因子研究系列｜打造未實現資本利得的因子策略，優化投資組合表現
前言
接續上一篇《因子研究系列｜認識未實現資本利得，作為投資因子是否具有效性？》，我們已系統性地證實未實現資本利得（CGO）因子在台灣市場具備一定的預測能力與穩定性。本章節旨在將此發現轉化為可執行的交易策略，並透過歷史回測來評估其績效表現、風險特徵及實務可行性。
若您還未看過特質波動度的因子分析，請先參考：▶️因子研究系列｜認識未實現資本利得，作為投資因子是否具有效性？
策略建構與回測
為全面評估未實現資本利得（CGO）於實務投資策略中的應用潛力，本文設計了三種選股策略，並將透過歷史回測分析其報酬與風險表現。
回測參數
- 樣本範圍：台灣上市櫃普通股。
- 回測期間：2005 年 1 月至 2025 年 6 月。
- 再平衡頻率：每 5 個月月初，根據前一交易日的因子值進行再平衡。
- 部位配置方式：等權重配置。
- 初始資金：1000 萬。
策略建構
本研究最終比較三種策略：一個是純粹的 CGO 因子策略，作為基準；另外兩個則是在 CGO 基礎上，疊加低風險因子篩選的增強型策略。增強型策略採用了「序貫排序（Sequential Sort）」的方法，其邏輯為：先用低風險因子進行初步篩選以縮小股票池，再用主因子（CGO）於此股票池中進行最終決選。詳細定義見表一。
表一：因子策略定義
策略名稱 策略類型 選股條件 cgo 單因子策略 選取 CGO 值最高的50 檔股票，代表純粹的 CGO 效應。 cgo_low_tv 序貫排序策略 1. 根據「TV100 (歷史波動度)」排序，選取數值最低的10% 股票作為候選池。
2. 在此候選池中，再根據 CGO 排序，選取 CGO 值最高的50 檔。 cgo_low_ivol 序貫排序策略 1. 根據「IVOL100 (特質波動度)」排序，選取數值最低的10% 股票作為候選池。
2. 在此候選池中，再根據 CGO 排序，選取 CGO 值最高的50 檔。 （TV100 歷史波動度：個股過去 100 日（t～t-99）日報酬率之標準差。計算時，要求期間內至少有 75 個非暫停交易日；IVOL100 特質波動度：個股過去 100 日（t～t-99）的超額報酬（相對於無風險利率），對同期 Fama-French 三因子日資料進行迴歸後，取其殘差項之標準差。計算時，要求期間內至少有 75 個非暫停交易日）
👉延伸閱讀：什麼是IVOL特質波動度? IVOL能提高投資策略績效嗎?
Factor Library因子資料庫 – 涵蓋動能、股息率、價值、成長等九大因子分類，高效率實踐因子投資
回測績效分析
本節將深入剖析三種策略的回測績效。表二彙整了三項策略的回測績效指標，圖一則呈現其累積報酬淨值走勢。
表二：因子策略之回測績效比較表
績效指標 cgo cgo_low_tv cgo_low_ivol Benchmark Annual return 14.89% 14.04% 13.57% 10.74% Cumulative returns 1502.49% 1281.51% 1173.04% 668.12% Annual volatility 16.45% 8.46% 9.23% 18.38% Sharpe ratio 0.927 1.596 1.425 0.647 Max drawdown -57.29% -32.91% -35.54% -56.02% Sortino ratio 1.257 2.165 1.936 0.898 Alpha 0.080 0.096 0.086 Beta 0.631 0.361 0.410 （資料期間：2005/01–2025/06；基準指數為加權報酬指數；cgo、cgo_low_tv、cgo_low_ivol 定義參考前文表五所示）
圖一、因子策略累積報酬率折線圖
純粹 CGO 策略的績效剖析
首先，我們分析作為基準的純粹 cgo 策略。其年化報酬率達 14.89%，顯著優於市場基準指數（10.74%），證明 CGO 因子本身確實具備強大的 Alpha 預測能力。然而，其風險特徵也相當顯著：16.45% 的年化波動度與 -57.29% 的最大回撤，僅略優於市場，顯示其高報酬的背後，伴隨著投資者必須承受的較高風險。綜合來看，其夏普比率為 0.927，表現穩健但仍有相當大的優化空間。
低風險增強策略的優化效果
在純粹 cgo 策略的基礎上，我們應用低風險因子進行序貫排序，其帶來的改善效果十分顯著：
風險指標的顯著優化：與基準 cgo 策略相比，兩種增強型策略均成功降低了風險。cgo_low_tv策略的年化波動度從 16.45% 驟降至 8.46%（降幅達 49%），cgo_low_ivol 也同樣有顯著降幅，達到 9.23%。在最大回撤方面，兩者也分別從 -57.29% 大幅收斂至 -32.91% 與 -35.54%。這證明低風險因子篩選能極有效地提升策略的穩健性。
風險調整後報酬的飛躍性提升：風險的顯著下降，直接催生了風險調整後報酬的飛躍。夏普比率從原本的 0.927 大幅躍升至 1.596（cgo_low_tv）與 1.425（cgo_low_ivol），兩者均遠超基準策略，證明此優化方式極具效率。
Alpha 提純與 Beta 降低的雙重優勢：更值得注意的是，這種優化並非簡單的風險換報酬。增強型策略的 Beta 值顯著降低（cgo_low_tv 為 0.361，cgo_low_ivol 為 0.410），但 Alpha 值卻維持在高檔甚至提升（cgo_low_tv 為 0.096，cgo_low_ivol 為 0.086）。這強烈暗示，低波動篩選不僅是簡單的風險控制，它還幫助 CGO 因子過濾掉了高波動的「雜訊股」，從而讓 CGO 捕捉到的超額報酬來源（Alpha）更為純粹、穩定。
兩種增強型策略的比較：綜合來看，兩種低風險因子篩選都非常有效。其中，使用「歷史波動度（TV100）」的cgo_low_tv策略，在所有關鍵績效指標上，表現均略優於使用「特質波動度（IVOL100）」的 cgo_low_ivol 策略。
結論
本研究針對「未實現資本利得（CGO）」因子在台灣市場的有效性進行了系統性檢驗。研究結果表明，CGO 是一個有效的行為因子，但其高報酬的特性也伴隨著波動度偏高的缺點；而與低風險因子進行整合，則能有效提升其風險調整後表現。
單因子 CGO 策略雖可獲得約 15% 的年化報酬，但其波動度亦高達 16%。相較之下，採用序貫排序法（即先依低波動因子篩選、再依 CGO 因子擇優）的 cgo_low_tv 策略，其年化波動度顯著下降至 8.5%，而夏普比率則由 0.95 提升至 1.63，此改善具備統計與經濟上的顯著性。
此發現證實，CGO 可作為一個有效的超額報酬來源，而將其應用於一個預先經過風險控制的投資組合中，是在實務上發揮其價值並同時維持組合穩定性的有效方法。
想獲得更多資訊？-Factor Library因子資料庫
透過標準化、系統化與透明的資料服務，TEJ Factor Library 因子資料庫協助使用者從資料取得、因子設計到策略落地，全流程無縫接軌，讓因子投資真正落實於日常操作之中。藉由日常更新的 Point-in-Time 架構、涵蓋九大因子類別與超過百項指標，TEJ Factor Library 因子架構已結合學術理論與台灣市場實務，提供穩健的資料基礎，協助策略回測、投資組合建構與風險管理等各環節。
面對市場不確定性與因子擴張的挑戰，唯有掌握具備可驗證性與高度彈性的資料庫，方能在因子投資浪潮中搶得先機，打造永續且具前瞻性的量化研究生態系。
延伸閱讀
https://www.tejwin.com/news/factor-library-%e5%9b%a0%e5%ad%90%e8%b3%87%e6%96%99%e5%ba%ab/
留言 0