波動率調整截面動能策略（VAM）：結合風險調整動能與 Pipeline 的台股月頻選股實證

以風險調整動能（VAM）建構台股成分股之動態因子策略研究

在許多動能策略投資人的經驗中，都會遇到類似情境，依照過去報酬率排序買進強勢股，回測表現亮眼，但實際操作卻常出現追高波動後回檔的結果。例如，一檔股票短期上漲 30%，卻因劇烈波動而快速回吐；相對地，另一檔僅上漲 10%，但走勢穩定且延續性更高。傳統動能策略往往偏好前者，卻忽略了風險差異，導致績效不穩定甚至回撤放大。

在這樣的背景下，2025 年 Tom Burdorf 在《Learning to Rank : Enhancing Momentum Strategies Across Asset Classes》指出，單純依賴報酬排序容易高估高波動資產，因此需要同時納入風險的衡量方式。由此延伸出的波動率調整截面動能（VAM），將報酬標準化為風險調整後的強度，使比較標準從「誰漲最多?」轉變為「誰在承擔較低風險下仍能持續創造報酬?」。

本文以 VAM 策略作為研究研究主體， 使用 TQuant Lab 對台股大型權值股進行每月選股。 建立台灣中型 100 指數成分股持股集合，並在成交量前100名中，挑選 VAM 排行前 10 名執行等權重持有，最後回測該策略於 2020-2024 期間能否持續創造報酬。

本研究採用專為台股開發的 TQuant Lab 回測系統，透過與 TEJ API 深度整合，大幅提升因子運算與數據整併效率。

從高品質資訊開啟量化之路

• TQuant PIT 資料集：提供 Point-in-Time 資料，精確紀錄數據發布的原貌，有效排除「前瞻偏差 (Look-ahead Bias)」，確保回測結果具備高度實戰參考價值。
  
• TejToolAPI 資料整併：支援跨頻率數據轉換，能一鍵整併季、月、日等不同頻率的資料（如財報與日股價），簡化進出場訊號的建構流程。
  
• 專業分析模組：內建 Zipline 回測引擎與 Pyfolio 績效模組，並支援 Alphalens 進行因子健檢，在回測前即可先行驗證因子的預測力與穩定性。 TQuant Lab 回測系統提供標準化且具高度重現性的實驗平台，助您精確模擬真實交易邏輯。👉 立即造訪 TQuant Lab 官網，掌握台股量化開發利器。

VAM 台股量化策略

VAM 選股策略與條件

本策略以近 21 個交易日累積報酬衡量短期價格動能，並以同期日報酬標準差進行標準化，建構波動率調整後動能指標（VAM）。此設計旨在區分穩健趨勢與高波動雜訊，使因子更偏向反映具持續性的價格延續效果，而非短期劇烈波動所造成的假性動能。

在選股架構上，以台灣中型 100 指數作為投資母體，並加入成交金額作為流動性篩選條件，以確保投資標的具備足夠市場深度與流動性。組合構建方面，每日更新 VAM 排名，自合格股票中選取前 10 名標的，並採等權配置，以降低個股特定風險並強化因子曝險一致性。

再平衡機制採每月執行，以維持因子曝險穩定並降低過度交易，使組合持續反映橫截面動能結構的變化。在風險控管上，本策略引入兩項動態縮放機制：當前十大標的與全市場平均 VAM 差距收斂時，代表因子辨識度下降，策略降低曝險；當組合報酬與市場指數報酬相關性過高時，則降低部位，以避免策略過度暴露於系統性風險並失去 Alpha 來源。

資料來源與期間設定

• 資料來源：TEJ 投資用資料庫
• 樣本範圍：台灣中型股100指數成分股，另納入台灣加權指數作為 Benchmark。
• 回測期間：2019年12月30日至2024年12月31日
• 再平衡頻率：每月月初調倉
• 績效指標：台灣加權報酬指數（IR0001）。
• 部位配置方式：Top 10 等權重配置，單檔基準權重 10%。
• 初始資金：100 萬元
  
• 交易成本：買入 0.1425% 手續費；賣出 0.1425% 手續費 + 0.3% 證券交易稅；最低交易成本 20 元。
• 滑價成本：單筆訂單之成交上限為該時段市場總成交量之 2.5%;價格衝擊係數設定為0.05。
• 槓桿限制：無限制👉 立即前往 [GitHub] 獲取 TQuant Lab 完整程式碼，掌握策略實作細節。

VAM 策略在台股的回測結果

本次回測共涵蓋 1,218 個交易日。根據最終績效統計，VAM 策略在樣本期間表現優於台灣加權指數，且累計報酬與年化報酬皆具優勢，夏普值的1.40也超越大盤。但伴隨的是波動與最大回撤也同步高於 Benchmark，代表超額報酬一部分是來自承擔較高風險後所換得的 Alpha。

指標項目 策略 台灣加權指數 (Benchmark) 年化報酬率 (Annual return) 43.84% 18.43% 累計報酬率 (Cumulative returns) 479.46% 126.46% Annual volatility 28.97% 18.60% 夏普比率 (Sharpe Ratio) 1.40 1.00 最大回撤 (Max Drawdown) -34.55% -28.55% Alpha 25.81% Beta 0.95

圖 1 : 年度報酬圖 (Annual Returns)

從年度表現觀察，策略在 2021 年取得 133.22% 的年度報酬，顯示在風險偏好與趨勢延續明顯的市場環境下，VAM 排名對強勢股辨識能力相當突出。2022 年市場風格反轉時，策略下跌 22.80%，雖仍優於部分高動能策略常見的崩跌幅度，但最大回撤最深落在 2022-10-26，代表該策略在空頭期間仍有顯著淨值壓縮。2023 年策略反彈 96.21%，再度大幅優於大盤的 31.48%；但到 2024 年，策略報酬回落至 24.17%，反而落後大盤的 31.73%，這是因為2024 年大盤的亮眼表現主要靠少數龍頭股撐起，而 VAM 策略的優勢在於捕捉多元的強勢標的，在這種資金極度集中的行情下，策略優勢相對較難發揮。

圖 2：策略累計報酬率圖（Equity Curve）

圖 3：最大回撤圖（Drawdown）與月度報酬分布

VAM 策略之績效總結與模型優化建議

回測結果判讀

回測結果顯示，VAM 策略所建構的投資組合在 Beta 約為 0.95 的情況下，仍可創造約 25.81% 的 Alpha，顯示其超額報酬主要來自選股能力，而非槓桿操作。該策略透過每月風險調整動能機制，在市場風險偏好升溫、資金積極追逐強勢標的之際，得以精準捕捉價格延續的動能特性，展現穩定創造 Alpha 的能力。

若把績效分成幾個階段看，2021 年以及 2023 年是策略最有利的階段。這些期間共同特徵是市場趨勢明確、強勢股具延續性，而且橫截面上強弱的差距夠大，因子排序因此能發揮效果。相較之下，2022 年與 2024 年的績效則相對承壓，不過兩者的壓力來源並不完全相同。2022 年受限於整體風險偏好萎縮，多頭動能策略普遍承壓；而 2024 年則是面臨市場報酬集中在少數權值股，漲勢主要由少數 Mega-cap 權值股驅動，在持股採前 10 檔等權重配置下，投組雖不缺席大盤行情，但無法像市值加權指數那樣充分吃到權值股集中上漲的紅利。

策略侷限性與潛在風險

第一，策略為 Long-only 且接近滿倉，因此只要市場進入系統性風險事件，回撤便不容易控制。最大回撤達 -34.55% 已說明，單靠風險調整後的動能排序，不足以取代獨立的總體風控機制。第二，投資集合涵蓋 TWN100，雖然大幅降低流動性與成交衝擊問題，但也使策略更容易暴露在大型股集中度與產業權重偏移之下；當市場呈現少數龍頭股獨強時，等權持有前 10 檔未必比市值加權更有利。第三，策略使用的是單一 21 日視窗，因此對動能反轉、事件驅動或更長週期趨勢的適應性有限，若市場風格切換頻率升高，訊號穩定度可能下降。

可行的量化優化方向

第一個優化方向，是把目前的單一 VAM 因子擴充為多指標風險調整動能，例如同時計算 1 個月、3 個月、6 個月的風險調整後報酬 ，再做加權或排序整合。這樣做可降低單一指標對短期噪音過度敏感的問題，也更接近原始論文中多特徵輸入的精神。

第二，可以加入市場狀態分類，例如用加權指數是否站上長天期均線、橫截面平均波動率分位數，或台股成交值熱度來決定總曝險。這會比單看策略和市場的短期報酬相關性，更直接反映 risk-on / risk-off 環境。第三，若希望維持投資組合流動性優勢，又減少等權組合對個股事件的敏感度，可考慮把持股檔數從 10 檔提高到 15 至 20 檔，或改為依 VAM 分數做溫和權重傾斜，而不是完全等權重。

最後，建議針對策略進行兩項穩健性評估：一是進行敏感度分析，測試在不同持股檔數與不同市場週期下，策略表現是否依然穩定，以排除過度擬合歷史數據的疑慮；最後則是與「原始動能策略」進行直面比較（Head-to-Head），藉此釐清超額報酬的來源，究竟是源於動能因子本身的慣性，還是來自「波動率標準化」所帶來的風險調整貢獻。

從高品質資訊開啟量化之路：TEJ TQuant Lab 回測系統

TEJ 量化資料庫：克服前瞻偏差的關鍵數據

量化回測最忌諱使用「未來資料」。TEJ 量化資料庫 的核心優勢在於完善的 Point-in-Time (PIT) 當時點數據架構。這代表資料庫紀錄的是數據「當時」發布的正確數值與時間點，而非事後修正後的數字。透過 PIT 數據，您能確保回測時使用的是當時市場真正能取得的資訊，徹底排除「前瞻偏差（Look-ahead Bias）」，讓回測績效具備極高的實戰參考價值。

TQuant Lab：一站式量化策略開發平台

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：

• 精準數據與高效整併：內建 Point-in-Time (PIT) 量化資料集，配合 TejToolAPI 自動完成跨頻率數據整併（如將季、月頻率財務指標轉換至日頻率），讓使用者在排除前瞻偏差的前提下，快速建構如「營收成長率」等複雜選股因子。
  

• 高模擬度事件驅動回測：採用 事件驅動 (Event-driven) 架構，全方位模擬台股真實交易環境。回測過程中嚴謹計入證交稅、手續費與滑價成本，並具備注意股、處置股等流動性過濾機制與資金控管功能，確保回測績效具備高度的可執行性。
  

• 多構面績效量測指標：系統化產出專業評估報表，包含涵三大構面：

• 報酬指標：累計報酬率、年化報酬率、Alpha 值。
  

  • 風險指標：最大回撤 (MDD)、夏普比率 (Sharpe Ratio)。
    
  • 持股分析：前十大持有標的占比、換手率統計。
    

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。

🚀 準備好開啟您的量化交易之路了嗎？ 👉立即前往 TQuant Lab 官方網站，查看更多策略範例與產品資訊。

本文內容僅供研究與學術探討之用，不構成任何投資建議。

延伸閱讀

https://www.tejwin.com/insight/tquant-lab-%E5%8B%95%E8%83%BD%E7%AD%96%E7%95%A5/?utm_source=chatgpt.com https://www.tejwin.com/insight/%E7%89%B9%E8%B3%AA%E6%B3%A2%E5%8B%95%E5%BA%A6%E7%9A%84%E5%9B%A0%E5%AD%90%E7%AD%96%E7%95%A5/?utm_source=chatgpt.com https://www.tejwin.com/insight/tq_future_%E6%B3%A2%E5%8B%95%E7%8E%87%E8%AA%BF%E6%95%B4%E6%8C%81%E5%80%89%E5%8B%95%E8%83%BD%E6%9C%9F%E8%B2%A8%E7%AD%96%E7%95%A5/?utm_source=chatgpt.com