Table of Contents
詹姆士．歐沙那希（James P. O’Shaughnessy）是歐沙那希資本管理公司（O’Shaughnessy Capital Management, Inc.）及歐沙那希基金公司（O’Shaughnessy Funds, Inc.）的總裁與基金經理人。他著有多本投資著作，包括《Invest Like the Best》（1994）、《華爾街致勝秘訣》（What Works on Wall Street, 1997）及《How to Retire Rich》（1998）等，其中《華爾街致勝秘訣》更是美國知名的暢銷書。
在《華爾街致勝秘訣》中，歐沙那希運用長達 44 年（1950–1994）來自 S&P 和 Compustat 資料庫的財務數據，深入分析上萬家公司的表現。他首先聚焦於「市場領導者」股票池——排除了外國股、公用事業股以及場外交易股票。研究結果顯示，市場報酬率並不完全遵循效率市場理論（Efficient Market Theory），反而會持續獎勵某些具特定特徵的股票，並對其他類型的股票給予懲罰。基於這些發現，歐沙那希提出一套具實證基礎的投資策略：挑選具備低股價帳面比、低股價現金流量比與低股價營收比的股票，有助於顯著提升長期投資報酬率。
其中，「基石價值策略（Cornerstone Value）」以其嚴謹的多因子篩選邏輯著稱——它並非尋找市場冷門的小型股，而是聚焦於大型、高收益、現金流充裕且估值合理的企業，並最終以現金殖利率作為排序依據，從中挑選報酬潛力最高的持倉標的。
本篇文章將此策略移植至台灣股票市場，以上市及上櫃普通股為母體（排除金融業），透過六道量化篩選條件，每年進行一次再平衡，檢驗基石價值策略在台股環境下的長期績效表現。策略的核心 Alpha 來源，在於將「規模」、「現金流品質」、「收益規模」、「相對估值」四個維度同時納入篩選，避免單一因子失效時整體策略大幅波動，同時以殖利率排序作為最終選股機制，兼顧了價值與股東回報兩個面向。
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。
基石價值策略的選股流程分為兩階段：首先透過六道條件逐步收斂候選母體，接著在通過篩選的標的中，依現金殖利率由高至低排序，取前 30 檔作為年度持倉。
六道篩選條件說明如下：
最終選股：依現金殖利率排序，取前 30 檔 通過六道篩選後，依現金殖利率由高至低排序，取前 30 檔進行等權重持倉，每年七月初執行再平衡。
本次回測涵蓋 2022 年 7 月至 2025 年 5 月，共約 33 個月、橫跨三個完整年度週期。這段期間台股歷經 2022 年的熊市修正、2023 年的強勁反彈與 2024 年的 AI 行情，市場風格多次切換，為策略提供了相對完整的壓力測試環境。根據最終績效統計，基石價值策略在樣本期間明顯跑贏台灣加權指數，年化報酬達 25.67%，高於大盤的 17.80%，且最大回撤較大盤更小，顯示策略在維持超額報酬的同時，下行風險控制也相對優異。
| 指標項目 | 策略 | 台灣加權指數 (Benchmark) |
|---|---|---|
| 年化報酬率 (Annual return) | 25.67% | 17.79% |
| 累計報酬率 (Cumulative returns) | 89.52% | 58.13% |
| 年化波動率(Annual volatility) | 18.00% | 20.60% |
| 夏普比率 (Sharpe Ratio) | 1.36 | 0.90 |
| 索提諾比率(Sortino Ratio) | 1.88 | 1.25 |
| 最大回撤 (Max Drawdown) | -23.98% | -27.72% |
| Alpha | 11% | — |
| Beta | 0.75 | — |
圖 1 : 策略累計報酬率圖（Equity Curve）
從累積報酬曲線來看，策略在回測期間整體維持相對於大盤的超額優勢。2023 年市場反彈時策略跟上漲勢，並在 2024 年持續貢獻超額報酬，2025 年初受到川普「對等關稅」政策的系統風險衝擊，策略雖與大盤同步承壓，但得益於持倉集中於大型高現金流標的，回撤幅度（-23.98%）較加權指數（-27.72%）更為收斂。反映大型高殖利率價值股在台股中具備一定的持續性 Alpha。
圖 2：最大回撤圖（Drawdown）與年度報酬分布
策略最大回撤為 -23.98%，低於大盤的 -27.72%，顯示以大型高收益股為基礎的選股條件，在系統性風險事件中相對於大盤抗跌。Beta 為 0.75，代表策略對大盤的敏感度低於市場整體，有助於降低系統性風險的暴露。此外本策略的 Sharpe Ratio 為 1.36，且 Sortino Ratio 達 1.88，這意味著策略的下行波動率顯著低於上行波動率（呈現正偏態），超額報酬主要來自上行空間，而非承擔過多下行風險。
這份結果最值得關注的地方，在於策略的超額報酬同時伴隨著更低的波動與更小的回撤，這在 Long-only 策略中並不常見。一般而言，追求更高報酬往往需要承擔更高風險，但本策略的年化波動率（18.00%）反而低於大盤（20.60%），最大回撤（-23.98%）也優於大盤（-27.72%）。這個現象的根源，在於策略的選股條件天然地篩掉了高波動、財務槓桿過高或現金流不穩定的標的。
Beta 為 0.75 是另一個值得注意的地方，代表策略整體對大盤的關聯性偏低，即市場下跌 10%，策略預期只跌 7.5% 左右。這來自於兩個效果：一是持倉集中於成熟型大企業，本身防禦屬性較強；二是六道篩選條件過濾掉了大量高 Beta 的景氣循環股與高本益比成長股，讓組合在市場動盪時更具抗波動性。Alpha 11% 顯示策略在扣除市場系統性報酬後，仍能產生可觀的選股超額報酬，這表明六道條件的組合效果並非只是「買大型股」，而是在大型股中進一步辨識出估值合理、現金流健康且股東回報意願強的標的族群。
值得注意的是，Kurtosis（峰度）高達 12.73，Skew（偏態）為 -1.03，顯示策略報酬分布存在厚尾與左偏特性：日常波動相對平緩，但偶發的極端跌幅比正態分布預期更大。投資人應理解此策略並非每日穩定累積報酬，而是在大多數時候表現平穩、偶爾承受短期較大的單日跌幅。
本策略為 Long-only 且年度換倉，對短期市場走勢切換的反應能力有限。若市場在非換倉月份發生大幅走空，策略無法主動減倉，持倉將承受完整的下行波動直至下一次再平衡。而策略中「每股營業額 > 市場平均 2.5 倍」的高收益篩選條件，在台股產業結構下容易使持倉集中在少數高營收行業（如電子代工、半導體上下游），當特定產業進入景氣下行週期時，組合可能出現集中度過高的風險。
另外現金殖利率排序雖能捕捉穩定配息的成熟企業，但殖利率高不必然代表股息可持續。若企業因一次性收益或特殊資本結構拉高殖利率，卻在隔年大幅削減股息，將造成持倉品質下降。本次實證研究回測期間僅 33 個月，年度換倉下僅有 3 次實質換倉操作，統計樣本相對有限，績效結果的穩健性仍需更長時間序列加以驗證。
根據策略的實證結果，如基石價值策略要在台灣股市執行，建議優化第一個方向，是對「高收益」門檻進行動態校準。目前使用固定的 2.5 倍市場平均作為篩選門檻，可考慮改為滾動分位數（如前 20% 分位），使篩選標準能隨市場結構變化自動調整，避免在特定年份因市場平均大幅波動而導致可選母體過大或過小。
第二個方向，是加入產業分散限制。在最終 30 檔持倉中設定單一產業上限（例如不超過 6 檔，即 20%），避免選股結果過度集中於少數高營收產業，強化組合的跨產業分散效果。再者，引入殖利率可持續性篩選。在依殖利率排序之前，加入盈餘配息率（Payout Ratio）或近三年殖利率穩定性作為前置過濾條件，確保入選標的的股息發放具備歷史一致性，降低「高殖利率陷阱」的風險。
最後補做敏感度分析。對 持倉檔數、收益篩選倍數與 換倉月份進行參數掃描，確認策略績效對這些設定的敏感程度，避免結果由特定參數組合驅動。另外本策略也可再補做有無各篩選條件的 ablation 實驗，特別是確認最終殖利率排序相對於隨機等權持倉，以及六道條件逐一加入後對績效的邊際貢獻，以釐清超額報酬的真實來源。
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。
