量化投資 — 系統化思維與因子投資
每隔幾年，量化基金在媒體上出現一次：文藝復興科技的大獎章基金（Medallion Fund）年化報酬 66%、橋水的全天候策略、兩個 Sigma 的機器學習交易……
這些聽起來很遙遠，但量化投資的核心思維——用系統性規則取代主觀判斷——已經深入到你我每天能接觸到的產品中。
定義
量化投資（Quantitative Investing） 是運用數學模型、統計方法和電腦演算法，從歷史數據中找出規律性的投資訊號，並以系統化、紀律化的方式執行交易決策（Chincarini & Kim, 2006）。
它和傳統主動投資的核心差異：
| 傳統主動投資 | 量化投資 | |
|---|---|---|
| 決策來源 | 分析師判斷、直覺 | 數學模型、統計規律 |
| 情緒影響 | 容易受市場情緒干擾 | 規則執行，不受情緒影響 |
| 覆蓋廣度 | 每人能深研的股票有限 | 可同時分析數千檔股票 |
| 可重複性 | 難以複製 | 規則明確，可回測 |
因子投資：量化思維的平民化版本
量化投資最重要的學術成果之一，是因子投資（Factor Investing）。
Fama 與 French（1993）在三因子模型中指出，股票報酬的系統性差異可以用三個因子解釋：
| 因子 | 說明 | 方向 |
|---|---|---|
| 市場風險溢酬（Market） | 持有股票 vs 無風險利率的額外報酬 | 正：承擔市場風險有長期補償 |
| 規模因子（Size） | 小市值股票 vs 大市值股票 | 正：小型股長期平均高於大型股 |
| 價值因子（Value） | 低本益比/高帳面價值股 vs 成長股 | 正：便宜股長期平均高於貴的成長股 |
Fama 與 French（2015）進一步擴展為五因子模型，加入：
| 因子 | 說明 |
|---|---|
| 獲利能力（Profitability） | 高 ROE/利潤率的公司長期表現較佳 |
| 投資保守度（Investment） | 資本支出保守的公司長期表現較佳 |
加上 Jegadeesh 與 Titman（1993）發現的動能因子（Momentum），六因子框架已成為現代資產定價的主流學術架構。
因子是什麼意思
因子不是「特別的炒股技巧」，而是對特定類型公司系統性高報酬的統計描述。
學術界的解釋有兩種：
- 風險補償：小型股、價值股報酬較高，是因為它們風險本來就比較高（投資人要求更高報酬才願意持有）
- 行為偏誤：投資人系統性地忽略小型股或低估價值股，導致它們被低估，聰明的投資人可以利用這個偏誤
兩種解釋都有支持者，至今仍有爭論。
Smart Beta：因子投資的 ETF 化
因子投資的概念被產品化成 Smart Beta ETF（又稱因子 ETF），讓一般投資人也能以低成本暴露於特定因子：
| 因子 ETF 類型 | 例子 | 目標 |
|---|---|---|
| 價值因子 | Vanguard Value ETF（VTV） | 系統性持有低 P/E、低 P/B 股票 |
| 小型股因子 | iShares Core S&P Small-Cap（IJR） | 系統性持有小市值股票 |
| 動能因子 | iShares MSCI USA Momentum（MTUM） | 系統性持有過去強勢股票 |
| 多因子 | iShares MSCI Multifactor（LRGF） | 同時結合多個因子 |
台股也有部分因子 ETF，如高股息（0056）某種程度上是價值因子的代理。
重要限制：因子會有長達數年的低迷期。2017–2019 年，價值因子在全球大幅跑輸成長股；動能因子在趨勢反轉時（如 2009 年 3 月、2020 年 3 月）可能單月虧損 10–15%。持有因子 ETF 需要了解它在什麼環境下會出問題。
量化投資的風險：過擬合與策略失效
過擬合（Overfitting）
量化策略最大的陷阱：在歷史數據上表現優異的策略，實際交易時卻平庸甚至虧損。
原因：研究者對歷史數據測試了太多參數組合，最終選出的「策略」只是碰巧在那段期間有效，而非真正的市場規律。Lopez de Prado（2018）估計，金融機構發表的大量量化策略研究中，多數都存在不同程度的過擬合。
防範方式：樣本外測試（保留未用於建模的數據做驗證）、跨市場驗證、嚴格的統計顯著性要求。
策略失效
當量化策略被廣泛採用後，它的超額報酬往往被套利掉。McLean 與 Pontiff（2016）研究發現，學術論文發表後，相關異常報酬平均下降 26%；被廣泛引用後更大幅衰退。
這是量化投資的悖論：公開的策略注定失效，真正有效的策略必須保密。
對一般投資人的實際意義
-
被動指數基金本身就是量化思維的產物：0050、VT 按市值加權，是規則化、不依賴個人判斷的投資——這已經是量化的基本形式
-
因子 ETF 是一個選項，但要理解你在做什麼：若你選擇小型股因子或價值因子 ETF，你需要接受它可能 5–10 年跑輸大盤的可能性，否則難以長期持有
-
系統紀律比選股能力更重要：量化投資最核心的教訓是「規則執行比天才判斷更可靠」——對普通投資人的實際建議是：設定定期定額規則，不要因市場波動打亂它
-
不要自己做量化：除非你有統計、程式設計和金融工程背景，自行開發量化策略大概率是在用複雜的方式跑輸大盤，同時承擔更高風險
🔍 如何觀察 / 如何實作
了解因子框架的實用方式：
- 若你持有 0050 和 006208：你已經暴露在市場因子（市場風險溢酬）中
- 若你也持有小型股 ETF：你額外暴露在規模因子中，長期期望報酬可能更高，但波動也更大
- 因子回報的差異，在 Portfolio Visualizer（portfoliovisualizer.com）等工具可以回測和比較，是學習量化思維的好起點
本篇名詞速查
| 名詞 | 解釋 |
|---|---|
| 量化投資 | 用數學模型和演算法做投資決策，取代主觀判斷 |
| 因子投資 | 系統性地暴露於有學術支持的回報驅動因子（市場、規模、價值等） |
| Smart Beta | 介於純被動指數和主動管理之間的規則型 ETF，通常以因子為基礎 |
| 過擬合 | 策略在歷史數據表現好，但在新數據上失效，因為它記住的是雜訊不是規律 |
| 市場因子 | 持有股票相對無風險利率的超額報酬 |
| 規模因子 | 小市值股票相對大市值股票的超額報酬 |
| 價值因子 | 低估值股票相對高估值股票的超額報酬 |
💭 Think About This
「量化投資最反直覺的洞見是：最重要的決策不是『選什麼股』，而是『設計一套你能長期遵守的規則，然後不要違背它』。」
References
- Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56.
- Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1–22.
- Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers. The Journal of Finance, 48(1), 65–91.
- Chincarini, L. B., & Kim, D. (2006). Quantitative Equity Portfolio Management. McGraw-Hill.
- Lopez de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.
- McLean, R. D., & Pontiff, J. (2016). Does academic research destroy stock return predictability? The Journal of Finance, 71(1), 5–32.
- Simons, J. (2019). The Man Who Solved the Market（G. Zuckerman 著）. Portfolio/Penguin.