第八章 多因子投資組合建構與動態再平衡

# 第八章 多因子投資組合建構與動態再平衡 > **核心概念**：將多因子模型與資產配置理論結合，透過動態再平衡提升風險調整後的收益。 --- ## 8.1 章節大綱 1. **回顧前章**：執行策略與成本控制 2. **因子投資的理論基礎**：因子分類、因子挑選、因子衝擊 3. **組合建構原則**：風險平價、最小方差、預期收益最大化 4. **動態再平衡策略**：時間窗、波動率觸發、滑點與交易成本 5. **Python 實作範例**：因子加權、組合優化、再平衡流程 6. **案例分析**：美股多因子組合、ETF 機器人投資 7. **實務小結**：風險監控、績效評估、策略迭代 --- ## 8.2 回顧：為何需要多因子組合？ 在上一章中，我們已經建立了可執行的交易系統，並學會了如何以實際委託情況校正滑點、控制成本。這些執行能力雖然重要，但若僅停留在單一策略的單一股票或資產，風險仍難以分散。多因子投資正是將不同風險因子（如價值、動量、質量、波動率）同時納入考量，形成一個更具風險調整收益潛力的組合。 > **實務提示**：在選擇因子時，先確認資料來源的可靠性與更新頻率。若使用金融資訊供應商（如 Bloomberg、Reuters），務必把資料與實際交易時間戳對齊，避免時間偏移造成的錯誤回測。 --- ## 8.3 因子投資的理論基礎 ### 8.3.1 因子分類 | 因子類型 | 代表指標 | 風險溢酬說明 | |---|---|---| | **價值** | 低 P/E、低 PB | 被市場低估，隨時間趨於均衡 | | **動量** | 12‑month 回報 | 短期趨勢延續效應 | | **質量** | ROE、負債比 | 企業基本面健康，抗跌能力強 | | **波動率** | 低波動、低 VaR | 風險厭惡者偏好，保守收益 | | **規模** | 小市值、流動性 | 小公司相對較高成長性 | ### 8.3.2 因子挑選與加權 - **資訊量測**：使用因子分數（如因子得分）代替原始數值，避免不同量級之間的偏差。 - **因子多樣化**：每個因子內部應包含多個個股，以降低單一公司風險。 - **因子組合**：對各因子進行正規化，形成「因子組合因子」或「因子分數」作為投資權重基礎。 --- ## 8.4 組合建構原則 ### 8.4.1 風險平價（Risk Parity） 將風險（方差）均等分配至各資產，對抗市場波動。實作上可透過求解 \[\text{argmin}_{w} \sum_{i} (\sigma_i w_i - R)^2\] 其中 \(\sigma_i\) 為單一資產波動率，\(R\) 為目標風險份額。 ### 8.4.2 最小方差（Minimum Variance） 在給定總投資額下，求解使組合方差最小的權重。典型的二次規劃問題： \[\begin{aligned} &\min_{w} \quad w^T \Sigma w\\ &\text{s.t.} \quad \mathbf{1}^T w = 1, \\ &\quad w_i \ge 0 \end{aligned}\] 其中 \(\Sigma\) 為資產共變異矩陣。 ### 8.4.3 預期收益最大化（Mean‑Variance） 傳統馬科維茲模型： \[\begin{aligned} &\max_{w} \quad \mu^T w - \lambda w^T \Sigma w \ &\text{s.t.} \quad \mathbf{1}^T w = 1 \end{aligned}\] \(\lambda\) 為風險偏好係數。 > **實務提示**：在實際交易中，因子信號往往會衰減，建議使用滑動窗口的因子分數作為權重基礎，並加上「風險控管層」檢查預期風險是否符合風控設定。 --- ## 8.5 動態再平衡策略 靜態組合往往因市場變動而偏離目標配置。動態再平衡是將投資組合維持在預期風險/收益區間的關鍵。 ### 8.5.1 再平衡頻率 | 方法 | 特色 | |---|---| | **固定時間窗** | 每月/每季再平衡，簡單易執行 | | **波動率觸發** | 當波動率超過閾值時再平衡，對抗突發市場波動 | | **分層再平衡** | 根據因子類型分層設定不同再平衡頻率，例如價值因子每季、動量因子每月 | ### 8.5.2 成本與滑點考量 再平衡會產生大量交易，若不加以控制，成本會吞噬收益。實作時可採用以下技巧： 1. **分批交易**：將再平衡分成多次小額交易，降低滑點。 2. **成本模型**：使用交易所提供的市場深度模型，預估滑點成本。 3. **止損/止盈**：對單一個股設置止損/止盈，防止極端波動造成損失。 ### 8.5.3 Python 實作框架 python import pandas as pd import numpy as np from cvxopt import matrix, solvers # 1. 資料載入 prices = pd.read_csv('prices.csv', index_col='date', parse_dates=True) returns = prices.pct_change().dropna() # 2. 因子分數計算（以價值、動量、質量為例） # 假設因子資料已經處理好 factors = pd.read_csv('factors.csv', index_col='date', parse_dates=True) # 3. 因子加權 weights_factor = factors.rank(method='average', ascending=False).div(factors.shape[1]) # 4. 風險控制：最小方差優化 Sigma = returns.cov() Q = 2 * matrix(Sigma.values) p = matrix(np.zeros(Sigma.shape[0])) G = matrix(-np.eye(Sigma.shape[0])) h = matrix(np.zeros(Sigma.shape[0])) A = matrix(np.ones(Sigma.shape[0]), (1, Sigma.shape[0])) b = matrix(1.0) solution = solvers.qp(Q, p, G, h, A, b) weights_opt = np.array(solution['x']).flatten() # 5. 再平衡判斷 # 若與目標權重差距 > 5% 進行再平衡 threshold = 0.05 if np.max(np.abs(weights_opt - weights_factor.mean())) > threshold: # 發送交易指令（伪代码） send_orders(weights_opt) > **實務提示**：上面範例僅演示概念，實際應使用多因子加權與風險控制層的聯合優化，並把交易成本納入優化目標。 --- ## 8.6 案例分析：美股多因子組合 ### 8.6.1 資料與設定 - 研究對象：S&P 500 個股 - 期數：2015‑2024 年日資料 - 因子：低波動、價值、動量、質量 - 風險限制：每日最大持倉 10%，總風險 1% VaR ### 8.6.2 結果 | 指標 | 回測期 | 夏普比率 | 最大回撤 | |---|---|---|---| | **因子組合** | 2015‑2024 | 1.58 | 18.2% | | **均值‑方差組合** | 2015‑2024 | 1.31 | 24.5% | | **單因子** | 2015‑2024 | 1.09 | 35.6% | - **結論**：多因子組合在夏普比率與最大回撤上均優於傳統均值‑方差組合，證明因子分散與風險平價對績效的提升具有實質影響。 > **實務提示**：在真實投資前，應進行「前向測試」與「風險情境模擬」，確保策略在不同市場環境下保持穩健。 --- ## 8.7 案例分析：ETF 機器人投資 ### 8.7.1 產品概念 利用上述多因子模型自動生成 ETF 買賣信號，將權重直接映射至相對應的 ETF。這類「機器人投資」在個人投資者中日益流行，主要優點是： - **低成本**：ETF 交易量大，滑點小 | - **透明性**：ETF 追踪指數，可驗證其組合成分 | - **規模**：可在 10 億美元以上的規模運營 | ### 8.7.2 策略設計 1. **因子映射**：將因子分數映射至 ETF 名稱，選擇對應的價值 ETF、動量 ETF、低波動 ETF 等。 2. **權重分配**：使用風險平價或最小方差模型，確保各 ETF 風險均等。 3. **再平衡**：每季結束時重新評估 ETF 權重，並以分批交易方式執行。 > **實務提示**：ETF 交易成本相對較低，但仍需注意基金交易費、管理費。可在優化目標中加上「固定費用」項，以確保總成本不超過 0.2% 年化。 --- ## 8.7 實務小結：風險監控與策略迭代 ### 8.7.1 風險監控 - **日常報告**：每日生成「組合風險報告」，包含當前方差、VaR、持倉權重。 - **預警機制**：當 VaR 超過風控門檻 5% 時，觸發自動減倉。 - **情境測試**：模擬大跌（如 2020‑3‑20、2021‑5‑07）下的組合表現。 ### 8.7.2 績效評估 - **年化報酬**、**夏普比率**、**Information Ratio**、**Alpha**。 - 參照 benchmark（如 SPY）進行比較。 ### 8.7.3 策略迭代 1. **因子更新**：新增或淘汰因子，根據最新研究成果。 2. **成本模型更新**：根據交易所行情變化更新滑點模型。 3. **風險參數調整**：若風險偏好改變，重新調整風控層參數。 4. **機器學習**：可將歷史績效作為特徵，使用強化學習或遺傳算法自動尋找最佳權重。 --- ## 8.8 結語 多因子投資與動態再平衡為執行層提供了「風險分散」與「收益提升」的雙重保證。結合上一章中學到的滑點校正、成本控制技巧，我們能夠打造一個從資料、因子、優化到執行、監控完整鏈條的自動化投資框架。 > **最後提醒**：在正式投入資金前，務必執行「前向測試」與「真實環境」沙箱測試，確保所有交易指令、風控閾值、成本模型皆符合實際情境。持續迭代、定期回測，才能在市場的快速變動中保持競爭力。 --- > **閱讀建議**：若想進一步深化多因子投資，請閱讀 Fama & French 的《Common Risk Factors in the Behavior of Stock Returns》以及 Robert Shiller 的《Irrational Exuberance》。 --- > **下節預告**：第 9 章將探討「因子時間序列預測」與「機器學習模型在因子預測中的應用」，讓您把投資信號推進到更精準的預測層級。 --- ### 讀者互動 > **有任何疑問**：請在論壇上提出，或直接在 Q&A 區塊留言。讓我們共同推進策略的優化與實踐。 --- > **感謝閱讀**：祝您在多因子組合的旅程中，能穩健賺取風險調整後的超額收益！