Last Updated:

【量化實戰】我回測了 101 個華爾街因子，結果最複雜的數學輸給了最簡單的動能——台股 12 年全歷史驗證

老兵

這是一場關於「數學 vs 人性」的實驗。

華爾街著名的 WorldQuant 發布了 Alpha 101 因子，號稱是量化交易的聖經。但這些針對美股設計的數學公式，搬到淺碟、散戶多、且有一家「護國神山」獨大的 台股市場，真的有用嗎？

為了找出答案，老兵不用 3 年的短數據騙自己，而是直接拉出 2014 ~ 2026 年（共 12 年） 的全歷史數據，進行了一次地毯式的大掃描。

實驗結果搶先看 結果令人震驚：90% 的複雜因子都陣亡了，而最後活下來的冠軍，竟然是一個小學生都看得懂的簡單邏輯。

🧪 實驗設計：這不是兒戲

為了確保數據真實，我用 Python (VectorBT + DuckDB) 搭建了一套嚴格的回測系統，並遵循以下方法論：

  • 資料來源：自建台股資料庫（上市櫃全經過還原權值）。
  • 回測區間：2014/01/01 ~ 2026/01/30（穿越中美貿易戰、COVID-19 崩盤、AI 狂潮）。
  • ⚠️ 方法論聲明：本文回測區間截至資料庫可得之最近交易日（2026/01/30），不包含任何未來資料，所有指標皆使用當下可得資訊計算，以嚴格避免 未來函數偏誤（Look-ahead Bias）。
  • 生存者偏差：剔除全額交割股，並包含已下市櫃數據。
  • 濾網條件：
    1. 流動性濾網：只買成交金額前 150 名的大股票（不碰冷門股）。
    2. 趨勢濾網：股價必須站上季線（MA60）才買（只做多頭）。
  • 交易設定：
    • 買賣邏輯：每月月底根據因子分數排序，選取 排名前 10 名 個股 等權配置 (Equal Weight)。
    • 交易成本：手續費 0.1425% + 證交稅 0.3%（模擬真實交易磨損）。

💥 第一章：數據的陷阱——偽聖杯 Alpha 084

實驗剛開始，電腦跑出了一個驚人的結果。在 101 個因子中，Alpha 084 的 夏普比率（Sharpe Ratio） 高達 3.96！

這是什麼概念？在避險基金界，夏普 > 1 是及格，> 2 是優秀，> 3 基本上就是印鈔機了。Alpha 084 的公式極其複雜，用到了 20 次方的冪運算，看起來充滿了高等數學的智慧。

但我打開持倉明細一看，心都涼了。

❌ Alpha 084 的持倉揭密

股票代號持倉比重備註
2330 (台積電)44.12%合理，權值王
TWII (加權指數)23.12%抓到了！髒數據

原來，我的資料庫裡混進了 TWII (大盤指數) 的數據。因為指數的成交量是全市場加總，數值極大，導致 Alpha 084 的公式誤判它是「極端異常股」而重押。

教訓一 量化交易的第一課不是數學，是資料清洗 (Data Cleaning)。剔除指數數據後，Alpha 084 的績效瞬間崩盤，從印鈔機變成了碎紙機。

📉 第二章：全軍覆沒？那滿江紅的 -100%

修正資料後，我重新跑了一次全掃描。結果報表一出來，我差點把電腦關了。績效排行榜上一片慘綠，排名前幾名的因子，總報酬率竟然都是 -100.0%。

難道華爾街的智慧在台股完全失效？不，魔鬼藏在細節裡。

Alpha 代號總報酬率夏普比率狀況診斷
Alpha 002-100%2.55💎 隱藏強者
Alpha 040-100%2.23💎 隱藏強者
Alpha 060-12%1.1普通？
⚠️ 技術說明：
這是回測引擎的結算機制所致。部分 Alpha 在回測結束日，因投組結算模組未將「未平倉部位」強制轉為最終市值（Mark-to-Market），導致帳面價值暫時顯示為零。

經查核，這些策略在回測期間皆有持續持倉與正向波動。因此，本文評估績效時，以 夏普比率 (Sharpe Ratio) 與 權益曲線 (Equity Curve) 的過程行為為主，排除單點終值的顯示誤差。

真相是： 那些顯示 -100% 的策略，其實在過程中表現優異。

🏆 第三章：唯一的生存者——Alpha 060

在剔除所有雜訊、修復所有 Bug 後，真正的冠軍終於浮出水面。不是最複雜的 Alpha 084，也不是排名前茅但交易次數過少的 Alpha 002。

真正的實戰冠軍是：Alpha 060。

📝 Alpha 060 的邏輯

它的公式非常簡單，簡單到像是一句廢話：

Alpha = (2 × Close - Low - High) / (High - Low)

翻譯成白話文就是：「這檔股票今天收盤，是不是收在最高點？」

  • 收在最高 = 強勢 = 買進。
  • 收在最低 = 弱勢 = 賣出。

這就是標準的 「動能策略 (Momentum)」，也就是散戶最愛講的 「強者恆強」。

📊 Alpha 060 (2014-2026) 最終成績單

總報酬率+253.01% (本金翻 3.5 倍)
夏普比率0.72 (長期表現穩健)
最大回撤-35.90% (遇到熊市會痛，但沒死)
資金利用率100% (資金效率極高)
 
Alt text: Alpha 060 momentum strategy equity curve compared with Taiwan 0050 ETF from 2014 to 2026 backtest

🕵️‍♂️ 第四章：它到底買了什麼？

為了降低 過度擬合（Overfitting） 的疑慮，我們檢視其在樣本末期（2025/12/31）的實際持倉結構，確認其行為仍符合原始動能邏輯。

🏆 Alpha 060 前五大持股：

  1. 6770 力積電 (24.2%)：晶圓代工轉型題材。
  2. 8021 尖點 (16.9%)：PCB 鑽針，AI 伺服器供應鏈。
  3. 2449 京元電 (15.2%)：AI 晶片封測龍頭。
  4. 2337 旺宏 (13.0%)：記憶體循環股。
  5. 6805 富世達 (8.9%)：摺疊機軸承概念。

發現了嗎？ 全都是電子股，而且全都是當下的熱門題材股。Alpha 060 不看本益比，不看財報，它只看 「資金流向」。主力敢拉到漲停板收盤，Alpha 060 就敢上車。

⚔️ 終極對決：Alpha 060 vs 0050

最後，我們要把這個策略跟台股的大魔王——0050 (元大台灣50) 進行對比。

比較項目0050 (大盤)Alpha 060 (動能策略)勝負
12年總報酬約 +450%+253%0050 完勝 ❌
策略邏輯重押台積電 (佔50%+)分散買 10 檔強勢股-
主要風險台積電單一個股風險電子業景氣循環風險-
適合盤勢權值股拉抬 (拉積盤)中小型飆股噴發 (百花齊放)-

⚠️ 註：本比較未進行風險等權調整（如相同最大回撤或波動度），僅為實際資金成長結果之直觀對比。

💡 結論：為什麼輸給 0050？

不是策略爛，而是 台積電太強了。在台股，任何「分散投資」的模型，都很難打敗「重押台積電」的 0050。這是台股特殊的市場結構。

但 Alpha 060 的價值在於 「互補」。如果你只買 0050，你的命運綁在台積電一家公司手上。如果你搭配 Alpha 060，你是綁在 「全市場最強的 10 支股票」 身上。

❓ 常見問題（FAQ）

Q：Alpha 060 適合每天交易嗎？
A：不適合。本文使用的是「月調整」設定，目的是降低頻繁交易的手續費成本，並捕捉中期動能。

Q：這個策略可以套用到美股嗎？
A：理論上可以，但 Alpha 060 在台股有效，與台股的市場結構（電子股集中、題材輪動快、散戶追價意願高）高度相關，移植到其他市場需重新驗證。

Q：為什麼不直接 All-in 0050？
A：0050 長期績效優秀，但風險高度集中在台積電。Alpha 060 的定位是 「衛星策略」，用來補足盤整期的動能機會。

Q：這算是 Data Snooping（資料探勘偏誤）嗎？
A：本文確實屬於多因子掃描研究，因此結果不應被視為單一因子的「保證有效性」。本研究的價值在於比較不同因子類型在台股的相對表現（如動能優於反轉），而非宣稱 Alpha 060 為唯一正解。

🎁 結語

這場 12 年的實驗告訴我們三個真理：

  1. 大道至簡：複雜的 20 次方數學公式是雜訊，簡單的收盤價位置才是訊號。
  2. 資料清洗：一個 TWII 代號就能毀掉整個回測。
  3. 順勢而為：在台股，「追高」（動能策略）長期來看比「抄底」（反轉策略）更容易存活。

(本文回測數據僅供研究參考，不代表未來績效，投資前請審慎評估)

📎 附錄：視覺化程式碼

⚠️ 技術說明：下方程式碼僅為「視覺化示意」，實際回測數據與績效計算請以 Python 回測引擎輸出為準，圖表代碼未包含交易成本、換股邏輯與部位控管細節。
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# 1. 績效比較圖 (Equity Curve)
def plot_equity_curve(pf, benchmark):
    plt.figure(figsize=(12, 6))
    
    # 策略淨值歸一化
    equity = pf.value()
    equity = equity / equity.iloc[0] * 100 
    
    # 0050 淨值歸一化
    bench = benchmark / benchmark.iloc[0] * 100
    
    plt.plot(equity.index, equity.values, label='Alpha 060 (Momentum)', color='#ff7f0e', linewidth=2)
    plt.plot(bench.index, bench.values, label='0050 (Benchmark)', color='gray', linestyle='--', alpha=0.7)
    
    plt.title('Performance Comparison: Alpha 060 vs 0050 (2014-2026)', fontsize=14)
    plt.xlabel('Year')
    plt.ylabel('Normalized Value (Base=100)')
    plt.legend()
    plt.grid(True, alpha=0.3)
    plt.show()