Table of Contents
歐美成熟市場投資人結構以機構投資人占比最大， 許多研究實證指出機構投資人的交易行為對股價具有預測能力。但相對於歐美市場，台股市場組成卻以個別投資人占比最高，且交易金額居市場之冠。顯示非機構投資人在台股市場上具有重要地位。因此，其交易行為與股票期望報酬率的關係是值得進一步去研究。本文採用台灣集保所所提供的投資人資料來研究投資人行為與股票期望報酬率之間的相關性以判斷各投資策略的可行性。
散戶因資訊落後所以其交易行為與股價走勢呈現負向關係。當其看好買進股票時，股價往往走跌；反之，看壞賣出股票時，股價往往上漲。由於過去少有以股權分散 1~5 張級距的股數做為散戶的代理變數進行探討，因此，本文利用因子分析方法，深入研究散戶交易行為與股票期望報酬率的關係，檢驗其對股價的預測能力。
本文資料來源為 TEJ API。股價資料取自TWN/APIPRCD 資料表，用以計算還原股票報酬率； 集保股權分散資料取自 TWN/ADCSHR 資料表，用以計算散戶因子；股票日交易註記資訊取自 TWN/APISTKATTR 資料表，除了用來篩選股票池標的外、亦是獲取分盤、處置、暫停交易與全額交割等交易風險註記與流動性限制條件的來源。
一般來說，散戶因缺少專業投資知識以及資訊落後原因，容易受到短期消息因素影響。因此，本文的散戶股權分散表主要依照股束ID 歸戶， 利用持股數劃分為 15 個不同級距(1張以下(1~999 股)、1至5張、5至10張…1000張以上)，並按此分類披露持股人數、持股股數與持股比率。
因此，本文的散戶因子建構方法將運用集保股權分散資料中 1~5 張級距的短期持股變化，包含週持股人數、週持股張數，以及週持股比率的變化做為散戶因子，探討散戶交易行為與股票報酬率的關係。相關的散戶因子建構如下：
| 變數 | 變數說明 | 變數公式 |
| Chg_Shareholdert | 持股人數週變化 | Shareholdert / Shareholdert−1 |
| Chg_Holdingsharest | 持股張數週變化 | Holdingsharest / Holdingsharest−1 |
| Chg_Holdingpercentt | 持股比率週變化 | Holdingpercentt / Holdingpercentt−1 |
因子分析首先會運用投資組合分析方法，比較三個散戶因子所建構投資組合的表現，挑選三個因子中表現最好的。其次，運用 alphalens-tej 對挑選出來的散戶因子做進一步的分析，以從因子績效、信息係數，以及周轉率三個面向來評估因子的預測能力。
投資組合分析方法是在每週一按表1公式分別計算 3 個散戶因子，並利用因子對股票遞增排序分成 10 組，透過等權的配置方法形成投資組合，持有一週後再重新調整投組。最後檢驗 Top 組、Bottom 組，以及Spread 組三個投資組合的平均報酬率，評估哪一個散戶因子對股票未來報酬率最有預測能力。
表2是 2016 年 1 月到 2023 年 12 月期間，每週依 3 個散戶因子排序，分組形成等權重投資組合的平均報酬率。結果顯示：Chg_Shareholder (持股人數週變化)、Chg_Holdingshares (持股張數週變化)、Chg_Holdingpercent (持股比率週變化) 三個散戶因子 Bottom 組的投資組合表現均優於 Top 組的投資組合表現，且 Spread 組的投資組合平均報酬率均為負值。
| Chg_Shareholder | Chg_Holdingshares | Chg_Holdingpercent | |
| Mean Period Wise Return Top Quantiles (bps) | 3.515 | 3.635 | 2.656 |
| Mean Period Wise Return Bottom Quantiles (bps) | 7.684 | 8.001 | 8.590 |
| Mean Period Wise Spread (bps) | -4.254 | -4.476 | -6.050 |
因子績效分析主要利用因子排序分組，等權配置建立投資組合，觀察平均報酬率與排名間是否具有單調性關係。觀察圖2結果顯示： 運用散戶因子建構的投資組合，不論未來 1 日、5 日、10 日，或 22 日，其平均報酬率與分組關係均有明顯的單調遞減關係，且第一組(Bottom 組)的報酬率大幅優於第 10 組(Top 組)。除了顯示散戶交易行為與股票報酬率為負相關外，也表明可充分運用此關係來預測股票未來報酬率，在散戶大量賣出股票時建立買進信號，當散戶大量買進股票時建立賣出信號。
信息係數是因子與股票未來報酬率的斯皮爾曼等級相關係數，簡稱 IC。當 IC 大於 0 時表示因子與股票未來報酬率為正相關；反之，當 IC 小於 0 時表示因子與股票未來報酬率為負相關。表3結果顯示：散戶因子與未來 1 日、5 日、10 日、與 22 日的股票報酬率，其 IC 值均顯著為負，IC (p－value) 分別為：－0.005 (0.000)、－0.008 (0.000)、－0.010 (0.000)、 －0.012(0.000)。另外，圖3顯示 5 日 IC 值的機率分布呈現高峽鋒，代表相對常態分布其數據更加集中在平均值附近，兩者之間為更穩定的負向關係。
前文分析散戶因子的預測能力時， 並沒有考慮佣金、 滑價等相關交易成本。然而， 在實際投資中， 手續費扮演了投資策略成敗的重要關鍵。因此， 本段將利用周轉率分析推估運用散戶因子構建投資組合時可能衍生的手續費。
散戶因子資料來自週集保股權分散表， 資料按週公布， 因此觀察 5 日周轉率。結果顯示， Top 組與Bottom 組投資組合每 5 日平均周轉率約為0.58、 0.56 倍， 年化後周轉率（乘上 50)約為 29 倍、 28 倍， 相當於每個月更換股票清單 2 次。由於週轉率較高， 頻繁的換股交易可能會導致手續費增加而侵蝕到大部分的獲利。因此， 後續有其必要進一步對用散戶因子形成的投資組合進行擬真回測， 以客觀地評估用散戶因子進行投資的可行性。
總結本段因子分析結果：首先投資組合分析中，三個散戶因子與股票報酬率為負相關，以 Chg_Holdingpercent (散戶持股比率週變化) 表現最具有預測能力。其次 alphalens-tej 分析中，Chg_Holdingpercent 因子在不同預測期間下，分組排名與平均報酬具有單調遞減關係，且整體因子與股票未來報酬率的 IC 值顯著為負，但投資組合周轉率過高可能會導致實際交易時因換股較為頻繁而侵蝕投資獲利。因此，本文後續將進一步運用 zipline-tej 對利用散戶因子所建構的投資組合進行擬真回測，在考量實際佣金、滑價、以及流動性與其他交易限制下，評估投資組合的表現。
本段將以 Chg_Holdingpercent (散戶週持股比率變化) 因子作為選股指標，運用 Bottom 組分析的結果，買進股票池中散戶賣超最多的前 10％股票等權配置建立投資組合。圖4 與 圖5 分別顯示週頻再平衡投組與月頻再平衡投組的回測績效。回測期間週頻投組的績效 (約 75%) 除了遠低於大盤加權指數的報酬率 (188%) 外，也與前一段因子分析中 Bottom 組的累積報酬率存在明顯差距，顯示考量實際投資時的手續費和交易限制後，散戶因子應用於實際投資的可行性受到了一定程度的挑戰。然而，月頻投組在減少再平衡調整次數後，整體績效約 200%，表現略優於加權指數，因此本段將以月頻投資組合為例，說明運用 pyfolio-tej 評估其做為實際投資的可行性。
圖6 顯示了以 2022/1/1 作為切分樣本內外， 月頻投資組合的累積報酬率。在樣本內和樣本外期間， 即使歷經 2018 年、 2022 年升息循環的影響， 投資組合的績效仍然持續上升。這表明儘管投組短期表現會受到外在總體經濟環境的影響， 但隨著景氣循環進展， 利空因素逐漸消退， 投組仍能提供良好的表現。
風險分析主要觀察投資組合最大回撤，包含回撤的幅度與持續的期間，藉以評估運用投資組合作為實際投資時， 可能面臨的絕對金額損失與所需等待投組為創新高的時間。圖7 顯示了月頻投資組合期間的 5 個最大回撤期間與對應的回撤幅度。以2018年、2022年回撤期間最長，大約持續了 1 年半，回撤幅度約為 25%、30%。2020年3月回撤期間雖短但回撤幅度最大，約35%。其他回撤期間則相對較短，且幅度較小。
總結本段，以散戶週持股比例變化作為散戶因子建立投資組合，在考慮手續費、流動性和交易風險限制，運用 zipline-tej 進行回測後，週頻投資組合因周轉率過高而表現不佳，而月頻投資組合的表現則與加權指數相當。進一步使用 pyfolio-tej 評估顯示，在經歷兩次升息循環影響後，投資組合的累積報酬率仍持續上升。然而，需要注意在升息期間投資組合可能會經歷長達一年半的回撤期間，且回撤幅度可能超過 25%。
本文以近 8 年上市櫃股票為樣本，探討散戶交易行為與股票期望報酬率的關係。運用集保股權 1~5 張級距股束的持股人數週變化、持股張數週變化、持股比率週變化建立散戶因子，並利用 TQuant Lab 相關工具 (alphalens-tej、 zipline-tej、pyfolio-tej)，做因子分析、模擬回測，和績效分析。綜合以上分析做出以下 3 點結論：
