Table of Contents
接續上一篇《因子研究系列｜認識特質波動度，作為投資因子是否具有效性？》，我們已經建立了統計基礎，本文將進一步探討如何將特質波動度（IVOL）有效應用於投資策略設計。
以下將提出兩大類方法：單因子排序策略，以及結合濾網條件的動能策略組合。透過涵蓋台灣股市近二十年的嚴謹回測，實證結果顯示，當 IVOL 作為投資組合的篩選條件，特別是在搭配動能因子時，可有效提升風險調整後的績效表現。
若您還未看過特質波動度的因子分析，請先參考：▶️因子研究系列｜認識特質波動度，作為投資因子是否具有效性？
在前文因子分析中，我們已確認特質波動度在台灣市場具備一定的預測能力與穩定性。本節將進一步根據 IVOL 因子訊號設計交易策略，並透過歷史回測檢視其潛在表現與可行性。
👉延伸閱讀：想建立擬真的交易回測系統？TQuant Lab助你實踐！
為評估特質波動度於實務投資策略中的應用潛力，本文設計兩類型的選股策略，並以歷史回測分析其報酬與風險表現。
第一類為單因子排序策略，分別根據下列三個因子於每月底進行排序：
所有策略於次月初等權配置並每月再平衡，資料來源皆取自 TEJ 因子資料庫。
第二類為濾網強化的動能策略，以 MOM52WH 為主選股因子，搭配 IVOL 與 DP 作為篩選條件，目標為：在維持動能預測力的前提下，提升風險調整後報酬。篩選邏輯源自前述 IVOL 與基本面特徵的實證觀察，特別是高 IVOL 股票通常伴隨較低的現金殖利率（DP），反映其報酬品質相對較差，亦與因子分析中發現的高 IVOL 股票表現劣勢相呼應。
具體策略如下：
值得強調的是，本文未將 MOM52WH 與 IVOL 直接合併為複合因子，而選擇將 IVOL 作為事前風險濾網，乃基於低波動性異象的本質在於「高風險資產的長期劣績」，而非低風險資產本身具備顯著超額報酬（Novy-Marx, 2014）。因此，排除高 IVOL 標的可視為一項風險控制機制，有助於強化動能策略（或其他策略）的穩定性與實務可行性。
Factor Library因子資料庫 – 涵蓋動能、股息率、價值、成長等九大因子分類，高效率實踐因子投資
表一彙整了三項單因子策略（IVOL、DP、MOM52WH）的回測績效表現，圖二則呈現累積報酬率走勢。整體觀察下來，MOM52WH（52 週高點動能）因子表現最為優異，不僅年化報酬達 13.40%，亦擁有最高的 Sharpe（1.087）與 Sortino 比率（1.49），展現出卓越的風險調整後報酬。
相較之下，IVOL 策略雖年化報酬僅 3.57%，明顯低於市場平均，但波動程度明顯較低（年化波動率僅 7.94%），具備明顯的防禦型特徵。其 Beta 僅約 0.3，顯示與市場連動性極低，可視為一種典型的低 Beta 策略，適合風險偏好保守的投資者作為資產配置中的穩健部位。然而，作為獨立選股依據時，IVOL 的報酬潛力相對有限。若未搭配其他因子或進行風險濾網處理，難以穩定產生吸引人的超額報酬。
表一、單因子排序策略之回測績效比較表
| 指標 | IVOL | MOM52WH | DP | Benchmark |
|---|---|---|---|---|
| Annual return | 3.57% | 13.40% | 5.93% | 10.41% |
| Cumulative returns | 99.93% | 1099.27% | 211.92% | 607.56% |
| Annual volatility | 7.94% | 12.27% | 12.96% | 18.02% |
| Sharpe ratio | 0.482 | 1.087 | 0.510 | 0.640 |
| Max drawdown | -38.72% | -37.70% | -50.49% | -56.02% |
| Sortino ratio | 0.635 | 1.490 | 0.670 | 0.887 |
| Alpha | -0.001 | 0.082 | 0.002 | |
| Beta | 0.343 | 0.470 | 0.559 |
圖二、單因子排序策略累積報酬率折線圖
由此可見，IVOL 單因子策略在實務應用上仍具侷限，後續將聚焦於以動能為核心、結合風險過濾機制的多因子策略設計，以提升投資組合的整體穩健性與風險調整後績效。
👉延伸閱讀：較高的Beta值股票填息率較高嗎？防禦型股票填權息探討
為進一步驗證 IVOL 因子的實務應用潛力，本節將其作為動能策略的風險過濾條件，並設計三組濾網強化策略進行測試，包含「IVOL 濾網策略」、「DP 濾網策略」以及「IVOL + DP 雙重濾網策略」。
表三呈現回測期間各策略的績效摘要，圖四則展示各策略的累積報酬率走勢。整體結果顯示，所有濾網強化策略在風險調整後指標上均優於原始 MOM52WH 單因子策略：
表三、濾網強化策略績效比較表（以 MOM52WH 為主體因子，搭配各濾網條件）
| 指標 | MOM52WH | IVOL 濾網策略 | DP 濾網策略 | IVOL + DP 雙重濾網策略 | Benchmark |
|---|---|---|---|---|---|
| Annual return | 13.40% | 12.93% | 15.23% | 15.44% | 10.41% |
| Cumulative returns | 1099.27% | 1004.23% | 1542.76% | 1603.16% | 607.56% |
| Annual volatility | 12.27% | 8.79% | 9.50% | 8.68% | 18.02% |
| Sharpe ratio | 1.087 | 1.428 | 1.540 | 1.697 | 0.640 |
| Max drawdown | -37.70% | -37.81% | -36.75% | -36.72% | -56.02% |
| Sortino ratio | 1.490 | 1.964 | 2.123 | 2.346 | 0.887 |
| Alpha | 0.082 | 0.084 | 0.103 | 0.108 | |
| Beta | 0.470 | 0.390 | 0.418 | 0.389 |
圖四中亦可觀察到，在長期趨勢未明顯弱化的前提下，多項濾網策略的報酬線條明顯更為平穩，回撤風險亦略有降低。
圖四、濾網強化策略與基準策略之累積報酬率折線圖
綜上所述，IVOL 的應用價值並非直接提升預期報酬，而是在於識別與排除風險品質不佳的股票，搭配 IVOL 與 DP 等防禦型濾網條件，可進一步改善動能策略的整體風險特性與累積報酬的穩定性。
本研究以台灣市場為實證對象，探討特質波動度（IVOL）作為投資因子的有效性。在回顧相關理論與過往研究後，本文首先驗證了低波動性異象在台股市場的適用性，並進一步分析 IVOL 與資產報酬間的關聯性。
因子分析結果顯示，IVOL 與未來報酬之間存在穩定且顯著的負向關係，但直接以 IVOL 構建單因子策略時，績效表現相對不佳。相較之下，將 IVOL 作為風險濾網、結合動能因子形成的雙因子策略，在部分設定下可顯著提升風險調整後報酬，顯示排除高波動標的有助於強化投資組合的整體品質。
整體而言，IVOL 雖不適合單獨用作選股因子，但其作為風險過濾條件具備實質價值。此結果與「低波動異象源自高風險股票表現不佳」的觀點相符，也凸顯出因子在投資實務中，除提升報酬之外，在風險控制與組合建構層面亦具備不可忽視的應用潛力。
未來研究可進一步探索 IVOL 與其他風格因子（如品質、盈利能力或價值）之間的交互作用，拓展其在多因子架構下的應用潛能。
透過標準化、系統化與透明的資料服務，TEJ Factor Library 因子資料庫協助使用者從資料取得、因子設計到策略落地，全流程無縫接軌，讓因子投資真正落實於日常操作之中。藉由日常更新的 Point-in-Time 架構、涵蓋九大因子類別與超過百項指標，TEJ Factor Library 因子架構已結合學術理論與台灣市場實務，提供穩健的資料基礎，協助策略回測、投資組合建構與風險管理等各環節。
面對市場不確定性與因子擴張的挑戰，唯有掌握具備可驗證性與高度彈性的資料庫，方能在因子投資浪潮中搶得先機，打造永續且具前瞻性的量化研究生態系。
