Table of Contents
在許多動能策略投資人的經驗中，都會遇到類似情境，依照過去報酬率排序買進強勢股，回測表現亮眼，但實際操作卻常出現追高波動後回檔的結果。例如，一檔股票短期上漲 30%，卻因劇烈波動而快速回吐；相對地，另一檔僅上漲 10%，但走勢穩定且延續性更高。傳統動能策略往往偏好前者，卻忽略了風險差異，導致績效不穩定甚至回撤放大。
在這樣的背景下，2025 年 Tom Burdorf 在《Learning to Rank : Enhancing Momentum Strategies Across Asset Classes》指出，單純依賴報酬排序容易高估高波動資產，因此需要同時納入風險的衡量方式。由此延伸出的波動率調整截面動能（VAM），將報酬標準化為風險調整後的強度，使比較標準從「誰漲最多?」轉變為「誰在承擔較低風險下仍能持續創造報酬?」。
本文以 VAM 策略作為研究研究主體， 使用 TQuant Lab 對台股大型權值股進行每月選股。 建立台灣中型 100 指數成分股持股集合，並在成交量前100名中，挑選 VAM 排行前 10 名執行等權重持有，最後回測該策略於 2020-2024 期間能否持續創造報酬。
本研究採用專為台股開發的 TQuant Lab 回測系統，透過與 TEJ API 深度整合，大幅提升因子運算與數據整併效率。
本策略以近 21 個交易日累積報酬衡量短期價格動能，並以同期日報酬標準差進行標準化，建構波動率調整後動能指標（VAM）。此設計旨在區分穩健趨勢與高波動雜訊，使因子更偏向反映具持續性的價格延續效果，而非短期劇烈波動所造成的假性動能。
在選股架構上，以台灣中型 100 指數作為投資母體，並加入成交金額作為流動性篩選條件，以確保投資標的具備足夠市場深度與流動性。組合構建方面，每日更新 VAM 排名，自合格股票中選取前 10 名標的，並採等權配置，以降低個股特定風險並強化因子曝險一致性。
再平衡機制採每月執行，以維持因子曝險穩定並降低過度交易，使組合持續反映橫截面動能結構的變化。在風險控管上，本策略引入兩項動態縮放機制：當前十大標的與全市場平均 VAM 差距收斂時，代表因子辨識度下降，策略降低曝險；當組合報酬與市場指數報酬相關性過高時，則降低部位，以避免策略過度暴露於系統性風險並失去 Alpha 來源。
本次回測共涵蓋 1,218 個交易日。根據最終績效統計，VAM 策略在樣本期間表現優於台灣加權指數，且累計報酬與年化報酬皆具優勢，夏普值的1.40也超越大盤。但伴隨的是波動與最大回撤也同步高於 Benchmark，代表超額報酬一部分是來自承擔較高風險後所換得的 Alpha。
| 指標項目 | 策略 | 台灣加權指數 (Benchmark) |
|---|---|---|
| 年化報酬率 (Annual return) | 43.84% | 18.43% |
| 累計報酬率 (Cumulative returns) | 479.46% | 126.46% |
| Annual volatility | 28.97% | 18.60% |
| 夏普比率 (Sharpe Ratio) | 1.40 | 1.00 |
| 最大回撤 (Max Drawdown) | -34.55% | -28.55% |
| Alpha | 25.81% | |
| Beta | 0.95 |
圖 1 : 年度報酬圖 (Annual Returns)
從年度表現觀察，策略在 2021 年取得 133.22% 的年度報酬，顯示在風險偏好與趨勢延續明顯的市場環境下，VAM 排名對強勢股辨識能力相當突出。2022 年市場風格反轉時，策略下跌 22.80%，雖仍優於部分高動能策略常見的崩跌幅度，但最大回撤最深落在 2022-10-26，代表該策略在空頭期間仍有顯著淨值壓縮。2023 年策略反彈 96.21%，再度大幅優於大盤的 31.48%；但到 2024 年，策略報酬回落至 24.17%，反而落後大盤的 31.73%，這是因為2024 年大盤的亮眼表現主要靠少數龍頭股撐起，而 VAM 策略的優勢在於捕捉多元的強勢標的，在這種資金極度集中的行情下，策略優勢相對較難發揮。
圖 2：策略累計報酬率圖（Equity Curve）
圖 3：最大回撤圖（Drawdown）與月度報酬分布
回測結果顯示，VAM 策略所建構的投資組合在 Beta 約為 0.95 的情況下，仍可創造約 25.81% 的 Alpha，顯示其超額報酬主要來自選股能力，而非槓桿操作。該策略透過每月風險調整動能機制，在市場風險偏好升溫、資金積極追逐強勢標的之際，得以精準捕捉價格延續的動能特性，展現穩定創造 Alpha 的能力。
若把績效分成幾個階段看，2021 年以及 2023 年是策略最有利的階段。這些期間共同特徵是市場趨勢明確、強勢股具延續性，而且橫截面上強弱的差距夠大，因子排序因此能發揮效果。相較之下，2022 年與 2024 年的績效則相對承壓，不過兩者的壓力來源並不完全相同。2022 年受限於整體風險偏好萎縮，多頭動能策略普遍承壓；而 2024 年則是面臨市場報酬集中在少數權值股，漲勢主要由少數 Mega-cap 權值股驅動，在持股採前 10 檔等權重配置下，投組雖不缺席大盤行情，但無法像市值加權指數那樣充分吃到權值股集中上漲的紅利。
第一，策略為 Long-only 且接近滿倉，因此只要市場進入系統性風險事件，回撤便不容易控制。最大回撤達 -34.55% 已說明，單靠風險調整後的動能排序，不足以取代獨立的總體風控機制。第二，投資集合涵蓋 TWN100，雖然大幅降低流動性與成交衝擊問題，但也使策略更容易暴露在大型股集中度與產業權重偏移之下；當市場呈現少數龍頭股獨強時，等權持有前 10 檔未必比市值加權更有利。第三，策略使用的是單一 21 日視窗，因此對動能反轉、事件驅動或更長週期趨勢的適應性有限，若市場風格切換頻率升高，訊號穩定度可能下降。
第一個優化方向，是把目前的單一 VAM 因子擴充為多指標風險調整動能，例如同時計算 1 個月、3 個月、6 個月的風險調整後報酬 ，再做加權或排序整合。這樣做可降低單一指標對短期噪音過度敏感的問題，也更接近原始論文中多特徵輸入的精神。
第二，可以加入市場狀態分類，例如用加權指數是否站上長天期均線、橫截面平均波動率分位數，或台股成交值熱度來決定總曝險。這會比單看策略和市場的短期報酬相關性，更直接反映 risk-on / risk-off 環境。第三，若希望維持投資組合流動性優勢，又減少等權組合對個股事件的敏感度，可考慮把持股檔數從 10 檔提高到 15 至 20 檔，或改為依 VAM 分數做溫和權重傾斜，而不是完全等權重。
最後，建議針對策略進行兩項穩健性評估：一是進行敏感度分析，測試在不同持股檔數與不同市場週期下，策略表現是否依然穩定，以排除過度擬合歷史數據的疑慮；最後則是與「原始動能策略」進行直面比較（Head-to-Head），藉此釐清超額報酬的來源，究竟是源於動能因子本身的慣性，還是來自「波動率標準化」所帶來的風險調整貢獻。
量化回測最忌諱使用「未來資料」。TEJ 量化資料庫 的核心優勢在於完善的 Point-in-Time (PIT) 當時點數據架構。這代表資料庫紀錄的是數據「當時」發布的正確數值與時間點，而非事後修正後的數字。透過 PIT 數據，您能確保回測時使用的是當時市場真正能取得的資訊，徹底排除「前瞻偏差（Look-ahead Bias）」，讓回測績效具備極高的實戰參考價值。
TQuant Lab 是專為量化交易者設計的專業開發環境，整合了從數據調取、策略研發至績效評估的全流程優勢：
數據的品質與工具的效率，決定了量化模型的生命力。不論您是想複製大師經典策略，或是開發獨門的因子模型，TEJ 與 TQuant Lab 都是您在資本市場中最堅實的數據後盾。
本文內容僅供研究與學術探討之用，不構成任何投資建議。
