L&G ROBO Global Robotics and Automation UCITS ETF (ROBG.L) Коэффициент Сортино: 2.08
Коэффициент Сортино ROBG.L равен 2.08, что означает, что на каждую единицу волатильности убытков он генерирует 2.08 единиц избыточной доходности. Коэффициент рассчитывается на основе дневных доходностей за последние 12 месяцев (по состоянию на 2 апр. 2026 г.).
В отличие от других показателей, коэффициент Сортино фокусируется исключительно на волатильности убытков, что делает его особенно полезным для инвесторов, заботящихся о защите от просадок, а не об общей волатильности.
Ранг коэффициента Сортино ROBG.L
ROBG.L опережает 77.6% всех инвестиций в нашей базе данных по коэффициенту Сортино за последние 12 месяцев, демонстрируя доходность выше среднего относительно принятого риска убытков. Ценные бумаги ранжируются от 0 (худший) до 100 (лучший).
Что влияет на ранг
- Высокая доходность с низкой волатильностью убытков → Более высокий ранг
- Серьезные или частые просадки → Более низкий ранг
- Волатильность роста → Не влияет (учитывается только волатильность убытков)
Как использовать эту информацию
- Защита от убытков выше среднего с потенциалом для улучшения
- Сравните с аналогами в категории для оценки относительного положения
- Отслеживайте движение к верхнему уровню или снижение к медиане
- Рассмотрите комбинирование с инвестициями верхнего уровня для улучшения профиля риска портфеля
Позиция ROBG.L на рынке
График показывает коэффициент Сортино ROBG.L относительно всех ETF на нашей платформе, с цветовыми зонами, указывающими на перцентильные ранги. Более высокие коэффициенты указывают на лучшую доходность с поправкой на риск убытков.
- Красная зона (нижние 25%): 0.81 или ниже
- Желтая зона (средние 50%): от 0.81 до 2.03
- Зеленая зона (верхние 25%): 2.03 или выше
- Топ 1% (99-й перцентиль): 9.83+
- Медиана (50-й перцентиль): 1.44 — половина всех инвестиций имеет более высокий показатель
Сравнение с другими аналогичными ETF
Таблица сравнивает Коэффициент Сортино L&G ROBO Global Robotics and Automation UCITS ETF с другими ETF в категории Technology Equities за несколько временных периодов, показывая, как доходность ROBG.L с поправкой на риск убытков соотносится с аналогичными фондами.
Данные показывают периоды в 1, 5 и 10 лет, а также средний показатель каждого фонда за все время, по состоянию на 2 апр. 2026 г..
| Инструмент | Название | 1Y Коэффициент Сортино | 5Y Коэффициент Сортино | 10Y Коэффициент Сортино | All Time Коэффициент Сортино |
|---|---|---|---|---|---|
| HNSS.L | HSBC Nasdaq Global Semiconductor UCITS ETF | 3.44 | |||
| SMGB.L | VanEck Semiconductor UCITS ETF | 3.15 | |||
| KARP.L | KraneShares Electric Vehicles & Future Mobility ESG Screened UCITS ETF USD | 2.37 | |||
| DRVG.L | Global X Autonomous & Electric Vehicles UCITS ETF USD Distributing | 2.29 | |||
| ECAR.L | iShares Electric Vehicles and Driving Technology UCITS ETF USD (Acc) | 2.11 | |||
| INTL.L | WisdomTree Artificial Intelligence UCITS ETF - USD Acc | 2.10 | |||
| ROBG.L | L&G ROBO Global Robotics and Automation UCITS ETF | 2.08 | |||
| IAIX.L | Invesco Artificial Intelligence Enablers UCITS ETF Acc | 1.97 | |||
| ARKI.L | ARK Artificial Intelligence & Robotics UCITS ETF Class A USD Accumulation | 1.93 | |||
| XLKS.L | Invesco Technology S&P US Select Sector UCITS ETF Acc | 1.88 |
Исторические показатели коэффициента Сортино
График показывает скользящий коэффициент Сортино ROBG.L во времени в сравнении с выбранным бенчмарком. Восходящие тренды указывают на улучшение доходности относительно риска убытков, в то время как нисходящие тренды могут сигнализировать об ухудшении показателей с поправкой на риск или повышенной волатильности во время рыночного стресса. Используйте различные временные периоды, чтобы отличить краткосрочные колебания от долгосрочных паттернов.
Выявляйте рыночные циклы, наблюдая, когда ROBG.L стабильно опережает бенчмарк (линия выше бенчмарка), отстает (ниже бенчмарка) или движется близко к бенчмарку.
Загрузка...
Explore ROBG.L risk-adjusted metrics in detail
Dive deeper into individual metrics with historical trends, benchmark comparisons, and performance across different time periods.