本篇是因子投資的「誠實評估」。這個領域存在大量商業利益驅動的宣傳（Smart Beta ETF 廠商、量化基金行銷），把主張和可佐證的證據混為一談。以下逐一拆解。
學術可佐證的部分
✅ 市場溢酬（Market Premium）長期存在
- 佐證：美股 100 年以上的長期數據（1926–今），Damodaran 整理，年化股市溢酬約 6–7%
- 限制：樣本偏差（美股是 20 世紀最成功的市場）；日本、部分歐洲市場的長期回報遠不如此
✅ 動能因子有最強的跨資產、跨市場佐證
- 佐證：Jegadeesh & Titman (1993) 美股原始研究；Asness et al. (2013) 在股票、債券、商品、外匯四個資產類別 + 多個國家均發現動能效應
- 限制：交易成本侵蝕顯著（高換手率）；動能崩潰（2009）損失極大；在新興市場的效應更不穩定
✅ 低波動/低 Beta 異象跨多個市場有記錄
- 佐證：Black (1972) 最早記錄；Frazzini & Pedersen (2014) 系統化全球驗證
- 限制：部分研究指出可被品質因子或規模因子吸收；在高波動環境下可能反轉
✅ 基本面因子（Value, Quality）有長期美股數據支持
- 佐證：Fama-French 三因子/五因子，使用 1926 年以來的美股數據
- 限制：見下方「重大爭議」
重大爭議（誠實評估）
⚠️ 價值因子（Value）：失效還是暫時壓制？
事實：
- 2010–2020 年，美股 HML 持續顯著跑輸（超過 10 年的逆風期）
- AQR 在 2020 年承認這是「歷史上持續時間和幅度最大的 value drawdown」
- 2022 年利率上升後，price-to-book 定義的 HML 反彈，但以替代定義（如 EV/EBITDA）定義的价值因子反彈更強
各方解釋（均未有定論）：
- 暫時壓制（Fama & French 本人的立場）：極低利率使長久期成長股受惠，屬于可預期的因子週期；長期均值應回歸
- 結構性失效（部分批評者）：無形資產（品牌、軟體、數據）在現代企業的重要性大幅上升，傳統 B/M 無法捕捉；科技公司不應被傳統價值框架評估
- 因子擁擠：大量 Smart Beta 資金湧入，壓縮了溢酬
- 數據挖掘（最激進批評）：原始價值溢酬可能本身就高估了，因為學術研究使用的 Compustat 數據截至 1962 年，1963 年前有嚴重樣本問題
結論（客觀）：價值因子的未來仍高度不確定。「暫時壓制」和「結構性失效」都有合理論據，且在事後更容易被回答。任何對其未來溢酬做出強確定性主張的人，都在越過可用證據。
⚠️ 規模因子（Size / SMB）：最弱的經典因子
事實：
- 多個後驗研究（Horowitz, Loughran, Savin, 2000; Hou & van Dijk, 2019）指出美股規模效應在 1980 年後基本消失
- AQR 的回應：「純小型股」確實效應弱，但「高品質小型股（排除 junk small caps）」的規模溢酬在多個市場仍存在
結論（客觀）：作為獨立因子的「規模溢酬」相當弱，在加入品質控制後才更可信。單純持有小型股 ETF 不太可能獲得可靠溢酬。
⚠️ ML/AI 因子挖掘：新工具，老問題
以 quantskills 的 skill-factormad-debate-factor-mining 為例——用 LLM 多智能體辯論從 OHLCV 數據挖掘 alpha 因子。這代表了一種新趨勢：用 AI 自動化因子發現流程。
支持者的論點：
- 能探索人類難以窮舉的高維信號空間
- 多智能體辯論框架能在挖掘階段就引入「懷疑者」
- Cross-validation 和 out-of-sample 測試能防止過擬合
批評者的論點：
- 同樣面臨多重測試問題——AI 只是更快地嘗試更多假設，Type I error 率依然按比例上升
- LLM 的「辯論」不等同於統計顯著性測試
- 若用同一份 OHLCV 數據挖掘和評估，無論自動化程度多高，都存在「in-sample 優化」的風險
結論（客觀）：AI 輔助因子挖掘是工具上的進步，但不能繞過多重測試問題；需要更嚴格的真 out-of-sample（如完全不同的市場或時期）驗證。skill-backtest-overfit 中的 PBO（Probability of Backtest Overfitting）框架是正確的應對方向，但需要研究者紀律執行。
⚠️ 發表後溢酬衰退是系統性現象
McLean & Pontiff（2016）的結果需要嚴肅對待：
- 論文發表前（純粹 in-sample 回測）：平均溢酬最高
- 論文發表後（開始被業界知道）：溢酬平均衰退 26%
- 資金流入後（被大量策略套利）：溢酬再衰退 26%
這意味著即使你找到一個「有學術論文支持」的因子，它的實際可獲得溢酬也已大幅縮水。
相對可信的結論（理性評估）
-
持有市場溢酬（Beta）依然是最有效且成本最低的方式。 所有其他因子帶來的邊際改善都面臨更大的不確定性。
-
動能因子是學術佐證最強的「反 CAPM 異象」之一，但交易成本和尾部崩潰風險必須認真對待。
-
品質因子（高 ROE/ROA、低槓桿）是較穩健的選股篩選條件，但「品質」定義不統一，難以標準化評估。
-
因子分散（持有多個不相關因子）優於單因子集中：即使每個單一因子的溢酬不確定，多因子組合的風險調整後收益在長期數據中更穩定。
-
Smart Beta ETF 的低成本優勢確實存在，但要預期它能「打敗市場」需要謹慎——大部分超額回報的理論基礎本身就有爭議。
→ 下一篇：用 quantskills 工具動手做
來源：
- Fama & French, AQR 研究報告，各期因子數據（附在前幾篇的來源列表）
- Harvey, Liu & Zhu (2016), ”… and the Cross-Section of Expected Returns” — 多重測試校正
- McLean & Pontiff (2016) — 發表後溢酬衰退
- Hou, Xue & Zhang (2020) — 452 個因子複製失敗
- quantskills：
skill-factormad-debate-factor-mining、skill-backtest-overfit - AQR Value 研究：aqr.com — “The Death of Value Is Greatly Exaggerated”（2019）