارایی مشابه 0. 63 است ، اما این به طور پیوسته از زمان نوبت هزاره در حال افزایش استدر پی بحران مالی سال 2008 (و متعاقباً در طول همه گیر Covid-19 در سال 2020) به میزان 0. 90 تا 0. 90 رسید.

نمایشگاه 6: همبستگی تخمین زده شده بین ایالات متحده و سهام بین المللی: 1972-2020

منبع: مشاوره سرمایه گذاری چارلز شواب ، شرکت و Moingstar Direct

به طور مشابه ، نمودار زیر برای سهام ایالات متحده در مقابل اوراق قرضه ایالات متحده یکسان است. فرض مشترک در ساخت و سازهای مالی و نمونه کارها این است که سهام و اوراق قرضه با همبستگی منفی دارند (به یاد داشته باشید: همبستگی های منفی چیز خوبی برای تنوع است). با این حال ، این نکته حائز اهمیت است که بسته به مدت زمانی که همبستگی اندازه گیری می شود ، همبستگی سهام/اوراق قرضه می تواند مثبت یا منفی باشد.

نمایشگاه 7: همبستگی تخمین زده شده بین سهام ایالات متحده و اوراق قرضه: 1972-2020

منبع: مشاوره سرمایه گذاری چارلز شواب ، شرکت و Moingstar Direct

چگونه همه اینها با MPT ارتباط دارد و چرا باید مراقبت کنید؟باز هم ، MVO از این نظر محدود است که فرض می کند که همبستگی ها ثابت هستند (و به طور معمول بر اساس میانگین بلند مدت ، به عنوان مثال ، چیزی مانند خط سیاه در نمودارهای بالا تخمین زده می شود). برای ساخت نمونه کارها ، ترکیب همبستگی های پویا در حال تغییر ، به ویژه در شرایط شدید بازار بسیار مهم است. عدم انجام این کار می تواند از نظر مادی ریسک را دست کم بگیرد و هرگونه مزایای درک شده از تنوع را در صورت نیاز به بیشترین نیاز داشته باشد. پرتفوی هوشمند شواب از یک تکنیک آماری به طور فزاینده محبوب و جامع تر شناخته شده به عنوان "کوپلا" برای مدل سازی تغییرات در همبستگی ها ، به ویژه در حوادث شدید استفاده می کند ، و در نتیجه یک نمونه کارها ایجاد می شود که بر اساس فرضیات واقع گرایانه تر و پویا در مورد همبستگی و تنوع ایجاد می شود.

قرار دادن همه قطعات ، پرتفوی هوشمند شواب ، ماهیت در حال تحول در بازارهای مالی و دشواری و بیهودگی در تلاش برای پیش بینی عملکرد کوتاه مدت را به رسمیت می شناسد. ما به جای اینکه فقط به داده های تاریخی یا ورودی های استاتیک تکیه کنیم ، ما یک رویکرد احتمالی یا سناریو مبتنی بر ساخت و ساز نمونه کارها را انجام می دهیم. ما برای شبیه سازی 10،000 تحقق فرضی آینده بازده از فرضیات توزیع چربی استفاده می کنیم و امکان تغییر همبستگی را در این راه فراهم می کنیم. ما از برآوردهای بازار سرمایه رو به جلو خود برای اطلاع رسانی به جهت کلی این بازده های فرضی استفاده می کنیم ، اما رویکرد احتمالی امکان تغییر زیادی را فراهم می کند (سناریوهای خوب و بد).

سپس ، با استفاده از بهینه سازی ریاضی ، اوراق بهادار پیدا می کنیم که در تمام تاریخ های شبیه سازی شده نسبتاً خوب عمل می کنند و ترکیب مناسب بین ریسک بازده و نزولی (CVAR) را پیدا می کنند. فواید چنین رویکردی این است که اوراق بهادار ما با استفاده از فرضیات محافظه کارانه در مورد بازده آینده ، ریسک ، وقایع شدید و همبستگی ساخته می شود. و عملکرد آنها در طیف وسیعی از سناریوها و نتایج فرضی مورد آزمایش قرار می گیرد.

قضاوت خبره مدلهای آزمایش شده استرس ما تحت نظارت دکتری و کارشناسان در مشاوره سرمایه گذاری چارلز شواب ، شرکت است که دائماً در حال بررسی فرضیات ، ورودی ها و از همه مهمتر ترکیب نمونه کارها شما هستند.

نتیجه گیری پیش بینی بازارهای مالی سخت ، شاید غیرممکن است. با این حال ، در طولانی مدت ، نظریه اقتصادی به ما می گوید که بازارها باید بیشتر از پایین آمدن بالا بروند. نظریه مدرن نمونه کارها و بهینه سازی میانگین واریانس نوآوری های زمینی در حوزه ساخت و ساز نمونه کارها بود. اما پایه و اساس تعیین شده توسط MPT بدون ترک نیست. پرتفوی هوشمند شواب تلاش می کند تا برخی از این محدودیت ها را برطرف کند و با انجام فرضیات محافظه کارانه در مورد بازده ، همبستگی و اندازه گیری ریسک ، رویکرد فروتنانه ای در ساخت نمونه کارها انجام می دهد.

1. مارکوویتز ، هری ، "انتخاب نمونه کارها" ، مجله مالی ، مارس 1952. 2. شارپ ، ویلیام ، "قیمت دارایی سرمایه: یک تئوری تعادل بازار تحت شرایط خطر ،" مجله دارایی ، سپتامبر 1964. 3. برایآن کنجکاوی ، بهترین و بدترین بازده سالانه به ترتیب در سالهای 1933 و 1931 اتفاق افتاد ، هم در سالهای رکود بزرگ. 4- از لحاظ آماری ، این به عنوان skewness و Kurtosis شناخته می شود. به تعبیر افراد غیرمستقیم ، این به معنای بالایی از تعداد زیاد ، منفی ، خارج از کشور یا رویدادها است. 5- با توجه به یک سری بازده ، برای محاسبه انحراف استاندارد ، شما می توانید همه اختلافات مربع را از میانگین خلاصه کنید ، بر اساس تعداد بازده های این سری تقسیم شوید و سپس ریشه مربع را بگیرید. این فرمول نامطبوع √ (∑_ (i = 1)^n▒ ((x_i-x ̅)^2)/n) را به خاطر بسپارید؟6. شما همچنین ممکن است به یاد بیاورید که ، تحت یک توزیع عادی ، بازده در یک انحراف استاندارد باید تقریباً 66 ٪ از زمان رخ دهد.

تنوع و استراتژی های تعادل ، سود را تضمین نمی کند و در برابر ضرر در کاهش بازارها محافظت نمی کند. سرمایه گذاری شامل ریسک از جمله از دست دادن مدیر است.

اطلاعات در اینجا فقط برای اهداف اطلاعاتی عمومی است و نباید یک توصیه فردی یا مشاوره سرمایه گذاری شخصی در نظر گرفته شود. نوع اوراق بهادار و استراتژی های سرمایه گذاری ذکر شده ممکن است برای همه مناسب نباشد. هر سرمایه گذار باید یک استراتژی سرمایه گذاری را برای وضعیت خاص خود بررسی کند. داده ها در اینجا از آنچه منابع قابل اعتماد در نظر گرفته می شوند به دست می آیند. با این حال ، دقت ، کامل بودن یا قابلیت اطمینان آن نمی تواند تضمین شود.

شاخص ها بدون کنترل هستند ، هزینه های مدیریتی ، هزینه ها و هزینه ها را متحمل نمی شوند و نمی توان مستقیماً در آن سرمایه گذاری کرد.

نمایشگاه 5 شاخص پروکسی: S& P 500 (سهام شرکت های بزرگ ایالات متحده) ، راسل 2000 (سهام شرکت های کوچک ایالات متحده) ، MSCI EAFE (سهام بین المللی شرکت های بزرگ) و بازارهای نوظهور MSCI (سهام بازار نوظهور).

لطفاً برای اطلاعات مهم ، قیمت گذاری و افشاگری های مربوط به پرتفوی هوشمند Schwab و برنامه های حق بیمه Schwab Schwab Solutions Solutions Solutions Solutions Schwab Solutions Solutions Schwab Solutions Solutions Schwab Solutions Schwab را بخوانید.

شرکت چارلز شواب طیف کاملی از خدمات کارگزاری ، بانکی و مشاوره مالی را از طریق شرکتهای تابعه خود ارائه می دهد. شرکت تابعه کارگزار آن ، Charles Schwab & Co. ، Inc. (عضو SIPC) ، خدمات و محصولات سرمایه گذاری ، از جمله حساب کارگزاری Schwab را ارائه می دهد. شرکت تابعه بانکی آن ، چارلز شواب بانک ، SSB (عضو FDIC و یک وام دهنده مساوی) ، خدمات و محصولات واریز و وام را ارائه می دهد. دسترسی به خدمات الکترونیکی ممکن است در دوره هایی از تقاضای اوج ، نوسانات بازار ، ارتقاء سیستم ها ، نگهداری یا به دلایل دیگر محدود یا در دسترس نباشد.

این سایت برای ساکنان ایالات متحده طراحی شده است. غیر U. Sساکنان مشمول محدودیت های خاص کشور هستند. در مورد خدمات ما برای ساکنان غیر ایالات متحده بیشتر بدانید.

© 2022 Charles Schwab & Co. ، Inc. کلیه حقوق محفوظ است. عضو SIPCدسترسی غیرمجاز ممنوع است. استفاده مورد بررسی قرار خواهد گرفت.