Table of Contents
2012年，三位金融學術界最具影響力的量化研究學者托比．莫斯考維茨（Tobias J. Moskowitz）、姚華歐（Yao Hua Ooi）與拉瑟．佩德森（Lasse H. Pedersen），共同發表的經典論文《時間序列動能》（Time Series Momentum），在學界引發震撼，更深刻重塑了期貨管理基金（Commodity Trading Advisor,CTA）與避險基金的交易邏輯，成為趨勢追蹤策略的理論基石。
在《時間序列動能》中，三位學者用長達 25 年（1985–2009）涵蓋 58 種流動性資產（包含股指期貨、債券、匯率與大宗商品）的數據分析「價格趨勢」的持續性。有別於傳統強勢股買進、弱勢股賣出的橫截面動能（Cross-Sectional Momentum），此理論專注於資產「過去的表現」。研究結果顯示，市場價格具有顯著的「時間序列動能」——即過去上漲的資產傾向於繼續上漲，過去下跌的資產傾向於繼續下跌。基於這項發現，這篇論文提出了一套具實證基礎的投資策略：透過多重時間尺度的趨勢訊號，結合「波動率目標調整（Volatility Targeting）」機制，能有效捕捉市場的大波段行情，並在極端風險下保護資本。
本研究將利用 TEJ 量化資料庫與 TQuant Lab 回測系統，將此經典理論應用於當今的台股市場，並將上述投資策略轉化為可執行、可回測的量化條件。
本研究的所有數據均取自 TEJ 台灣經濟新報資料庫，透過標準化處理確保跨年度數據的一致性。
本策略採用三層式決策架構，由上而下逐步篩選與配置。第一層為方向判斷（Trend），透過多重時間尺度的動能與趨勢訊號進行一致性確認，僅在趨勢明確時才允許進場，以提升交易勝率。第二層為風險控制（Volatility），以 Yang-Zhang 波動率精準衡量市場不確定性，並依據當前風險水準動態調整槓桿倍數，使整體波動維持在可控區間。第三層為資金配置（Sizing），結合 1/N 分散原則與單一標的權重上限限制，避免過度集中風險，最終形成穩健的投組配置。
圖 1 : 策略流程圖
為了避免依賴單一參數，策略同時觀察短、中、長三個週期的價格變化，以產生一個「趨勢信心分數」。
傳統標準差僅看收盤價，容易低估期貨市場的風險。本策略採用 Yang-Zhang 波動率演算法，能全方位捕捉風險：
我們採用獨立權重計算 (Independent Sizing)，每檔商品的持倉權重由以下公式決定：
每週一次，系統會執行以下步驟：
1.趨勢投票機制：讀取歷史價格，分別計算 20日、60日、120日 的回報率方向。
2.波動率目標定價 (Volatility Scaling)：當市場真實波動率飆升時，權重會自動下降；反之則放大。
3.部位執行：將算出的權重乘上趨勢分數，並分配給 5 檔商品。最後設定單一商品權重上限為 100% 以控制極端風險。
4.自動轉倉機制 : 由於交易的是連續期貨，必須處理實體合約到期的問題，因此函式會每日檢查：
回測輸出紀錄中顯示了此策略在 2020 年初進行的「週度再平衡」，透過每週一（或該週第一個交易日）進行調整確保投資組合能即時反應市場變化，重新校準風險。
圖 2 : 回測輸出紀錄
本策略於 2020 年 1 月至 2025 年 11 月的 68 個月回測期間內，繳出了亮眼的成績單，年化報酬率達 24.94%，顯著優於台股加權報酬指數（IR0001）的 19.79%，累積報酬率更來到 255.69%。值得注意的是，策略的年化波動率僅 16.95%（低於大盤的 19.81%），且最大回撤控制在 -20.13%（遠優於大盤的 -28.55%），使得該策略的夏普比率（Sharpe Ratio）高達1.40，遠高於大盤的 1.01，顯示該策略在風險調整後的獲利能力極佳，展現CTA策略「低相關、高抗性」的特性。
從風險係數來看，Beta 值僅為 0.49，表示策略與大盤的連動性不到一半，能有效分散傳統股債投資組合的風險。在此基礎上，策略產生了 Alpha = 0.15，代表即使扣除市場因素，該模型年化超額報酬約為 15%。索提諾比率（Sortino Ratio）高達 2.12，證實波動率調整機制成功過濾絕大多數的下行風險，僅保留有利於獲利的上行波動。
觀察資金運用效率，策略的平均總槓桿（Gross Leverage）僅為 0.50，儘管我們設定的目標波動率為 30%，但實際平均槓桿卻僅動用了一半資金，表示這段期間市場的真實波動高於預期，觸發了模型的防禦機制而自動降倉。此外，每日換手率僅 0.027%，得益於每週一次的再平衡機制與長週期趨勢訊號的穩定性，極低的交易成本大幅減少了獲利的減損。
表 1 : 回測績效
| 評估指標 (Metric) | 台股加權報酬指數(IR0001) | 策略績效 (Strategy) |
|---|---|---|
| 回測開始日期 (Start date) | 2020-01-02 | 2020-01-02 |
| 回測終止日期 (End date) | 2025-11-27 | 2025-11-27 |
| 年化報酬率 (Annual Return) | 19.791% | 24.941% |
| 累積報酬率 (Cumulative Return) | 179.833% | 255.689% |
| 年化波動率 (Annual Volatility) | 19.812% | 16.946% |
| 最大回撤 (Max Drawdown) | -28.553% | -20.134% |
| 夏普比率 (Sharpe Ratio) | 1.01 | 1.40 |
| 索提諾比率 (Sortino Ratio) | 1.42 | 2.12 |
| 卡瑪比率 (Calmar Ratio) | 0.69 | 1.24 |
| 阿爾法 (Alpha) | – | 0.15 |
| 貝他 (Beta) | – | 0.49 |
| 穩定度 (Stability) | 0.84 | 0.79 |
| 每日風險值 (Daily VaR) | -2.417% | -2.041% |
| 總槓桿 (Gross Leverage) | – | 0.50 |
在策略設計與解讀上，雖然績效亮眼，但仍需警惕潛在的限制。首先，策略在盤整震盪期（如 2022 年中至 2023 年初）可能會面臨「巴鞭效應（Whipsaw）」，即趨勢訊號反覆翻轉導致的連續小幅虧損。其次，目前的設計為 Long Only（僅做多），雖然避開了放空的無限風險，但也放棄了在空頭市場（如 2022 年）透過做空獲利的機會，導致該期間資金利用率偏低。建議未來可進一步測試加入「多空雙向機制」或引入更多元 uncorrelated（低相關）的商品（如美債、原油），以提升資金利用率並平滑化權益曲線，使策略在各種市場體制下皆能保持穩健。
圖 3 : 策略累計報酬率圖（Cumulative Returns)
從權益曲線圖中，可以觀察到一個現象：策略績效在 2025 年下半年出現了顯著的增長，顯示出「波動率目標調整」順勢時使用槓桿的優勢。當時市場正處於各均線多頭排列的主升段，趨勢訊號（Composite Signal）長期維持在 1.0 的滿分水位；同時，由於行情呈現緩步墊高的穩健走勢，市場真實波動率（Realized Volatility）大幅下降。此時，策略的風控模型判定市場環境極度安全，因此自動放大了部位槓桿（Target Volatility / Realized Volatility），在最有利的時機點重倉加碼，這正是本策略能大幅拉開與大盤差距的關鍵。
從水下圖來看，得益於 Yang-Zhang 波動率控管，即使在空頭年份，最大回撤仍控制在 -20% 左右（紅色區塊），遠優於大盤。然而，圖中長達兩年（2021-2023）的平盤期也提醒我們：要獲得後期的豐厚果實，投資人必須具備忍受盤整耗損的耐心。
圖 4 : 權益曲線圖 / 水下圖
而在年度報酬圖的部分，則顯示在 2022 年空頭市場中僅受輕傷，而在 2024、2025 年則分別繳出 +45% 與 +58% 的驚人成績。
圖 5 : 年度報酬圖
總結而言，本策略「進可攻、退可守」。透過 Yang-Zhang 波動率控管機制結合多重動能訊號，在 2022 年空頭市場中，策略成功將最大回撤控制於 −20% 以內，顯著優於大盤表現；而於 2024 至 2025 年主升段，則藉由順勢加槓桿機制充分放大趨勢動能，創造年化報酬率 24.94%，並達成 1.40 的高夏普比率。
進一步觀察，其 Beta 僅為 0.49、Alpha 達 0.15，顯示策略與市場具備低相關性，並能持續創造超額報酬，具備明確的避險效果。儘管在盤整階段需承受一定程度的耗損，但整體獲利分佈呈現顯著正偏態（Right-skewed），使策略得以在橫盤期間有效控制回撤，並於趨勢性行情中捕捉爆發性的成長，充分展現其作為長期資產配置工具，在分散風險的同時捕捉長尾獲利的實證價值。
綜合本策略的回測結果可以發現，量化交易的核心價值並不在於預測市場，而在於透過紀律化的風險控管機制，建立可長期執行的交易框架。透過 Yang-Zhang 波動率模型對市場波動結構的掌握，以及多重時間尺度訊號對趨勢強度的衡量，本策略在台股期貨市場中展現出「低相關、高抗性」的特質；其 Beta 僅 0.49，顯示與大盤連動性有限，在震盪環境中能有效緩和回撤壓力，並在趨勢明確時透過波動率目標調整機制動態放大曝險，形成「進可攻、退可守」的非對稱報酬結構。然而，要將這類精密的學術模型轉化為可實戰執行的策略，背後所仰賴的，正是穩定且高品質的數據基礎與回測環境。
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。
