回測是必要但充滿陷阱的工具
好的因子回測能讓你在花真錢前篩掉壞信號；壞的回測讓你對偽信號充滿信心。這兩種情況在業界都極為普遍。
陷阱一：前瞻偏差（Look-Ahead Bias）
使用了「那個時間點實際上還不知道」的資料。
常見案例：
- 用財報公佈當天的數字，但財報實際公佈是 2–3 個月後
- 用調整後的收盤價（adjusted for splits/dividends），但調整是事後的
- 用 Point-in-Time 資料庫中有錯誤或遺漏的歷史財務資料
如何防止：只用截至彼時點公開可得的資料（Point-in-Time 資料庫）；在因子計算時加入足夠的資料延遲（reporting lag）。
quantskills 工具：skill-numerical-leak-check——專門檢查時間序列計算中的未來信息洩漏（lookahead/future-leakage detection）。
陷阱二：數據挖掘與多重測試（Data Mining / Multiple Testing）
在同一份數據上嘗試數百個參數或因子組合，任何顯著性結果都是 p-hacking 的產物。
量化描述：若測試 300 個因子，即使全部是隨機噪音，在 5% 顯著性水準下也預期有 15 個「顯著」因子。
Harvey, Liu & Zhu（2016） 建議：在因子研究中應把顯著性門檻提高到 t-stat > 3.0（而非傳統的 1.96），以抵消多重測試問題。（原文）
McLean & Pontiff（2016） 記錄：學術論文發表的因子異象，out-of-sample 表現平均下滑 26%，在論文發表後資金流入該策略後又再下滑 26%。
陷阱三：因子動物園（Factor Zoo）
Cochrane（2011 AFA 主席演講） 警告：學術界累積了 300+ 個「發表顯著」的因子，但其中有多少是真正獨立的信號？
Hou, Xue & Zhang（2020） 在 Review of Financial Studies 的研究：重新檢驗 452 個已發表的因子異象，發現其中 65% 在嚴格的 t-stat 門檻下無法複製。
「Factor Zoo」的成因：
- 發表偏誤（Publication Bias）：顯著結果才能發表，不顯著的「抽屜裡的結果」永遠沒人知道
- 研究者自由度（Researcher Degrees of Freedom）：在哪個時期、哪個市場、用什麼指標定義，每個選擇都增加一層自由度
- 相同底層信號的不同包裝（如動能有幾十種計算變體，本質都是同一件事）
主張（誠實評估）：Factor Zoo 問題嚴重，但部分因子（市場、規模（有爭議）、價值（有爭議）、動能）的學術文獻時間跨越數十年、跨越多市場、有理論支撐，相對可信。
陷阱四：過擬合與樣本外失效（Overfitting & Out-of-Sample Decay）
過擬合的表現：
- 回測 Sharpe 比率遠超 3.0
- 策略在嚴格限制的超參數才有效（如只在某特定 window 期才跑贏）
- 在不同的市場或時期效果完全消失
如何檢測：
- Walk-Forward 測試：只用過去數據訓練，測試期使用未來數據
- Bailey, Borwein et al. (2014) 的「回測過擬合概率（Probability of Backtest Overfitting, PBO）」：根據測試策略數量和時間序列長度，計算「最優策略實際是偽發現的概率」
- Deflated Sharpe Ratio：對 Sharpe 比率做多重測試校正
quantskills 工具：skill-backtest-overfit——檢測回測過擬合和多重測試選擇偏誤（直接使用 PBO 框架）。
陷阱五：交易成本低估
學術論文中的因子溢酬多為理論溢酬（paper returns），現實中必須扣除：
- 交易成本：買賣價差（bid-ask spread）+ 傭金 + 市場衝擊（price impact）
- 稅務：短期資本利得稅（對動能因子影響尤大）
- 融券成本（Short-Selling Cost）：做空小型股或低品質股成本可能高達年化 5–10%，嚴重壓縮多空組合的理論溢酬
Novy-Marx & Velikov（2016） 研究發現：在扣除實際交易成本後，絕大多數高換手率因子的超額回報接近零甚至為負。
陷阱六：因子擁擠（Factor Crowding）
隨著更多資金（如 Smart Beta ETF）配置到同一因子，：
- 因子信號的超額回報被壓縮（套利）
- 擁擠部位在市場壓力時可能同時被拋售，製造因子崩潰（factor crash）
學術可佐證：動能因子崩潰（2009 年 3–5 月）是最著名的案例，崩潰期間多空組合單月跌幅超過 40%。
AQR 定期發佈因子擁擠監測（aqr.com/Insights），但方法論並不完全公開。
陷阱七：因子擇時（Factor Timing）
是否能預測哪個因子將在接下來一段時間跑贏？
主張：有大量研究嘗試用估值（如 HML spread 的歷史百分位）、宏觀環境（利率、景氣循環）預測因子表現。
誠實評估：學術界普遍認為因子擇時非常困難，效果在 out-of-sample 中大幅衰退。多數證據支持「長期分散持有多個因子」優於「動態擇時」。AQR 的研究指出，投資人對因子擇時的信心往往高估了自身能力。
→ 下一篇：客觀檢視：可佐證 vs 爭議
來源：
- Harvey, Liu & Zhu (2016), ”… and the Cross-Section of Expected Returns”, Review of Financial Studies — 原文
- McLean & Pontiff (2016), “Does Publishing Research Destroy Stock Return Predictability?”, Journal of Finance
- Hou, Xue & Zhang (2020), “Replicating Anomalies”, Review of Financial Studies
- Novy-Marx & Velikov (2016), “A Taxonomy of Anomalies and Their Trading Costs”, Review of Financial Studies
- Bailey, Borwein et al. (2014), “The Probability of Backtest Overfitting”, Journal of Computational Finance
- quantskills：
skill-backtest-overfit、skill-numerical-leak-check