我的知識庫

實務落地與風險

閱讀時間約 6 分鐘

三條落地路徑

路徑一：Smart Beta ETF（最低門檻）

把學術因子包裝成可交易的 ETF，透明規則、低費率、無需自行回測。

代表產品（美股）：

  • 價值：iShares MSCI USA Value Factor ETF（VLUE）；Vanguard Value ETF（VTV）
  • 動能：iShares MSCI USA Momentum Factor ETF（MTUM）
  • 品質：iShares MSCI USA Quality Factor ETF（QUAL）
  • 低波動：iShares MSCI USA Min Vol Factor ETF（USMV）
  • 多因子：iShares MSCI USA Multifactor ETF（LRGF）；Dimensional Fund Advisors（DFA）基金

費率比較：

  • 被動市值加權（SPY）：0.03%
  • Smart Beta ETF：0.15–0.40%
  • AQR 等主動量化基金：1–2% + 業績提成

主張（需要查核）：ETF 廠商的行銷材料幾乎全部使用回測數據，且多為 in-sample 或短樣本。購買前應查詢：

  • 策略的設計日期 vs 回測開始日期（是否有 look-ahead？）
  • 實際成立後的 live performance vs 回測有多大差距？

路徑二：自建因子策略（中等門檻）

使用 quantskills 這類工具，自行構建、回測和執行因子策略。

成本與技能要求：

  • 需要程式能力（Python 為主）
  • 需要資料費用（Pandadata 等 A 股數據源；美股可用 CRSP、Compustat 或 Quandl 替代）
  • 需要自行處理訂單執行、風控、再平衡

quantskills 給出的 A 股起步點：

  1. 從 skill-pandadata-warehouse 建立本地數據倉庫
  2. 選擇 skill-quant-factor-volume-stat-alpha / skill-fundamental-factor-analysis 等因子庫
  3. 用 skill-factor-evaluate + skill-ic-analysis 評估候選因子
  4. 用 skill-factor-orthogonalize 正交化、skill-factor-blend 混合
  5. 用 skill-backtest 標準協議回測，skill-backtest-overfit 檢查過擬合
  6. 用 skill-risk-model + skill-portfolio-optimize 做組合層風控

路徑三：理解框架用於選股篩選（零程式門檻）

即使不跑任何程式，理解因子投資的框架也有用：把「價值 + 品質 + 低波動」作為篩選條件，比純粹的故事選股更有系統性依據。

這正是 Serenity 選股策略 的本質——他把「瓶頸壟斷」理解為一種「稀缺性品質因子」，集中押注少數標的。與因子投資的分散多因子思路是截然不同的風格取向。

重要風險與限制

容量（Capacity）限制

  • 小型股和低流動性股票的因子溢酬往往最高，但「可放入的資金量」（strategy capacity）極低
  • 大型基金反而只能在大市值、高流動性股票上交易——而這些股票的因子溢酬往往最小
  • 個人投資者在容量上有天然優勢：能進出小型股而不影響市場

因子擁擠（Factor Crowding）風險

當大量資金追逐同一因子，兩個危險同時出現：

  1. 溢酬被壓縮：越多人做同一事，套利空間越少
  2. 同步出清：在市場壓力下，持有相同因子的基金同時贖回 → 集中拋售 → 因子崩潰

A股特別注意：龍虎榜追蹤、北向資金跟蹤等策略有類似的擁擠風險，agent-crowding-risk-monitor 是 quantskills 中專門監測此類風險的工具。

模型風險（Model Risk）

所有因子模型都是對現實的簡化。市場結構改變（如：指數化程度提升、做市商撤出、監管政策改變）可能讓原本有效的因子失效。

稅務（Tax）影響

  • 動能因子的高換手率 → 大量短期資本利得（稅率更高）
  • 在台灣：證券交易稅 0.3%（每筆）；長期資本利得目前免稅，但短期大量交易可能被視為「營業所得」
  • 在美國：short-term capital gains 按一般所得稅稅率課稅

實務建議（理性基準）

  1. 先用低成本被動基金覆蓋市場溢酬，這是最有確定性的部分。

  2. 因子配置量力而為：如果你接受「未來 10 年有一個因子可能持續跑輸 50%+」的心理壓力，才適合配置单一因子敞口。大多數投資者對因子逆風的忍耐度遠低於其自以為的程度。

  3. 成本是最確定的變數：因子溢酬不確定，交易成本和費率是確定的。費率差異（0.03% vs 0.5%）長期積累下來不可小覷。

  4. 自建策略要先過「過擬合」關：用 skill-backtest-overfit 的 PBO 框架評估，不要相信沒有嚴格 out-of-sample 測試的漂亮回測曲線。

  5. 多因子比單因子更穩健：歷史上不同因子的相關性較低，組合有分散效果——但不保證未來相關性不會在危機時急升。

回到起點：因子投資研究 Hub

來源：

  • AQR 實務研究：aqr.com/Insights（含多篇因子擁擠、容量、實際成本的研究）
  • Ilmanen (2011), Expected Returns（Wiley；因子投資實務最全面的教材）
  • quantskills：agent-crowding-risk-monitor、skill-portfolio-optimize、skill-risk-model
  • Dimensional Fund Advisors 學術研究：dimensional.com/resources

反向連結